CN114925915B - 一种针对大规模下料的切割路径规划方法及系统 - Google Patents
一种针对大规模下料的切割路径规划方法及系统 Download PDFInfo
- Publication number
- CN114925915B CN114925915B CN202210565385.0A CN202210565385A CN114925915B CN 114925915 B CN114925915 B CN 114925915B CN 202210565385 A CN202210565385 A CN 202210565385A CN 114925915 B CN114925915 B CN 114925915B
- Authority
- CN
- China
- Prior art keywords
- fish
- solution
- neighborhood
- vertex
- operator
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241000251468 Actinopterygii Species 0.000 claims abstract description 156
- 230000003828 downregulation Effects 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000002431 foraging effect Effects 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 230000019637 foraging behavior Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 25
- 238000005299 abrasion Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004904 shortening Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 18
- 238000005457 optimization Methods 0.000 description 5
- 239000010985 leather Substances 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000123 paper Substances 0.000 description 2
- 230000003094 perturbing effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及生产切割的技术领域,尤其是涉及一种针对大规模下料的切割路径规划方法及系统,包括以下步骤:将排样图中零件的顶点组成集合,获取顶点编号;运用人工鱼群算法,随机生成初始鱼群;更新鱼群,对鱼群不断迭代,找出当前最优解;将当前最优解中的顶点编码作为初始解,使用扰动算子扰动初始解;利用变邻域下调算子局部搜索扰动后的解;不断重复扰动当前解和进行局部搜索直至满足迭代次数,得到顶点集合,该集合中的点依次连接成切割路径;根据切割路径对排样图进行切割,将排样图中的零件逐个分离下料;本发明能够减少切割时间和运作时长,提高运行效率,减少切割装置的磨损,达到缩短企业的生产周期,提高产线的自动化水平的效果。
Description
技术领域
本发明涉及生产切割的技术领域,特别是一种针对大规模下料的切割路径规划方法及系统。
背景技术
生活和生产中的大多数物品都是由小零件拼凑组合而成的,而这些小零件一般是从原材料母板切割分离下来的子材料加工而成。目前工业生产中一般先将订单所需要的二维零件合理地布局在原材料母板上面,再通过切割装置加工分离各零件材料。特别是在服装制造、钢板切割、皮革切割、制鞋等制造工业中,在对布匹、纸张、皮革等进行加工时,每次订单所需要的零件数量往往很大,所以需要大量的子材料来加工,上百个子材料可能会同时布局在同一个母板材料上,生成一个大规模排样图。
对于大规模排样案例,如果人工规划切割路径,会造成时间和成本的严重浪费,且不利于企业实现自动化生产;其次,切割装置按规划好的路径将子材料从母板材料上切割下来,切割装置一般价格昂贵,且切割装置在切割过程中会产生磨损和消耗,目前的切割方法的切割路径一般较长,较长的切割路径对生产的时间也是一种浪费。
发明内容
针对上述缺陷,本发明的目的在于提出一种针对大规模下料的切割路径规划方法及系统,能够减少切割时间和运作时长,提高运行效率,减少切割装置的磨损,实现缩短企业的生产周期,提高产线的自动化水平的效果。
为达此目的,本发明采用以下技术方案:
一种针对大规模下料的切割路径规划方法,包括以下步骤:
