CN113762380B - 一种基于自适应分组的零件排样优化方法 - Google Patents
一种基于自适应分组的零件排样优化方法 Download PDFInfo
- Publication number
- CN113762380B CN113762380B CN202111043121.0A CN202111043121A CN113762380B CN 113762380 B CN113762380 B CN 113762380B CN 202111043121 A CN202111043121 A CN 202111043121A CN 113762380 B CN113762380 B CN 113762380B
- Authority
- CN
- China
- Prior art keywords
- grouping
- data
- sequence
- clustering
- aspect ratio
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
-
- 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
Abstract
本发明公开了一种基于自适应分组的零件排样优化方法,包括:对待排样零件先进行编码得到原始零件序列,随后对原始零件序列按照零件面积从大到小进行排序后,采用自适应聚类方法,得到若干个面积分组序列,然后再按照零件宽高比从大到小进行排序以及采用自适应聚类方法,得到若干个宽高比分组序列,继而得到由宽高比分组序列和面积分组序列共同构成的二级分组序列,最后直接将二级分组序列作为非群优化算法的初始待优化序列,或者使用调序方法产生群优化算法所需要的初始化种群个体。本发明产生的初始化种群个体或者二级分组序列仅需较少的迭代次数就可以快速搜索到较好的零件排样结果,并且适用于海量零件快速排样优化。
Description
技术领域
本发明属于零件排样优化技术领域,具体地讲,是涉及一种基于自适应分组的零件排样优化方法。
背景技术
在二维排样优化问题中,常依据零件面积从大到小的顺序产生一个初始零件序列,然后根据初始零件序列采用随机调序方法产生优化算法所需的初始种群,之后通过排样优化算法的寻优规则不断调整初始种群中的零件序列,以此得到较好的零件排样序列和零件排样结果,比如:孙佳正等[1]提出了采用双种群策略对遗传算法的初始种群进行优化,把随机个体作为一个种群,把按照零件面积大小排序的个体作为另一个种群并采用特定的交叉方式保证此种群子代个体大体上按面积大小排序局部乱序以此来提高算法的收敛速度和算法稳定性;另外王静静等[2]提出通过模拟两个独立岛屿的生物杂交进化过程来构建两个种群,其中一个种群随机生成,另一个种群依据零件面积大小顺序生成,以此来产生两个初始种群,相应参考文献如下:
[1]孙佳正,郭骏.改进的双种群遗传算法在矩形件排样中的应用[J].计算机工程与应用,2018,54(15):139-146.
[2]王静静,瞿少成,李科林.一种基于并行交叉遗传算法的二维不规则排样问题求解[J].计算机应用与软件,2020,37(07):188-193.
虽然上述依据零件面积大小排序后,再随机调序产生初始种群的方法,通过优化算法的不断迭代可以搜索到较好的零件排样结果。但在实际排样问题中,仅使用依据零件面积大小排序后再调序产生初始种群的方法所产生的初始种群容易导致初始排样解空间较大,从而需要排样优化算法通过较多的迭代次数才能搜索到质量较好的零件排样结果。特别对于海量零件的排样优化,使用只按零件面积大小顺序排序再调序的方法产生初始种群,很难通过较少的迭代次数搜索到较好的零件排样结果。
发明内容
为了克服现有技术中的上述不足,本发明提供一种仅需较少的迭代次数就可以快速搜索到较好的零件排样结果,并且适用于海量零件快速排样优化的基于自适应分组的零件排样优化方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于自适应分组的零件排样优化方法,包括以下步骤:
S1:对待排样零件进行编码得到原始零件序列;
S2:对步骤S1中所述的原始零件序列按照零件面积从大到小进行排序;
S3:使用零件面积自适应聚类分组方法,对步骤S2中排序后的原始零件序列进行聚类分组,得到若干个面积分组序列;
S4:对步骤S3中每一个面积分组序列按照零件宽高比从大到小进行排序;
S5:使用零件宽高比自适应聚类分组方法,对步骤S4中排序后的每一个面积分组序列进行聚类分组,得到若干个宽高比分组序列,继而得到由所述宽高比分组序列和所述面积分组序列共同构成的二级分组序列;
S6:将步骤S5中所述的二级分组序列作为零件排样优化结果,并以初始零件序列的方式进行输出,以参与后续非群优化算法的优化;或者将所述二级分组序列通过调序方法产生的序列作为零件排样优化结果,并以初始化种群个体的方式进行输出,以参与后续群优化算法的优化。
