[论文解读] An Evolutionary Stochastic-Local-Search Framework for One-Dimensional Cutting-Stock Problems

Georgios C. Chasparis, Michael Rossbory+1 more|arXiv (Cornell University)|Jul 27, 2017

Optimization and Packing Problems被引用 3

一句话总结

本文提出了一种用于一维下料问题的进化随机局部搜索（SLS）框架，整合了灵活的多样化策略与一种新型并行计算模式。该方法通过增强局部搜索逃离局部最优的能力，并借助可配置的阈值和无成本操作实现高效探索，显著降低了实际制造中的成本。

ABSTRACT

We introduce an evolutionary stochastic-local-search (SLS) algorithm for addressing a generalized version of the so-called 1/V/D/R cutting-stock problem. Cutting-stock problems are encountered often in industrial environments and the ability to address them efficiently usually results in large economic benefits. Traditionally linear-programming-based techniques have been utilized to address such problems, however their flexibility might be limited when nonlinear constraints and objective functions are introduced. To this end, this paper proposes an evolutionary SLS algorithm for addressing one-dimensional cutting-stock problems. The contribution lies in the introduction of a flexible structural framework of the optimization that may accommodate a large family of diversification strategies including a novel parallel pattern appropriate for SLS algorithms (not necessarily restricted to cutting-stock problems). We finally demonstrate through experiments in a real-world manufacturing problem the benefit in cost reduction of the considered diversification strategies.

研究动机与目标

• 解决传统线性规划在处理具有非线性约束的一维下料问题时的局限性。
• 开发一种灵活且可扩展的优化框架，能够集成多种多样化策略。
• 通过一种新型并行SLS计算模式，提升解的质量与收敛速度。
• 评估关键算法参数（如高潜力阈值与良好状态阈值）对优化性能的影响。
• 在真实工业制造环境中展示成本降低的效果。

提出的方法

• 该框架采用双池架构：主处理池（P）和用于存储高潜力候选解的备用池（R）。
• 通过迭代应用局部搜索操作，在解空间中探索邻近解。
• 通过可配置的阈值实现多样化：D_hp*（高潜力阈值）和D_gs*（良好状态阈值）用于解的保留与预留。
• 并行计算模式支持多个候选解的同时处理，提升了搜索效率。
• 引入无成本操作，允许低影响的移动，有助于逃离局部最优，同时不降低性能。
• 算法使用归一化的适应度-距离度量来评估解的质量，并指导池管理。

实验结果

研究问题

• RQ1 多样化策略的整合如何影响SLS在一维下料问题中的性能？
• RQ2 高潜力阈值（D_hp*）对算法逃离局部最优能力有何影响？
• RQ3 增加优化时间如何影响良好状态阈值（D_gs*）的有效性？
• RQ4 所提出的并行计算模式在多大程度上提升了解的质量与收敛速度？
• RQ5 无成本操作在不同并行度水平下如何促进性能提升？

主要发现

• 随机扰动显著提升了优化性能，通过帮助逃离局部最优实现。
• 延长最大允许的优化时间可带来更好的性能，但随着并行度提高，增益逐渐减小，因为收敛速度加快。
• 仅当与更大的备用池（R）结合时，提高高潜力阈值（D_hp*）才能改善性能，因为更大的池可防止有希望的解过早丢失。
• 将良好状态阈值（D_gs*）延长至最优水平以上会因在局部最优处长期停滞而降低性能，但可通过延长优化时间恢复性能。
• 无成本操作在所有并行度水平下均持续提升性能，实现了有效探索且无性能损失。
• 所提出的框架在一次真实工业制造案例研究中实现了显著的成本降低，验证了多样化与并行化策略的有效性。