基于两段排样方式的矩形件优化下料算法

针对矩形件下料问题,提出一种基于两段排样方式的优化下料算法。首先构造一 种约束排样算法,生成矩形件在板材上的两段排样方式。然后采用列生成算法依据矩形件剩余 需求量迭代调用上述约束排样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排样方式加入到实际下料方案中,更新矩形件剩余需求量;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该算法与2 种文献算法进行比较,数值实 验结果表明该算法下料利用率比2 种文献算法分别高1.61%和0.78%。     

面向可加工性的矩形件优化下料算法

针对目前矩形件优化下料算法侧重追求高材料利用率,而对实际切割成本考虑不足的现状,提出一种既维持高材料利用率,又使下料方案具有较低切割成本的矩形件优化下料算法。算法采用SVC框架和同质条带多级规范方式求解矩形件下料问题。利用条带共边排样的路径优化设计进行切割路径长度的计算,以生产成本（材料成本与切割成本之和）为优化目标得到高材料利用率、低切割成本的下料方案,最后通过实验证实该算法的可行性与有效性。     

二维优化排样方法及实现技术

在工业应用领域中存在大量的二维下料问题,其中应用最多的是矩形件下料问题.矩形件下料问题的关键是寻找二维平面的优化布局.针对工业生产中实际存在的问题与约束条件,给出了新的规则设计理论和数据模型,利用覆盖率和有效覆盖率的概念来控制余料合并操作的执行,运用布局规则、组合规则和切割规则给出了一种新的启发式算法.实验分析和工业应用证明,该启发式算法可以有效地提高板材的整体利用率,极大地减少了板材损耗.     

二维板材切割下料问题的一种确定性算法

研究二维板材切割下料问题,即使用最少板材切割出一定数量的若干种矩形件。 提出一种结合背包算法和线性规划算法的确定性求解算法。首先构造生成均匀条带四块排样方 式的背包算法;然后采用线性规划算法迭代调用上述背包算法,每次均根据生产成本最小原则 改善目标函数并修正各种矩形件的当前价值,按照当前价值生成新的排样方式;最后选择最优 的一组排样方式组成排样方案。采用基准测题,将该算法与著名的T 型下料算法进行比较,实 验结果表明,该算法比T 型下料算法更能节省板材,计算时间能够满足实际应用需要。     

有限制二维板材启发式下料算法研究

橱柜及板式家具生产都涉及二维板材下料,材料利用率的最大化一直是该类企业追求的目标。本文提出了基于启发式规则的有限制二维板材下料算法。通过在橱柜生产过程中自动下料系统的实施和理论分析,该算法是实用有效的。     

基于梯形和平行四边形的圆片剪冲下料算法设计与实现

提出一种在矩形板材上引入梯形条带来进行排样的方法,首先用两条平行的分界 线将板材分为两个大小一致的直角梯形段和一个平行四边形段,分别采用递归算法和动态规划 算法确定梯形段和平行四边形段中条带的最优组合,从而确定最优排样方式;再结合线性规划 算法解决圆片下料问题,使得整个下料方案的材料利用率最大化。最后采用大量随机生成的例 题进行实验,实验结果表明该算法能有效提高材料利用率。     

基于多阶排样方式的矩形件二维板材下料算法

针对二维剪切下料的特点,提出一种基于多阶排样方式的优化算法。递归构造多阶排样方式,称若干行若干列同种矩形件按照相同方向排列在一起形成的排样方式为0阶排样方式,n(n为正整数)阶排样方式由两个n-1阶排样方式沿着水平方向或竖直方向拼合而成。设计多阶排样方式的递归生成算法,按照阶数从小到大顺序生成多阶排样方式。将列生成算法与多阶排样方式生成算法相结合得到下料方案,按照板材使用张数最少原则确定下料方案中每个排样方式的使用次数。将这里排样方式分别与文献中的匀质条带三块排样方式、双排多段排样方式、简单块占角排样方式和递归四块排样方式进行对比,实验计算结果表明,多阶排样方式的排样价值高于以上4种排样方式。进一步地,将该下料算法与文献下料算法进行对比,实验结果表明该下料算法可提高板材利用率。     

