CN108170641A - 一种基于宽容分层策略的排样算法 - Google Patents

一种基于宽容分层策略的排样算法 Download PDF

Info

Publication number
CN108170641A
CN108170641A CN201810046988.3A CN201810046988A CN108170641A CN 108170641 A CN108170641 A CN 108170641A CN 201810046988 A CN201810046988 A CN 201810046988A CN 108170641 A CN108170641 A CN 108170641A
Authority
CN
China
Prior art keywords
space
rectangle
stock layout
tolerant
function model
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.)
Granted
Application number
CN201810046988.3A
Other languages
English (en)
Other versions
CN108170641B (zh
Inventor
梁利东
江本赤
贾文友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN201810046988.3A priority Critical patent/CN108170641B/zh
Publication of CN108170641A publication Critical patent/CN108170641A/zh
Application granted granted Critical
Publication of CN108170641B publication Critical patent/CN108170641B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明涉及一种排样算法，特别涉及一种基于宽容分层策略的排样算法。本发明首先利用矩形排样建立笛卡尔坐标系，所述笛卡尔坐标系包括排样空间、可行空间以及合并空间，再根据排样空间、可行空间以及合并空间建立参数匹配关系，从而设计矩形匹配规则，最后根据矩形匹配规则设计匹配函数模型，从而得到匹配函数模型的最优解。本发明有效地提高了排样结果，能够得到排样定位规则和最优布局，而且本发明的原理简单，计算速度快，效率高。

