文献类型：期刊文章

作　　者：徐小斐[1] 陈婧[2] 饶运清[1] 孟荣华[1,4] 袁博[3] 罗强[1]

XU Xiaofei;CHEN Jing;RAO Yunqing;MENG Ronghua;YUAN Bo;LUO Qiang(School of Mechanical Science&Engineering of HUST,Huazhong University of Science and Technology,Wuhan 430074,China;Department of Automotive Engineering,Guizhou Communication Vocational College,Guiyang 550008,China;School of Mechanical and Electronic Engineering,Wuhan University of Technology,Wuhan 430074,China;College of Mechanical&Power Engineering,China Three Gorges University,Yichang 443002,China)

机构地区：[1]华中科技大学机械科学与工程学院,湖北武汉430074 [2]贵州交通职业技术学院汽车工程系,贵州贵阳550008 [3]武汉理工大学机电工程学院,湖北武汉430074 [4]三峡大学机械与动力学院,湖北宜昌443002

出　　处：《计算机集成制造系统》

基　　金：国家自然科学基金资助项目(51975231);中央高校基本科研业务费专项资金资助项目(2019kfyXKJC043)。

年　　份：2020

卷　　号：26

期　　号：12

起止页码：3236-3247

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：矩形排样是典型的NP-Hard问题,当零件数量增加时,求解时间便会呈指数倍急剧增长。为缩减相似排样任务的计算时间,提高寻优性能与材料利用率,结合基于匹配度评价的最低水平线算法,提出基于知识迁移的蚁群强化学习算法,以解决矩形排样问题。该算法针对高维知识空间,构建基于知识延伸的高维空间合并矩阵,并借助强化学习“试错”学习模式,在知识矩阵中利用有自学习能力的蚁群完成知识的获取与更新。而后将“预学习”获得的知识利用线性迁移策略迁移给目标任务,指导其在线快速做出决策。通过算例仿真表明:该算法能获得较高质量的解,同时寻优速度达到其他智能算法的2~6倍,在求解大中规模矩形排样问题上具有较好的实用性。

关 键 词：矩形排样 蚁群算法 强化学习  知识迁移

分 类 号：TP391]