基于蚁群聚类算法的板式定制家具订单聚类分析

为研究在定制家具分批生产之前的订单聚类问题,根据不同订单的信息,选取对定制家具排产影响较大的订单特征,将订单文本向量化,计算家具订单之间的相似度。利用蚁群算法的状态转移规则,通过聚类数目未知的蚁群算法将订单类别进行归并,以聚类完成后所有类别的材料种类总数最少为目标。通过仿真试验将其与聚类数目已知的蚁群聚类算法和K-means算法聚类结果进行比较,结果表明:相对于上述两种聚类算法,在定制家具订单聚类问题研究中,本文研究的算法聚类效果更好。

蚁群算法在定制家具矩形零件排样中的应用

零件排样,是指在一定规格的原料板材上,按照一定规则排布若干个不同尺寸规格的零件,在满足订单配套和切割要求的前提下,达到一定的优化目标。本研究以定制家具的零件排样问题为对象,根据定制家具零件排样生产的实际情况,将零件排样问题与蚁群算法(ACA)结合,以最优化原材料利用率为目标构建批次订单排样的数学模型,搜索得到批次零件的排样方案,实现定制家具订单的批次排样问题优化。本研究基于定制家具零件的生产特点,给出结合矩形零件排样问题研究的蚁群算法中节点、启发式信息、信息素的定义并对路径的构建和信息素的更新规则进行说明,设计合适的蚁群算法流程,通过对蚁群算法参数的分析,确定蚁群算法参数取值,完成定制家具订单的排样方案的求解。对比了A企业排样的传统经验算法与本研究优化的排样算法对原材料利用率的影响,结果表明:在不同的订单样本量的条件下,本研究的基于蚁群算法优化的排样算法较传统经验算法原材料利用率分别提高6.1%,11.1%,10.0%。通过实例验证该算法在排样问题中求解具有有效性。