矩形件剪切下料问题的一种顺序价值修正算法

针对矩形件剪切下料问题,提出一种基于顺序价值修正策略的优化下料算法。首先构造普通块排样方式的生成算法,生成矩形件在单张板材上的排样方式。然后采用顺序价值修正算法,调用上述排样算法,逐个生成排样方式,每个排样方式满足部分矩形件的需求量,直到所有矩形件的需求量均被满足为止,在生成每个排样方式后按照一定规则修正这个排样方式中矩形件的价值。最后将上述顺序价值修正算法迭代执行多次得到多个下料方案,选择耗费板材张数最少的作为最终解。使用基准例题将本文算法与两种文献算法进行对比实验,结果表明,本文算法在节省板材方面优于两种文献算法,且计算时间合理。     

可减少条带数的矩形件二维下料算法

从板材上切割矩形件的过程通常包含两个阶段:第1阶段用大型刀具将板材切成条带;第2阶段用小型刀具将条带切成所需要的矩形件.第1阶段的切割成本随着下料方案中条带数的增加而增加.针对矩形件二维下料问题,提出一种可减少条带数的下料算法,其优化目标是最小化材料成本和切割成本之和.首先,建立该问题的整数线性规划模型;然后,构造T型...     

矩形件二维下料问题的一种求解方法

求解矩形件二维下料问题,即解决如何用最少的板材切割出所需的全部矩形毛坯。提出一种切割工艺简单的新型排样方式即单毛坯条带四块排样方式。首先采用经典背包算法生成排样方式,然后采用基于列生成的线性规划算法迭代调用上述排样方式生成算法求解下料方案。将文中排样方式分别与文献中经典两阶段和经典两段排样方式进行比较,实验计算结果表明,四块排样方式排样价值高于以上两种排样方式。最后通过实际下料求解,证明了使用该算法的材料利用率较高。     

基于T型布局方式的异构矩形件下料算法

讨论异构矩形件下料问题,提出一种基于T型布局方式的优化下料算法。首先构造一种约束布局算法,生成矩形件在单张板材上的T型布局方式,然后采用列生成算法,依据当前矩形件剩余需求量,迭代调用上述约束布局算法,生成一个虚拟下料方案,按照不产生多余矩形件原则,选取虚拟下料方案中的部分布局方式加入到实际下料方案中,更新当前矩形件剩余需求量,重复上述步骤,直到矩形件剩余需求量为零。采用文献中基准例题将本文算法与3种文献中算法进行比较,数值实验结果表明,本文算法比3种文献中算法分别节省3.93%,1.27%和1.17%的板材。     

可减少排样方式数的二维下料顺序启发式算法

讨论矩形件二维下料问题,将板材成本最小作为主要优化目标,将排样方式数最少作为辅助优化目标。提出一种可减少排样方式数的下料算法。该算法基于顺序启发式框架,按顺序逐个产生排样方式满足剩余矩形件的部分需求量,直到矩形件的所有需求量均得到满足为止。它采用一种分组技术选择可用来生成下一个排样方式的矩形件,用这些矩形件生成下一个排样方式后根据顺序价值校正方法调整矩形件的价值,其中每个排样方式均采用动态规划程序生成。将本文下料算法与两种文献算法进行对比,实验结果表明,本文下料算法使用的板材面积比文献算法分别节省了1.12%和0.89%,排样方式数比文献算法分别减少了45.56%和30.79%,且计算时间与文献算法接近。     

基于多级排样方式的单一矩形件卷材下料算法

讨论了单一矩形件卷材下料问题,即采用剪切工艺将卷材切割出一定数量的同种矩形件,目标为使得所耗费的卷材长度最小.提出一种基于隐式枚举法和动态规划算法的优化下料算法.切割过程由2个阶段组成,第1阶段将卷材切割成宽度相同、长度不大于剪刃长度的段,第2阶段将段切割成矩形件.首先,采用隐式枚举法确定所有需要考察的段的长度,并采用...     

矩形件二维正交排样的一种混合遗传算法

讨论矩形件二维正交排样问题,即将一组已知尺寸的小矩形件正交地排放到一张大矩形板材中,寻找一个排样方式使得板材的利用率最高。将基于随机键值的遗传算法与布局策略相结合,提出一种混合遗传算法。用混合遗传算法确定矩形件的排样序列。按照排样序列,将矩形件按顺序逐个排放至板材中,每次排放矩形件时,在空闲矩形空间集合中选择一个最佳空闲矩形空间来排放当前待排矩形件,沿着该矩形件的上边和右边分别将多余空闲空间划分为两个子空闲空间,将子空闲空间添加至空闲矩形空间集合,按照上述规则继续下一个待排矩形件的布局操作,直至板材无法再排入矩形件为止。采用文献中的基准例题来测试本文算法,并与文献算法进行比较。实验结果表明,本文算法优于两种典型的文献算法。     

减少切割成本的圆形件下料优化算法

针对圆形件下料问题,从减少条带数量的角度考虑降低下料总成本,提出一种基于顺序价值修正的启发式下料算法.一个下料方案由一个或多个排样方式组成,每个排样方式均采用T形结构布局.T形结构用一条分界线将板材为两段,同一段中所有条带的方向相同、长度相等.首先,根据所需的不同圆形件直径确定所有的断点长度,再将其代入排样方式生成函数...     

