基于最优觅食算法的增材制造中多种类零件分批排样研究

增材制造中多种类零件分批排样存在打印时间成本高和工作台空间利用率低等问题,且需考虑零件高度的影响。分批排样问题包括零件在工作台上放置策略和成型批次分配两个子问题。放置策略涉及成型方向选择、零件碰撞检测和定位策略。基于建立的成型方向准则,利用多边形表示零件投影轮廓,提出基于临界多边形的改进移动碰撞法以确定3种不同形态多边形零件的免碰撞排放范围,提出新的左下定位策略放置零件,新定位策略融合了改进的建设性方法和契合度;提出单机台面积占用最大化策略实现零件成型批次分配。基于上述研究,提出基于最优觅食算法的分批排样算法,算法采用双重编码表达零件放置顺序和旋转角度,以最小化完工时间为目标实现优化分批排样。以案例库零件为对象,与3种对比算法比较,表明所提方法的方案能有效提高增材制造的空间利用率和缩短完工时间。

基于BIM的PC构件排样优化设计

针对PC构件排样与上游装配式建筑设计模型的协同效用问题,进行了基于BIM的PC构件排样优化设计研究。分析了装配式BIM中PC构件的组成元素,完成PC构件信息的提取;结合改进蚁群算法与动态剩余矩形算法对PC构件排样进行优化,采用遗传变异策略与路径选择机制改进算法后期易陷入局部最优的不足,经过多次优化迭代得出最优排样。某PC构件企业的生产排样实例验证了基于BIM的PC构件排样优化方案可实现上游装配式建筑设计模型与PC构件排样的协同效用,提高了排样效率。

多块排样方式的二维板材下料优化模型与算法

针对矩形件二维板材剪切下料问题,提出一种多块排样方式的二维板材下料优化模型与求解算法。为了均衡考虑排样方式的计算复杂度和板材利用率,将多块排样方式的块数定为八块。通过3次一分为二剪切操作将板材分割成八个矩形块,并将每个块剪切成方向相同的同种矩形件。构造八块排样的优化模型及算法是按照排样价值最大原则来确定所有可能尺寸的块中矩形件的最优布局和板材的最优八块划分。提出的列生成算法迭代调用上述八块排样算法生成一系列下料方案,选择耗费板材最少的一个下料方案作为最终解。通过采用文献基准例题和实际生产实例验证了本文算法,实验结果表明:八块排样算法的排样价值高于3种文献排样算法,并且,八块排样方式的下料算法板材利用率高于已有文献给出的下料算法。本文给出算法计算时间可满足实际应用需要。

一种变压器硅钢卷料精准排样的设计与实现

为提高变压器硅钢卷材纵剪利用率,本文作者讨论了一种二维下料问题,提出了一种改进型动态规划算法,可以将计算精度与计算量优化结合,使卷材排样利用率逼近最优。

高产梳棉机车间零件排样系统开发及应用

针对纺织机械设备二维不规则零件排样效率低、原材料利用率低、材料浪费严重以及排样系统自动化程度低、生产信息同步滞后等问题,以高产梳棉机为研究对象,开发出基于C/S框架的高产梳棉机车间零件自动排样系统。该系统基于Python语言在PyCharm集成开发环境中实现系统开发并将系统打包成exe可执行程序,通过简单的页面操作,实现了异形件处理、齐套性处理、二维排样、排样方案优化与输出等功能,并通过MySQL实现实时在线数据交互,改善了人工排样利用率低、数据更新不及时的情况。应用效果表明:相比于人工排样方法,基于遗传算法与最佳拟合水平线算法相结合的高产梳棉机零件排样系统排样利用率提高12.06个百分点。认为:该系统可满足企业管理者对高产梳棉机运行状况的实时查询与监控,同时能有效减少板材消耗数量、提高板材利用率、减少生产准备时间,提高排样系统自动化程度。

订单型机器人冲压单元排样选配与生产调度集成优化

【目的】解决订单式冲压生产中,生产准备周期长、效率低且资源利用率低等问题。【方法】提出一种将排样选配与生产调度进行集成优化的思路来解决上述问题。建立了以最小化中间库存、换模次数、总拖期时间为优化目标的集成优化模型,设计了一种将排样选配与生产调度统一考虑的多层结构编码方法和一种考虑机器人调度策略的解码方法,提出了混合鲸鱼优化算法(HWOA)并应用该算法对此集成优化问题进行求解,然后设计多组测试算例,将HWOA与其他算法进行了对比。【结果】1)HWOA获得的Pareto解是最优解,质量比NSGA-II、HNSGA-II、MOGA、PSO+SA获得的Pareto解都要好;2)HWOA单独运行各算例10次后,从最终的Pareto解集中筛选出来的最满意解结果均较好,符合计算目标。【结论】实验结果验证了该算法的可行性和有效性,相对于其他算法,HWOA在解决IOLS-ORSC问题上具有一定的优越性;文章提出的解码方法考虑了机器人的调度策略,实现了RSC中物料运输任务与生产任务的协调分配;未来可以将几何排版与冲压工艺考虑进来,进一步提高研究的实际应用价值。

