矩形排样问题的优化设计模型

研究了具有NPC(Nonpolynomial Complete)难度的矩形排样问题,通过引入匹配度及匹配权重,对剩余矩形匹配算法进行改进,采用粒子群算法对权重进行优化,从而建立该问题的优化设计模型,最后利用Matlab编程求解具体的排样方案,经过实证分析,改进后的方法能够快速给出较优的排样方案。     

剩余矩形匹配算法在矩形件排样中的应用

介绍了剩余矩形匹配算法，并将其应用到任意矩形的优化排样上，较好地解决了矩形件板材的排料问题。     

基于免疫遗传算法考虑割缝及间隙补偿的矩形件排样优化研究

激光切割钢板产生零件广泛应用于造船厂等重型企业，其中矩形件是一类非常重要的零件。针对制造业中大规模、多尺寸的矩形件排样问题，考虑了割缝距离及钢板边缘间隙距离对板材利用率的影响，以板材利用率最大为目标构建数学模型，将免疫遗传算法与剩余矩形算法结合求解该模型。通过与遗传算法和免疫算法与剩余矩形算法结合的求解结果进行比较，证明了免疫遗传算法在提高板材利用率方面的有效性，并生成了对应的排样图，对工厂生产实践具有一定的指导意义。     

矩形件优化排样算法研究

矩形件排样的合理性直接影响着板材的利用率。考虑到板材下料中纤维方向和一刀切等工艺约束,结合实际作业中切割机器的刀缝限制,建立了板材原料利用率最大的矩形件优化排样模型,同时设计了不同切割方式下的规则算法进行求解。算例结果表明,不同切割方式下的规则算法能够得到板材利用率不同的矩形件排样图,且都能较快地得到最优解,为实际作业提供决策支持。     

采用遗传算法的矩形件优化下料模型

矩形优化排样问题是典型的组合优化问题,具有NPC(Nonpolynomial Complete)难度.针对此类问题的复杂性,提出一个实用的遗传算法模型,该模型在选择算子中,提出新的适值函数,采用无回放随机联赛选择,同时引入精英保护策略;在解码中,提出以边和面积匹配同时达到较优的原则,对剩余矩形匹配算法进行改进.最后通过测试,证明此模型能较好地解决下料问题.     

矩形件的“一刀切”排样优化设计

采用遗传算法对矩形件进行排样优化,迭代搜索最优解,以提高板材利用率,降低生产成本。应用基于指数变换的非线性动态适应度函数,引进精英保护策略,使用部分匹配交叉(Partially Matched Crossover)算子,以提高算法的优化精度。结合最低水平线搜索算法对遗传种群进行解码,并搜索最佳吻合矩形,减少排样空隙。排样结果满足"一刀切"工艺要求,板材利用率达97%。     

灰狼算法在定制化家具矩形件排样中的应用

针对定制化家具矩形件排样问题，以板材的利用率最大化为目标，建立矩形件排样模型，提出一种改进的灰狼算法进行求解，针对定制化家具的零件差异性较大的问题，在矩形件排样定序问题中，采用改进的灰狼算法进行求解，改进算法的编码方式、游走和奔袭策略，在矩形件排样定位问题中，采用改进的最低水平线定位算法，实现矩形件定位过程中的零件序列微调，并确定排布位置，再次优化排样方案，实现利用率最大化。     

矩形件同质条料五块排样方式的生成算法

材料利用率和切割工艺复杂度是金属板材切割排样中主要考虑的两个因素。提出矩形件同质条料五块排样方式的生成算法,用以解决金属板材切割排样问题。这种算法将板材分为五个块,各块中只排放方向和长度均相同的条料。通过求解背包问题优化块中条料的布局,使得块中排放的矩形件总价值达到最大;采用隐式枚举法考察所有可能的五块组合的排样价值,选择排样价值最大的一个组合作为最终的五块排样方式。用文献中的基准测题,验证文中的五块排样算法。数值实验结果表明,文中算法在提高材料利用率和简化板材切割工艺两方面均有效,且算法计算时间较短。     

基于模拟退火算法的矩形件排样

针对矩形件排样问题,提出了最低轮廓线最佳匹配算法。该算法根据最低轮廓线排放矩形,使板材浪费降至最低。并将其与模拟退火算法相结合,可获得近似最优的排样结果。最后给出不同规模的算例,结果表明,该算法比最低水平线算法排样结果好,是解决矩形件排放的有效方法。     

基于模拟退火算法的矩形件排样

针对矩形件排样问题，提出了最低轮廓线最佳匹配算法。该算法根据最低轮廓线排放矩形，使板材浪费降至最低。并将其与模拟退火算法相结合，可获得近似最优的排样结果。最后给出不同规模的算例，结果表明，该算法比最低水平线算法排样结果好，是解决矩形件排放的有效方法。     

