CN111666717B - 一种零件排版优化方法、装置、电子设备和存储介质 - Google Patents

一种零件排版优化方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111666717B
CN111666717B CN202010507989.0A CN202010507989A CN111666717B CN 111666717 B CN111666717 B CN 111666717B CN 202010507989 A CN202010507989 A CN 202010507989A CN 111666717 B CN111666717 B CN 111666717B
Authority
CN
China
Prior art keywords
parts
typesetting
rule
target
population
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.)
Active
Application number
CN202010507989.0A
Other languages
English (en)
Other versions
CN111666717A (zh
Inventor
程然
柏卉
侯章禄
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.)
Southern University of Science and Technology
Original Assignee
Southern University of Science and Technology
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 Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN202010507989.0A priority Critical patent/CN111666717B/zh
Publication of CN111666717A publication Critical patent/CN111666717A/zh
Application granted granted Critical
Publication of CN111666717B publication Critical patent/CN111666717B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Processing Or Creating Images (AREA)
  • Genetics & Genomics (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)

Abstract

本发明实施例公开了一种零件排版优化方法、装置、电子设备和存储介质，其中，方法包括：获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。本发明实施例中，将遗传算法与启发式排版规则相结合，通过多次迭代排版，以从中选出最优的排版结果，不但降低了确定最优排版结果的计算量，而且在按照确定的排版结果进行裁剪时，可有效减少切割中形成的边角废料，提升面料的利用率。

Description

一种零件排版优化方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及服装加工技术领域，尤其涉及一种零件排版优化方法、装置、电子设备和存储介质。
背景技术
目前，在制衣行业的自动化程度越来越高，服装的各制作环节都出现了以机器代替手工操作。例如，在面料上进行服装样片(即零件)的排版，都可由计算机实现。
现有技术中，通过计算机进行零件排版时，通常采用可行解的排版策略进行零件排版，保证零件与零件始终不重叠，常用的方法包括左底法、重心法等，但是这种方法存在一定的不足：解空间有限，容易漏掉优质解，使得排版结果的准确性低，进而导致面料的利用率低下，造成面料浪费。
发明内容
本发明实施例提供一种零件排版优化方法、装置、电子设备和存储介质，以解决现有技术中排版结果准确性低，使得面料利用率低下的技术问题。
第一方面，本发明实施例提供了一种零件排版优化方法，所述方法包括：
获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；
基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果
第二方面，本发明实施例提供了一种零件排版优化装置，所述装置包括：
预处理模块，用于获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；
排版模块，用于基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。