步骤A0:将排样图中每个零件进行编号,且将每个零件的顶点组成零件顶点集合,获取各个零件的顶点信息并对所有顶点分别编号;
步骤A1:运用人工鱼群算法,将零件编号和顶点编号进行组合编码,随机生成初始鱼群并初始化鱼群;
步骤A2:选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群;
步骤A3:对鱼群不断重复更新,直至满足迭代次数,找出当前最优解;
步骤A4:将所述当前最优解中的顶点编号作为初始解,使用扰动算子对初始解进行扰动;
步骤A5:利用变邻域下调算子局部搜索扰动后的解,以得到局部更优解;
步骤A6:不断重复扰动当前解和进行局部搜索,直至满足迭代次数,以得到一个顶点位置的集合,该集合中的点依次连接成的路径即为一条能够连接所有零件的切割路径;
步骤A7:根据上述切割路径对排样图进行切割,将排样图中的零件逐个分离下料。
优选的,在步骤A1中,随机生成初始鱼群并初始化鱼群的具体步骤为:将n个零件的每个零件进行编号,并将每个零件上的各个顶点进行编号,划分出各零件的顶点集合Cp,每次随机选取一个零件编号进入编码,再针对每一个零件编号随机选择对应的顶点编号进入编码,重复编码m条鱼作为初始鱼群。
优选的,在步骤A2中,选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群,具体包括:计算每条鱼的适应值,取最优人工鱼的状态为最优值,对每条鱼所执行的行为进行选择,包括觅食、聚群、追尾、随机等行为;每条鱼在执行行为后更新自身,形成新的鱼群,再次计算每条鱼的适应值,更新最优人工鱼的状态。
优选的,在步骤A4中,将所述当前最优解中的顶点编码作为初始解,使用扰动算子对初始解进行扰动具体包括以下步骤:设置初始解S、邻域结构OP和最大扰动次数m=10,每一次随机选择邻域结构OP中的一种邻域算子对当前解进行扰动,直到满足扰动次数m=10,即可得到当前扰动解。
优选的,步骤A5中利用变邻域下调算子局部搜索扰动后的解,具体包括以下步骤:先将邻域结构OP中的邻域算子的顺序打乱,对扰动后的解在第一个邻域中进行搜索,若在本邻域无更优解时,则跳至下一个邻域继续搜索;若在本邻域搜索到比当前解更优的解时,跳回至第一个邻域重新开始搜索。
一种针对大规模下料的切割路径规划系统,包括编号模块、人工鱼群算法模块、切割路径优化模块和生产切割模块;
所述编号模块用于将排样图中每个零件的顶点组成零件顶点集合,获取各个零件的顶点信息并对所有顶点编号;
所述人工鱼群算法模块用于运用人工鱼群算法,将零件编号和顶点编号进行组合编码,随机生成初始鱼群并初始化鱼群;选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群;对鱼群不断重复更新,直至满足迭代次数,找出当前最优解;
所述切割路径优化模块用于使用扰动算子对初始解进行扰动;利用变邻域下调算子局部搜索扰动后的解,得到优化后的切割路径;
所述生产切割模块用于根据优化后的切割路径对零件进行实际切割。
一种针对大规模下料的切割路径规划系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上文所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述方法的步骤。
上述技术方案包括以下有益效果:
本发明提出一种针对大规模下料的切割路径快速规划方法,先将子材料合理布局在母板材料上,获取排样图中各个零件的顶点信息并编号,基于人工鱼群算法和变邻域搜索算法进行路径优化,变邻域搜索算法包括扰动算子进行扰动及变邻域下调算子进行局部搜索,最终在较短的时间内在排样图中生成一条连接每个零件的更短的路径,通过逐个分离的方式保证每个零件的精确性,以解决大规模排样案例的路径规划问题,切割装置依照规划好的路径动作进行切割,可以减少切割时间和运作时长,提高运行效率,减少切割装置的磨损,实现缩短企业的生产周期、提高产线的自动化水平的效果。
附图说明
图1是本发明的方法示意图;
图2是本发明的方法流程图;
图3是本发明的二维排样例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,用于区别描述特征,无顺序之分,无轻重之分。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合图1至图3描述本发明实施例的一种针对大规模下料的切割路径规划方法及系统:
一种针对大规模下料的切割路径规划方法,包括以下步骤:
步骤A0:将排样图中每个零件进行编号,且将每个零件的顶点组成零件顶点集合,获取各个零件的顶点信息并对所有顶点分别编号;
步骤A1:运用人工鱼群算法,将零件编号和顶点编号进行组合编码,随机生成初始鱼群并初始化鱼群;
步骤A2:选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群;
步骤A3:对鱼群不断重复更新,直至满足迭代次数,找出当前最优解;
