一维线材切割问题,是一个没有最优解的NP(Nondeterministic Polynomially,非确定性多项式)问题,只能通过得出的近似最优解进行切割,以达到降低工业生产成本的目的,因此研究这一问题在理论和实际上都具有一定的意义。所谓一维即不考虑材料的形状等因素,根据材料的长度,切割出所需的零件。而一维线材切割可分为定长原材料和不定长原材料的切割,本文主要是对不定长原材料的切割进行深入的研究,通过遗传算法和蚁群算法的融合来实现。用蚁群算法的反馈机制求出算法的最优解,但是在蚁群算法初期,初始条件(包括信息素,转移概率等)的设置,需要花费较多的时间尝试各种与最优解相差甚远的无关解;而遗传算法可以全局性的快速迭代,两者互补:先通过遗传算法筛选出优势解,转化为蚁群算法中信息素的初始积累,再用蚁群算法对遗传算法的优势解进行调整求最优解,也就是切割排样的近似最优解,这样就有效地避免蚁群算法对其他较差解大量尝试性的搜索。本文的主要工作如下:首先,介绍了遗传算法和蚁群算法的基本原理和流程,以及这两个算法在一维线材切割方面的研究。其次,本文使用遗传蚁群算法的融合对不定长一维线材的切割进行实验设计。在遗传算法中,确定目标函数和约束条件、使用符号编码、种群平均目标函数值为适应度函数、遗传算子(精英选择、均匀交叉、非一致性变异、增添和缺失变异);设定最大最小迭代次数和最小进化率来结束遗传算法;取出最优个体解码转化为蚁群信息素的积累,在蚁群算法中将原料和零件一起编号转化为类似于商旅问题,采用不同的策略选择零件和原料进行寻路,并且引入信息素的奖惩和自适应的信息素蒸发系数。最后,分别利用遗传算法、蚁群算法和遗传蚁群的融合算法进行三组对比实验。经过实验结果验证,融合算法对不定长一维线材切割的收敛速率要快于使用蚁群算法,在原材料利用率比使用遗传算法有所提高,此外还通过调整融合算法的实验参数寻得最优参数组合。