第三方面，本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的零件排版优化方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的零件排版优化方法。
本发明实施例中，通过对待排版的零件进行预处理，得到至少两个目标零件，并基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。本发明实施例中，将遗传算法与启发式排版规则相结合，通过多次迭代排版，以从中选出最优的排版结果，不但降低了确定最优排版结果的计算量，而且在按照确定的排版结果进行裁剪时，可有效减少切割中形成的边角废料，提升面料的利用率。
附图说明
图1a为本发明实施例一中的零件排版优化方法的流程图；
图1b本发明实施例一中的两个零件进行多边形拼接的过程的示意图；
图1c本发明实施例一中的基于预设的启发式排版规则对初始化种群中各个体进行排版的过程示意图；
图1d本发明实施例一中的零件排版具体流程的示意图；
图2是本发明实施例二中的零件排版优化装置的结构示意图；
图3是本发明实施例三中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一提供的零件排版优化方法的流程图，本实施例可适用于在制衣过程中对服装样片(即零件)进行排版的情况，该方法可以由零件排版优化装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备上。
在制衣过程中，为了保证成本，需要对面料的利用率进行严格控制，而要保证面料剪裁利用率，需要在较短时间范围内计算获得高质量可执行的排版结果，减少切割中形成的边角废料，以提升价值降低成本。本发明涉及的面料裁剪优化目标是基于所给零件(各种规格的服装样片)，对其进行面料排版规划，从而实现耗料长度最短，面料利用率最高。因此，面料切割问题本质上属于整数规划问题或者组合优化问题。具体的，在裁剪之前，需要确定多个零件在面料上的位置和角度，再充分利用零件在形状上的互补特征，对零件排布的方式进行优化。而面料切割问题的特性是零件存在多种尺寸、形状，比如用作衬衫制作的袖子、后背等零件，且用来切割的布匹本身存在多类瑕疵，如破洞、折皱、漏纱，在排版中需要避开。此外，某些订单，对零件存在个性化排版需求，因此在下料环节中，需要依照订单要求进行排版下料。在规则面料的情况下，要满足零件旋转角度、零件最小间距、最小边距的约束，需要解决以下两类问题：(1)基于所给零件，进行面料排版加工，耗料长度最短，面料利用率最高。(2)在问题(1)的基础上，避开瑕疵区域面料加工，耗料长度最短，面料利用率最高。
进一步的，要实现零件排版优化，需要满足如下假设条件：排版的零件不能超出面料的可行区域；排版的零件不能重叠；布料长宽规则不一样；零件按批次在同一面料上排版；允许用户设置切边预留量，如面料四边各预留5mm(最小边距)；切割零件间预留量5mm(最小间距)。
基于上述要解决的问题以及排版优化的假设条件，提出本申请的零件排版优化方法，如图1a所示，零件排版优化方法具体包括如下流程：
S101、获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件。
其中，待排版的零件也即是构成成衣的服装样片，对所述零件进行预处理，即是对零件初步的拼接或填充，以降低零件的数量，进而降低后续零件排版优化的计算量，节省排版时间。在一种可选的实施方式中，对获取的待排版零件进行预处理包括如下步骤：
S1011.获取待排版的零件，并对所述零件进行多边形拼接，得到至少两个组合零件。
可选的，对待拼接的零件进行首次拼接处理，例如对待排版零件进行两两拼接处理，通过首次拼接处理可把凹凸两块零件结合到一起形成一块大零件(即组合零件)。示例性的，假如有200块零件，通过两两拼接处理后，200零件可拼接成100块。在一种可选的实施方式中，对两个零件进行多边形拼接的操作如下：针对任意两个待排版零件，固定其中一个零件，另一零件沿着该固定零件的各顶点进行顺时针移动；其中所述另一个零件与固定零件接触但不重叠；每移动到一个顶点，计算两个零件当前的外接矩形的面积，以及计算两个零件占外接矩形面积的比例；根据两个零件占外接矩形面积的比例，确定最佳的拼接位置，以便根基所述最佳拼接位置完成两个零件的拼接。在此需要说明的是，两个零件占外接矩形面积的比例越大，则表明拼接效果越好。
示例性的，参见图1b，其示出了两个零件进行多边形拼接过程的示意图，零件A固定，零件B按照零件A顶点顺时针转动，转动过程中零件A和零件B接触但不重叠，具体的转动拼接的过程参见图1b中编号1-9的过程，其中，编号1和编号9相同，也即此时零件B已经顺时针旋转回到初始位置。如图可知，零件A和B的面积是固定的，在编号2对应的拼接方式中，其外接矩形面积最小，所以编号2对应的拼接方式中，两个零件占外接矩形面积的比例越大，因此第二次移动的位置是最合适的拼接位置。
在此需要说明的是，本发明实施例在初始拼接时，只是进行少量的多边形拼接，以减少计算量，同时也有助于后续方法提高面料利用率。