进一步地,所述步骤S6中,在对所述二级分组序列进行调序时,仅调整面积分组序列中的宽高比分组序列内的零件的先后顺序以及宽高比分组序列之间的前后顺序,零件面积分组序列之间不进行先后顺序的调整。
进一步地,所述步骤S6中,通过调序方法产生零件排样优化的初始化种群个体,包括如下步骤:
S61:采用随机调序方法调整所述二级分组序列中三分之二的宽高比分组序列内零件顺序以及面积分组序列中的宽高比分组序列之间的前后顺序,产生部分初始种群个体;
S62:采用两两交换的调序方法调整所述二级分组序列中三分之二的宽高比分组序列内的零件顺序以及面积分组序列中的宽高比分组序列之间的前后顺序,产生第二部分初始种群个体;
S63:采用随机调序方法和两两交换调序方法调整所述二级分组序列中任意两个宽高比分组序列中的零件顺序,产生第三部分初始种群个体。
进一步地,所述步骤S63中,随机调序方法和两两交换调序方法分别产生的初始种群个体的数目比例为1:1。
进一步地,所述步骤S61、步骤S62、步骤S63分别对应的三种产生初始化种群个体的方式产生的初始种群个体的数目比例为1:1:1。
进一步地,所述步骤S3中的零件面积自适应聚类分组方法,包括如下步骤:
S31:将所述步骤S2中排序后的原始零件序列设为X0,去除X0中的重复数据,得到序列X1={1,2,3,…,m},m≤n,n为原始零件序列X0的长度;
S33:选出k个初始聚类中心;
S34:将X0中的数据分别分配到离k个聚类中心最近的面积簇Wi,当X0全部分配完成后得到k组零件面积分组数据;
S35:根据每个面积簇Wi的面积分组数据重新计算该面积簇聚类中心Ci;
S36:重复步骤S34和步骤S35,直到每个面积簇Wi的数据不再变化;
S37:采用本发明的动态聚类评价方法计算零件面积聚类分组评价结果Ri;
S38:令k=k+1;
S39:重复步骤S33~步骤S38,直到步骤S32中所有k值被访问后,选出所有评估值Ri最小时所对应的零件面积聚类分组结果,并将该零件面积聚类分组结果作为零件序列的最终面积聚类分组结果。
进一步地,所述步骤S5中的零件宽高比自适应聚类分组方法,包括如下步骤:
S51:将所述步骤S4中排序后的面积分组序列设为X0,去除X0中的重复数据,得到序列X1={1,2,3,…,m},m≤n,n为原始零件序列X0的长度;
S53:选出k个初始聚类中心;
S54:将X0中的数据分别分配到离k个聚类中心最近的零件宽高比簇Wi,当X0全部分配完成后得到k组零件宽高比分组数据;
S55:根据每个宽高比簇Wi的宽高比分组数据重新计算该宽高比簇聚类中心Ci;
S56:重复步骤S54和步骤S55,直到每个宽高比簇Wi的数据不再变化;
S57:采用本发明的动态聚类评价方法计算零件宽高比聚类分组评价结果Ri;
S58:令k=k+1;
S59:重复步骤S53~步骤S58,直到步骤S52中所有k值被访问后,选出所有评估值Ri最小时所对应的零件宽高比聚类分组结果,并将该零件宽高比聚类分组结果作为当前零件面积分组序列中的最终零件宽高比聚类分组结果。
进一步地,所述步骤S33和S53中的选出k个初始聚类中心的方法为:
先计算X1中任意两个数据间的距离总和Dsum,然后计算Dsum/(n*n*1.2),其中n为X1数据长度,并将Dsum/(n*n*1.2)作为X1中任意两个数据之间的平均距离系数Dave,然后将X1中的每一个数据点作为圆心,以Dave为半径画圆,求得每一个圆内的数据个数Ni,之后根据每一个圆内的数据个数计算所有圆内所包含的数据点总数目,即N=(N1+N2+…+Nn),n为X1数据长度,然后将N/(3*n)作为每一个圆的内数据密度最小阈值ε,其中n为X1数据长度,再根据Dave和数据密度最小阈值ε求得X1中每一个圆内数据个数大于数据密度最小阈值ε的数据,并将这些数据作为高密度点添加到高密度点集合X2,然后从X2选出距离最远的两个数据点m0和m1作为初始聚类中心;
当k=3时,从X2剩余数据中选出数据mi,2≤i≤k,当选出的数据mi满足mi*m0+mi*m1最大时,将mi作为一个初始聚类中心并添加到初始聚类中心的集合中;
如果k>3,则剩余k-3个初始聚类中心采用相同的方法,先计算每一个被选出的数据点mj到前k-j个初始聚类中心的最大距离乘积的和,其中3≤j≤k,即mj*m0+mj*m1+…+mj*mk-j最大时,将数据点mj作为一个初始聚类中心添加到初始聚类中心的集合中,重复该过程,直到选出k个初始聚类中心。
进一步地,所述步骤S37和S57中的采用动态聚类评价方法计算聚类评价结果Ri的过程为:
S710:采用如下公式计算每组数据Wi的聚类中心Ci到全部数据X0的中心C的距离和:
式中:k表示聚类个数;
S720:采用如下公式计算聚类后每个Wi内的数据到该组聚类中心Ci的距离和:
式中:mj表示Wi组中第j个数据;ni表示当前分组Wi组内数据总数目;
S730:由聚类分组的组间距离之和D和每组组内距离之和Di通过如下公式计算X0被划分为k组时的动态聚类评价指数Ri:
式中:k表示聚类个数;ni表示分组Wi组内数据的总数目;n表示原始数据X0的总数据数目。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过对原始零件序列按照零件面积从大到小进行排序后,采用自适应聚类方法,得到若干个面积分组序列,然后再按照零件宽高比从大到小进行排序以及采用自适应聚类方法,得到若干个宽高比分组序列,继而得到由宽高比分组序列和面积分组序列共同构成的二级分组序列,此二级分组序列适用于各类种群排样优化算法的种群初始化以及非群优化算法的零件序列初始化,且使用本发明的方法可以使得寻优算法在较少的迭代次数下就可以快速搜索到较好的零件排样结果,特别针对零件形状差异大、海量零件的快速排样优化,采用本发明所提出的零件自适应分组方法所产生的群优化算法的初始种群,或非群优化算法的初始零件序列,其零件序列所对应的零件排样结果的质量更好而且仅需较少的迭代次数。
(2)本发明对分组零件序列调序时,仅调整面积分组序列中的宽高比分组序列内的零件的先后顺序以及宽高比分组序列之间的前后顺序,零件面积分组序列之间不进行先后顺序的调整,从而保证零件序列大体上按照面积递减的顺序排序而局部零件之间保持乱序排序,从而缩小了排样优化算法搜索解空间的范围。
(3)本发明通过两种不同的调序方法及其结合形成三种方式产生初始种群,使生成的初始种群的解尽可能分布在最优排样解空间的周围。
(4)本发明产生初始种群的三种方式中的第三种方式采用随机调序方法和两两交换调序方法分别产生的初始种群个体的数目比例为1:1;三种方式产生的初始种群的数目比例为1:1:1,使初始种群的解更优化地分布在最优排样解空间的周围。
(5)本发明采用零件面积自适应聚类分组方法得到若干个面积分组序列,采用零件宽高比自适应聚类分组方法得到若干个宽高比分组序列,通过采用自适应的聚类方法,改进了k-means聚类方法需要人为输入聚类个数以及对应的初始聚类中心,可以自动生成聚类个数以及对应的初始聚类中心。
(6)本发明自适应的聚类方法中采用了动态聚类评价方法计算聚类评价结果,并从中选出计算出的聚类评价结果最小时所对应的聚类分组结果,从而得到更好的零件排样结果。
附图说明
图1为本发明的零件排样优化方法流程图。
图2为本发明的通过调序方法产生初始化种群个体流程图。
图3为本发明的原始零件序列分组过程示意图。
图4为本发明的分组后得到的二级分组序列示意图。
图5为本发明的分组后零件序列调序前后示意图。
图6为本发明的分组零件序列迭代寻优后的排样结果示意图。
图7为本发明的未分组零件序列迭代寻优后的排样结果示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图7所示,本实施例提供了一种基于自适应分组的零件排样优化方法,包括以下步骤:
S1:对待排样零件进行编码得到原始零件序列;
S2:对步骤S1中的原始零件序列按照零件面积从大到小进行排序;
S3:使用零件面积自适应聚类分组方法,对步骤S2中排序后的原始零件序列进行聚类分组,得到若干个面积分组序列;
S4:对步骤S3中每一个面积分组序列按照零件宽高比从大到小进行排序;
S5:使用零件宽高比自适应聚类分组方法,对步骤S4中排序后的每一个面积分组序列进行聚类分组,得到若干个宽高比分组序列,继而得到由宽高比分组序列和面积分组序列共同构成的二级分组序列;
S6:将步骤S5中的二级分组序列作为零件排样优化结果,并以初始零件序列的方式进行输出,以参与后续非群优化算法的优化;或者将二级分组序列通过调序方法产生的序列作为零件排样优化结果,并以初始化种群个体的方式进行输出,以参与后续群优化算法的优化。
通过上述步骤得到的二级分组序列,仅需较少的迭代次数就可以快速搜索到较好的零件排样结果,特别适用于零件形状差异大、海量零件的快速排样优化。
在本实施例中,对分组零件序列调序时,仅调整面积分组序列中的宽高比分组序列内的零件的先后顺序以及宽高比分组序列之间的前后顺序,零件面积分组序列之间不进行先后顺序的调整,从而保证零件序列大体上按照面积递减的顺序排序而局部零件之间保持乱序排序,从而缩小了排样优化算法搜索解空间的范围。
在本实施例中,通过随机调序方法和两两交换调序方法产生群优化算法所需的初始种群个体,包括如下步骤:
S61:采用随机调序方法调整二级分组序列中三分之二的宽高比分组序列内零件顺序以及面积分组序列中的宽高比分组序列之间的前后顺序,产生部分初始种群个体;
S62:采用两两交换的调序方法调整二级分组序列中三分之二的宽高比分组序列内的零件顺序以及面积分组序列中的宽高比分组序列之间的前后顺序,产生第二部分初始种群个体;
S63:采用随机调序方法和两两交换调序方法调整二级分组序列中任意两个宽高比分组序列中的零件顺序,产生第三部分初始种群个体;
通过两种不同的调序方法及其结合形成三种方式产生初始种群,使生成的初始种群的解尽可能分布在最优排样解空间的周围。
在本实施例中,产生初始种群的三种方式中的第三种方式采用随机调序方法和两两交换调序方法分别产生的初始种群个体的数目比例为1:1;三种方式产生的初始种群的数目比例为1:1:1,使初始种群的解更优化地分布在最优排样解空间的周围。