带剪刃长度约束的圆形片二维优化下料算法

钣金制造企业经常采用剪冲工艺将金属板材剪冲出圆形片,用以生产各种零件,优良的下料算法可以提高板材的下料利用率。现提出一种带剪刃长度约束的圆形片下料算法,这种算法将板材分为4个块,每个块中包含相同长度和方向的条带,每个条带中包含同种圆形片。首先运用递归技术构造4块布局方式的无约束生成算法和有约束生成算法;然后采用线性规划算法迭代调用无约束布局算法,生成第1部分下料方案,采用顺序启发式算法顺序调用有约束布局算法,生成第2部分下料方案;最后,组合两部分下料方案形成最终下料方案。数值模拟实验结果表明,采用该下料算法板材利用率高于文献算法。     

基于均匀条带排样方式的二维下料启发式算法

条带结构排样方式在机械制造业下料领域有广泛的应用。针对矩形件二维下料问题,提出一种基于均匀条带排样方式的启发式下料算法。下料方案包含多个排样方式,每个排样方式满足部分矩形件的需求量。首先构造均匀条带四块排样方式的约束排样算法;然后采用列生成法反复调用上述约束排样算法生成各个排样方式,直到所有矩形件需求量得到满足为止。采用文献中的基准例题,将本文下料算法和文献中下料算法进行比较,数值实验结果表明本文下料算法能有效地提高板材利用率,且计算时间能满足实际应用要求。     

矩形件优化排样模拟退火算法求解

综合条料生成算法与填充算法思想，提出了一种适用于矩形件优化排样的最小宽度算法，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。使用表明，该优化排样算法具有广泛的适应性，并可适合“一刀切”的高效率下料工艺。     

多卷材二维下料问题的一种启发式算法

讨论多卷材二维剪切下料问题,即使用多种不同宽度的卷材剪切出若干种一定数量的矩形件,优化目标为材料利用率最高。提出一种顺序启发式下料算法,构造排样方式生成算法,首先根据卷材宽度方向切割废料最小原则,确定矩形件在卷材宽度方向上的排列方式;然后根据卷材长度方向切割废料最小原则,确定卷材的长度以及矩形件在卷材长度方向上的排列方式。按照当前矩形件需求量调用上述排样方式生成算法,生成一个排样方式满足部分矩形件需求量,重复该过程,直到所有矩形件需求量均得到满足为止。采用实际生产中的例题将本文下料算法和文献中排样系统进行比较,数值模拟结果表明:本文算法在优化结果和计算时间两方面均有效。     

矩形件优化排样算法与系统的研究

为了有效解决矩形件优化排样问题,通过在已有动态规划算法的基础之上,引入多种启发式策略,提出一种带有启发式策略的动态规划算法,并设计和开发了一个基于该算法的矩形件优化排样系统。介绍了系统的总体设计方案。并通过实例测试,讨论了矩形件优化排样算法的有效性和系统的实用性,证明矩形件优化排样算法具有排样过程耗时少、效果好和适用范围广3大优点,可以有效地提高材料利用率和生产效率。     

冲裁件二维排样优化

分析了整体板料对单一冲裁件的排样,以有限长,宽的整体板料上所能冲裁出最大 样件个数目标,给出单一冲裁件排样的数学模型及相应的优化算法。／     

空白矩形填充和邻域搜索结合的矩形件排样优化算法

针对矩形件排样问题,提出一种新的空白矩形填充算法和邻域搜索算法相结合的混合优化算法.首先,设计空白矩形填充算法时,提出了消除多余空白矩形的方法,以减小计算时间复杂度.其次,利用邻域搜索算法优化矩形件排放顺序,通过挖掘矩形件排样的问题特征,设计了受限距离的交叉和插入两种邻域算子,并提出了特殊算子执行点选择策略.然后,设计...     

基于小生境混合遗传算法的二维优化排样

针对二维零件在板材区域的最优排样问题,采用小生境与遗传模拟退火算法相结合的混合算法作为主要排序算法,确定了零件的最优排序和各自旋转角度,并与启发式算法结合实现了零件的二维优化排样.以此算法为基础,开发了一套应用于实际生产的智能排样系统,与简单模拟退火算法的计算结果进行对比,分析结果表明,该算法具有高效排样的优越性.     

基于两参数的冲裁件二维排样优化

通过对冲裁件在板料上的排样优化问题的分析,建立了基于两参数的冲裁件二维排样优化模型,根据对其数学模型的分析,提出了求解该问题的方法,由该方法求得到的优化更趋近于冲裁件在件料上的排样优化的全局最优解。     

混合遗传算法在矩形件优化排样中的应用

二维排样是典型的组合优化问题。通过综合遗传算法和模拟退火算法思想,提出一种适宜于大批量、多种类的矩形件排样的混合遗传算法,并结合基于局部板材利用率最高的填充算法不断填充板材,获得近似总体最优的排样结果。运用此算法,作者开发了实用的排样软件,并给出了计算实例,结果表明该算法是一种行之有效的方法。     

基于并行遗传算法的矩形件排样优化

利用遗传算法对待排零件进行编码,将矩形件正交排样问题转化为排列问题.然后采用一种新的解码排样算法--基于最低水平线的改进算法,将每一个体编码转化为排样图,进行适应度评价,以驱动遗传进化,最终寻找出最优排样图.对遗传算法进行了并行性改进,较好地维持了种群的多样性,增强了算法的搜索效率.对文献中的两个算例进行了求解,结果表明该算法是有效的.