S1012.计算所述组合零件的外接矩形面积，并按照外接矩形面积大小对所述组合零件进行排序。
S1013.将外接矩形面积大于或等于预设面积阈值的组合零件作为第一类零件，将外接矩形面积小于预设面积阈值的组合零件作为第二类零件。
由于初始的待排版零件的大小不同，使得首次拼接处理后的组合零件的大小也不同。为了便于后续的排版处理，需要按照组合零件的大小进行分类。而由于组合零件也是多边形的，在确定组合零件的大小时，可选的，通过计算每个组合零件的外接矩形面积，按照外接矩形面积大小对所述组合零件进行排序，将外接矩形面积大于或等于预设面积阈值的组合零件作为第一类零件(即大零件)，将外接矩形面积小于预设面积阈值的组合零件作为第二类零件(小零件)。
在另一种可选的实施方式中，按照外接矩形面积由大到小对所述组合零件进行排序后，根据预先给定的分类比例确定第一类零件和第二类零件，示例性的，分类比例为30％，则将排序结果中排在前30％的组合零件作为第一类零件(即大零件)，将剩余组合零件作为第二类零件(即小零件)。
S1014.基于预设填充规则，利用所述第二类零件对所述第一类零件进行外接矩形填充，将得到的已填充好的第一类零件和剩余的第二类零件作为目标零件。
其中，填充规则可选的为LLABF(最低左对齐最佳匹配)规则，也可以为其它填充规则，在此不做具体限定。基于填充规则，将得到的第二类零件填充第一类零件的外接矩形的空隙中，具体的，以第二类零件的外接矩形填充第一类零件的外接矩形的空隙。在一种可选的实施方式中，基于最低左对齐最佳匹配规则，利用第二类零件的外接接矩形对第一类零件的外接矩形进行填充，然后在填充好的第一类零件的外接矩形中，除去和第一类零件有重合、交叉的小外接矩形，即可完成填充。
S102、基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。
在一种可选的实施方式中，基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果，包括如下步骤：
S1021.对所述至少两个目标零件进行编码以及初始化处理，得到初始化种群，其中，所述初始化种群中包括至少两个个体，每个个体为所述目标零件的排放序列。
本发明实施例中，对至少两个目标零件进行编码时，可选的，采用整数编码，例如有6个目标零件，依次编号为1，2，3，4，5，6。初始化时，通过对这6个目标零件的编号进行排列组合，得到多个不同的个体，组成初始化种群。示例性的，种群中的个体i＝[2 1 4 3 65]，其表示的是目标零件的排放序列。
S1022.基于预设的启发式排版规则对初始化种群中各个体进行排版。
本发明实施例中，采用启发式规则来搜索最优的外接矩形拼接序列，其中所述启发式排版规则包括如下规则中的一种或者多种：完全匹配优先规则、宽度匹配优先规则、高度匹配优先规则、组合宽度匹配优先规则和可装入优先规则。
完全匹配优先规则：在可装入的轮廓线中选取最低的水平线(Y轴坐标最小的线段)，如果有多个线段，则优先选取最左边的一段。从待目标零件中，按照目标零件的排放序列依次将目标零件外接矩形与最低水平线进行比较,如果存在宽度或者高度与该线段长度相等，且装入后刚好左填平或者右填平的目标零件外接矩形，则优先装入该目标零件外接矩形。
宽度匹配优先规则：在装入目标零件外接矩形过程中，优先装入宽度或者高度与最低水平线等长的目标零件外接矩形，如果存在多个匹配目标零件外接矩形，则优先装入面积最大的目标零件外接矩形。
高度匹配优先：在待装目标零件外接矩形中，按照目标零件的排放序列查询宽度或高度不大于最低水平线长度且装入后能够实现左填平的目标零件外接矩形。
组合宽度匹配优先：按照目标零件排放序列，对两个目标零件外接矩形进行组合拼接，如果组合后的宽度与最低水平线长度相等，则优先装入组合序列中的首个外接矩形。
可装入优先：在一定范围内，从待装目标零件外接矩形中，按照目标零件排放序列依次查找宽度或高度不大于最低水平线长度的目标零件外接矩形，若存在，则将其装入；若存在多个，则装入面积最大的目标零件外接矩形。
示例性的，参见图1c，其示出了基于预设的启发式排版规则对初始化种群中各个体进行排版的过程示意图；其中，个体中目标零件的排版序列为[2,1,3,6,4,5]，按照序列排好零件2和1后，此时最低水平线为零件2的外接矩形的上边界线，基于宽度匹配优先规则，从待目标零件中，零件3的外接矩形与最低水平线宽度相等，则将零件3排放在零件2的上边，排好后最低水平线为零件1的上边界线，基于宽度匹配优先规则，将零件6排在零件1上面，然后在排放零件4和5，排好的排版结果参见附图1c。在此需要说明的是，如果待裁剪面料中存在瑕疵，在排版时，避开瑕疵位置，例如基于瑕疵位置构建一个矩形，在排版时，对应的位置处空出一个与瑕疵外接矩形大小相同的矩形区域。
进一步的，在基于预设的启发式排版规则对种群中各个体进行排版后，计算各个体的排版利用率，其中，所述排版利用率等于零件总面积与消耗的面料总面积的商，而消耗的面料总面积等于消耗面料长度与面料宽度的乘积。
S1023.判断是否达到迭代排版的终止条件。