步骤A4:将所述当前最优解中的顶点编号作为初始解,使用扰动算子对初始解进行扰动;
步骤A5:利用变邻域下调算子局部搜索扰动后的解,以得到局部更优解;
步骤A6:不断重复扰动当前解和进行局部搜索,直至满足迭代次数,以得到一个顶点位置的集合,该集合中的点依次连接成的路径即为一条能够连接所有零件的切割路径;
步骤A7:根据上述切割路径对排样图进行切割,将排样图中的零件逐个分离下料。
具体的,生活和生产中的大多数物品都是由小零件拼凑组合而成的,而这些小零件一般是从原材料母板切割分离下来的子材料加工而成。目前工业生产中一般先将订单所需要的二维零件合理地布局在原材料母板上面,再通过切割装置加工分离各零件材料。特别是在服装制造、钢板切割、皮革切割、制鞋等制造工业中,在对布匹、纸张、皮革等进行加工时,每次订单所需要的零件数量往往很大,所以需要大量的子材料来加工,上百个子材料可能会同时布局在同一个母板材料上,生成一个大规模排样图。
对于大规模排样案例,如果人工规划切割路径,会造成时间和成本的严重浪费,且不利于企业实现自动化生产;其次,切割装置按规划好的路径将子材料从母板材料上切割下来,切割路径的长短决定了切割的效率,但目前大多数企业采用从左下到右上的切割方案对零件进行逐个分离下料,直至切割完最后一个零件后,再将激光切割装置移动到起始的位置,但这种方法所得到的切割路径一般较长,较长的切割路径对生产的时间也是一种浪费;再者,切割装置一般价格昂贵且在切割过程中会有磨损和消耗,所以优化切割路径能够节省时间和成本,对生产计划的效率也有着显著的影响。
因此,本发明提出一种针对大规模下料的切割路径快速规划方法,先将子材料合理布局在母板材料上,获取排样图中各个零件的顶点信息并编号,基于人工鱼群(AF)算法和变邻域搜索(VNS)算法进行路径优化,变邻域搜索(VNS)算法包括扰动算子进行扰动及变邻域下调(VND)算子进行局部搜索,最终在较短的时间内在排样图中生成一条连接每个零件的更短的路径,通过逐个分离的方式保证每个零件的精确性,以解决大规模排样案例的路径规划问题,切割装置依照规划好的路径动作进行切割,可以减少切割时间和运作时长,提高运行效率,减少切割装置的磨损,实现缩短企业的生产周期、提高产线的自动化水平的效果。
具体的,本实施例运用变邻域搜索算法(VNS)对切割路径进行优化,变邻域搜索算法是一种改进型的局部搜索算法,它利用不同的动作构成的邻域结构进行交替搜索,在集中性和疏散性之间达到很好的平衡。VNS依赖于以下事实:一个邻域结构的局部最优解不一定是另一个邻域结构的局部最优解;全局最优解是所有可能邻域的局部最优解。本实施例中,基于VNS的切割路径优化方法主要由扰动算子和VND算子组成,主要算法流程如下:
算法:The cut approach based on variable neighborhood search
1.通过AF算法得到初始解
2.count=0,it=10000
3.while count<=it Do
4.初始化一个解S’=S
5.用扰动算子扰动S’
6.用VND算子局部搜索出更优解S’
7.If f(S’)<f(S)Then
8.S=S’
9.Count=0
10.Endif
11.Endwhile
通过求得的最优顶点编号序列连接各个零件,得到最终切割路径。
优选的,在步骤A1中,随机生成初始鱼群并初始化鱼群的具体步骤为:将n个零件的每个零件进行编号,并将每个零件上的各个顶点进行编号,划分出各零件的顶点集合Cp,每次随机选取一个零件编号进入编码,再针对每一个零件编号随机选择对应的顶点编号进入编码,重复编码m条鱼作为初始鱼群。
具体的,在本实施例的人工鱼群算法中,一条鱼由零件编号和顶点编号组合编码而成,且采用随机生成的方式。以图3中的排样情况为例,每次随机选取零件编号(每个零件编号仅能被选择一次)进入编码[(i,j),…,(i,j)],直至每个零件都被选中形成[(2,null),(1,null),(3,null)],再针对每一个零件编号随机选择对应的零件顶点集合中的一个顶点编号,进入编码,得到[(2,4),(1,2),(3,10)],即完成一条鱼的编码。重复编码m条鱼作为初始鱼群。
在此方法中,首先通过随机的方式生成初始鱼群并初始化鱼群,包括鱼群总数、每条人工鱼的视野范围和距离邻域。每条鱼是用其顶点编号的总距离的倒数作为个体适应值的,即总距离越小,个体适应值就越大。每条鱼的视野范围被设定为n-1。距离邻域通过计算鱼之间的相对距离得出,相对距离是由个体鱼的零件编号通过公式(1)来计算的,例如A=[(2,4),(1,2),(3,10)],B=[(2,4),(3,11),(1,3)],利用公式(1)计算可得此时A、B之间相对距离为2。计算每条鱼与其他鱼的相对距离,距离在视野范围内的即是这条鱼的距离邻域(但不包括这条鱼本身)。
公式(1):
