基于最优子段的矩形优化排样

为有效解决企业实际生产中的矩形优化排样问题,对矩形优化排样算法进行研究,给出基于最优子段的矩形优化排样算法,有效解决了企业实际生产中的长板矩形优化排样问题。首先基于动态规划算法求出所有小于剪床刀刃长度的最优子段的最佳排样方式,然后以所求的最优子段作为可用子段在长板上进行优化排样,并将矩形优化排样问题转化为完全背包问题。最后基于分支定界技术的整数规划算法对其进行求解。企业应用实例表明该算法在解决长板矩形优化问题方面优于其他算法。

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。

基于最优同质块的分段式矩形优化排样

为有效解决企业实际生产中的矩形优化排样问题,对矩形优化算法进行研究,提出基于最优同质块的分段式矩形优化排样算法,有效解决了企业实际生产中的剪切排样问题。该算法首先使用剪床将板材剪成不同长度的子段,然后在子段上基于最优同质块进行优化排样。算法将板材的分段问题以及最优同质块在子段上的最优排样问题均转化为背包问题,并基于动态规划算法求解;使用枚举法求解最优同质块排样。将板材分成若干个子段使算法可以有效解决长板排样问题,使用最优同质块对子段进行优化排样使算法的优化性能得到提高。两组实例应用表明本文算法优于文献中的其他算法。

基于两阶段分块式长板矩形优化排样

为了有效解决企业实际生产中的长板矩形优化排样问题,对矩形优化排样算法进行了研究,给出了一个基于两阶分块式长板矩形优化排样算法,该算法在第一阶段完成长板的最佳分段,第二阶段完成矩形在子段上的最优排样。对于两个阶段分别通过问题转化,将二维矩形优化排样问题转化为背包问题,并建立相应的数学模型。根据所建立的数学模型并基于分支定界的动态规划算法开发的应用系统,解决了企业实际生产中的长板矩形优化排样问题。企业实际应用表明,该算法为求解长板矩形优化排样问题的有效方法。

基于同质段矩形优化排样问题求解

为有效解决企业实际生产中的矩形优化排样问题,对矩形优化排样算法进行研究,给出基于同质段矩形优化排样问题的求解算法,该算法可同时有效解决企业实际生产中矩形优化排样的单一排样和套裁排样问题。算法首先基于隐式枚举法求出所有同质条带的最优排样及备选同质段,对备选同质段进行规范化处理求出所有的候选同质段,使用候选同质段将板材分成若干个子段,并将矩形优化排样问题转化为完全背包问题,最后基于动态规划算法进行求解。两组应用实例验证了本文算法的有效性。

基于蚁群优化算法求解矩形件排样问题

布局问题来源于生产实际,优秀的布局可以提高原料利用率,降低成本,提高经济效益,对许多行业有重要意义。矩形件优化排样是一类具有NP完全难度的组合优化问题。人工蚁群算法是对蚂蚁群体行为的模拟抽象,该算法具有分布计算、信息正反馈和启发式搜索等特点。本文将蚁群算法和剩余矩形法结合用于解决矩形排样问题,首先用蚁群算法将矩形件排样问题转化为一个排列问题;然后通过剩余矩形排样算法排出每一个排列所对应的排样图;最后用算法对文献[9]中的两个算例进行了验证,表明了其有效性。

矩形件优化排样的自适应遗传模拟退火算法

针对理论上属于NP完全问题的矩形件优化排样问题,提出了一种基于小生境技术的自适应遗传模拟退火算法。研究了将矩形件在板材上的排列方式转换为特定编码的方法,利用遗传模拟退火算法进行全局优化概率搜索,考虑到算法中交叉概率和变异概率的选择影响到算法收敛性,提出了自适应的交叉概率和变异概率,并通过小生境技术对子辈个体是否替换父辈个体加以控制,最终得到矩形件排样的最优次序和排放方式,采用最低水平线策略的启发式排样算法实现自动排样。排样实例表明,该优化排样算法行之有效,具有广泛的适应性。

一种矩形件优化排样综合算法

提出了应用于矩形件优化排样中的关键算法 :条料生成算法与填充算法 .把二者融合在一起 ,提出了一种适用于矩形件优化排样的最小残料算法 .该算法依据残料大小决定条料 ,并对空白矩形进行有效填充 ,可快速得到排样结果 .将其与模拟退火算法相结合 ,能够跳出局部搜索 ,最终可获得近似总体最优的排样结果 .

