矩形件排样优化的背包算法

根据矩形件排样的实际下料工艺要求，将一个二维排样问题转化为一个一维下料问题，并构造了一个利用背包问题解法的矩形件排样的近似优化算法。     

矩形件排样的一种优化算法

排样问题是一种总体资源分配问题，这里根据矩形件排样的工艺要求，提出了矩形件排样的一种近似算法，将一块板材分成三部分，每部分排一种零件，使得减料方便，提高了劳动生产率。     

基于填充算法的矩形件排样优化求解

针对矩形件优化排样问题，提出了一种将填充算法和遗传算法相结合的优化排样方法。该方法应用填充算法对遗传算法作预处理，使矩形件排样适用于“一刀切”的下料工艺，并克服了填充算法局部搜索的缺点，使搜索空间由一点扩大为多点，最终可获得总体最优的排样结果。算例表明，该优化排样算法运算速度快，具有广泛的适应性。     

矩形件优化排样改进的启发式算法与系统

在分析传统矩形件优化排样近似算法及其主要缺陷的基础上，提出了一个新的启发式算法，并据此算法开发了矩形件排样系统，获得了比原近似算法更好的优化排样结果。     

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。     

蚂蚁算法在矩形件优化排样中的应用

蚂蚁算法是解决优化问题的一种相对轻新的启发式算法，大规模的矩形件优化排样问题是个NP难题。文中尝试用蚂蚁算法求解矩形件优化排样问题，根据提出的求解算法，开发出了基于蚂蚁算法的计算机辅助优化排样系统，并将蚂蚁算法的求解结果和遗传算法进行了对比，试验结果证明了用蚂蚁算法求解矩形件优化排样问题的可行性和有效性。     

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。     

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。     

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。     

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。     

基于自适应蚁群算法的矩形件排样优化

蚁群算法是一种新型的进化算法,但它与其他进化算法一样也存在容易陷入局部搜索空间等缺陷。将蚁群算法引入到矩形零件的排样优化问题中,根据待排矩形零件面积和长宽比对每个蚂蚁节点赋予一定的初始信息量,同时对基本蚁群系统中的状态转移概率与信息素挥发因子做了适当改进,使其拥有自适应调节作用,从而有效的避免了蚂蚁长时间陷入局部搜索空间,使算法能在较短的时间内收敛到全局最优或近似最优解。最后两个实例表明,此算法用于求解矩形件排样问题是有效的。     

矩形件排样问题的粒子群算法求解

粒子群算法是近年来出现的一种搜索寻优算法,文中用粒子群算法求解矩形件优化排样问题,试验实例表明求解算法是有效的.     

离散粒子群优化算法求解矩形件排样问题

提出了一种基于离散粒子群优化算法求解矩形件排样问题的方法.文中介绍了基本粒子群优化的搜索策略与基本算法,用置换子和置换序列构造一种离散粒子群优化矩形件排样算法,通过实例和遗传算法相比较,实验结果表明该算法是有效的.     

二维不规则冲裁件排样算法研究

冲裁件的排样是一个NP问题,在工业界具有广泛的需求.从矩形包络和遗传模拟退火算法这两个角度探讨了包含不规则形状的冲裁件的排样算法.随着冲压设备的不断发展,二维冲裁件的组合优化排样将会得到越来越广泛的普及和应用.     

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。     

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。     

不规则件优化排样的小生境遗传模拟退火算法

提出一种基于小生境遗传模拟退火算法求解不规则件排样问题的方法。该方法首先充分考虑不规则形状零件自身的形状特征,采用组合矩形包络算法将二维不规则零件的排样问题转化为矩形件的排样问题,克服了以往简单采用最小包络矩形代替零件排样存在空白区域,从而导致材料可能发生的利用率过低问题;然后利用遗传模拟退火算法及小生境技术相结合,寻找排样件在排样时的最优次序及各自的旋转角度;最后用"最低水平线与填充算法相结合"策略的启发式排样算法实现自动排样。实例表明了该算法的有效性和实用性。     

基于粗糙集的矩形件优化填充排样方法研究

为了使排样方案更能满足设计者设计意图,符合企业设计规范,研究了一种基于粗糙集的矩形件优化填充排样方法。在实际的排样工作中,综合考虑工件成本、加工时间、施工效率与设计偏好度这些因素的情况下,提出了一种基于粗糙集理论的矩形件综合价值计算方法,将排样多边形区域划分为多个矩形子段,建立矩形件优化填充排样数学模型,采用基于最优子段排样的动态规划算法求解最大价值,以获取最优布置方案。最后,将其成功应用于铝模板智能排摸设计系统开发中,结合实例验证了该方法的有效性。     

不规则形状零件优化排样的关键技术

本文讨论了填充矩形排样单元中的空白区域,零件与排样单元的关联等优化排样的关键技术.