优选的,在步骤A2中,选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群,具体包括:计算每条鱼的适应值,取最优人工鱼的状态为最优值,对每条鱼所执行的行为进行选择,包括觅食、聚群、追尾、随机等行为;每条鱼在执行行为后更新自身,形成新的鱼群,再次计算每条鱼的适应值,更新最优人工鱼的状态。
具体的,在初始化鱼群后,对鱼群中每条鱼所执行的觅食、聚群、追尾等行为进行选择。具体的,觅食行为是指变换个体鱼中的顶点编号,随机选择编码中的一个顶点编号,仅能变换为这个顶点所在零件的其他编号,变换3次,每次对变换后的编码求其适应值,如果新的解适应值大于当前解,则觅食成功,如果解没有改进,随机选择其中一个解替换当前解。
聚群行为是首先找到一条鱼的距离邻域的中心,分别找出零件编号的中心和顶点编号的中心组合,即可得到这条鱼距离邻域的中心;零件编号的中心由公式(2)来计算得到,而顶点编号则是直接找出每个零件出现最多的顶点,若出现数目相同则随机选一个即可;例如一个包含四条鱼的距离邻域:[(2,4),(1,2),(3,10)]、[(2,4),(3,11),(1,3)]、[(1,2),(2,5),(3,9)]、[(3,12),(1,1),(2,7)],零件编号的中心为(2,1,3),顶点编号的中心为(2,4,10),组合成[(2,1),(1,2),(3,10)]即为该鱼的距离邻域的中心。
公式(2):
再计算这条鱼的距离邻域的中心的适应值并与该鱼的适应值相比较,如果中心的适应值大于该鱼的适应值,则聚群成功,否则采取觅食行为。
而追尾行为是找到这条鱼的距离邻域中适应值最大的鱼,如果大于这条鱼的适应值则追尾成功,否则采取觅食行为。
优选的,在步骤A4中,将所述当前最优解中的顶点编码作为初始解,使用扰动算子对初始解进行扰动具体包括以下步骤:设置初始解S、邻域结构OP和最大扰动次数m=10,每一次随机选择邻域结构OP中的一种邻域算子对当前解进行扰动,直到满足扰动次数m=10,即可得到当前扰动解。
具体的,在本实施例中,通过算法1,使用扰动算子对初始解进行扰动。需要说明的是,邻域结构OP中包括四种邻域算子,分别为:Change算子、Swap算子、Reverse算子和Shift算子,Change算子用于选中解中的一点,用这一点所在零件的另外一个点替换;Swap算子用于选中解中的两点,交换这两个点的位置;Reverse算子用于选中解中的两点,反转这两点区间内的编码;Shift算子用于选中解中的一点,插入到解中另一点的前面。这四种邻域算子组成邻域结构OP,扰动算法和VND算法都是基于此邻域结构。扰动算法能够非常有效地跳出局部最优,使得目标值更接近最优解。
算法1:Shaking the solution
输入:初始解S,邻域结构OP,最大扰动次数m
输出:解S
1.For k=1to m do
2.随机选择邻域结构OP中的一种邻域算子OPi
3.随机选择解S中的一点a
4.If OPi是Change算子then
5.点b为点a所在零件中的另外一点
6.Else
7.点b为解S中另外随机选择的一点
8.Endif
9.用点a和点b依照邻域算子OPi对解S进行扰动
10.Endfor。
优选的,步骤A5中利用变邻域下调算子局部搜索扰动后的解,具体包括以下步骤:先将邻域结构OP中的邻域算子的顺序打乱,对扰动后的解在第一个邻域中进行搜索,若在本邻域无更优解时,则跳至下一个邻域继续搜索;若在本邻域搜索到比当前解更优的解时,跳回至第一个邻域重新开始搜索。
具体的,本切割方法中VND的邻域是用邻域结构OP中的四种邻域算子生成的,在搜索前先将邻域结构OP中的邻域算子的顺序打乱。对扰动后的解在第一个邻域中进行搜索,当在本邻域搜索找不出一个比当前解更优的解的时候,就跳到下一个邻域继续进行搜索。当在本邻域搜索找到了一个比当前解更优的解的时候,就跳回第一个邻域重新开始搜索,最后输出最优解。在本实施例中,通过算法2进行局部搜索:
算法2:Variable neighborhood descent
输入:解S,邻域结构OP
输出:解S
1.打乱邻域结构OP中邻域算子的顺序
2.k=1
3.while k<|OP|do
4.S’=用邻域算子OPk得到的邻域中的最优解
5.If S’优于S then
6.S=S’
7.k=1
8.Else
9.k=k+1
10.Endif
11.Endwhile。
一种针对大规模下料的切割路径规划系统,包括编号模块、人工鱼群算法模块、切割路径优化模块和生产切割模块;
所述编号模块用于将排样图中每个零件的顶点组成零件顶点集合,获取各个零件的顶点信息并对所有顶点编号;
所述人工鱼群算法模块用于运用人工鱼群算法,将零件编号和顶点编号进行组合编码,随机生成初始鱼群并初始化鱼群;选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群;对鱼群不断重复更新,直至满足迭代次数,找出当前最优解;
所述切割路径优化模块用于使用扰动算子对初始解进行扰动;利用变邻域下调算子局部搜索扰动后的解,得到优化后的切割路径;
所述生产切割模块用于根据优化后的切割路径对零件进行实际切割。