本发明实施例中，终止条件可选的为达到预设的迭代次数，或者种群中的各个体的排版利用率均高于预设利用率阈值。如果达到终止条件，则执行S1025，输出排版利用率最高的排版结果，如果没有达到终止条件，则执行S1024，以便通过遗传算法中的选择、交叉、变异处理以更新种群中的个体。
S1024.若否，则对所述初始化种群中各个体进行选择、交叉和变异处理，得到新的目标种群，并执行基于预设的启发式排版规则对目标种群中各个体进行排版的操作。
在对所述初始化种群中各个体进行选择、交叉和变异处理，得到新的目标种群包括：
(1)利用轮盘赌选择选出至少两个个体形成新的种群。具体的，根据各个体的排版利用率，计算各个体被选中的概率，例如，将每个个体的排版利用率与所有个体的排版利用率之和的商值，作为该个体被选中的概率，因此，个体排版利用率越大，被选中的概率越高，进而通过轮盘赌方式进行选择时，可将排版利用率高的选出来组成新的种群。在此需要说明的是，从初始种群中选择优质个体时，还可以采用其它选择方法，例如随机竞争法、无放回随机法等等，在此不做具体限定。
(2)对初始化种群中各个体进行交叉和变异处理，得到新的目标种群，包括：基于初始化种群中各个体的排版利用率，确定交叉概率和变异概率；根据所述交叉概率和所述变异概率，对所述初始化种群中的各个体进行交叉和变异处理，得到新的目标种群。其中，交叉概率的计算参见如下公式：
Figure BDA0002527232310000101
变异概率Pm参见如下公式：
Figure BDA0002527232310000102
其中，fmax表示群体中排版利用率的最大值，favg表示群体中排版利用率的平均值，f表示要交叉的两个个体中较大的排版利用率值，K1，K2为常数，且K1＜K2，f1表示要变异的个体的排版利用率值，K3，K4为常数，且K3＜K4。
通过计算的交叉概率和变异概率，对选出的新种群中的个体进行交叉变异处理，得到目标种群。在此需要说明的是，基于上述变异概率和交叉概率进行交叉变异时，主要针对排版利用率低的个体进行改变。
进一步的，得到目标种群后，也即完成以此种群迭代，针对目标种群中的个体，基于预设的启发式排版规则对种群中各个体进行排版，并计算各个体的排版利用率，判断终止条件，如果不满足，则继续选择、交叉、变异的操作，得到新种群，并对新种群中的个体重复执行上述步骤，直到满足终止条件为止。
S1025.若是，则输出排版结果。
如果达到终止条件，则将排版利用率最高的排版结果输出，以便根据排版结果进行面料切割。
示例性的，参见附图1d，其示出了零件排版具体流程示意图，按照S01对待拼接的零件(即布料)，进行数据预处理(即进行零件多边形拼接，把凹凸两块零件结合到一起形成一块大零件)，得到一定数量的目标零件。按照S02对目标零件进行大小分类，可选的，基于零件的外接矩形面积进行大小分类，例如基于目标零件的外接矩形面积大小，按照升序排序或降序排序的规则，对目标零件进行排序，然后根据设计者给的比例对布料进行大小布分类。例如，按照降序排序，设计者给的比例为30％，则确定前30％的目标零件为大零件，剩余的70％的小零件。按照S03将小零件填充大零件的外接矩形的空隙中，可选的基于LLANF规则进行填充。进一步的，按照S04对填充好的大零件和剩下的小零件进行LLABF启发式规则排序。通过S05计算零件利用率，判断是否满足终止条件。满足，输出结果；否则跳到步骤S04，结合遗传算法，通过初始化-选择-交叉-变异，迭代得到零件排序序列，对零件排序序列按照LLABF启发式规则排序，直到满足终止条件。
本发明实施例中，通过对待排版的零件进行预处理，得到至少两个目标零件，并基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。本发明实施例中，将遗传算法与启发式排版规则相结合，通过多次迭代排版，以从中选出最优的排版结果，不但降低了确定最优排版结果的计算量，而且在按照确定的排版结果进行裁剪时，可有效减少切割中形成的边角废料，提升面料的利用率。
实施例二
图2是本发明实施例二中的零件排版优化装置的结构示意图，本实施例可适用于在制衣过程中对服装样片(即零件)进行排版的情况，参见图2，所述装置包括：
预处理模块201，用于获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；
排版模块202，用于基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。
在上述实施例的基础上，可选的，预处理模块包括：
拼接单元，用于获取待排版的零件，并对所述零件进行多边形拼接，得到至少两个组合零件；
排序单元，用于计算所述组合零件的外接矩形面积，并按照外接矩形面积大小对所述组合零件进行排序；
分类单元，用于将外接矩形面积大于或者等于预设面积阈值的组合零件作为第一类零件，将外接矩形面积小于预设面积阈值的组合零件作为第二类零件；
填充单元，用于基于预设填充规则，利用所述第二类零件对所述第一类零件进行外接矩形填充，将得到的已填充好的第一类零件和剩余的第二类零件作为目标零件。
在上述实施例的基础上，可选的，拼接单元用于：
