CN105956663A - 异形零件下料的并行排样优化方法 - Google Patents

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

异形零件下料的并行排样优化方法

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：

$Diversity\left(k\right)=\frac{1}{M}\·\sqrt{\underset{i=1}{\overset{M}{\Σ}}{(f_i^k-{\stackrel{\‾}{f}}^k)}^2}---\left(1\right)$

公式(1)中，M是种群规模；f_i ^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：

$Diversity\left(k\right)=\frac{1}{M}\·\sqrt{\underset{i=1}{\overset{M}{\Σ}}{(f_i^k-{\stackrel{\‾}{f}}^k)}^2}---\left(1\right)$

公式(1)中，M是种群规模；f_i ^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。

$Fitness=\underset{i=1}{\overset{N}{\Σ}}{s}_i/S---\left(2\right),$

(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X_id，其飞行速度为V_id。第i个粒子目前搜索到的最优解为个体极值，记作P_id，整个粒子群目前找到的最优解为全局最佳极值，记作P_gd。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：

$V_{id}^{t+1}={\mathrm{wV}}_{id}^t\⊕c1(P_{id}-X_{id}^t)\⊕c2(P_{gd}-X_{id}^t)---\left(3\right),$

$X_{id}^{t+1}=X_{id}^t+V_{id}^{t+1}---\left(4\right),$

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P_id和P_gd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P_c＝0.8，变异概率P_m＝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：

$Diversity\left(k\right)=\frac{1}{M}\·\sqrt{\underset{i=1}{\overset{M}{\Σ}}{(f_i^k-{\stackrel{\‾}{f}}^k)}^2}---\left(1\right)$

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。