本实施例还公开一种针对大规模下料的切割路径规划系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上文所述方法的步骤。
本实施例还公开一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述方法的步骤。
根据本发明实施例的一种针对大规模下料的切割路径规划方法及系统的其他构成等以及操作对于本领域普通技术人员而言都是已知的,这里不再详细描述。
上述一种针对大规模下料的切割路径规划系统中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备的存储器中,以便于处理器调用执行以上各模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种针对大规模下料的切割路径规划方法,其特征在于:包括以下步骤:
步骤A0:将排样图中每个零件进行编号,且将每个零件的顶点组成零件顶点集合,获取各个零件的顶点信息并对所有顶点分别编号;
步骤A1:运用人工鱼群算法,将零件编号和顶点编号进行组合编码,随机生成初始鱼群并初始化鱼群;其中随机生成初始鱼群并初始化鱼群的具体步骤为:将n个零件的每个零件进行编号,并将每个零件上的各个顶点进行编号,划分出各零件的顶点集合Cp,每次随机选取一个零件编号进入编码,再针对每一个零件编号随机选择对应的顶点编号进入编码,重复编码m条鱼作为初始鱼群;初始化鱼群包括鱼群总数、每条人工鱼的视野范围和距离邻域,每条鱼的视野范围被设定为n-1;距离邻域通过计算鱼之间的相对距离得出,相对距离是由个体鱼的零件编号通过公式(1)来计算的,公式(1)如下:
A和B分别表示鱼A和鱼B;n表示鱼群总数;ai表示鱼A中第i个零件编号;bi表示鱼B中第i个零件编号;
步骤A2:选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群;其中选择鱼群中每条鱼的更优的行为行动,更新鱼群,得到评价更优的新鱼群,具体包括:计算每条鱼的适应值,取最优人工鱼的状态为最优值,对每条鱼所执行的行为进行选择,包括觅食、聚群、追尾、随机行为;每条鱼在执行行为后更新自身,形成新的鱼群,再次计算每条鱼的适应值,更新最优人工鱼的状态;
所述觅食行为是指变换个体鱼中的顶点编号,随机选择编码中的一个顶点编号,仅能变换为这个顶点所在零件的其他编号,变换3次,每次对变换后的编码求其适应值,如果新的解适应值大于当前解,则觅食成功,如果解没有改进,随机选择其中一个解替换当前解;
所述聚群行为是首先找到一条鱼的距离邻域的中心,分别找出零件编号的中心和顶点编号的中心组合,即可得到这条鱼距离邻域的中心;零件编号的中心由公式(2)来计算得到,而顶点编号则是直接找出每个零件出现最多的顶点,若出现数目相同则随机选一个即可,公式(2)如下:
X1,X2,…,Xm分别表示鱼X1,鱼X2,…,鱼Xm;n表示鱼群总数;i表示第i个零件编号;
再计算这条鱼的距离邻域的中心的适应值并与该鱼的适应值相比较,如果中心的适应值大于该鱼的适应值,则聚群成功,否则采取觅食行为;
所述追尾行为是找到这条鱼的距离邻域中适应值最大的鱼,如果大于这条鱼的适应值则追尾成功,否则采取觅食行为;
步骤A3:对鱼群不断重复更新,直至满足迭代次数,找出当前最优解;
步骤A4:将所述当前最优解中的顶点编号作为初始解,使用扰动算子对初始解进行扰动;其中将所述当前最优解中的顶点编码作为初始解,使用扰动算子对初始解进行扰动具体包括以下步骤:设置初始解S、邻域结构OP和最大扰动次数m=10,每一次随机选择邻域结构OP中的一种邻域算子对当前解进行扰动,直到满足扰动次数m=10,即可得到当前扰动解;
所述邻域结构OP中包括四种邻域算子,分别为:Change算子、Swap算子、Reverse算子和Shift算子,Change算子用于选中解中的一点,用这一点所在零件的另外一个点替换;Swap算子用于选中解中的两点,交换这两个点的位置;Reverse算子用于选中解中的两点,反转这两点区间内的编码;Shift算子用于选中解中的一点,插入到解中另一点的前面;
步骤A5:利用变邻域下调算子局部搜索扰动后的解,以得到局部更优解;其中利用变邻域下调算子局部搜索扰动后的解,具体包括以下步骤:先将邻域结构OP中的邻域算子的顺序打乱,对扰动后的解在第一个邻域中进行搜索,若在本邻域无更优解时,则跳至下一个邻域继续搜索;若在本邻域搜索到比当前解更优的解时,跳回至第一个邻域重新开始搜索;
步骤A6:不断重复扰动当前解和进行局部搜索,直至满足迭代次数,以得到一个顶点位置的集合,该集合中的点依次连接成的路径即为一条能够连接所有零件的切割路径;
步骤A7:根据上述切割路径对排样图进行切割,将排样图中的零件逐个分离下料。
2.一种针对大规模下料的切割路径规划系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