在本实施例中,自适应聚类方法是基于K-Means聚类算法原理进行的改进,K-means聚类算法是经典的基于划分的聚类方法,其基本思想是:以空间中k个点为形心进行聚类,对最靠近他们的对象归类,通过迭代的方法,逐次更新各簇的形心的值,直至得到最好的聚类结果,k-means聚类方法需要人为输入聚类个数以及对应的初始聚类中心,考虑到排样的需要,操作者不可能人为根据每一组数据的特点设置相对应的聚类个数以及初始聚类中心,本实施例采用自适应的聚类方法对零件面积进行自适应分组,包括如下步骤:
S31:将步骤S2中排序后的原始零件序列设为X0,去除X0中的重复数据,得到序列X1={1,2,3,…,m},m≤n,n为原始零件序列X0的长度;
S33:选出k个初始聚类中心;
S34:将X0中的数据分别分配到离k个聚类中心最近的面积簇Wi,当X0全部分配完成后得到k组零件面积分组数据;
S35:根据每个面积簇Wi的面积分组数据重新计算该面积簇聚类中心Ci;
S36:重复步骤S34和步骤S35,直到每个面积簇Wi的数据不再变化;
S37:采用本发明的动态聚类评价方法计算零件面积聚类分组评价结果Ri;
S38:令k=k+1;
S39:重复步骤S33~步骤S38,直到步骤S32中所有k值被访问后,选出所有评估值Ri最小时所对应的零件面积聚类分组结果,并将该零件面积聚类分组结果作为零件序列的最终面积聚类分组结果。
本实施例采用自适应的聚类方法对零件宽高比进行自适应分组,包括如下步骤:
S51:将步骤S4中排序后的面积分组序列设为X0,去除X0中的重复数据,得到序列X1={1,2,3,…,m},m≤n,n为原始零件序列X0的长度;
S53:选出k个初始聚类中心;
S54:将X0中的数据分别分配到离k个聚类中心最近的零件宽高比簇Wi,当X0全部分配完成后得到k组零件宽高比分组数据;
S55:根据每个宽高比簇Wi的宽高比分组数据重新计算该宽高比簇聚类中心Ci;
S56:重复步骤S54和步骤S55,直到每个宽高比簇Wi的数据不再变化;
S57:采用本发明的动态聚类评价方法计算零件宽高比聚类分组评价结果Ri;
S58:令k=k+1;
S59:重复步骤S53~步骤S58,直到步骤S52中所有k值被访问后,选出所有评估值Ri最小时所对应的零件宽高比聚类分组结果,并将该零件宽高比聚类分组结果作为当前零件面积分组序列中的最终零件宽高比聚类分组结果。
通过采用自适应的聚类方法,改进了k-means聚类方法需要人为输入聚类个数以及对应的初始聚类中心,可以自动生成聚类个数以及对应的初始聚类中心。
在本实施例中,步骤S33和S53中选出k个初始聚类中心的方法为:
先计算X1中任意两个数据间的距离总和Dsum,然后计算Dsum/(n*n*1.2),其中n为X1数据长度,并将Dsum/(n*n*1.2)作为X1中任意两个数据之间的平均距离系数Dave,然后将X1中的每一个数据点作为圆心,以Dave为半径画圆,求得每一个圆内的数据个数Ni,之后根据每一个圆内的数据个数计算所有圆内所包含的数据点总数目,即N=(N1+N2+…+Nn),n为X1数据长度,然后将N/(3*n)作为每一个圆的内数据密度最小阈值ε,其中n为X1数据长度,再根据Dave和数据密度最小阈值ε求得X1中每一个圆内数据个数大于数据密度最小阈值ε的数据,并将这些数据作为高密度点添加到高密度点集合X2,然后从X2选出距离最远的两个数据点m0和m1作为初始聚类中心;
当k=3时,从X2剩余数据中选出数据mi,2≤i≤k,当选出的数据mi满足mi*m0+mi*m1最大时,将mi作为一个初始聚类中心并添加到初始聚类中心的集合中;
如果k>3,则剩余k-3个初始聚类中心采用相同的方法,先计算每一个被选出的数据点mj到前k-j个初始聚类中心的最大距离乘积的和,其中3≤j≤k,即mj*m0+mj*m1+…+mj*mk-j最大时,将数据点mj作为一个初始聚类中心添加到初始聚类中心的集合中,重复该过程,直到选出k个初始聚类中心。
在本实施例中,采用动态聚类评价方法计算聚类评价结果Ri的过程为:
S710:采用如下公式计算每组数据Wi的聚类中心Ci到全部数据X0的中心C的距离和:
式中:k表示聚类个数;
S720:采用如下公式计算聚类后每个Wi内的数据到该组聚类中心Ci的距离和:
式中:mj表示Wi组中第j个数据;ni表示当前分组Wi组内数据总数目;
S730:由聚类分组的组间距离之和D和每组组内距离之和Di通过如下公式计算X0被划分为k组时的动态聚类评价指数Ri:
式中:k表示聚类个数;ni表示分组Wi组内数据的总数目;n表示原始数据X0的总数据数目。
在本实施例中,自适应的聚类方法中采用了动态聚类评价方法计算聚类评价结果,并从中选出计算出的聚类评价结果最小时所对应的聚类分组结果,从而得到更好的零件排样结果。
在本实施例中,选用国际标准矩形零件测试用例中的C21零件进行举例,以说明上述零件自适应聚类分组过程,以及使用非种群优化算法中的模拟退火算法根据零件序列的自适应聚类分组结果来进行零件排样优化的过程。
C21中的零件根据零件面积从大到小排序后的零件面积和宽高比数据展示如表1所示。