一种用于矩形排样优化的改进遗传算法

矩形排样优化属于NPC问题,在工业界有着广泛的应用,如布料切割、金属下料和新闻组版等。提出了一种基于环形交叉算子和环形变异算子的自适应遗传算法,并将改进的自适应遗传算法和IBL启发式布局算法相结合,有效地解决了矩形排样优化问题。对比实验结果表明,环形交叉算子和环形变异算子对遗传算法是有效的,所提出的改进混合自适应遗传算法能够在一个较短的时间内找到满意解。

一个实用的矩形件优化排样启发式算法

仔细研究了传统矩形件优化排样近似算法及存在的主要问题,提出一个新的启发式算法。该算法根据最后板材的实际排放情况,采用了多种排放策略,克服了原算法的在零件数较少时的缺陷。在此基础上用Visual C++ 6.0开发了一个实用的矩形件计算机辅助排样系统。实际应用表明,新算法可获得比原近似算法更好的优化排样结果。笔者给出了算法的具体实现方法和步骤。

基于改进遗传算法的矩形件排样优化算法

针对现代制造、加工行业中广泛存在的矩形件排样优化问题,提出一种基于分阶段遗传算子的改进遗传算法,通过在算法的不同阶段设置不同的遗传算子,提高算法的自适应能力。将改进的遗传算法与基于最低水平线方法的排放策略相结合,有效地解决矩形件排样优化问题。实验结果表明,采用分阶段遗传算子对遗传算法有改进作用,所提出的排样优化算法能够在一个较短时间内找到满意解。

针对大规模两重互异性矩形件组批排样方法

针对智能优化算法求解大规模矩形排样问题时,求解速度慢、稳定性差的弊端,提出了一种启发式算法,即带对偶项的降序有限首次适应算法。经实验验证,算法在测试集上的求解时长在100 ms内,求解出的板材利用率可达95%左右,相较于现有启发式算法有2%的提升。此外,针对个性化订单矩形件材料强互异性的情况,提出了一种考虑材料相似度的二阶段贪心算法。定量描述订单间材料的相似度,最大程度的将相似度高的订单组批进同一生产批次来提高板材利用率。实验表明,用该算法对订单进行组批优化后再进行排样求解出的板材利用率相较于未考虑材料相似度有12%的提升。

矩形件排样优化贪婪算法及系统开发

针对矩形件排样优化问题,分析了传统近似算法的主要缺陷,在此基础上,提出一种新的排样算法——贪婪算法.该算法的主要思想是在每次排样过程中,都用面积最大的矩形件对板材进行填充.同时,开发了一个矩形件排样优化系统.实际排样结果表明,贪婪算法能够获得比近似算法更有效的排样结果.

基于改进遗传算法的矩形件排样优化研究

针对定宽无限长板材上的矩形件排样优化问题,将具有启发式判断的改进最低水平线策略与具有全局搜索能力的改进遗传算法结合在一起,共同解决矩形件排样问题,提高了板材的利用率。实例表明,该算法可以得到更好的排样结果。

基于捕食搜索策略的遗传算法在矩形件优化排样中的研究

在木材加工业中,会遇到矩形板材的优化切割排样问题,其核心是充分利用板材,使板材利用率达到最高。在基于遗传算法基础上,提出一种基于捕食搜索策略的遗传算法,用以解决前述问题。对编码方式、遗传算子及适应度函数进行设计,并采用改进的最低轮廓线搜索算法对其进行解码以得到最优排布解。仿真试验所用板材规格为1 220 mm×2 440mm,当排样零件总面积与原材料面积相当时,多种型材分割要求下平均板材利用率可达93.425%;当排样零件总面积相比原材料面积较小时,其不同型材零件分配方案的平均板材利用率为83.35%,证明本文算法的科学性,并得出不同型材零件分配总面积应尽量与原板材面积相当的结论。

基于启发式搜索和背包算法的分布式排样系统

针对理论上属于NP完全问题的二维矩形件优化排样问题,构建了一个排样效率高、计算速度快和排样效果好的一种近似算法。并结合计算机网络的大量应用,将算法应用于分布式排样系统。算法的主要思想是采用启发式搜索和背包算法,使每次排样都达到局部最优,从而得到近似最优解。并与其它 2种近似算法进行了比较,指出了它们的不足之处,还给出了一个排样实例。

“一刀切”排样问题的遗传算法与蚁群算法整合研究

对于"一刀切"矩形件优化排样问题,采用遗传算法与蚁群算法的混合算法进行研究.针对两种算法的传统混合策略和现有混合策略的不足,对两种算法的混合策略进行改进,并利用种群本身的染色体适值来判断种群进化是否停滞,确定了算法的最佳融合时机.对具体算例的分析验证表明,改进后的混合策略可有效减少算法的冗余迭代次数,提高搜索速度,是一种行之有效的排样算法.

基于双种群遗传算法的智能排样系统

研究并改进了基于双种群遗传算法的矩形优化排样问题的求解方法。使用不同方式产生初始种群,对不同个体使用不同的具有自适应能力的交叉算子和变异算子,使算法的全局优化能力得到提高。以该算法为基础开发了一个应用于实际生产的智能排样系统,对比文献中的数据进行验证,结果表明在原材料利用率方面本方法高于其他类似的正交排样算法。

基于化归降维思想的最优木板切割方案设计

本文针对设计木板最优切割方案问题,使用化归的数学思想对最优化问题进行降维和逐级优化的处理,建立了无 约束的套裁矩形优化排样模型、有约束的套裁矩形优化排样模型、排样方案生成模型,逐级优化设计了在木板上布局多种产品、 以完成生产任务为前提的多种产品最优切割方案,解决了一系列“一刀切”切割方式下的二维矩形下料问题。