3.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565385.0A CN114925915B (zh) | 2022-05-23 | 2022-05-23 | 一种针对大规模下料的切割路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565385.0A CN114925915B (zh) | 2022-05-23 | 2022-05-23 | 一种针对大规模下料的切割路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925915A CN114925915A (zh) | 2022-08-19 |
CN114925915B true CN114925915B (zh) | 2023-03-21 |
Family
ID=82810400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210565385.0A Active CN114925915B (zh) | 2022-05-23 | 2022-05-23 | 一种针对大规模下料的切割路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925915B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115555649B (zh) * | 2022-09-23 | 2024-08-06 | 华中科技大学 | 一种考虑热变形的基于动态边界的钢板切割方法及系统 |
CN118133761A (zh) * | 2024-03-04 | 2024-06-04 | 广东工业大学 | 智能优化的标准单元电路的晶体管布局方法 |
CN118113987A (zh) * | 2024-04-03 | 2024-05-31 | 晞德求索(北京)科技有限公司 | 串行整数线性规划问题的解搜索方法、系统及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886588A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼算法求解柔性作业车间调度的方法 |
CN111126770A (zh) * | 2019-11-26 | 2020-05-08 | 浙江工业大学 | 一种跨层穿梭车仓储系统的任务调度方法 |
CN113283178A (zh) * | 2021-06-17 | 2021-08-20 | 山东建筑大学 | 基于人工鱼群算法的多机器鱼控制方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590603B (zh) * | 2017-09-11 | 2018-11-13 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
CN107578178B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
CN110852530B (zh) * | 2019-11-22 | 2022-06-21 | 浙江工业大学 | 一种多车场多车型的车辆路径规划方法 |
CN111338350A (zh) * | 2020-03-10 | 2020-06-26 | 青岛蓝海未来海洋科技有限责任公司 | 基于贪婪机制粒子群算法的无人船路径规划方法及系统 |
CN113953685B (zh) * | 2021-11-22 | 2023-09-01 | 重庆工商大学 | 一种平面板材激光切割路径规划方法 |
CN114066103A (zh) * | 2021-12-15 | 2022-02-18 | 广东工业大学 | 一种对二维不规则零件排样图的切割路径规划方法及系统 |
-
2022
- 2022-05-23 CN CN202210565385.0A patent/CN114925915B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886588A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼算法求解柔性作业车间调度的方法 |
CN111126770A (zh) * | 2019-11-26 | 2020-05-08 | 浙江工业大学 | 一种跨层穿梭车仓储系统的任务调度方法 |
CN113283178A (zh) * | 2021-06-17 | 2021-08-20 | 山东建筑大学 | 基于人工鱼群算法的多机器鱼控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114925915A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114925915B (zh) | 一种针对大规模下料的切割路径规划方法及系统 | |