矩形件排样优化问题的DPSO-CG混合优化算法研究

针对矩形件排样问题非线性、高复杂计算性等特点,提出一种结合离散粒子群优化(DPSO)算法和混沌遗传(CG)策略的DPSO-CG混合优化算法。利用混沌运动的遍历性和随机性,引入混沌交叉和混沌变异的遗传操作,通过增加个体的多样性,增强算法全局搜索能力,结合最低水平线定位算法,实现矩形件排样后板材利用率的提高。最后针对实例进行排样优化验证,排样结果表明,DPSO-CG混合优化算法能够使板材利用率最大值达到0.9417,实现更优的排样,验证了算法的正确性和有效性。

基于粒子群算法的二维不规则排样

针对工业生产中常见的二维不规则排样问题,提出运用粒子群算法求解的方法。将BL算法和NFP算法结合,作为排样定位策略;对工件的入排顺序和入排角度进行编码,进行粒子群算法优化求解,并通过交叉替代传统的插值改进粒子位置更新过程,满足排样的离散问题求解;通过添加粒子的变异过程,避免陷入局部最优解。算例排样结果验证了该算法的有效性。

基于图神经网络和深度强化学习的二维矩形排样优化方法研究

本文结合生产实际中的零件母板带约束二维矩形下料优化问题,设计并提出了二维矩形排样问题的异构图和深度强化学习的算法架构。通过图神经网络和强化学习算法对排样问题中零件和母板的特征进行高度的集成和学习,并对零件的排布顺序和排布位置进行决策,在更短的时间内得到相比于传统优化算法更优秀的计算结果。实验证明,本文的深度强化学习算法训练的模型可以在较短时间得到良好的排样结果,且基于小规模问题训练的模型解决较大规模的问题实例也可以获得较好的效果,证明了算法具有较好的泛化能力。

基于贪心混合定位算法三阶段排样问题研究

针对三阶段排样板材利用率问题,提出了基于贪心混合定位算法的三阶段排样优化方法。以板材利用率为优化目标,首先建立带约束的混合整数规划模型,对三阶段排样问题进行分割;其次将板材分成3个分区并使用贪心算法对输入序列进行排序优化;最后使用混合定位算法对候选矩形件找最优板材放置分区。研究采用数据规模为3 000块矩形件的4组板材数据集进行验证,结果表明,所提模型较其他算法板材利用率得到提高,且运行时长大幅缩短。

基于小生境离散粒子群算法的不规则排样优化策略

针对目前二维不规则排样算法中存在的问题,提出一种基于小生境离散粒子群算法的二维不规则排样算法。该算法模拟两个相对独立的粒子群,两个粒子群并行进化,并在每迭代一次后相互交流信息,具有很强的全局搜索能力。实验结果表明,该算法在求解二维不规则排样问题时可以大幅提高板材的材料利用率,具有实际应用价值。

多约束下矩形件排样问题的混合求解算法研究

针对板材和玻璃下料过程中存在的矩形件排样问题,提出了一种基于分割匹配算法与改进蚁群算法的混合算法进行求解。建立了以最大化均方利用率和剩余加工时间为目标的排样优化模型;利用蚁群算法作为排样顺序算法确定部分零件的排样顺序以满足零件的加工时间限制,为了提高蚁群算法搜索效率,提出了自适应信息素更新策略,引入基于遗传变异和2-opt变异的混合变异策略来增强局部搜索能力。针对于零件在毛坯上位置的排布问题,为提高毛坯的均方利用率同时又满足一刀切约束条件,提出分割匹配算法进行矩形件排布优化。将改后的算法与其他优化算法用国际标准测试案例和企业实际案例进行对比分析,验证了所提混合算法的有效性。

基于启发式的二维不规则多规格板材排样问题研究

二维不规则板材排样在工业生产中的应用十分广泛,属于空间布局优化问题。目前该方向的研究主要考虑单规格板材,缺乏在多规格板材上排样不规则零件的研究。提出了一种启发式算法求解二维不规则多规格板材排样问题,该问题需要把不规则零件打包到不同尺寸的板材中,使得所选板材的面积总和最小。为了解决该问题,采用回溯算法和剪枝策略生成板材组合,通过二分搜索策略选定并切换板材组合。对于给定板材组合,提出了基于重叠移除的排样算法,首先通过首次适应下降策略和左下算法尝试把每个零件放置在板材里面,假若还有零件未能放置在板材里面,则运用插入算法把这些零件插入到板材中重叠最小的位置,再通过邻域搜索和重叠移除算法最小化重叠值,从而求得可行解。对多规格板材的算例进行测试,实验结果表明,该启发式算法可有效解决二维不规则多规格板材排样问题。

