CN105956663A - 异形零件下料的并行排样优化方法 - Google Patents
异形零件下料的并行排样优化方法 Download PDFInfo
- Publication number
- CN105956663A CN105956663A CN201610124467.6A CN201610124467A CN105956663A CN 105956663 A CN105956663 A CN 105956663A CN 201610124467 A CN201610124467 A CN 201610124467A CN 105956663 A CN105956663 A CN 105956663A
- Authority
- CN
- China
- Prior art keywords
- population
- stock layout
- parts
- evolution
- fitness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异形零件下料的并行排样优化方法,对下料零件的图形特征进行预处理,实现聚类组合;依据个体适应度值的大小和相似性对整个种群进行合理划分,在每次进化中,个体适应度度值较好的子种群利用遗传算法(GA)进化,个体适应度值较差的子种群则利用粒子群算法(PSO)处理,实现优化方法的优势互补、信息增值;通过设置多样性度量标准来控制种群特征信息和搜索空间,从而加快了寻找最优解的时间,使得整个系统效率大幅提升。该方法可用于不同种类零件的自动下料优化,满足了对于大规模排样数据进行处理和管理的要求。
Description
技术领域
本发明涉及机械加工下料的排样优化方法领域,具体是一种异形零件下料的并行排样优化方法。
背景技术
板材自动下料优化是机械制造实现自动化生产的重要工序,也是影响原材料利用率的一个关键环节,因此零件的排样优化技术对于资源的有效利用、降低工作强度和简化加工工艺以及制造自动化和企业信息化的发展有着重要的推动作用。
目前,智能优化算法如蚁群算法、粒子群算法、遗传算法等已成为解决排样优化问题的有力工具。然而不同的智能优化算法总存在一些固有的缺点如优化效率不高、全局优化和局部优化不平衡等。近年来人们不断尝试对智能优化算法本身提出了更多的改进,使算法性能在一定程度上得到了提高,但是算法固有缺点并没有从根本上得到有效的解决。因此算法混合的并行优化方法逐渐成为提高优化性能的一个重要且有效的途径。
发明内容
本发明的目的是提供一种异形零件下料的并行排样优化方法,以解决现有技术优化算法存在的问题。
为了达到上述目的,本发明所采用的技术方案为:
异形零件下料的并行排样优化方法,其特征在于:包括以下步骤:
(1)、通过对零件图形的预处理,提取排样零件的几何数据,根据提取的几何数据对排样零件进行特征编码和排样编码,特征编码和排样编码分别反映了零件图形的属性,针对零件的组合及填充操作亦进行相应编码;然后根据编码对排样零件进行聚合、填充及靠接处理,实现不规则零件的矩形化操作,矩形化过程如下:
(1.1)、同类零件的组合:将零件图形绕参考点旋转180°相位,分别通过横向和纵向进行组合,依据组合图形的包络矩形面积最小获得最佳包络矩形;
(1.2)、同类零件组合形成空白区域的填充:对于同类组合零件生成的内孔,由于互补零件的对称性,其生成的内孔也是具有对称特征的,根据这一特性,可以判断内孔的形心位置,从而可以一定程度的实现填充功能的自动处理;
(1.3)、互补零件的组合和填充:对于形状具有互补特征的零件或零件的包络矩形形成的空白区域进行适当的聚合和插补填充;
(2)、建立排样零件的优化种群,并根据计算种群个体的适应度大小进行等级划分为优良种群和普通种群,通过优良种群的GA操作和普通种群的PSO进化,实现种群个体的并行协作,过程如下:
在初始阶段依据适应度评价将整个种群划分两个子种群,即优良种群Ep和普通种群Cp,规模分别为M和N-M,其中优良种群为当前种群中M个适应度最高的个体群,其余构成普通种群;各父代种群通过GA和PSO进化产生相应的子代种群,即子代精英种群Ec和子代普通种群Cc,基于种群多样性评估将子代种群划分构成下一代种群,
(3)、建立多样性度量标准,在个体适应度评估(即排样密度评价)的基础上用来控制选择优良种群特征,保证下代优良子种群个体的多样性;如果系统多样性下降至某个预定的指标,算法将重新选择优良种群的新个体;多样性度量标准的制定涉及搜索空间、种群规模和个体特征信息,如公式(1)所示:
公式(1)中,M是种群规模;fi k是第i个个体的第k个进化适应度值;是所有个体的第k次进化的适应度平均值,k为进化次数。
本发明优点为:
本发明提出一种遗传算法和粒子群算法的混合智能优化方法,对不同的特征种群实现并行进化,可实现不种智能优化算法的有效融合,提升了排样效率的和板材利用率。
附图说明
图1为本发明中同类零件组合图。
图2为本发明中零件填充图。
图3为本发明中互补零件组合填充图。
图4为混合算法模型图。
图5为算法流程图。
图6为不同染色体间的交叉操作图。
图7为HGPA最优排样布局图。
图8为CAD排样图。
具体实施方式
异形零件下料的并行排样优化方法,包括以下步骤:
(1)、通过对零件图形的预处理,提取排样零件的几何数据,根据提取的几何数据对排样零件进行特征编码和排样编码,特征编码和排样编码分别反映了零件图形的属性,针对零件的组合及填充操作亦进行相应编码,编码方式如表1所示:
表1为零件特征编码信息表
然后根据编码对排样零件进行聚合、填充及靠接处理,实现不规则零件的矩形化操作,矩形化过程如下:
(1.1)、如图1所示,同类零件的组合:将零件图形绕参考点旋转180°相位,分别通过横向和纵向进行组合,依据组合图形的包络矩形面积最小获得最佳包络矩形;
(1.2)、如图2所示,同类零件组合形成空白区域的填充:对于同类组合零件生成的内孔,由于互补零件的对称性,其生成的内孔也是具有对称特征的,根据这一特性,可以判断内孔的形心位置,从而可以一定程度的实现填充功能的自动处理;
(1.3)、如图3所示,互补零件的组合和填充:对于形状具有互补特征的零件或零件的包络矩形形成的空白区域进行适当的聚合和插补填充;
(2)、建立排样零件的优化种群,并根据计算种群个体的适应度大小进行等级划分为优良种群和普通种群,通过优良种群的GA操作和普通种群的PSO进化,实现种群个体的并行协作,过程如下:
如图4所示,在初始阶段依据适应度评价将整个种群划分两个子种群,即优良种群Ep和普通种群Cp,规模分别为M和N-M,其中优良种群为当前种群中M个适应度最高的个体群,其余构成普通种群;各父代种群通过GA和PSO进化产生相应的子代种群,即子代精英种群Ec和子代普通种群Cc,基于种群多样性评估将子代种群划分构成下一代种群,
(3)、如图5所示,建立多样性度量标准,在个体适应度评估(即排样密度评价)的基础上用来控制选择优良种群特征,保证下代优良子种群个体的多样性;如果系统多样性下降至某个预定的指标,算法将重新选择优良种群的新个体;多样性度量标准的制定涉及搜索空间、种群规模和个体特征信息,如公式(1)所示:
公式(1)中,M是种群规模;fi k是第i个个体的第k个进化适应度值;是所有个体的第k次进化的适应度平均值,k为进化次数。
具体实施例:
(1)初始化设置
确定排样种群规模,设定混合算法参数:初始解(粒子位移和速度)、交叉概率、变异概率等。
(2)计算个体适应度值及种群划分
根据排样密度计算种群中所有个体的的适应度,并按其大小将种群划分为两个子种群。其中为避免个体中存在同类或相似零件而影响种群多样性及进化的重复性,可通过对个体的编码相似性判断和适应度计算来更新调整,适应度计算公式如下式(2)所示。其中是排入N个零件的总面积,S是排样图高度轮廓线以下的板材面积。
(3)对于优良子种群进行遗传操作
交叉算子采用个体优良基因优先的交叉操作,即在交叉中不会使得基因丢失良好的染色体信息,同时可以稳固由变异操作得到的新的基因特征,保证种群多样性和收敛性的统一,交叉示意如图6所示。优良基因保持机制可在排样优化的预处理阶段引入图形聚类思想作为评估手段,排样图形聚类特征可选取:面积、位图外包矩形覆盖率、近似长短轴比、对称性等;变异操作则包括个体零件的位置变异和角度变异。
(4)对于适应度较差的子种群进行粒子群优化
设粒子群一个D维的目标搜索空间中,第i个粒子在第d(1≤d≤D)维的位置向量表示为Xid,其飞行速度为Vid。第i个粒子目前搜索到的最优解为个体极值,记作Pid,整个粒子群目前找到的最优解为全局最佳极值,记作Pgd。整个粒子群通过跟踪个体极值和最佳极值来更新自己的飞行速度和位置,在解空间中寻求最优解。PSO算法迭代公式如下:
其中,w为惯性权重因子;c1,c2为加速因子;和分别为粒子当前位置与个体极值和全局极值的交换序列和角度旋转序列。由此可见,c1和c2决定了Pid和Pgd对粒子当前位置的影响程度。
(5)将GA和PSO算法生产的新个体进行混合处理,产生下一代新种群。根据迭代次数或终止条件继续执行(2)至(5)或结束。