Molina et al. | Feature selection algorithms: A survey and experimental evaluation | |
Cano et al. | Using evolutionary algorithms as instance selection for data reduction in KDD: an experimental study | |
CN113034026B (zh) | 基于Q-learning和GA的多目标柔性作业车间调度自学习方法 | |
Deboeck | Financial applications of self-organizing maps | |
CN103092132A (zh) | 数控钻孔加工路径优化方法及系统、数控钻孔设备 | |
Kampouridis et al. | On the investigation of hyper-heuristics on a financial forecasting problem | |
CN106611219A (zh) | 针对多目标优化问题的导引式局部搜索遗传算法 | |
CN113257364A (zh) | 基于多目标进化的单细胞转录组测序数据聚类方法及系统 | |
Boulif et al. | A new fuzzy genetic algorithm for the dynamic bi-objective cell formation problem considering passive and active strategies | |
CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
CN113297638A (zh) | 数据处理方法、裁剪系统、控制系统及设备 | |
Mousavirad et al. | Feature selection using modified imperialist competitive algorithm | |
CN106296401A (zh) | 一种用于股市运行逻辑理解的强关联规则挖掘方法 | |
Labani et al. | An evolutionary based multi-objective filter approach for feature selection | |
Bezerra et al. | Deconstructing multi-objective evolutionary algorithms: An iterative analysis on the permutation flow-shop problem | |
Montiel-Arrieta et al. | Minimizing the total waste in the one-dimensional cutting stock problem with the African buffalo optimization algorithm | |
Fountas et al. | A Visual Contrast–Based Fruit Fly Algorithm for Optimizing Conventional and Nonconventional Machining Processes | |
CN114066103A (zh) | 一种对二维不规则零件排样图的切割路径规划方法及系统 | |
Mitic et al. | Multi-hole drilling tool path optimization using genetic algorithm | |
Dalavi et al. | Optimal drilling sequences for rectangular hole matrices using modified shuffled frog leaping algorithm | |
Kamal et al. | Filter-wrapper approach to feature selection of GPCR protein | |
Maini et al. | Optimal feature selection using elitist genetic algorithm | |
CN114021950A (zh) | 电力物资需求分配方法、装置、终端设备及存储介质 | |
JP2007122405A (ja) | データベース管理システムの性能チューニングシステム |
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 |