基于遗传模拟退火算法的不规则多边形排样

将遗传授拟退火算法应用于计算机辅助排样领域，设计了一种基于遗传模拟退火技术的启发式排样算法．该算法能够处理不规则多边形的排样问题；同时，给出一种对象的几何表达方式，可以忽略高度不规则形状带来的复杂性影响．该算法通过基于遗传模拟退火算法的全局优化概率搜索，寻找排样件在排样时的最优次序及各自的旋转角度，然后采用基于左下角(BL)策略的启发式排样算法实现自动排样．     

改进的矩形毛坯三块排样方式及其算法

致力于改进矩形毛坯三块排样方式的生成算法,采用三种策略缩小解的搜索范围,并将该算法与线性规划相结合形成排样方案生成算法,用于求解大规模矩形毛坯排样问题.通过实验证明,与二阶段、T形、两段、三阶段排样算法相比,排样方案生成算法生成的排样方案虽然板材利用率稍低,但排样方案简单,能够简化切割工艺.     

一种快速的有约束矩形件优化排样模型

为了有效地解决有约束的矩形件优化排样问题,提出一种快速的求解算法;通过比较待排样矩形件的不同排样模式,选择最优排样方案。算法完全基于解析计算,虽不能寻找理论最优解,但相比于各种启发式算法大大提高了排样速度。实验结果表明,算法能够在较短的计算时间内获得满意的排样效果,是一种效率较高的有约束矩形件排样算法。     

简化同尺寸矩形毛坯排样方式的动态规划算法

同尺寸矩形毛坯排样方式的最优性包括毛坯数量最优性和切割工艺最优性。前者是指排样方式中所含毛坯数最大;后者是指在所有实现毛坯数量最优性的排样方式中,切割工艺最为简单。采用条带数衡量排样方式的复杂性,用动态规划算法生成条带数最少的最优排样方式。实验计算结果表明,所述算法能够明显简化下料工艺,对指导生产实践具有较重要的意义。     

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。     

基于包容矩形的优化排样算法及实现

毛坯优化排样问题是CAD技术结合冲模设计领域的一大课题。论文在多边形顶点算法的基础上,提出了基于包容矩形的优化排样算法。该算法只需在初始毛坯图的包容矩形内进行计算,即可得到排样的步距、料宽等关键参数;在预排样时不用进行传统排样算法所作的等距放大处理,避免了由此引起的图形自交干涉和排样误差增大的问题。并且在Inventor9平台上运用VisualC++对该算法予以实现,开发出效率高、实用性强、运行可靠的冲裁模智能排样系统。     

基于改进遗传算法的不规则图形排样

针对大规模零件和布料优化排样问题,研究遗传算法在智能排样中的应用及其在智能优化排样中的优缺点。以传统遗传算法优化排样为基础,提出一种改进的基于遗传算法的优化排样算法,利用图形间的相似度对图形群体进行分类,降低遗传算法的时间复杂度。实验结果证明,该方法在时间复杂度上优于传统的遗传算法优化排样,适用于大规模的图形排样系统。     

最佳吻合矩形件排样算法

LFB矩形零件排放算法具有很高的效率,文章在LFB算法的基础上,针对该算法在排放中产生的浪费矩形块问题,提出最佳吻合算法,待排零件优先从浪费矩形块中选择最佳排放位置,得到了较原LFB算法更优的排样结果,并为其它排样算法的改进提供了一种思路。     

圆片剪冲下料排样算法

为解决圆片剪冲下料排样精确算法的运行时间过长问题,并综合考虑在保证所生成的排样方案利用率最优或接近最优的前提下,先采用动态规划算法,在精确算法的基础上,选取规范长度和规范宽度的子集进行计算,实现无约束算法,解决剪切阶段的无约束排样问题.再与线性规划方法相结合,解决两维圆片剪冲下料问题,使整个排样方案的利用率达到最大,所耗费的板材数最少.最后通过实验结果表明了该算法的有效性.     

