一维下料问题的快速计算方法研究

一维下料问题是实际工程中经常遇到的一类问题。从工程实际应用考虑,提出了一种针对多规格切割问题的计算方法。通过对原有的数学模型增加合理的约束条件,实现快速筛选合适的切割模式的目标,然后从选出的切割模式中求解出一维下料问题的近似最优解。通过一项实际工程中的下料案例,验证了该方法的准确性和可靠性,同时探讨了余料限值L 0和模式限值N C对计算结果的影响。计算表明,选取合适的L 0和N C可以获得很好的求解结果,切割材料的利用率可以达到97.9%。计算方法简单,计算速度快,节材效果明显,可以用于实际工程中的一维下料问题。

基于VNABC的多规格板材二维下料问题

针对二维下料问题板材单一的特点,研究了多规格板材二维下料问题。板材规格多样、毛坯规格多样且数量庞大,是NP(Non-deterministic Polynomial)完全问题。针对该问题的特点,将下料过程设计成规整和非规整两个阶段。规整阶段完成每种矩形毛坯的主体下料任务之后,如仍有毛坯剩余,则进入非规整阶段采用BL算法(Bottom Left Algorithm)下料剩余毛坯。根据模型特点,提出变邻域人工蜂群算法(VNABC),设计两种解码策略STD和SLD,并改进了VNABC算法的操作算子。最后,采用响应面分析法对VNABC算法进行参数标定。通过仿真实验将VNABC算法与遗传算法(GA)、改进粒子群优化算法(NUS)、模拟退火算法(SA)、人工蜂群算法(ABC)进行了对比分析,实验结果验证了VNABC解决多规格板材二维下料问题的优越性。

二维异形下料问题的热点与发展趋势——基于CiteSpace的可视化分析

在工业发展过程中,材料下料轮廓形状不一,多年来一直没有操作可行的智能下料方法,在实际下料中多依赖于人工经验。粗放式的下料不仅带来大量资源的浪费,使材料成本大大提高,还会阻碍产业的绿色转型升级。下料问题一直备受瞩目,其中以异形零件下料最为难解。首先对下料问题进行综合概述、分类,指出其发展过程中需要解决的难点,然后以CNKI作为数据源,选取135篇中文文献,利用CiteSpace软件对二维异形下料问题进行文本挖掘,得到近20 a来该领域研究的关键词共现图谱和前15个关键词汇及关键词研究变化图。据此,通过文献研究法分析了二维异形下料问题,并将其分为3个发展阶段,并提出在文献分析中发现的问题,最后提出二维异形下料未来应朝着算法融合、人机交互、多领域相互结合的方向发展。

基于变长编码求解一维下料问题的演化算法

针对一维下料问题的特点 ,将线性规划方法与演化算法相结合 ,提出了一种基于变长编码求解一维下料问题的演化算法 .该算法设计了一种新颖的遗传算子 ,实现简单 ,求解快速 .实验表明 ,运用该法求解下料问题 ,材料利用率高 ,平均达到 97.5 %以上 ,具有很好的实用价值 .

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.

一维优化下料问题的基因遗传算法

针对一维型材的下料问题，建立了整数规划模型，结合本问题的特点讨论了当决策变量个数很多时，整数规划的常用解法，包括随机方法、基于选择分枝的启发式规则和选择分枝变量策略的局限性，并根据问题的复杂性，提出了基因遗传算法，最后用实例进行了验证。

基于混合顺序启发式算法的一维下料问题

针对一维下料问题,提出一种改进的混合顺序启发式算法。该算法修正了传统顺序启发式算法的待切子集选择策略,采用广度搜索算法在有限时间内解决终止条件问题,根据用户最大时间容忍度动态地改变参数。最后采用C#进行编程,实现了该算法,通过对比证明算法的有效性。该算法在马鞍山钢铁公司车轮分公司正式使用了两年多,使切割率提高4%。

基于蜂群遗传算法的一维优化下料问题

针对一维下料优化问题,提出了基于蜂群遗传算法的优化求解方案。具体做法是,以实数表示的各零件长度的一个排列作为一个染色体,其中每个零件的长度作为基因;根据自然界蜂群生物学原理设置了两个种群,一个种群主要用于全局搜索,另一个种群主要用于局部搜索;采用最优个体交叉策略;遗传算子包括联赛选择算子,顺序交叉算子,2-交换变异算子和抑制算子。仿真实验结果表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题。

