[论文解读] Ant Colony Algorithm for the Weighted Item Layout Optimization Problem

Yichun Xu, Fangmin Dong+3 more|arXiv (Cornell University)|Jan 24, 2010

Optimization and Packing Problems参考文献 27被引用 9

一句话总结

本文提出了一种结合两种构造启发式方法的蚁群优化（ACO）算法，用于求解圆形容器中的加权物品排布问题，同时优化物品的排列顺序与空间定位。该方法在较大规模问题实例上优于现有的局部搜索技术，展现出更高的装箱效率与更优的解质量。

ABSTRACT

This paper discusses the problem of placing weighted items in a circular container in two-dimensional space. This problem is of great practical significance in various mechanical engineering domains, such as the design of communication satellites. Two constructive heuristics are proposed, one for packing circular items and the other for packing rectangular items. These work by first optimizing object placement order, and then optimizing object positioning. Based on these heuristics, an ant colony optimization (ACO) algorithm is described to search first for optimal positioning order, and then for the optimal layout. We describe the results of numerical experiments, in which we test two versions of our ACO algorithm alongside local search methods previously described in the literature. Our results show that the constructive heuristic-based ACO performs better than existing methods on larger problem instances.

研究动机与目标

• 为解决在二维圆形容器中最优排列加权圆形与矩形物品的挑战。
• 开发高效的构造启发式方法，首先优化物品排列顺序，然后优化空间定位。
• 将这些启发式方法集成到蚁群优化框架中，以在排列序列与布局上实现全局搜索。
• 在基准问题实例上，将所提出的ACO方法与现有局部搜索方法进行对比评估。
• 在机械工程中常见且更复杂的布局问题，尤其是卫星设计中，展示改进的性能。

提出的方法

• 设计了两种针对问题的构造启发式方法：一种用于圆形物品，另一种用于矩形物品，两者均聚焦于在空间定位前优化排列顺序。
• ACO算法将布局问题建模为序列优化任务，其中蚂蚁通过基于信息素轨迹和启发式信息的概率选择来构建解决方案。
• 根据解的质量应用信息素更新规则，优先选择能最小化空间浪费并满足物品重量约束的序列与布局。
• 算法在物品排列顺序优化与通过局部搜索程序优化几何定位之间交替进行。
• ACO框架结合了全局与局部信息素更新，以在搜索空间中平衡探索与开发。
• 通过文献中的问题实例进行数值实验，将ACO与先前的局部搜索方法进行比较。

实验结果

研究问题

• RQ1 基于构造启发式的ACO算法能否在加权物品排布问题上实现优于现有局部搜索方法的解质量？
• RQ2 ACO方法在处理更大、更复杂的布局实例方面，相较于传统方法的效率如何？
• RQ3 为圆形与矩形物品集成特定问题的启发式方法是否能提升收敛速度与解的效率？
• RQ4 信息素更新策略与启发式信息对ACO算法在此上下文中的性能有何影响？
• RQ5 所提出方法是否能在多种问题实例中持续优于基线方法，特别是在装箱密度与计算效率方面？

主要发现

• 与现有局部搜索方法相比，结合构造启发式的ACO算法在较大规模问题实例上表现出更优的性能。
• 所提出方法在最小化圆形容器内未利用空间方面展现出更优的解质量。
• 构造启发式方法显著增强了ACO在搜索初期探索高质量解序列的能力。
• 该算法在包含圆形与矩形加权物品的复杂布局中表现出鲁棒性与可扩展性。
• 数值实验确认，ACO方法在基准实例上收敛更快，且结果比基线技术更一致。
• 将特定问题的启发式方法集成到ACO框架中，显著提升了装箱效率与解的稳定性。