Description

一种基于宽容分层策略的排样算法
技术领域
本发明涉及一种排样算法，特别涉及一种基于宽容分层策略的排样算法。
背景技术
排样优化方法是工程设计及制造领域中的研究热点，广泛应用于机械制造、印刷业排版、木材加工、玻璃切割、家具下料、服装裁剪等行业中，高效排样算法的对提高生产效率和经济效益具有重要的实际意义。
现有技术中的排样算法包括排序方法和定位规则两个方面，计算复杂度太高，耗时较大，对于排样规模比较局限，无法获得广泛的应用。
发明内容
本发明为了克服上述现有技术的不足，提供了一种基于宽容分层策略的排样算法，本发明的原理简单，计算速度快，效率高。
要解决以上所述的技术问题，本发明采取的技术方案为：
一种基于宽容分层策略的排样算法，包括以下操作步骤：
S1、利用矩形排样建立笛卡尔坐标系，所述笛卡尔坐标系包括排样空间、可行空间以及合并空间；
S2、根据排样空间、可行空间以及合并空间建立参数匹配关系，从而设计矩形匹配规则；
S3、根据矩形匹配规则设计匹配函数模型，从而得到匹配函数模型的最优解。
优选的，步骤S1的具体操作步骤包括：
S11、利用待排样矩形，设定初始板材的宽度为W，高度为H，所述设定初始板材包括n个矩形，n个矩形利用pj(xj,yj,wj,hj)表示，其中，j∈{1,2,…n}，xj、yj分别表示Pj的x坐标、y坐标，wj、hj分别表示Pj的宽度、高度；
S12、建立笛卡尔坐标系：
建立排样空间，设定n个矩形中包括m个存在空闲区域的矩形，m个存在空闲区域的矩形表示为Si(sxi,syi,swi,shli,shri)，其中，i∈{1,2,…m}，sxi、syi分别表示Si的x坐标、y坐标，swi表示Si的宽度，shli表示Si的左壁高度，shri表示Si的右壁高度；
若wj≤swi，则pj(xj,yj,wj,hj)为可行空间，若wj＞swi，则pj(xj,yj,wj,hj)为不可行空间；
pj(xj,yj,wj,hj)为不可行空间，将不可行空间与其相邻的空间进行合并，形成合并空间。
优选的，步骤S2的具体操作步骤包括：
设定高度匹配值fwi,j；
其中，Δwi,j＝|swi-wj|，wj≤swi；
设定高度匹配值fhi,j；
其中，当Δhli,j＝0或Δhri,j＝0时，则fhi,j＝1，高度匹配值fhi,j为最佳高度。
进一步的，步骤S3的具体操作步骤包括：
根据高度匹配值fhi,j，得到匹配函数模型，
其中，maxFi,j表示适应度值的最大值，s.twj≤swi表示满足wj≤swi，H表示无限高度；
当高度匹配值fwi,j＝1，fhi,j＝1，则Fi,j＝fwi,j+fhi,j＝2，得到匹配函数模型的最优解。
本发明的有益效果为：本发明首先利用矩形排样建立笛卡尔坐标系，根据排样空间、可行空间以及合并空间建立参数匹配关系，从而设计矩形匹配规则，最后根据矩形匹配规则设计匹配函数模型，从而得到匹配函数模型的最优解。本发明有效地提高了排样结果，能够得到排样定位规则和最优布局，而且本发明的原理简单，计算速度快，效率高。
附图说明
下面对本发明说明书中每幅附图表达的内容及图中的标记作简要说明：
图1为本发明的工作流程图；
图2为本发明的排样空间的示意图；
图3为本发明的fw、fh取不同值时的匹配状态图。
具体实施方式
下面对照附图，对本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理等作进一步的详细说明：
如图1所示，一种基于宽容分层策略的排样算法，包括以下操作步骤：
S1、利用矩形排样建立笛卡尔坐标系，所述笛卡尔坐标系包括排样空间、可行空间以及合并空间；
S2、根据排样空间、可行空间以及合并空间建立参数匹配关系，从而设计矩形匹配规则；
S3、根据矩形匹配规则设计匹配函数模型，从而得到匹配函数模型的最优解。
如图2所示，图2(1)为初始空间的示意图；图2(2)为排样空间的示意图；图2(3)为合并空间的示意图；其中，利用矩形排样建立笛卡尔坐标系，所述笛卡尔坐标系包括排样空间、可行空间以及合并空间的具体操作步骤包括：
S11、利用待排样矩形，设定初始板材的宽度为W，高度为H，所述设定初始板材包括n个矩形，n个矩形利用pj(xj,yj,wj,hj)表示，其中，j∈{1,2,…n}，xj、yj分别表示Pj的x坐标、y坐标，wj、hj分别表示Pj的宽度、高度；
S12、建立笛卡尔坐标系：
建立排样空间，设定n个矩形中包括m个存在空闲区域的矩形，m个存在空闲区域的矩形表示为Si(sxi,syi,swi,shli,shri)，其中，i∈{1,2,…m}，sxi、syi分别表示Si的x坐标、y坐标，swi表示Si的宽度，shli表示Si的左壁高度，shri表示Si的右壁高度；
若wj≤swi，则pj(xj,yj,wj,hj)为可行空间，若wj＞swi，则pj(xj,yj,wj,hj)为不可行空间；
pj(xj,yj,wj,hj)为不可行空间，将不可行空间与其相邻的空间进行合并，形成合并空间。
其中，根据排样空间、可行空间以及合并空间建立参数匹配关系，从而设计矩形匹配规则的具体操作步骤包括：
设定高度匹配值fwi,j；
其中，Δwi,j＝|swi-wj|，wj≤swi；
设定高度匹配值fhi,j；
其中，当Δhli,j＝0或Δhri,j＝0时，则fhi,j＝1，高度匹配值fhi,j为最佳高度。
根据矩形匹配规则设计匹配函数模型，从而得到匹配函数模型的最优解的具体操作步骤包括：
根据高度匹配值fhi,j，得到匹配函数模型，
其中，maxFi,j表示适应度值的最大值，s.twj≤swi表示满足wj≤swi，H表示无限高度；
当高度匹配值fwi,j＝1，fhi,j＝1，则Fi,j＝fwi,j+fhi,j＝2，得到匹配函数模型的最优解。
如图3(1)为当fw＝1，fh＝1时的匹配类型图，为完全匹配状态；如图3(2)为当fw＝1，fh＜1时的匹配类型图，为宽度匹配状态；如图3(3)为当fw＜1，fh＝1时的匹配类型图，为高度匹配状态；如图3(4)为当fw＜1，fh＜1时的匹配类型图，为可排入匹配状态，图3(1)的匹配效果最好。
由此可知，本发明有效地提高了排样结果，能够得到排样定位规则和最优布局，而且本发明的原理简单，计算速度快，效率高。
以上内容是结合具体的优选实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施方式只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的技术方案下得出的其他实施方式，均应包含在本发明的保护范围内。

Claims (4)