表1原始零件序列的零件面积和宽高比数据表(面积单位:mm)
采用本发明的自适应聚类分组方法对原始零件序列按零件面积从大到小排序后再分组得到的零件序列的分组结果如表2所示。
表2将原始零件序列按照面积聚类分组的结果(面积单位:mm)
对表2中的每一个面积分组零件序列按照零件宽高比从大到小排序后,采用相同的自适应聚类分组方法划分宽高比分组,其宽高比分组分组情况如表3所示。
表3在面积分组组中再划分宽高比分组的结果(面积单位:mm)
C21中的零件序列先进行分组处理,分组过程如图3所示,而后得到二级分组序列,如图4所示,然后使用非种群优化算法中的模拟退火算法对分组后的零件进行排样优化,具体优化过程为:
(1)在开始寻优时,将二级分组序列作为模拟退火算法的初始零件待优化序列,之后通过基础排样方法计算当前二级分组序列中的零件排入母版后的排样率(零件排样率=(所有零件的面积之和/所使用的母版总面积)x100%);
(2)然后通过随机调序方法调整二级分组序列中的部分面积分组中的宽高比分组之间的前后顺序以及部分宽高比分组组内的零件顺序,以便在二级分组序列周围的邻域内产生一个新零件序列,并计算新零件序列的零件排样率,其中零件调序时,只调整零件面积分组中的宽高比分组组内的零件顺序以及宽高比分组之间的前后顺序,零件面积分组之间不进行零件序列的调整;
(3)比较二级分组序列的零件排样率和新零件序列的零件排样率,如果新零件序列的零件排样率好于二级分组序列的零件排样率,则直接用新零件序列替换二级分组序列;如果新零件序列的零件排样率比二级分组序列的零件排样率差,则根据模拟退火算法的寻优规则,在当前温度下以一定概率接受新零件序列,并用新零件序列替换二级分组序列;
(4)重复步骤(2)和(3),直到满足算法的结束条件时输出零件的最优排样序列及其对应的最佳零件排样结果。
在本实施例中,为验证本发明的零件自适应分组方法产生的初始零件待优化序列的有效性,采用具有相同参数的模拟退火算法分别对分组的初始零件序列和只按照零件面积大小排序而未对零件序列进行分组处理的未分组初始零件序列进行迭代寻优1000次,两种方法各独立运行20次的最佳零件排样优化结果如图6和图7所示,图6分组C21为100%,图7未分组C21为96.15%。从图6和图7的排样结果可以看出,本发明所提出的零件自适应分组方法所产生的初始零件序列方法,在通过模拟退火算法迭代搜索后可以有效提高零件的排样优化结果。
本发明使用时,通过对原始零件序列按照零件面积从大到小进行排序后,采用自适应聚类方法,得到若干个面积分组序列,然后再按照零件宽高比从大到小进行排序以及采用自适应聚类方法,得到若干个宽高比分组序列,继而得到由宽高比分组序列和面积分组序列共同构成的二级分组序列,此二级分组序列适用于各类种群排样优化算法的种群初始化以及非群优化算法的零件序列初始化,且使用本发明的方法可以使得寻优算法在较少的迭代次数下就可以快速搜索到较好的零件排样结果,特别针对零件形状差异大、海量零件的快速排样优化,采用本发明所提出的零件自适应分组方法所产生的群优化算法的初始种群,或非群优化算法的初始零件序列,其零件序列所对应的零件排样结果的质量更好而且仅需较少的迭代次数。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (11)
1.一种基于自适应分组的零件排样优化方法,其特征在于,包括以下步骤:
S1:对待排样零件进行编码得到原始零件序列;
S2:对步骤S1中所述的原始零件序列按照零件面积从大到小进行排序;
S3:使用零件面积自适应聚类分组方法,对步骤S2中排序后的原始零件序列进行聚类分组,得到若干个面积分组序列;
S4:对步骤S3中每一个面积分组序列按照零件宽高比从大到小进行排序;
S5:使用零件宽高比自适应聚类分组方法,对步骤S4中排序后的每一个面积分组序列进行聚类分组,得到若干个宽高比分组序列,继而得到由所述宽高比分组序列和所述面积分组序列共同构成的二级分组序列;
S6:将步骤S5中所述的二级分组序列作为零件排样优化结果,并以初始零件序列的方式进行输出,以参与后续非群优化算法的优化;或者将所述二级分组序列通过调序方法产生的序列作为零件排样优化结果,并以初始化种群个体的方式进行输出,以参与后续群优化算法的优化。
2.根据权利要求1所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S6中,在对所述二级分组序列进行调序时,仅调整面积分组序列中的宽高比分组序列内的零件的先后顺序以及宽高比分组序列之间的前后顺序,零件面积分组序列之间不进行先后顺序的调整。
3.根据权利要求2所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S6中,通过调序方法产生零件排样优化的初始化种群个体,包括如下步骤:
S61:采用随机调序方法调整所述二级分组序列中三分之二的宽高比分组序列内零件顺序以及面积分组序列中的宽高比分组序列之间的前后顺序,产生部分初始种群个体;