结合批量问题的多目标矩形件优化排样

设计多目标启发式进化算法,研究了一种考虑批量问题的二维矩形件排样问题,建立了含有原材料成本最小化和零件库存成本最小化的多目标优化模型。先用启发式算法初始化下料方式,再用改进的快速非支配排序算法进行优化求解,确定下料方案。通过实验结果以及与其他算法的对比表明,在中等规模的矩形件排样问题中,该算法能够在较快的时间内既保证较高的原料利用率,又能降低该问题的总成本,证明了该算法的有效性。     

基于匀质条带的矩形件最优三块布局算法

为解决大规模矩形件布局问题,提出一种动态规划算法生成基于匀质条带的矩形件最优三块布局方式。这种算法将板材分为三个块,同一块中只包含方向和长度均相同的匀质条带。通过求解背包模型生成块中的条带最优布局,隐枚举的讨论所有可能尺寸的块,确定所有三块组合的布局价值,选择布局价值最大的一个组合作为最优解。通过文献中的测题,将该算法与经典两段布局算法和启发式布局算法TABU500进行比较。实验结果表明:该算法在计算时间和材料利用率两方面都有效,且生成的布局方式简化了下料切割工艺。     

基于改进最低水平线方法与遗传算法的矩形件排样优化算法

传统的最低水平线方法用于矩形件排样时可能产生较多未被利用的空白区域,造 成不必要的材料浪费。针对此缺陷,在搜索过程中引入启发式判断,实现空白区域的填充处理, 提高板材利用率。在应用遗传算法优化矩形件排样顺序时,在进化过程中采用分阶段设置遗传 算子的方法,改善算法的搜索性能与效果。通过改进最低水平线方法与基于分阶段遗传算子的 遗传算法相结合,共同求解矩形件排样问题。排样测试数据表明,所提出的矩形件排样优化算 法能够有效改善排样效果,提高材料利用率。     

生成矩形毛坯最优T形排样方式的递归算法

讨论矩形毛坯无约束两维剪切排样问题．采用由条带组成的T形排样方式，切割工艺简单．排样时用一条分界线将板材分成2段，同一段中所有条带的方向和长度都相同．一段含水平条带．另一段含竖直条带．采用递归算法确定分界线的最优位置以及每段中条带的最优组合．以便使下料利用率达到最高．采用大量随机生成的例题进行实验，结果表明该算法在计算时间和提高材料利用率2方面都较有效．     

基于五块模式的单一矩形件排样算法

如何在一个大矩形里排入尽可能多的单一规格小矩形件是广泛出现在制造业领域 的板材分割、物流业领域的集装箱装载中的问题。采用五块模式将大矩形划分为五个块,求解 每个块里面矩形件的排样方式。首先,采用动态规划算法一次性生成所有块中矩形件排样方式, 然后,采用隐式枚举法考虑所有可能的五块组合,选择包含矩形件个数最多的五块组合作为最 终的排样方案。使用算例对算法进行了测试,并与另外4 种单一排样算法进行了比较。实验结 果表明,该算法在排样利用率和切割工艺两方面都有效,而且计算时间合理。     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。     

矩形件简单块占角排样方式的动态规划

目的 针对矩形件无约束2维剪切排样问题,提出一种可简化板材切割工艺的简单块占角排样方式,并构造这种排样方式的动态规划生成算法。方法 该排样方式在板材左下角按照简单块方式排样若干行若干列同种矩形件,将板材剩余部分划分为两个子板;将子板按照上述方法继续递归排样和划分,直至子板排满矩形件为止。采用动态规划确定所有可能尺寸的板材左下角排样的最优矩形件、矩形件的最优行列数和板材剩余部分的最优子板划分。运用规范尺寸排除不必要的计算。结果 将本文算法与目前常见的算法进行比较,实验结果表明本文算法计算时间合理,排样价值较高。在第1组41道基准例题中,本文算法所有例题均求出了精确解,同质块T型算法、同质块两段算法和复合条带两段算法分别有7道、5道和4道例题未求出精确解。在第2组20道基准例题中,本文算法只有1道例题未求出精确解,普通三阶段算法、同质块T型算法、同质块两段算法和匀质条带三块算法分别有18道、15道、15道和20道例题未求出精确解。在第3组50道随机例题中,本文算法、普通两段算法和同质块两段算法板材利用率分别为99.913 7%、99.862 3%和99.796 1%。在第4组31道基准例题中,本文算法所有例题均求出了精确解,普通占角排样算法有2道例题未求出精确解。结论 本文算法计算时间远小于精确算法,优化效果接近精确算法;本文算法计算时间与多种启发式算法接近,但优化效果好于多种启发式算法。     