基于改进自适应遗传算法的异形标签排样

针对二维异形标签人工排版费时费力费料的问题,提出了一种高效便捷的解决方案。首先,建立二维矩形带排样问题的数学模型,使用最低水平线算法作为排样定位算法。其次,通过自适应调整遗传算法中交换和变异的概率,平衡算法的收敛速度与种群多样性之间关系。实例验证表明该方案具有较强的可操作性,对异形标签的排样具有较大的应用价值。社会的发展推动技术更迭,异形标签的自动排样技术对于推动传统印刷产业升维,促进印刷产业在智能时代持续发展具有重要意义。

两阶段启发式算法在矩形件排样中的应用

针对定制式木门家具生产过程中板材资源利用率低和常规启发式排样算法得到的排样结果切割工艺复杂的问题,采用启发式排样和优化排序相结合的方式,提出了两阶段排样方式和遗传算法相结合的组合式矩形板材排样算法。以两阶段排样方式为基础,通过对排样过程中物块摆放时会遇到的5种情况分别给出对应处理方案,提出了两阶段启发式排样算法,同时利用改进的遗传算法进行板材组号的排序优化。测试结果表明,该文算法取得了98.11%的最高资源利用率,算法输出排样方案的板材切割工艺得到了优化,提高了实际生产中板材切割的生产效率并降低了生产与时间成本。

复杂下料工艺约束下的二维不规则零件优化排样方法

针对二维不规则零件下料生产线原材料利用率不高、作业效率较低等问题,提出一种复杂下料工艺约束下的二维不规则零件优化排样方法。以最大化原材料利用率为优化目标,建立了二维不规则零件下料问题的数学模型,利用一种图形碰撞算法实现零件的定位,提高了原材料利用率。通过零件图形的平移、旋转、镜像等操作动态构造排样单元,提高了连续切割和零件自动码垛的作业效率。算例对比分析验证了该方法的可行性和有效性。

设计知识驱动的不规则多边形排样算法及应用

为高效解决实际生产制造中的二维不规则多边形排样问题,提出一种设计知识驱动的启发式算法。利用临界多边形判定多边形之间的相对位置,并建立局部适应度数学模型用于衡量多边形的贴合程度;根据设计知识建立数学模型来评价多边形待摆放位置,利用基于局部搜索的贪心算法完成排样。通过对国际通用基准用例进行实验测试并与现有智能优化算法进行对比,证明了所提算法在排样质量与时间性能上不但具有一定优势,而且稳定性高。通过实际生产中样片数据的实验测试证明了所提算法的实用性。

基于改进免疫遗传算法的汽车零件排样

为提高汽车零件排样的板材利用率,对汽车零件的排样技术进行研究.汽车零件大多是不规则零件,因此其排样属于二维不规则排样问题范畴.在智能优化算法求解二维不规则排样领域,遗传算法容易产生早熟现象,并且局部寻优能力较差,而免疫算法具有很强的局部寻优能力.结合遗传算法与免疫算法的全局与局部寻优能力,提出一种改进的免疫遗传算法.该算法的遗传选择操作加入个体浓度计算,操作步骤和变异概率可以自适应调整,从而有效避免早熟现象.自适应计算免疫选择个体数以及免疫克隆个体数以提高算法的收敛性能.分别使用ESICUP网站提供的公开数据和实际汽车零件专用数据对提出的免疫遗传算法的性能进行测试,实验结果表明,和现有的几种算法相比,本研究提出的免疫遗传算法能获得更高的材料利用率.

超边界约束条件下异形件排样问题的求解算法研究

针对超边界约束条件,提出了板材动态边界搜索的处理策略,然后以临界多边形(NFP)为基础,同时引入无碰撞区域(CFR)的概念,以保证排样方案的可行性,在综合考虑零件之间的重合率和BL(bottom left)策略,以及CFR可能退化为点或线段的情况之后,提出基于CFR的混合启发式定位算法。在上述零件定位算法的基础上,采用遗传算法对零件排样顺序进行优化以解决超边界约束排样问题,并通过实例验证了所提算法的有效性。

满足“一刀切”约束的单侧最低水平线法求解排样问题

提出了满足“一刀切”约束的单侧最低水平线法,该方法以现有的最低水平线法为基础,在选择矩形件摆放顺序及摆放位置时,皆以最左侧矩形为基准,所有矩形实行分层密布,使得排样结果既满足较高的材料利用率,又使矩形摆放符合“一刀切”的工艺要求,从而缩短刀具加工行程,提高加工效率。