二维优化排样问题研究

二维优化排样问题的广泛应用引起了国内外学者的关注,主要从各种不同的排样算法如近似算法、启发式算法、智能优化算法等讨论了国内外排样问题的研究现状,并给出了其发展趋势。     

矩形毛坯最优三块排样的新算法

针对矩形毛坯二维下料问题,提出采用三块排样的下料算法,以达到最小化板材消耗量和简化切割工艺的目标。该算法将列生成法和排样方式生成算法相结合,生成一个含多个排样方式(排样图)的集合,然后通过解整数规划问题获得各个排样方式的使用次数。排样方式生成算法通过构造并求解整数规划模型,求出最优三块排样。采用的三块排样,切割工艺简单,能有效提高切割效率。实验结果表明,该算法可以明显减少板材消耗。     

矩形件排样问题的遗传算法求解

本文研究了求解矩形件正交排样优化问题的遗传算法。同时，将矩形件正交排样问题转化为一个排列问题，提出了求一个排列所对应的排样图的下台阶算法（改进的ＢＬ算法）将下台阶算法与遗传算法相结合，用于矩形件排样问题的求解，给出了该算法的实现。用该算法对文献中的两个算例进行了求解，结果表明该算法获得了比ＢＬ算法更好的解，是一种较为行之有效的方法。     

矩形件优化排样问题的混合遗传算法求解

利用遗传算法结合剩余矩形排样法求解矩形件正交排样问题。通过遗传算法将矩形件正交排样问题转化为一个排列问题,并引入剩余矩形排样算法来惟一确定每一个排列所对应的排样图(即排样方案),两者结合用于求解矩形件排样问题。最后用此混合遗传算法对文献[1]中的两个算例进行了验证,表明了其有效性。     

一种高效的矩形套裁排样的带填充排样算法

提出一种带填充排样算法,实现矩形毛坯套裁排样。该算法首先用水平剪切线将板材分层,每层的宽度和板材宽度相同,高度和层最左端的主毛坯高度相同;通过调用两个递归过程确定最优排样方式,第一个过程确定每层左端的主毛坯,第二个过程确定层右端区域的毛坯排列方式。采用分支定界技术缩小搜索空间。实验计算结果说明所述算法比文献中最近报道的几种算法都有效。     

基于改进免疫遗传算法的矩形件排样

文章在基本免疫遗传算法的基础上提出了针对矩形件排样问题的改进算法,探讨了能记忆排样过程先验知识的浓度算子对排样过程的影响,实验证明是有效的。     

基于样图的排样及其样图检索方法

为解决不规则图形排样问题,讨论了基于实例(样图)的推理方法在零件排样问题中的应用,给出了基于样图的排样系统结构.此方法的一个关键问题是在已知待排的零件组和板料的前提下,如何从样图库中检索出相应样图的图形匹配方法.为此提出了基于图形(组)简化骨架的模式编码的串间Findler距离的图形(组)之间相似性检索算法,并给出了算例验证.     

矩形件优化排样问题的混合遗传算法求解

利用遗传算法结合剩余矩形排样法求解矩形件正交排样问题。通过遗传算法将矩形件正交排样问题转化为一个排列问题，并引人剩余矩形排样算法来惟一确定每一个排列所对应的排样图（即排样方案），两者结合用于求解矩形件排样问题。最后用此混合遗传算法对文献[1]中的两个算例进行了验证，表明了其有效性。     

基于改进免疫遗传算法的不规则图形排样

在基本遗传算法的基础上提出了针对件排样问题的改进免疫算法;探讨了能记忆排样过程先验知识的浓度算子对排样过程的影响,实验证明是有效的.     

缺陷板材非规则件优化排样

针对理论上属于NPC 问题的非规则件优化排样问题,论文提出一种基于 小生境技术的自适应遗传模拟退火算法与基于内靠接临界多边形最低点的启发式布局算法 相结合的方法。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,通过基于小生境技术的遗传模拟退火算法对非规则件排样的最优顺 序和各自的旋转角度进行优化搜索。将非规则件定位在有缺陷原材料和非规则件多边形的内 靠接临界多边形最低点以实现个体的解码,同时避开了原材料表面缺陷。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。     

考虑多目标优化的一维排样系统

对于常见的一维下料问题,采用顺序启发式算法设计排样系统。在保证较高材料利用率的同时,考虑多个优化目标的实现,如减少排样方式数,优先使用短材料,增加最后一根原材料上的余料长度等。通过对各个目标设定不同的优先级,可生成满足实际生产环境需要的排样方案。经过与其他多种优化算法的实验结果比较,证实本文排样系统的优越性。