针对任意两个待排版零件，固定其中一个零件，另一零件沿着该固定零件的各顶点进行顺时针移动；其中所述另一个零件与固定零件接触但不重叠；
每移动到一个顶点，计算两个零件当前的外接矩形的面积，以及计算两个零件占外接矩形面积的比例；
根据两个零件占外接矩形面积的比例，确定最佳的拼接位置，以便根基所述最佳拼接位置完成两个零件的拼接。
在上述实施例的基础上，可选的，所述排版模块包括：
编码初始化单元，用于对所述至少两个目标零件进行编码以及初始化处理，得到初始化种群，其中所述初始化种群中包括至少两个个体，每个个体为所述目标零件的排放序列；
排版单元，用于基于预设的启发式排版规则对初始化种群中各个体进行排版；
判断单元，用于判断是否达到迭代排版的终止条件；
种群更新单元，用于判断单元的判断结果为否时，则对所述初始化种群中各个体进行选择、交叉和变异处理，得到新的目标种群，并执行基于预设的启发式排版规则对目标种群中各个体进行排版的操作；
输出单元，用于判断单元的判断结果为是时，则输出排版结果。
在上述实施例的基础上，可选的，所述方法还包括：
基于预设的启发式排版规则对种群中各个体进行排版后，计算各个体的排版利用率，其中，所述排版利用率等于零件总面积与消耗的面料总面积的商。
在上述实施例的基础上，可选的，种群更新单元还用于：
基于初始化种群中各个体的排版利用率，确定交叉概率和变异概率；
根据所述交叉概率和所述变异概率，对所述初始化种群中的各个体进行交叉和变异处理，得到新的目标种群。
在上述实施例的基础上，可选的，所述启发式排版规则包括如下规则中的一种或者多种：完全匹配优先规则、宽度匹配优先规则、高度匹配优先规则、组合宽度匹配优先规则和可装入优先规则。
本发明实施例所提供的零件排版优化装置可执行本发明任意实施例所提供的零件排版优化方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的一种电子设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图3显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的零件排版优化方法，所述方法包括：
获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；
基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。
实施例四
本发明实施例四还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的零件排版优化方法，所述方法包括：
获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；
基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种零件排版优化方法，其特征在于，所述方法包括：
获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；
基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果；
其中，获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件，包括：
获取待排版的零件，并对所述零件进行多边形拼接，得到至少两个组合零件；
计算所述组合零件的外接矩形面积，并按照外接矩形面积大小对所述组合零件进行排序；
将外接矩形面积大于或等于预设面积阈值的组合零件作为第一类零件，将外接矩形面积小于预设面积阈值的组合零件作为第二类零件；
基于预设填充规则，利用所述第二类零件对所述第一类零件进行外接矩形填充，将得到的已填充好的第一类零件和剩余的第二类零件作为目标零件；
其中，获取待排版的零件，并对所述零件进行多边形拼接，包括：
针对任意两个待排版零件，固定其中一个零件，另一零件沿着该固定零件的各顶点进行顺时针移动；其中所述另一个零件与固定零件接触但不重叠；
每移动到一个顶点，计算两个零件当前的外接矩形的面积，以及计算两个零件占外接矩形面积的比例；
根据两个零件占外接矩形面积的比例，确定最佳的拼接位置，以便根基所述最佳拼接位置完成两个零件的拼接。
2.根据权利要求1所述的方法，其特征在于，基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果，包括：
对所述至少两个目标零件进行编码以及初始化处理，得到初始化种群，其中所述初始化种群中包括至少两个个体，每个个体为所述目标零件的排放序列；
基于预设的启发式排版规则对初始化种群中各个体进行排版；
判断是否达到迭代排版的终止条件；
若否，则对所述初始化种群中各个体进行选择、交叉和变异处理，得到新的目标种群，并执行基于预设的启发式排版规则对目标种群中各个体进行排版的操作；
若是，则输出排版结果。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于预设的启发式排版规则对种群中各个体进行排版后，计算各个体的排版利用率，其中所述排版利用率等于零件总面积与消耗的面料总面积的商。