基于双种群遗传算法的含缺陷矩形件排样优化研究

结合缺陷约束的最低水平线算法与双种群遗传算法,对板材内部含缺陷时的情况进行矩形件排样优化。用双种群遗传算法对矩形件排样顺序进行寻优,将矩形件的排样顺序和旋转方式划分为2个种群分别进行遗传迭代,并结合改进的初始种群生成策略,改善算法的搜索效率及全局寻优能力。基于缺陷约束的最低水平线算法通过更新缺陷矩形轮廓信息与引入缺陷位置约束判断,使矩形件在根据优化顺序排样时可避开缺陷部位。通过算例运算测试可知,相比于经典遗传算法,所提算法在4种不同数量缺陷的板材中,最优板材利用率与排样优化稳定性均有所提高。双种群遗传算法和基于缺陷约束的最低水平线算法可在含缺陷板材的排样问题中得到推广应用。     

矩形毛坯三块排样方式及其算法

采用线性规划和动态规划解决矩形毛坯排样问题。采用下料工艺简单的三块排样方式,用两条成T形的剪切线将板材分成三个矩形区域,每个区域中包含一个由同尺寸毛坯组成的规范块。实验计算表明,所述算法可解决大规模矩形套裁排样问题,能够有效提高材料利用率和简化下料工艺。     

面向可加工性的矩形件优化下料方法

针对多规格、大批量的矩形件优化下料问题,综合考虑原材料利用率高、切割加工路径短等优化目标,提出一种面向可加工性的矩形件优化下料方法。运用矩形原材料单方向余料最小化计算方法优选出候选板条,候选板条构造过程中的共边排样可用于共边切割,缩短了矩形原材料上局部切割加工路径;利用基于候选板条的连续启发式排样算法实现矩形原材料上优化排样设计,保证高原材料利用率的同时,简化了矩形原材料上切割加工总路径。通过实例验证了所提方法的可行性和有效性。     

矩形石板优化排样及切割路径规划研究

为了提高石材毛坯的利用率,实现桥式切机的自动化切割,需要解决矩形石板的单一排样以及对应的切割路径规划问题。基于动态规划算法,建立了矩形单一排样的数学模型,得到了矩形石板的最优排样方式。并利用对排样的过程进行记录分析寻找切割坐标,得到了对应的切割路径。通过对常见尺寸矩形石板和工程板的实验研究表明,该方法能有效的对矩形石板进行优化排样并能得到相应的切割路径方案,为实现桥式切机自动化切割奠定了理论基础。     

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。     

满足“一刀切”约束的矩形件交互式排样系统

在诸如玻璃、木材等板型材的加工过程中,受制造过程和工艺的影响,其下料排样方案必须满足"一刀切"约束——"从矩形板材的一端,沿直线方向切割到另一端,将其分割成两个独立的矩形件"。下料排样时,通过智能优化软件和方法获得的下料排样方案仍有可能进行多次交互式调整,形成的排样方案仍然需要满足"一刀切"约束。针对这一需求,在拥有自主知识产权的排样系统的基础上,设计和开发了满足"一刀切"约束的矩形件交互式排样系统;开发了具有矩形件增、删、旋转和移动功能的交互式排样组件;定义了原材料有效利用率这一核心概念;提出了一种以切割线总路径为优化目标的切割线生成算法,该算法能自动生成排样方案的切割线,同时也能保证切割方案的"一刀切"约束。     

基于单毛坯条带的矩形件排样算法

提出一种基于单毛坯条带的矩形件排样算法,该算法采用三条剪切线将板材分成四个矩形区域,每个区域中包含一组方向和长度都相同的单毛坯条带。其中,用枚举的方法确定三条分割线的位置,用背包算法确定每个区域中条带的最优布局,使整张板材价值达到最大。将该算法与线形规划相结合形成基于单毛坯条带的矩形件排样方案生成算法,用于求解大规模矩形件排样问题。利用文献中报道的例题进行计算,实验结果表明该算法的计算时间满足实际应用的需要,并能在一定程度上提高材料利用率。     

粒子群算法在不规则件排样优化中的应用

针对不规则件排样问题,提出一种应用粒子群算法优化求解的方法。首先以零件的入排交换序列和角度变异序列作为粒子运动速度构造粒子群算法,然后运用剩余矩形动态匹配算法实现解码和局部寻优,并结合不规则件的正交靠接算法实现自动排样。排样实例表明,该优化排样算法是有效的。     

单一矩形排样中板材的最优分割

单一矩形排样是在企业生产中广泛存在的问题,当排样受剪刃长度约束时板材的分割是影响板材利用率的重要因素。本文结合连分数算法,采用分支定界原理提出了一种新的板材分割算法。同己有研究成果的对比计算说明本文算法可以得到更好的分割方案。     

矩形件套裁排样的一种优化解法

求解矩形件套裁排样问题,即用指定规格的板材切割出若干种矩形件,目标是极大化板材利用率。构造一种基于五块结构的矩形件套裁排样方式,该排样方式首先将板材划分为五个块,然后在每块中按照简单方式排样一种矩形件。建立五块排样方式的整数规划数学模型,并在Visual Studio和CPLEX中进行编程求解。用文献中的基准测题,检验五块排样方式的性能,数值实验结果表明,排样方式在提高板材利用率和简化板材切割工艺两方面均有效,且模型求解时间在实际应用中合理。