基于遗传算法求解带公差的“一刀切”问题

矩形件排样是典型的组合优化问题,在很大程度上影响着企业生产效率。将遗传算法与启发式规则相结合,同时在排样过程中考虑待排样式的公差,求解"一刀切"矩形件排样问题。首先,采用实数基因编码方式,由实数基因值与启发式信息结合确定待排样式的优先权。其次,基于待排样式的最小极限尺寸,采用两步解码方法。第一步为初始填充,将待排样式组合成满足"一刀切"的可行条料,并求解板材利用率最高的条料填充方式;第二步为对第一步剩余空白区的填充,求解不同启发式信息下,空白区利用率最高的待排样式填充方式。再者,基于待排样式的最大极限尺寸和板材尺寸,对最优排样方案进行调整。最后,以VB6.0为开发工具将算法实现,并通过实例对比分析证明了算法的有效性。     

基于自适应遗传算法和多条带策略的排样方法研究

针对现代工业工艺生产中普遍存在的矩形件排样优化问题,在遗传算法的主要环节应用性能较优的算子对矩形件排样序列进行了求解,并运用交叉概率和变异概率能自适应调整的方法来提高遗传算法的收敛速度及稳定性。提出了满足工艺生产切割要求的多条带策略,辅以最低水平线算法的择优插入策略对矩形件序列进行解码。实验结果表明, 与分层策略相比,所提出的排样方法不仅能得到 更高、更稳定的板材利用率,而且还能提高工艺生产的效率并降低生产的时间成本,具有重要的现实意义。     

基于重要度的矩形工件优化填充排样算法

大规模矩形件优化排样是一个典型的组合优化问题,属于NP2hard问题。矩形件优化排样已广泛应用于板材切割、瓷砖铺设、服装裁剪等行业。在实际排样工作中发现,决策者对工件的选择不仅要考虑大小、工件费用、铺设利用率等诸多因素,往往还需要考虑颜色、花式、铺设方式等因素。基于这种状况,引入排样属性重要度的概念,提出了基于重要度的矩形工件优化填充排样算法,使用计算机辅助排样。通过实例排样表明了该算法的有效性和实用性。     

基于重要度的矩形工件优化填充排样算法

大规模矩形件优化排样是一个典型的组合优化问题,属于NP2hard问题。矩形件优化排样已广泛应用于板材切割、瓷砖铺设、服装裁剪等行业。在实际排样工作中发现,决策者对工件的选择不仅要考虑大小、工件费用、铺设利用率等诸多因素,往往还需要考虑颜色、花式、铺设方式等因素。基于这种状况,引入排样属性重要度的概念,提出了基于重要度的矩形工件优化填充排样算法,使用计算机辅助排样。通过实例排样表明了该算法的有效性和实用性。     

基于启发式动态分解算法的矩形件优化排样

针对二维矩形件优化排样问题,提出了一种启发式动态分解算法,其可扩展用于三维及多容器全局排样求解。根据排放矩形件对容器进行正交动态分解,计算放置耦合度选择最佳子容器,通过干涉关系实现所有容器状态更新,实现大规模复杂排样问题的快速高效求解。对国际上公认Bench-mark多个问题例的计算结果表明,所提算法与同类算法相比优势明显,布局利用率提高达9.4%,计算效率提升达95.7%,并且已在商业化排样软件AutoCUT中应用,应用前景良好。     

生成最优单毛坯条带T型布局方式的精确算法

为解决大规模矩形件布局问题,提出一个生成单毛坯条带T型布局方式的精确算法。该算法不仅可在合理时间内取得好的优化结果,而且在满足实际下料工艺的同时化简了切割工艺。该算法首先确定最优单毛坯条带,然后通过求解一维背包问题确定单毛坯条带在级中的布局方式和级在段中的最优布局方式,最后选择两个最优段生成布局方式。通过文献中的63道基准测题,将该算法与5种著名算法(经典两阶段、普通T型、同质块两阶段、普通布局算法和启发式算法TABU500)进行了比较。实验结果表明,该算法在计算时间和材料利用率两方面都有效。