1.一种基于宽容分层策略的排样算法，其特征在于，包括以下操作步骤：
S1、利用矩形排样建立笛卡尔坐标系，所述笛卡尔坐标系包括排样空间、可行空间以及合并空间；
S2、根据排样空间、可行空间以及合并空间建立参数匹配关系，从而设计矩形匹配规则；
S3、根据矩形匹配规则设计匹配函数模型，从而得到匹配函数模型的最优解。
2.如权利要求1所述的一种基于宽容分层策略的排样算法，其特征在于，步骤S1的具体操作步骤包括：
S11、利用待排样矩形，设定初始板材的宽度为W，高度为H，所述设定初始板材包括n个矩形，n个矩形利用pj(xj,yj,wj,hj)表示，其中，j∈{1,2,…n}，xj、yj分别表示Pj的x坐标、y坐标，wj、hj分别表示Pj的宽度、高度；
S12、建立笛卡尔坐标系：
建立排样空间，设定n个矩形中包括m个存在空闲区域的矩形，m个存在空闲区域的矩形表示为Si(sxi,syi,swi,shli,shri)，其中，i∈{1,2,…m}，sxi、syi分别表示Si的x坐标、y坐标，swi表示Si的宽度，shli表示Si的左壁高度，shri表示Si的右壁高度；
若wj≤swi，则pj(xj,yj,wj,hj)为可行空间，若wj＞swi，则pj(xj,yj,wj,hj)为不可行空间；
pj(xj,yj,wj,hj)为不可行空间，将不可行空间与其相邻的空间进行合并，形成合并空间。
3.如权利要求2所述的一种基于宽容分层策略的排样算法，其特征在于，步骤S2的具体操作步骤包括：
设定高度匹配值fwi,j；
其中，Δwi,j＝|swi-wj|，wj≤swi；
设定高度匹配值fhi,j；
其中，当Δhli,j＝0或Δhri,j＝0时，则fhi,j＝1，高度匹配值fhi,j为最佳高度。
4.如权利要求3所述的一种基于宽容分层策略的排样算法，其特征在于，步骤S3的具体操作步骤包括：
根据高度匹配值fhi,j，得到匹配函数模型，
其中，max Fi,j表示适应度值的最大值，s.twj≤swi表示满足wj≤swi，H表示无限高度；
当高度匹配值fwi,j＝1，fhi,j＝1，则Fi,j＝fwi,j+fhi,j＝2，得到匹配函数模型的最优解。
CN201810046988.3A 2018-01-18 2018-01-18 一种基于宽容分层策略的排样方法 Expired - Fee Related CN108170641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810046988.3A CN108170641B (zh) 2018-01-18 2018-01-18 一种基于宽容分层策略的排样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810046988.3A CN108170641B (zh) 2018-01-18 2018-01-18 一种基于宽容分层策略的排样方法

Publications (2)

Publication Number Publication Date
CN108170641A true CN108170641A (zh) 2018-06-15
CN108170641B CN108170641B (zh) 2021-06-04

Family

ID=62514676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810046988.3A Expired - Fee Related CN108170641B (zh) 2018-01-18 2018-01-18 一种基于宽容分层策略的排样方法

Country Status (1)

Country Link
CN (1) CN108170641B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523074A (zh) * 2018-11-14 2019-03-26 浙江工业大学 一种基于最近邻遗传混合算法的服装裁剪路径优化方法
CN113184300A (zh) * 2019-01-17 2021-07-30 司空定制家居科技有限公司 板件分包的方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523074A (zh) * 2018-11-14 2019-03-26 浙江工业大学 一种基于最近邻遗传混合算法的服装裁剪路径优化方法
CN113184300A (zh) * 2019-01-17 2021-07-30 司空定制家居科技有限公司 板件分包的方法和装置

Also Published As

Publication number Publication date
CN108170641B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN108170641A (zh) 一种基于宽容分层策略的排样算法
CN107610200B (zh) 一种基于特征模板的字库快速生成方法
CN105488562B (zh) 一种基于多因子粒子群算法的不规则件排样方法
CN108510516A (zh) 一种散乱点云的三维线段提取方法及系统
CN103927537B (zh) 一种自适应的汉字笔画交叉区域提取方法
CN108764041A (zh) 用于下部遮挡人脸图像的人脸识别方法
CN104268600B (zh) 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法
CN107330901B (zh) 一种基于骨架的物体构件分解方法
CN113538486A (zh) 一种提高汽车钣金工件的识别与定位精度的方法
CN111310106A (zh) 一种基于逐步逼近原始轮廓的b样条拟合优化方法
CN104063746B (zh) 一种基于旅行商问题求解器的曲面精加工刀路生成方法
CN106096606A (zh) 一种基于直线拟合的集装箱轮廓定位方法
CN107031033A (zh) 一种可3d打印的镂空二维码模型生成方法及系统
CN1619593A (zh) 基于多特征信息融合的视频运动目标自适应跟踪方法
CN114545863A (zh) 一种基于b样条曲线拟合的数控加工的轨迹平滑方法
CN104778458A (zh) 一种基于纹理特征的纺织品花纹检索方法
CN109063917A (zh) 基于遗传优化算法的分阶布料排样方法
CN103902100B (zh) 用于智能手绘输入的基于速度特征的笔划分割方法
CN108304686B (zh) 一种粗加工工序自适应动态演化计算方法
CN115841671B (zh) 一种书法字骨架矫正方法、系统及存储介质
CN103869756B (zh) 复杂平面型腔刀具可加工区域计算方法
CN106920281A (zh) 一种书法浮雕建模方法
Xiangyu et al. On-line graphics recognition
CN115311626A (zh) 一种基于深度学习的快递包裹检测识别算法
CN111125847B (zh) 一种解决多边形板材下料的二维矩形件下料方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210604

CF01 Termination of patent right due to non-payment of annual fee