根据算法思想及模型,算法的程序伪代码如表2所示:
表2为算法程序伪代码表
取11种不同形状的零件,总数n=39,板材尺寸为8000mm×2000mm。设定种群规模S=10,粒子速度映射的交换序基于粒子中所含零件的个数以学习概率c1,c2∈(0,1)进行随机选取,交叉概率Pc=0.8,变异概率Pm=0.05。三种算法其最佳排样密度的计算结果如表3所示,取其最优排样布局如图7所示,图8为输出的CAD排样图。
表3为三种算法求出的板材利用率
Claims (1)
1.异形零件下料的并行排样优化方法,其特征在于:包括以下步骤:
(1)、通过对零件图形的预处理,提取排样零件的几何数据,根据提取的几何数据对排样零件进行特征编码和排样编码,特征编码和排样编码分别反映了零件图形的属性,针对零件的组合及填充操作亦进行相应编码;然后根据编码对排样零件进行聚合、填充及靠接处理,实现不规则零件的矩形化操作,矩形化过程如下:
(1.1)、同类零件的组合:将零件图形绕参考点旋转180°相位,分别通过横向和纵向进行组合,依据组合图形的包络矩形面积最小获得最佳包络矩形;
(1.2)、同类零件组合形成空白区域的填充:对于同类组合零件生成的内孔,由于互补零件的对称性,其生成的内孔也是具有对称特征的,根据这一特性,可以判断内孔的形心位置,从而可以一定程度的实现填充功能的自动处理;
(1.3)、互补零件的组合和填充:对于形状具有互补特征的零件或零件的包络矩形形成的空白区域进行适当的聚合和插补填充;
(2)、建立排样零件的优化种群,并根据计算种群个体的适应度大小进行等级划分为优良种群和普通种群,通过优良种群的GA操作和普通种群的PSO进化,实现种群个体的并行协作,过程如下:
在初始阶段依据适应度评价将整个种群划分两个子种群,即优良种群Ep和普通种群Cp,规模分别为M和N-M,其中优良种群为当前种群中M个适应度最高的个体群,其余构成普通种群;各父代种群通过GA和PSO进化产生相应的子代种群,即子代精英种群Ec和子代普通种群Cc,基于种群多样性评估将子代种群划分构成下一代种群,
(3)、建立多样性度量标准,在个体适应度评估(即排样密度评价)的基础上用来控制选择优良种群特征,保证下代优良子种群个体的多样性;如果系统多样性下降至某个预定的指标,算法将重新选择优良种群的新个体;多样性度量标准的制定涉及搜索空间、种群规模和个体特征信息,如公式(1)所示:
公式(1)中,M是种群规模;是第i个个体的第k个进化适应度值;是所有个体的第k次进化的适应度平均值,k为进化次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610124467.6A CN105956663A (zh) | 2016-03-04 | 2016-03-04 | 异形零件下料的并行排样优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610124467.6A CN105956663A (zh) | 2016-03-04 | 2016-03-04 | 异形零件下料的并行排样优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956663A true CN105956663A (zh) | 2016-09-21 |
Family
ID=56917237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610124467.6A Pending CN105956663A (zh) | 2016-03-04 | 2016-03-04 | 异形零件下料的并行排样优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956663A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301459A (zh) * | 2017-07-14 | 2017-10-27 | 郑州云海信息技术有限公司 | 一种基于fpga异构运行遗传算法的方法及系统 |
CN107886199A (zh) * | 2017-11-22 | 2018-04-06 | 中国计量大学 | 一种对经过一次加工后原材料下料排样方法 |
CN109214557A (zh) * | 2018-08-15 | 2019-01-15 | 浙江优尼家装饰科技有限公司 | 一种二维不规则板件排样方法 |
