布局优化模型为坚实地固化快速成型过程英文文献翻译(4)
的动机利用非线性目标函数是重叠是好的在搜索过程中,假设移动通过不可行配置(布局)能带来较好的可行的配置(布局)[4]。使用此目标函数,该算法将引导搜索对降低布局高度重叠后已经很小了。因此,总高度在最终的布局的解决方案通常是低虽然小重叠模型中仍然存在。
SA的方法是用来解决上述优化问题。进行了测试比较包装使用量化的重叠与那些使用重叠在情商的定义。(4)。SA显示性能差或没有更好的性能在使用第一种方法。这些测试的结果将显示在本文的后面。
这里定义的包装算法不能保证找到一个容许的解决方案。消除小重叠在解决方案中获得SA,一个简单的补偿算法程序。SA搜索过程后完成,如果重叠存在,补偿程序可以执行识别重叠模型和移动它们分开沿距离所表示的最小重叠。因为运动可以产生新的重叠,所有模型都是又检查了一遍。如果新的重叠发生,过程
继续,直到没有重叠之间存在的模型。可以很容易地消除重叠在大多数情况下,在执行这个补偿程序。在测试用例中,整体高度通过SA增加无关紧要的。
1.5模拟退火方法
1.5.1 SA的概念
SA是松散的,基于物理概念的退火(冷却)金属为了找到最低的能量状态的金属。数学解释的退火是一个冷却时间表,这是一个时间的递减函数。SA是一个随机计算技术来源于统计力学寻找全球最低成本解决附近大型优化问题。在许多情况下,找到全球目标函数的最小值与多自由度受到冲突的约束是一个np难问题,因为目标函数往往会有很多局部最小值。一个程序用来解决优化问题的搜索空间类型应该样品在这样一种方式,它有一个高概率找到最优或接近最优的解决方案在一个合理的时间。
SA提出了柯克帕特里克et al。[10]。这个想法是来源于算法通过大都市[11]。最初,起始温度、T;是给定一个高价值和该系统假定开始在一个初始状态p。目标函数的值f在这一点上是计算。一代定义机制,所以,对于一个给定的国家p;一个新的州p0可以得到随机从附近的p;然后evaluated.Δ= f(p)- f(p)是目标函数的变化,因为此举。如果此举会导致一种改进的目标函数,新的设计是接受并成为当前状态。山还接受新解决方案当其目标函数值比旧的。这可以算出所谓都市概率。为一个状态的概率接受决定如下:
温度高,随开始时间。在每个温度、系统摄动几次。集合的迭代进行每个值的温度称为马尔可夫链。迭代的数量在一个链有时被称为链长度。最初,移动通过状态空间几乎是随机的,导致广泛的勘探目标函数的空间。随着概率接受劣质动作减少,他们往往拒绝,使算法收敛到一个最优。
1.6 包装策略
1.6.1运动装置
SA搜索过程开始与一个或多个解决方案(s),然后找到其他解决方案通过预定义的举动。一个举动,φ;是一个操作,通过它,一个新的布局方案p0可以来自旧的p:p_ !p0:此举集是一组由不同的动作通过扰动可对模型的布局。当一个新的布局从旧的生成,这一举动被选中的举动让某些可能性。吹冰个动作中定义为解决目前移动组问题:
*旋转。改变的方向不改变模型的信封,信封的中心位置。有吹冰个方向选择。然而,更多的可能性是给了定向最小高度的信封。
*漫步。随机变化的中心位置的信封在7 x、y、z方向7 7。移动的距离取决于当前的温度。在更高的温度,更长的距离的运动将被选择为了达到一个更大的改变在成本函数和避免局部极小。
*互换。对开关的位置,两个信封;两个信封要交换是随机选取的。
*走向原点(0,0,0)。将一个随机选择的信封,沿着一个方向x,y和z坐标的信封将减少。移动的距离取决于温度在那一刻。
下一篇：热轧机英文文献和中文翻译