4.根据权利要求2所述的方法，其特征在于，对初始化种群中各个体进行交叉和变异处理，得到新的目标种群，包括：
基于初始化种群中各个体的排版利用率，确定交叉概率和变异概率；
根据所述交叉概率和所述变异概率，对所述初始化种群中的各个体进行交叉和变异处理，得到新的目标种群。
5.根据权利要求1所述的方法，其特征在于，所述启发式排版规则包括如下规则中的一种或者多种：完全匹配优先规则、宽度匹配优先规则、高度匹配优先规则、组合宽度匹配优先规则和可装入优先规则。
6.一种零件排版优化装置，其特征在于，所述装置包括：
预处理模块，用于获取待排版的零件，并对所述零件进行预处理，得到至少两个目标零件；
排版模块，用于基于遗传算法以及预设的启发式排版规则，对所述至少两个目标零件进行迭代排版，得到最终的排版结果；
其中，所述预处理模块包括：
拼接单元，用于获取待排版的零件，并对所述零件进行多边形拼接，得到至少两个组合零件；
排序单元，用于计算所述组合零件的外接矩形面积，并按照外接矩形面积大小对所述组合零件进行排序；
分类单元，用于将外接矩形面积大于或者等于预设面积阈值的组合零件作为第一类零件，将外接矩形面积小于预设面积阈值的组合零件作为第二类零件；
填充单元，用于基于预设填充规则，利用所述第二类零件对所述第一类零件进行外接矩形填充，将得到的已填充好的第一类零件和剩余的第二类零件作为目标零件；
其中，所述拼接单元还用于：
针对任意两个待排版零件，固定其中一个零件，另一零件沿着该固定零件的各顶点进行顺时针移动；其中所述另一个零件与固定零件接触但不重叠；
每移动到一个顶点，计算两个零件当前的外接矩形的面积，以及计算两个零件占外接矩形面积的比例；
根据两个零件占外接矩形面积的比例，确定最佳的拼接位置，以便根基所述最佳拼接位置完成两个零件的拼接。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的零件排版优化方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的零件排版优化方法。
CN202010507989.0A 2020-06-05 2020-06-05 一种零件排版优化方法、装置、电子设备和存储介质 Active CN111666717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010507989.0A CN111666717B (zh) 2020-06-05 2020-06-05 一种零件排版优化方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010507989.0A CN111666717B (zh) 2020-06-05 2020-06-05 一种零件排版优化方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111666717A CN111666717A (zh) 2020-09-15
CN111666717B true CN111666717B (zh) 2023-04-18

Family

ID=72387054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010507989.0A Active CN111666717B (zh) 2020-06-05 2020-06-05 一种零件排版优化方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111666717B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489166B (zh) * 2020-11-17 2024-08-09 娄底景明新材料有限公司 汽车板激光切割自动排版制图方法及系统
CN112418528B (zh) * 2020-11-24 2021-09-14 哈尔滨理工大学 基于多策略动态调整的两栖车辆排样面积利用最大化方法
CN112685806A (zh) * 2020-12-24 2021-04-20 方正株式(武汉)科技开发有限公司 一种柔版制版的优化排版方法及系统
CN112862951A (zh) * 2021-01-28 2021-05-28 晟通科技集团有限公司 配件建模方法、计算机装置及存储介质
CN113255692A (zh) * 2021-05-14 2021-08-13 知守科技(杭州)有限公司 片材排版优化方法、装置、系统、电子装置和存储介质
CN118374966A (zh) * 2024-04-16 2024-07-23 广东职业技术学院 一种纺织面料的切割控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793555A (zh) * 2014-01-02 2014-05-14 南通大学 用于木工板件零件的智能排样优化方法
