遗传神经网络在家具板材优化下料问题中的应用

阐明了遗传算法和神经元网络结合的必要性和可行性 ,通过用遗传算法训练前馈神经网络权值解决家具板材优化下料问题并给出实验结果。

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。

面向可加工性的复杂约束状态下一维优化下料

根据目前对优化下料问题的研究现状,指出优化下料问题应综合考虑产品设计、生产、制造过程,给出了影响一维优化下料问题的复杂约束状态;以可加工性好和原材料利用率高为目标,建立了复杂约束状态下以综合资源消耗最少为目标函数的优化下料问题的数学模型;提出并实现了非定长优化和定长优化相结合的两阶段一维优化下料方法。最后,通过实例验证了所提方法的实用性和有效性。

定长条材优化下料的实用算法研究

在分析定长条材优化下料数学模型基础上，构造了一个背包列生成近似算法，从工程实践角度给出了此问题的求解方法。

微机优化下料系统

内容简介及技术水平:本成果是一个软、硬件一体化的便携式的计算机优化排料系统,可对钢材、铝材等各种条材的下料问题自动生成优化下料方案和工艺图纸。显著节约原材料。