CN111062647A (zh) * | 2019-12-31 | 2020-04-24 | 国机智能技术研究院有限公司 | 一种套料方法、装置、设备和存储介质 |
CN112418530A (zh) * | 2020-11-24 | 2021-02-26 | 上海维宏电子科技股份有限公司 | 管材切割过程中实现管材零件排样优化处理的方法、系统、装置、处理器及其存储介质 |
CN113032921A (zh) * | 2021-03-16 | 2021-06-25 | 山东科技大学 | 基于并行自适应参数布谷鸟搜索与最低水平线的排样算法 |
CN113762380A (zh) * | 2021-09-07 | 2021-12-07 | 成都理工大学 | 一种基于自适应分组的零件排样优化方法 |
CN117634710A (zh) * | 2024-01-23 | 2024-03-01 | 湖南三一中诚车身有限公司 | 一种板材定尺方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN102393634A (zh) * | 2011-11-28 | 2012-03-28 | 浙江工业大学 | 一种基于pso-ga混合优化算法的单目标多生产线调度控制方法 |
CN102479276A (zh) * | 2010-11-30 | 2012-05-30 | 英业达股份有限公司 | 印刷电路板排版方法 |
CN102662743A (zh) * | 2012-04-13 | 2012-09-12 | 南京信息工程大学 | 一种启发式粗粒度并行网格任务调度方法 |
CN103336855A (zh) * | 2013-05-24 | 2013-10-02 | 浙江工业大学 | 一种基于多子群粒子群算法的二维不规则排样方法 |
CN104268635A (zh) * | 2014-09-05 | 2015-01-07 | 国家电网公司 | 一种基于再分析资料的测风网络布局优化方法 |
CN104950673A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种无人机群协作打击目标分配方法 |
-
2016
- 2016-03-04 CN CN201610124467.6A patent/CN105956663A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN102479276A (zh) * | 2010-11-30 | 2012-05-30 | 英业达股份有限公司 | 印刷电路板排版方法 |
CN102393634A (zh) * | 2011-11-28 | 2012-03-28 | 浙江工业大学 | 一种基于pso-ga混合优化算法的单目标多生产线调度控制方法 |
CN102662743A (zh) * | 2012-04-13 | 2012-09-12 | 南京信息工程大学 | 一种启发式粗粒度并行网格任务调度方法 |
CN103336855A (zh) * | 2013-05-24 | 2013-10-02 | 浙江工业大学 | 一种基于多子群粒子群算法的二维不规则排样方法 |
CN104268635A (zh) * | 2014-09-05 | 2015-01-07 | 国家电网公司 | 一种基于再分析资料的测风网络布局优化方法 |
CN104950673A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种无人机群协作打击目标分配方法 |
Non-Patent Citations (2)
Title |
---|
李明 等: "二维不规则零件排样问题的粒子群算法求解", 《江南大学学报(自然科学版)》 * |
贾志欣 等: "二维不规则零件排样问题的遗传算法求解", 《计算机辅助设计与图形学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301459A (zh) * | 2017-07-14 | 2017-10-27 | 郑州云海信息技术有限公司 | 一种基于fpga异构运行遗传算法的方法及系统 |
CN107886199A (zh) * | 2017-11-22 | 2018-04-06 | 中国计量大学 | 一种对经过一次加工后原材料下料排样方法 |