S62:采用两两交换的调序方法调整所述二级分组序列中三分之二的宽高比分组序列内的零件顺序以及面积分组序列中的宽高比分组序列之间的前后顺序,产生第二部分初始种群个体;
S63:采用随机调序方法和两两交换调序方法调整所述二级分组序列中任意两个宽高比分组序列中的零件顺序,产生第三部分初始种群个体。
4.根据权利要求3所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S63中,随机调序方法和两两交换调序方法分别产生的初始种群个体的数目比例为1:1。
5.根据权利要求4所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S61、步骤S62、步骤S63分别对应的三种产生初始化种群个体的方式产生的初始种群个体的数目比例为1:1:1。
6.根据权利要求1所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S3中的零件面积自适应聚类分组方法,包括如下步骤:
S31:将所述步骤S2中排序后的原始零件序列设为X0,去除X0中的重复数据,得到序列X1={1,2,3,…,m},m≤t,t为原始零件序列X0的长度;
S33:选出k个初始聚类中心;
S34:将X0中的数据分别分配到离k个聚类中心最近的面积簇Wi,当X0全部分配完成后得到k组零件面积分组数据;
S35:根据每个面积簇Wi的面积分组数据重新计算该面积簇聚类中心Ci;
S36:重复步骤S34和步骤S35,直到每个面积簇Wi的数据不再变化;
S37:采用动态聚类评价方法计算零件面积聚类分组评价结果Ri;
S38:令k=k+1;
S39:重复步骤S33~步骤S38,直到步骤S32中所有k值被访问后,选出所有评估值Ri最小时所对应的零件面积聚类分组结果,并将该零件面积聚类分组结果作为零件序列的最终面积聚类分组结果。
7.根据权利要求1所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S5中的零件宽高比自适应聚类分组方法,包括如下步骤:
S51:将所述步骤S4中排序后的面积分组序列设为X0,去除X0中的重复数据,得到序列X1={1,2,3,…,m},m≤t,t为原始零件序列X0的长度;
S53:选出k个初始聚类中心;
S54:将X0中的数据分别分配到离k个聚类中心最近的零件宽高比簇Wa,当X0全部分配完成后得到k组零件宽高比分组数据;
S55:根据每个宽高比簇Wa的宽高比分组数据重新计算该宽高比簇聚类中心Ca;
S56:重复步骤S54和步骤S55,直到每个宽高比簇Wa的数据不再变化;
S57:采用动态聚类评价方法计算零件宽高比聚类分组评价结果Ra;
S58:令k=k+1;
S59:重复步骤S53~步骤S58,直到步骤S52中所有k值被访问后,选出所有评估值Ra最小时所对应的零件宽高比聚类分组结果,并将该零件宽高比聚类分组结果作为当前零件面积分组序列中的最终零件宽高比聚类分组结果。
8.根据权利要求6所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S33中的选出k个初始聚类中心的方法为:
先计算X1中任意两个数据间的距离总和Dsum,然后计算Dsum/(n*n*1.2),其中n为X1数据长度,并将Dsum/(n*n*1.2)作为X1中任意两个数据之间的平均距离系数Dave,然后将X1中的每一个数据点作为圆心,以Dave为半径画圆,求得每一个圆内的数据个数Ni,之后根据每一个圆内的数据个数计算所有圆内所包含的数据点总数目,即N=(N1+N2+…+Nn),n为X1数据长度,然后将N/(3*n)作为每一个圆的内数据密度最小阈值ε,其中n为X1数据长度,再根据Dave和数据密度最小阈值ε求得X1中每一个圆内数据个数大于数据密度最小阈值ε的数据,并将这些数据作为高密度点添加到高密度点集合X2,然后从X2选出距离最远的两个数据点m0和m1作为初始聚类中心;
当k=3时,从X2剩余数据中选出数据mi,2≤i≤k,当选出的数据mi满足mi*m0+mi*m1最大时,将mi作为一个初始聚类中心并添加到初始聚类中心的集合中;
如果k>3,则剩余k-3个初始聚类中心采用相同的方法,先计算每一个被选出的数据点mj到前k-j个初始聚类中心的最大距离乘积的和,其中3≤j≤k,即mj*m0+mj*m1+…+mj*mk-j最大时,将数据点mj作为一个初始聚类中心添加到初始聚类中心的集合中,重复该确定剩余k-3个初始聚类中心的过程,直到选出k个初始聚类中心。
9.根据权利要求7所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S53中的选出k个初始聚类中心的方法为:
先计算X1中任意两个数据间的距离总和Dsum,然后计算Dsum/(n*n*1.2),其中n为X1数据长度,并将Dsum/(n*n*1.2)作为X1中任意两个数据之间的平均距离系数Dave,然后将X1中的每一个数据点作为圆心,以Dave为半径画圆,求得每一个圆内的数据个数Ni,之后根据每一个圆内的数据个数计算所有圆内所包含的数据点总数目,即N=(N1+N2+…+Nn),n为X1数据长度,然后将N/(3*n)作为每一个圆的内数据密度最小阈值ε,其中n为X1数据长度,再根据Dave和数据密度最小阈值ε求得X1中每一个圆内数据个数大于数据密度最小阈值ε的数据,并将这些数据作为高密度点添加到高密度点集合X2,然后从X2选出距离最远的两个数据点m0和m1作为初始聚类中心;
当k=3时,从X2剩余数据中选出数据mi,2≤i≤k,当选出的数据mi满足mi*m0+mi*m1最大时,将mi作为一个初始聚类中心并添加到初始聚类中心的集合中;
如果k>3,则剩余k-3个初始聚类中心采用相同的方法,先计算每一个被选出的数据点mj到前k-j个初始聚类中心的最大距离乘积的和,其中3≤j≤k,即mj*m0+mj*m1+…+mj*mk-j最大时,将数据点mj作为一个初始聚类中心添加到初始聚类中心的集合中,重复该确定剩余k-3个初始聚类中心的过程,直到选出k个初始聚类中心。
10.根据权利要求6所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S37中的采用动态聚类评价方法计算聚类评价结果Ri的过程为:
S710:采用如下公式计算每组数据Wi的聚类中心Ci到全部数据X0的中心C的距离和:
式中:k表示聚类个数;
S720:采用如下公式计算聚类后每个Wi内的数据到该组聚类中心Ci的距离和:
式中:wj表示Wi组中第j个数据;ni表示当前分组Wi组内数据总数目;
S730:由聚类分组的组间距离之和D和每组组内距离之和Di通过如下公式计算X0被划分为k组时的动态聚类评价指数Ri:
式中:k表示聚类个数;ni表示分组Wi组内数据的总数目;p表示原始数据X0的总数据数目。
11.根据权利要求7所述的一种基于自适应分组的零件排样优化方法,其特征在于:所述步骤S57中的采用动态聚类评价方法计算聚类评价结果Ra的过程为:
S710:采用如下公式计算每组数据Wa的聚类中心Ca到全部数据X0的中心C的距离和:
式中:k表示聚类个数;
S720:采用如下公式计算聚类后每个Wa内的数据到该组聚类中心Ca的距离和:
式中:wj表示Wa组中第j个数据;na表示当前分组Wa组内数据总数目;
S730:由聚类分组的组间距离之和D和每组组内距离之和Da通过如下公式计算X0被划分为k组时的动态聚类评价指数Ra:
式中:k表示聚类个数;na表示分组Wa组内数据的总数目;p表示原始数据X0的总数据数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111043121.0A CN113762380B (zh) | 2021-09-07 | 2021-09-07 | 一种基于自适应分组的零件排样优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111043121.0A CN113762380B (zh) | 2021-09-07 | 2021-09-07 | 一种基于自适应分组的零件排样优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762380A CN113762380A (zh) | 2021-12-07 |
CN113762380B true CN113762380B (zh) | 2023-05-23 |
Family
ID=78793489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111043121.0A Active CN113762380B (zh) | 2021-09-07 | 2021-09-07 | 一种基于自适应分组的零件排样优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762380B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970894A (zh) * | 2014-05-27 | 2014-08-06 | 合一网络技术(北京)有限公司 | 自适应调整的界面流式布局显示的方法和系统 |
CN105989605A (zh) * | 2016-03-04 | 2016-10-05 | 安徽工程大学 | 一种不规则零件下料的排样定位方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7296252B2 (en) * | 2004-07-22 | 2007-11-13 | International Business Machines Corporation | Clustering techniques for faster and better placement of VLSI circuits |