应用三块排样方式求解二维下料问题

本文采用顺序价值修正框架和三块排样方式求解二维下料问题。该框架顺序生成排样方案中的各个排样方式(排样图),用每个排样方式满足部分毛坯的需求,直到满足全部需求为止;动态调整毛坯价值,使毛坯价值趋于合理;多次迭代生成多个不同的排样方案,实现优选。采用的三块排样方式通过不完全枚举法生成,其中最多包含三种毛坯,从而有利于简化下料工艺。通过与线性规划算法比较,说明在毛坯需求量较小的情况下,本文算法能有效减少板材消耗量。

基于在线检测动态一维下料问题的GPU并行蚁群算法

随着在线检测技术发展,生产线上的物料需要根据检测结果进行快速切割。已有一维下料优化问题是根据全局目标进行建模的,其最优化算法不能满足实时调整切割方案的要求。本文首先根据物料在线检测及切割特点提出了动态多规格一维下料优化问题,并给出最优化模型;然后结合GPU特点创建并行蚁群算法来求解多规格动态一维下料问题,以保证在有限时间内求得近似最优结果;经过算法分析证明,对于大规模数据变量,并行蚁群算法效率高于传统蚁群算法。通过实验表明,在大规模数据量下,此并行蚁群算法与传统蚁群算法和分支定界算法相比,能够在较短时间内得到较优切割方案。

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。

一维优化下料问题的模型与算法的综合比较

针对一维型材的下料问题，建立了多规格型材的两类不同的整数规划模型，讨论两个模型的建立和求解算法的异同，综合比较后，指出不依赖于经验所建立的模型的优点，最后提出了有机地结合两种模型的设想．

蜂群遗传算法在一维下料问题中的应用

针对一维下料优化问题,根据企业的实际生产情况,考虑能够满足和不满足生产两种情况,建立一个新的优化模型,并使用蜂群遗传算法求解方案。用各零件长度的一个排列作为一个染色体,每个零件的长度作为染色体的一个基因,根据蜂群原理设置两个不同的种群,种群1用于全局搜索,种群2用于局部搜索。实验结果表明,该模型具有一定的实用价值。

矩形图元下料问题的优化模型

本文对下料问题中的一刀切原则给出了一个数学描述 ,从而给出了一个关于矩形料板约束二维一刀切下料问题的优化模型。

基于混合演化算法的二维下料问题

介绍了将二维下料问题建模成旅行商问题的方法 ,指出单纯旅行商问题模型的局限性 ,认为其是一种启发式方法 ,理论上找不到全局最优解 .针对于此 ,在原有模型的基础上引入旋转变换 ,提出了两种混合演化算法捆绑式深化算法和元算法 .实例仿真表明 ,该算法可以获得比普通演化算法好的结果。

无限制二维下料问题的改进动态规划算法

本文给出了一种求解无限制板材下料问题的动态规划解法,对该算法的计算复杂度进行了分析.并针对算法的特点提出了改进方案.通过理论分析得到改进方案的适用范围,并描述了这一改进动态规划算法的应用前景.数值实验表明,该算法可以缩简传统动态规划算法的计算时间和空间,同时得到解的最优值.

一维下料问题的AB分类法

为了解决大规模的一维下料问题的计算困难,根据一维下料问题的特点,把贪心算法和随机搜索技术有机地结合起来,利用随机搜索技术对贪心算法进行了有效的改进,提出了一种简单实用的AB分类法。实验表明,该算法对规模较大的问题也能较快地获得问题最优解或精度较高的近似最优解。

一维下料问题的一种混合启发式算法

讨论一维下料问题,即用库存线材原料切割出若干种已知数量和长度的零件,优化目标为最大化线材利用率。提出一种混合启发式下料算法,用当前零件构造线材所有可能的切割方式,计算每种切割方式的废料长度、零件平均长度、大零件数量,按照废料最小、零件平均长度最大、大零件数量最多的原则选择一种切割方式切割相应线材,满足部分零件需求;用剩余零件继续构造线材可能的切割方式,按上述原则继续选择相应线材进行切割,重复该过程,直到所有零件的需求量得到满足为止。采用文献中基准例题验证文中下料算法,数值实验结果表明该算法与4种文献算法相比性能占优,且算法计算时间合理。

多目标优化下料问题的研究

本文研究多目标下料问题 .首先建立它的非线性规划模型 ,然后把上述模型转化成单目标整数线性规划模型 ,这样就可以用分支定界法求解 .计算实例表明这种方法简单有效 .

下料问题的优化模型及其快速算法

结合生产实际中具体的下料问题,本文建立了该类问题的优化模型,并提出下料方式的遴选三准则,即高利用率优先准则,长度优先准则和时间优先准则.运用本文的算法对一维下料的利用率高达99.6%,机器时间4秒.对二维的利用率为98.9%,机器时间约7秒.