CN110570038A (zh) * 2019-09-06 2019-12-13 福州大学 一种不规则带缺陷板材矩形排样方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324546A1 (en) * 2013-04-25 2014-10-30 International Business Machines Corporation Simultaneous retail and transfer price optimizations

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793555A (zh) * 2014-01-02 2014-05-14 南通大学 用于木工板件零件的智能排样优化方法
CN110570038A (zh) * 2019-09-06 2019-12-13 福州大学 一种不规则带缺陷板材矩形排样方法及装置

Also Published As

Publication number Publication date
CN111666717A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111666717B (zh) 一种零件排版优化方法、装置、电子设备和存储介质
Huang et al. NTUplace4dr: A detailed-routing-driven placer for mixed-size circuit designs with technology and region constraints
CN108335313A (zh) 图像分割方法及装置
CN109697451B (zh) 相似图像聚类方法及装置、存储介质、电子设备
US7155440B1 (en) Hierarchical data processing
US8429588B2 (en) Method and mechanism for extraction and recognition of polygons in an IC design
CN110658846B (zh) 路径规划方法、装置、电子设备及存储介质
US20130141448A1 (en) Graphics Command Generation Device and Graphics Command Generation Method
US20200398495A1 (en) Three dimensional model categories
US12014034B2 (en) Content processing method
US20220270341A1 (en) Method and device of inputting annotation of object boundary information
CN117332745B (zh) 用于生成版图的方法、设备和介质
WO2021101880A1 (en) Generative design techniques for multi-family housing projects
US9424370B2 (en) System and method for spatial partitioning of CAD models
CN115525951A (zh) 建筑物轮廓优化及特征边重构的规则化方法及装置
CN112734900B (zh) 阴影贴图的烘焙方法、装置、设备及计算机可读存储介质
CN115719301A (zh) 基于图块的调度
US11416660B1 (en) Automatic placement of analog design components with virtual grouping
KR102593844B1 (ko) 딥러닝 네트워크 구성 방법, 딥러닝 자동화 플랫폼 서비스 시스템 및 이를 위한 컴퓨터 프로그램
US8751999B2 (en) Component placement tool for printed circuit board
CN112231800B (zh) Bim图形的优化方法、装置以及计算机存储介质
CN113902001A (zh) 一种模型训练方法、装置、电子设备及存储介质
JP2011034139A (ja) 画像処理装置及び画像処理方法
US20240126941A1 (en) System and Methods for Automatic Repair of Missing Mate References for Tessellated Data
US20240126938A1 (en) System and Methods for Automatic Repair of Missing Mate References

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