JP5614835B2 (ja) * | 2010-07-08 | 2014-10-29 | Kddi株式会社 | 画像レイアウト設定方法および装置 |
CN102622663B (zh) * | 2011-12-31 | 2015-04-15 | 华中科技大学 | 金属结构件的下料方法及其制造系统 |
CN105956663A (zh) * | 2016-03-04 | 2016-09-21 | 安徽工程大学 | 异形零件下料的并行排样优化方法 |
CN111985012A (zh) * | 2020-09-08 | 2020-11-24 | 福州大学 | 基于最优觅食算法的二维不规则零件排样方法 |
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 |
-
2021
- 2021-09-07 CN CN202111043121.0A patent/CN113762380B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970894A (zh) * | 2014-05-27 | 2014-08-06 | 合一网络技术(北京)有限公司 | 自适应调整的界面流式布局显示的方法和系统 |
CN105989605A (zh) * | 2016-03-04 | 2016-10-05 | 安徽工程大学 | 一种不规则零件下料的排样定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113762380A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111065103B (zh) | 一种多目标优化的无线传感器网络节点部署方法 | |
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
CN107330902A (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
CN112801281A (zh) | 基于量子化生成模型和神经网络的对抗生成网络构建方法 | |
CN114565239A (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN111369000A (zh) | 一种基于分解的高维多目标进化方法 | |
CN109242290A (zh) | 一种无人机群行动方案自动生成方法 | |
CN109831790A (zh) | 雾无线接入网中基于头脑风暴优化算法的协作缓存方法 | |
CN113762380B (zh) | 一种基于自适应分组的零件排样优化方法 | |
Ghosh et al. | Non-dominated rank based sorting genetic algorithms | |
CN113408771A (zh) | 物品出库调度方法、装置以及存储介质 | |
CN108764448A (zh) | 一种改进免疫算法求解第一类装配线平衡问题的方法 | |
CN111461911B (zh) | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 | |
CN111698690B (zh) | 基于改进小生境遗传的认知无线网络频谱分配方法 | |
CN112163808B (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
CN114997630A (zh) | 一种基于竞争学习约束多目标粒子群算法的多区域环境经济调度方法 | |
CN113792494A (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
CN111273545A (zh) | 基于多群多选择交流策略的quatre算法的自动寻优控制方法 | |
Satapathy et al. | Integrated PSO and DE for data clustering | |
Gao et al. | A fuzzy adaptive genetic algorithms for global optimization problems | |
CN113469566B (zh) | 一种发电机起始分配方案的确定方法及系统 | |
CN111681607B (zh) | 一种基于遗传算法的Gamma调节方法及系统 | |
CN112100861B (zh) | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 | |
CN106951910A (zh) | 一种数据聚类的方法及装置 | |
CN116594780A (zh) | 一种含有自适应变异算子的微服务组合多目标优化方法 |
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 |