CN109214557A (zh) * | 2018-08-15 | 2019-01-15 | 浙江优尼家装饰科技有限公司 | 一种二维不规则板件排样方法 |
CN111062647A (zh) * | 2019-12-31 | 2020-04-24 | 国机智能技术研究院有限公司 | 一种套料方法、装置、设备和存储介质 |
CN112418530A (zh) * | 2020-11-24 | 2021-02-26 | 上海维宏电子科技股份有限公司 | 管材切割过程中实现管材零件排样优化处理的方法、系统、装置、处理器及其存储介质 |
CN113032921A (zh) * | 2021-03-16 | 2021-06-25 | 山东科技大学 | 基于并行自适应参数布谷鸟搜索与最低水平线的排样算法 |
CN113032921B (zh) * | 2021-03-16 | 2022-12-13 | 山东科技大学 | 基于并行自适应参数布谷鸟搜索与最低水平线的排样算法 |
CN113762380A (zh) * | 2021-09-07 | 2021-12-07 | 成都理工大学 | 一种基于自适应分组的零件排样优化方法 |
CN117634710A (zh) * | 2024-01-23 | 2024-03-01 | 湖南三一中诚车身有限公司 | 一种板材定尺方法及装置 |
CN117634710B (zh) * | 2024-01-23 | 2024-04-26 | 湖南三一中诚车身有限公司 | 一种板材定尺方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956663A (zh) | 异形零件下料的并行排样优化方法 | |
CN102855492B (zh) | 基于矿物浮选泡沫图像的分类方法 | |
CN107330214A (zh) | 基于离散化与启发式进化算法的空间布局优化方法 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN104809476B (zh) | 一种基于分解的多目标进化模糊规则分类方法 | |
CN106527381A (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN109754168A (zh) | 充电站选址方法和装置 | |
CN106611219A (zh) | 针对多目标优化问题的导引式局部搜索遗传算法 | |
CN113378927A (zh) | 一种基于聚类的自适应加权过采样方法 | |
CN103631925B (zh) | 机械加工设备的快速分组检索方法 | |
CN110659769A (zh) | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 | |
CN111046559A (zh) | 一种基于双层精英协同进化的多目标优化方法 | |
CN116306769A (zh) | 一种含对抗生成网络的贝叶斯优化方法及系统 | |
CN109961129A (zh) | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 | |
CN116702945A (zh) | 基于改进的多模态多目标粒子群优化算法的选址优化方法 | |
CN103714211B (zh) | 基于移动模式序列与多智能体粒子群的集成电路布图方法 | |
CN110929930A (zh) | 一种船用曲轴生产线排产调度优化方法 | |
CN111985690B (zh) | 一种风电基地升压站选址方法 | |
CN105550711A (zh) | 一种基于萤火虫算法的选择性集成学习方法 | |
CN106508027B (zh) | 基于遗传算法的部署图点军标自动避让方法 | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | |
CN109934344B (zh) | 一种改进的基于规则模型的多目标分布估计方法 | |
CN107767035A (zh) | 一种基于遗传算法的电能表检测混合流水线调度方法 | |
CN104268640A (zh) | 一种引航员指派方法 | |
CN109523074A (zh) | 一种基于最近邻遗传混合算法的服装裁剪路径优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |