CN115759634A - 一种矩形板材组批排样高效协同方法 - Google Patents
一种矩形板材组批排样高效协同方法 Download PDFInfo
- Publication number
- CN115759634A CN115759634A CN202211443774.2A CN202211443774A CN115759634A CN 115759634 A CN115759634 A CN 115759634A CN 202211443774 A CN202211443774 A CN 202211443774A CN 115759634 A CN115759634 A CN 115759634A
- Authority
- CN
- China
- Prior art keywords
- layout
- batch
- stack
- value
- optimization
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 239000000463 material Substances 0.000 claims abstract description 41
- 238000005520 cutting process Methods 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000000137 annealing Methods 0.000 claims abstract description 4
- 241000287127 Passeridae Species 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 239000004459 forage Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 229940060587 alpha e Drugs 0.000 claims description 3
- 235000003642 hunger Nutrition 0.000 claims description 3
- 238000002789 length control Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 244000062645 predators Species 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 239000002096 quantum dot Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000003255 cyclooxygenase 2 inhibitor Substances 0.000 claims description 2
- 239000002994 raw material Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003754 machining Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种矩形板材组批排样高效协同方法,包括订单预组批、预组批方案各订单排样优化以及最终组批优化三个步骤,首先通过预组批加权层次聚类算法初步划分批次,得到加工材质要求和交货工期相近的预组批订单,其次采用基于三阶段齐头切的排样优化算法完成预组批订单的排样优化,最后选用基于量子遗传模拟退火聚类算法输出满足条件的最终组批优化结果。本发明解决了传统“先组批后排样”模式中批次大小会影响排样效果和材料利用率的缺陷以及现有排样方法不能满足机加工中少阶段、齐头切需求和加工复杂的问题,能够大幅提高原材料的利用率,有效降低生产企业的加工制造成本,提高生产效率。
Description
技术领域
发明涉及智能制造技术领域,具体涉及一种矩形板材组批排样高效协同方法。
背景技术
板材加工多采用小批量个性化定制生产,生产企业通过“订单组批+排样生产+订单分拣”的模式,对不同需求的大量订单进行组批切割,提高原材料的利用率,加工完成后再按不同客户订单进行分拣。这一模式的实施中订单组批与排样优化至关重要。如果组批批次太大,材料利用率会提高,但订单交货期得不到保证,排样和订单分拣难度提高,生产效率降低。相反如果批次太小,材料利用率很难得到保证,容易产生无法二次加工的余料,为了解决上述问题,需要通过组批排样优化的手段提高原材料的利用率,降低生产成本。
目前,组批排样主要还是采用“人工组批+算法排样”的方式。其中算法排样仍以最下最左法、下台阶法和最低水平线法等为主,该类方法实现简单,但是排样效果差,原材料利用率不高。结合传统启发式算法改进的断头台法、最大矩形法和天际线法等虽然运算速度和原材料利用率均有提升,但是不能满足实际加工中少阶段、齐头切的需求,存在加工复杂的问题。因此亟需一种面向实际生产的矩形板材组批排样协同方法。
发明内容
针对传统组批排样方法中排样效果差,原材料利用率不高,现有启发式算法改进的排样方法加工难度大,不能满足机加工中少阶段、齐头切需求的问题,本发明提供了一种矩形板材组批排样高效协同方法,能够大大提高原材料的利用率,保证订单交货工期,从而释放企业产能,提高效率、降低成本。
本发明解决其技术问题所采用的技术方案是:
一种矩形板材组批排样高效协同方法,包括以下步骤:
订单预组批:根据订单加工材质要求和交货工期相近程度,利用加权层次聚类初步划分批次,输出预组批方案z1,z2,...,zi,...,zN,其中zi为第i个预组批批次,N为预组批批次上限;
预组批方案各订单排样优化:根据输入的预组批方案z1,z2,...,zN,通过基于三阶段齐头切的排样优化算法输出预组批排样优化结果p1,p2,...,pi,...,pm,其中pi为第i个排样优化后的批次,m为排样优化后的批次上限;
最终组批优化:根据输入的预组批排样优化结果p1,p2,...,pN,以单个批次的产能上限为约束,通过基于量子遗传模拟退火聚类算法输出满足条件的最终组批优化结果h1,h2,...,hi,...,hn,其中hi为第i个最终组批优化后的批次,n为最终组批优化后的批次上限;
所述预组批方案各订单排样优化中的具体实现方法,包括以下步骤:
第一步,数据获取/预处理,将订单要求加工的毛坯按照材质进行分类,建立三阶段齐头切约束下的排样混合整数规划模型:
设原片利用率Z:
其中lir为第r类材料中第i个毛坯的长度,wir为第r类材料中第i个毛坯的宽度,H为使用的原片个数,I为待排样第r类材料毛坯总项数,L为使用的原片长度,W为使用的原片宽度;
排样各约束条件如下:
xtr≥xik+lik (2)
ytr≥yik+wik (3)
其中J为待排样矩形毛坯材质种类数量,ni和nt分别为排样完成后第i类毛坯的数量和第t类毛坯的数量,第k个i类材质毛坯Ski在原片上的位置由毛坯左下角点在原片上的坐标(xik,yik)及毛坯的长宽lik和wik确定,Str为第k个r类材质毛坯;
(2)要求原片上最终切割的产品项必须是完整的,不能拼接,已知排样方案不用考虑锯缝宽度的影响,产品项切割时不能超过原片尺寸:
第二步,利用混沌Circle映射初始化毛坯群和循环参数:
第三步,构建信息浓度下的柯西变异全局寻优算法求解可能的栈排样,栈排样算法适应度值为第i行第j个的栈利用率ξij;
发现者的位置更新公式为:
其中t代表迭代次数,j=1,2,...,d,表示第t+1次迭代第i个麻雀在第j维的位置,为第t次迭代第i个麻雀在第j维的位置,α∈(0,1)是一个随机数,R2∈[0,1]为预警值,ST∈[0.5,1]为安全值,Q是服从正态分布的随机数,L为1×d且元素值全为1的矩阵,fi表示第i个体的信息浓度,其大小取决于适应度值,当R2<ST时,表示周围没有天敌,发现者将进行广泛搜索,反之,则代表发现捕食者,此时所有麻雀都要飞往其他安全地方觅食;
加入者位置更新公式如下:
其中Xworst表示第t次迭代全局最差位置,表示第t+1次迭代发现者最优位置,A为1×d且元素随机赋值为1或-1的矩阵,且A+=AT(AAT)-1,当i>N/2时,位置较差的加入者处于十分饥饿的状态,此时需要飞往其他的地方觅食;
侦察者位置更新公式如下:
其中为当前全局最优位置,β为步长控制参数,是一个均值为0,方差为1的正态分布随机数,K∈[-1,1]是一个随机数,fi表示个体适应度值,fg为最佳适应度值,fω为最差适应度值,ε为最小常数,防止分母为零的情况出现;
采用自适应缩小搜索空间的策略,其搜索上界和下界分别为:
rt=t/itermax (12)
其中iter为当前迭代次数,t(iter)是自由度参数为t的t-分布;
第四步,判断此时循环是否达到最大迭代次数,如果不是,则比较此时第i行第j个栈利用率ξij和现有最优值β,假如ξij≥β,则令β=ξij,如果是,则退出循环;
第七步,根据当前最优条带排样的剩余空间按照三阶段齐头切寻优原片排样,原片排样算法适应度值为原片利用率η;
第八步,判断此时循环是否达到最大迭代次数,如果不是,则比较此时的原片利用率η和现有最优值α,假如η≥α,则令α=η,继续寻优,如果是,则退出循环,得到第i张原片排样结果;
第九步,按照三阶段齐头切约束遍历所有原片进行最优排样;
第十步,判断此时循环是否达到最大迭代次数,如果不是,则比较此时的总体利用率ψ和现有最优值ω,假如ψ≥ω,则令ω=ψ,继续寻优,如果是,则退出循环,输出最终预组批排样优化结果;
所述订单预组批中加权层次聚类算法的具体实现方法,包括以下步骤:
第一步:以材质需求Demal和交货工期Detim建立邻近矩阵;
第二步:获取数据集长度K,设置聚类簇个数q=K;
第三步:通过加权链接dval,查找并合并邻近矩阵中距离最小的点;
第四步:计算合并后的新类与当前各类的距离;
第五步:判断此时类的个数是否等于1,如果不是,则继续合并邻近点,计算合并后距离,如果等于1,则得到簇划分结果C;
第六步:根据材料种类R、相近工期数B,设置阈值距离dthr=min(R,B);
第七步:输出对应树状图下的预组批方案z1,z2,...,zN;
所述最终组批优化中基于量子遗传模拟退火聚类算法的具体实现方法,包括如下步骤:
第一步,初始化控制参量,种群个体大小sizepop,最大进化次数iter0_max,退火初始温度T0,温度冷却系数k,终止温度Tend;
第二步,根据单个批次所能加工的毛坯总数上限max_item_num和面积总和上限max_item_area确定预排样方案p1,p2,...,pN中可聚类的数c并随机初始化,生成初始化种群Q(t0),种群全部染色体的基因都被初始化为对每个聚类中心用公式(11)计算各样本的隶属度,以及每个个体的适应度值fi,i=1,2,...,sizepop;
第三步,设定循环迭代变量iter’=0;
第四步,对种群Q(t)实施量子旋转门更新并得到新种群:
第五步,对新得到的个体用公式计算c个聚类中心、各样本的隶属度,以及每一个体的适应度值fi′,若fi′>fi,则以新个体替换旧个体,否则,以概率P=exp((f-fi′)T)接受新个体,舍弃旧个体;
其中νij为第i类聚类中心;
第六步,若iter’<iter0_max,则iter’+1,重新进入第四步,否则进入第七步;
第七步,若Ti<Tend,则算法成功结束,返回最终组批的全局最优解,否则执行降温操作Ti+1=kTi,进入第三步;
所述预组批方案各订单排样优化中三阶段齐头切下的栈、条带生成和原片排样的实现方法,包括以下步骤:
第一步,栈生成,设毛坯价值为ωi=liwi,其中li和wi分别为相同材质第i类毛坯的长和宽,栈生成优先考虑相同长度li或相同宽度wi的毛坯组合,如果没有,则寻找最相似长宽的毛坯,设栈左下角起始点坐标为(xij,yij),则生成栈右上角坐标为:
其中n为生成栈使用的毛坯数;
栈长宽分别为:
其中m为生成条带使用的栈数;
条带长宽分别为:
得到原片排样长宽:
其中z为生成条带使用的条带数,L′为原片排样长度,Wi′为原片排样宽度,分别满足排样条件Li′≤L、Wi′≤W;
进一步地,所述权链接dval和类间距离的计算方法如下:
dist(x,z)=α||x1-z1||2+β||x2-z2||2 (27)
其中Ci、Cj分别为第i和j类,α和β为权重系数;
栈利用率ξij:
原片利用率η:
具体区间如下:
原片排样仅选择原片利用率η最高的排样方案,保留次优排样方案,舍弃较差的排样方案;
本发明的有益效果主要表现在:
(1)针对实际加工中三阶段齐头切的条件约束,利用设计的改进麻雀搜索算法搜索局部利用率最高的排样方案,通过总体、局部统筹的多目标优化改进,大大提高了原片利用率,解决了现有启发式算法改进的排样方法不能满足机加工中少阶段、齐头切需求和加工复杂的问题,有效降低了加工制造成本;
(2)现有启发式排样算法存在容易陷入局部最优的问题,不一定能保证所得到解的可行性和最优性,因此引入了混沌映射和信息浓度下柯西变异策略改进麻雀搜索算法,在不过度破坏局部搜索能力的情况下,有效解决了算法趋于局部最优排样的问题;
(3)采用的“预组批+排样+组批优化”模式对相同材质和相近工期需求的订单进行预组批排样,最大化原材料利用率,不仅保障了订单交货工期,还解决了传统“先组批后排样”的模式中批次大小会影响排样效果和材料利用率的问题,有效提高了生产效率。
附图说明
图1是本发明矩形板材组批排样高效协同方法的总流程图;
图2是本发明中基于加权层次聚类的订单预组批方法流程图;
图3是本发明中基于量子遗传模拟退火聚类算法的最终组批优化流程图;
图4是基于改进麻雀搜索算法的组块机制原理示意图;
图5是本发明优选实施例的组批排样方法得到的排样效果图。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述,但本发明的保护范围并不限于以下具体的实施例。
如图1所示,本实施例的一种矩形板材组批排样高效协同方法,包括以下步骤:
订单预组批1:根据订单加工材质要求和交货工期相近程度,利用加权层次聚类算法初步划分批次,输出预组批方案z1,z2,...,zi,...,zN,其中zi为第i个预组批批次,N为预组批批次上限;
预组批方案各订单排样优化2:根据输入的预组批方案z1,z2,...,zN,通过基于三阶段齐头切的排样优化算法输出预组批排样优化结果p1,p2,...,pi,...,pm,其中pi为第i个排样优化后的批次,m为排样优化后的批次上限;
最终组批优化3:根据输入的预组批排样优化结果p1,p2,...,pN,以单个批次的产能上限、每个生产车间容量为约束,通过基于量子遗传模拟退火聚类算法输出满足条件的最终组批优化结果h1,h2,...,hi,...,hn,其中hi为第i个最终组批优化后的批次,n为最终组批优化后的批次上限;
所述预组批方案各订单排样优化2中基于三阶段齐头切的排样优化算法的具体实现方法,包括以下步骤:
第一步201,数据获取/预处理,将订单要求加工的毛坯按照材质进行分类,建立三阶段齐头切约束下的排样混合整数规划模型:
设原片利用率Z:
排样各约束条件如下:
xtr≥xik+lik (2)
ytr≥yik+wik (3)
其中J为待排样矩形毛坯材质种类数量,ni和nt分别为排样完成后第i类毛坯的数量和第t类毛坯的数量,第k个i类材质毛坯Ski在原片上的位置由毛坯左下角点在原片上的坐标(xik,yik)及毛坯的长宽lik和wik确定,Str为第k个r类材质毛坯;
(2)要求原片上最终切割的产品项必须是完整的,不能拼接,已知排样方案不用考虑锯缝宽度的影响,产品项切割时不能超过原片尺寸:
第二步202,利用混沌Circle映射初始化毛坯群和循环参数:
第三步203,构建信息浓度下的柯西变异全局寻优算法求解可能的栈排样,栈排样算法适应度值为第i行第j个的栈利用率ξij;
发现者的位置更新公式为:
其中t代表迭代次数,j=1,2,...,d,表示第t+1次迭代第i个麻雀在第j维的位置,为第t次迭代第i个麻雀在第j维的位置,α∈(0,1)是一个随机数,R2∈[0,1]为预警值,ST∈[0.5,1]为安全值,Q是服从正态分布的随机数,L为1×d且元素值全为1的矩阵,fi表示第i个体的信息浓度,其大小取决于适应度值,当R2<ST时,表示周围没有天敌,发现者将进行广泛搜索,反之,则代表发现捕食者,此时所有麻雀都要飞往其他安全地方觅食;
加入者位置更新公式如下:
其中Xworst表示第t次迭代全局最差位置,表示第t+1次迭代发现者最优位置,A为1×d且元素随机赋值为1或-1的矩阵,且A+=AT(AAT)-1,当i>N/2时,位置较差的加入者处于十分饥饿的状态,此时需要飞往其他的地方觅食;
侦察者位置更新公式如下:
其中为当前全局最优位置,β为步长控制参数,是一个均值为0,方差为1的正态分布随机数,K∈[-1,1]是一个随机数,fi表示个体适应度值,fg为最佳适应度值,fω为最差适应度值,ε为最小常数,防止分母为零的情况出现;
采用自适应缩小搜索空间的策略,其搜索上界和下界分别为:
rt=t/itermax (12)
其中iter为当前迭代次数,t(iter)是自由度参数为t的t-分布;
第四步204,判断此时循环是否达到最大迭代次数,如果不是,则比较此时第i行第j个栈利用率ξij和现有最优值β,假如ξij≥β,则令β=ξij,如果是,则退出循环;
第七步207,根据当前最优条带排样的剩余空间按照三阶段齐头切寻优原片排样,原片排样算法适应度值为原片利用率η;
第八步208,判断此时循环是否达到最大迭代次数,如果不是,则比较此时的原片利用率η和现有最优值α,假如η≥α,则令α=η,继续寻优,如果是,则退出循环,得到第i张原片排样结果;
第九步209,按照三阶段齐头切约束遍历所有原片进行最优排样;
第十步210,判断此时循环是否达到最大迭代次数,如果不是,则比较此时的总体利用率ψ和现有最优值ω,假如ψ≥ω,则令ω=ψ,继续寻优,如果是,则退出循环,输出最终预组批排样优化结果;
如图2所示,所述订单预组批1中加权层次聚类算法的具体实现方法,包括以下步骤:
第一步11:以材质需求Demal和交货工期Detim建立邻近矩阵;
第二步12:获取数据集长度K,设置聚类簇个数q=K;
第三步13:通过权链接dval,查找并合并邻近矩阵中距离最小的点;
第四步14:计算合并后的新类与当前各类的距离;
第五步15:判断此时类的个数是否等于1,如果不是,则继续合并邻近点,计算合并后距离,如果等于1,则得到簇划分结果C;
第六步16:根据材料种类R、相近工期数B,设置阈值距离dthr=min(R,B);
第七步17:输出对应树状图下的预组批方案z1,z2,...,zN;
如图3所示,所述最终组批优化3中基于量子遗传模拟退火聚类算法的具体实现方法,包括如下步骤:
第一步31,初始化控制参量,种群个体大小sizepop,最大进化次数iter0_max,退火初始温度T0,温度冷却系数k,终止温度Tend;
第二步32,根据单个批次所能加工的毛坯总数上限max_item_num和面积总和上限max_item_area确定预排样方案p1,p2,...,pN中可聚类的数c并随机初始化,生成初始化种群Q(t0),种群全部染色体的基因都被初始化为对每个聚类中心用公式(11)计算各样本的隶属度,以及每个个体的适应度值fi,i=1,2,...,sizepop;
第三步33,设定循环迭代变量iter’=0;
第四步34,对种群Q(t)实施量子旋转门更新并得到新种群:
第五步35,对新得到的个体用公式计算c个聚类中心、各样本的隶属度,以及每一个体的适应度值fi′,若fi′>fi,则以新个体替换旧个体,否则,以概率P=exp((f-fi′)T)接受新个体,舍弃旧个体;
其中νij为第i类聚类中心;
第六步36,若iter’<iter0_max,则iter’+1,重新进入第四步,否则进入第七步;
第七步37,若Ti<Tend,则算法成功结束,返回最终组批的全局最优解,否则执行降温操作Ti+1=kTi,进入第三步;
如图4所示,所述预组批方案各订单排样优化2中三阶段齐头切下的栈、条带生成和原片排样的实现方法,包括以下步骤:
第一步221,栈生成,设毛坯价值为其中li和wi分别为相同材质第i类毛坯的长和宽,栈生成优先考虑相同长度li或相同宽度wi的毛坯组合,如果没有,则寻找最相似长宽的毛坯,设栈左下角起始点坐标为(xij,yij),则生成栈右上角坐标为:
其中n为生成栈使用的毛坯数;
栈长宽分别为:
其中m为生成条带使用的栈数;
条带长宽分别为:
其中z为生成条带使用的条带数;
得到原片排样长宽:
其中L′为原片排样长度,Wi′为原片排样宽度,分别满足排样条件Li′≤L、Wi′≤W;
进一步,所述加权链接dval和类间距离的计算方法如下:
dist(x,z)=α||x1-z1||2+β||x2-z2||2 (27)
其中Ci、Cj分别为第i和j类,α和β为权重系数;
栈利用率ξij:
原片利用率η:
具体区间如下:
原片排样223仅选择原片利用率η最高的排样方案,保留次优排样方案,舍弃较差的排样方案。
本发明提出的矩形板材组批排样高效协同方法在长度为50000的算例中仅耗时2.124秒就可得到最终组批排样结果,其中部分原片的排样效果如图5所示,图中被各矩形包围余下的白色区域表示未被利用的部分,可以看出在这些子算例中,排样结果的板材利用率都能达到95%以上,进一步说明了本发明所提出矩形板材组批排样高效协同方法的有效性;
在前述说明书与相关附图中存在的教导的帮助下,本发明所属领域的技术人员将会想到本发明的许多修改和其它实施方案。因此,要理解的是,本发明不限于公开的具体实施方案,修改和其它实施方案被认为包括在所附权利要求的范围内。尽管本文中使用了特定术语,它们仅以一般和描述性意义使用,而不用于限制。
Claims (7)
1.一种矩形板材组批排样高效协同方法,其特征在于,包括以下步骤:
订单预组批1:根据订单加工材质要求和交货工期相近程度,利用加权层次聚类初步划分批次,输出预组批方案z1,z2,...,zi,...,zN,其中zi为第i个预组批批次,N为预组批批次上限;
预组批方案各订单排样优化2:根据输入的预组批方案z1,z2,...,zN,通过基于三阶段齐头切的排样优化算法输出预组批排样优化结果p1,p2,...,pi,...,pm,其中pi为第i个排样优化后的批次,m为排样优化后的批次上限;
最终组批优化3:根据输入的预组批排样优化结果p1,p2,...,pN,以单个批次的产能上限、每个生产车间容量为约束,通过基于量子遗传模拟退火聚类算法输出满足条件的最终组批优化结果h1,h2,...,hi,...,hn,其中hi为第i个最终组批优化后的批次,n为最终组批优化后的批次上限。
2.如权利要求1所述的一种矩形板材组批排样高效协同方法,其特征在于,预组批方案各订单排样优化2中基于三阶段齐头切的排样优化算法的具体实现方法,包括以下步骤:
第一步201,数据获取/预处理,将订单要求加工的毛坯按照材质进行分类,建立三阶段齐头切约束下的排样混合整数规划模型:
设原片利用率Z:
排样各约束条件如下:
xtr≥xik+lik (2)
ytr≥yik+wik (3)
其中J为待排样矩形毛坯材质种类数量,ni和nt分别为排样完成后第i类毛坯的数量和第t类毛坯的数量,第k个i类材质毛坯Ski在原片上的位置由毛坯左下角点在原片上的坐标(xik,yik)及毛坯的长宽lik和wik确定,Str为第k个r类材质毛坯;
(2)要求原片上最终切割的产品项必须是完整的,不能拼接,已知排样方案不用考虑锯缝宽度的影响,产品项切割时不能超过原片尺寸:
第二步202,利用混沌Circle映射初始化毛坯群和循环参数:
第三步203,构建信息浓度下的柯西变异全局寻优算法求解可能的栈排样,栈排样算法适应度值为第i行第j个的栈利用率ξij;
发现者的位置更新公式为:
其中t代表迭代次数,j=1,2,...,d,表示第t+1次迭代第i个麻雀在第j维的位置,为第t次迭代第i个麻雀在第j维的位置,α∈(0,1)是一个随机数,R2∈[0,1]为预警值,ST∈[0.5,1]为安全值,Q是服从正态分布的随机数,L为1×d且元素值全为1的矩阵,fiti表示第i个体的信息浓度,其大小取决于适应度值,当R2<ST时,表示周围没有天敌,发现者将进行广泛搜索,反之,则代表发现捕食者,此时所有麻雀都要飞往其他安全地方觅食;
加入者位置更新公式如下:
其中Xworst表示第t次迭代全局最差位置,表示第t+1次迭代发现者最优位置,A为1×d且元素随机赋值为1或-1的矩阵,且A+=AT(AAT)-1,当i>N/2时,位置较差的加入者处于十分饥饿的状态,此时需要飞往其他的地方觅食;
侦察者位置更新公式如下:
其中为当前全局最优位置,β为步长控制参数,是一个均值为0,方差为1的正态分布随机数,K∈[-1,1]是一个随机数,fi表示个体适应度值,fg为最佳适应度值,fω为最差适应度值,ε为最小常数,防止分母为零的情况出现;
采用自适应缩小搜索空间的策略,其搜索上界和下界分别为:
rt=t/itermax (12)
其中iter为当前迭代次数,t(iter)是自由度参数为t的t-分布;
第四步204,判断此时循环是否达到最大迭代次数,如果不是,则比较此时第i行第j个栈利用率ξij和现有最优值β,假如ξij≥β,则令β=ξij,如果是,则退出循环;
第七步207,根据当前最优条带排样的剩余空间按照三阶段齐头切寻优原片排样,原片排样算法适应度值为原片利用率η;
第八步208,判断此时循环是否达到最大迭代次数,如果不是,则比较此时的原片利用率η和现有最优值α,假如η≥α,则令α=η,继续寻优,如果是,则退出循环,得到第i张原片排样结果;
第九步209,按照三阶段齐头切约束遍历所有原片进行最优排样;
第十步210,判断此时循环是否达到最大迭代次数,如果不是,则比较此时的总体利用率ψ和现有最优值ω,假如ψ≥ω,则令ω=ψ,继续寻优,如果是,则退出循环,输出最终预组批排样优化结果。
3.如权利要求1所述的一种矩形板材组批排样高效协同方法,其特征在于,订单预组批1中加权层次聚类算法的具体实现方法,包括以下步骤:
第一步11:以材质需求Demal和交货工期Detim建立邻近矩阵;
第二步12:获取数据集长度K,设置聚类簇个数q=K;
第三步13:通过加权链接dval,查找并合并邻近矩阵中距离最小的点;
第四步14:计算合并后的新类与当前各类的距离;
第五步15:判断此时类的个数是否等于1,如果不是,则继续合并邻近点,计算合并后距离,如果等于1,则得到簇划分结果C;
第六步16:根据材料种类R、相近工期数B,设置阈值距离dthr=min(R,B);
第七步17:输出对应树状图下的预组批方案z1,z2,...,zN。
4.权利要求1所述的一种矩形板材组批排样高效协同方法,其特征在于,最终组批优化3中基于量子遗传模拟退火聚类算法的具体实现方法,包括如下步骤:
第一步31,初始化控制参量,种群个体大小sizepop,最大进化次数iter0_max,退火初始温度T0,温度冷却系数k,终止温度Tend;
第二步32,根据单个批次所能加工的毛坯总数上限max_item_num和面积总和上限max_item_area确定预排样方案p1,p2,...,pN中可聚类的数c并随机初始化,生成初始化种群Q(t0),种群全部染色体的基因都被初始化为对每个聚类中心用公式(11)计算各样本的隶属度,以及每个个体的适应度值fi,i=1,2,...,sizepop;
第三步33,设定循环迭代变量iter’=0;
第四步34,对种群Q(t)实施量子旋转门更新并得到新种群:
第五步35,对新得到的个体用公式计算c个聚类中心、各样本的隶属度,以及每一个体的适应度值fi′,若fi′>fi,则以新个体替换旧个体,否则,以概率P=exp((f-fi′)T)接受新个体,舍弃旧个体;
其中νij为第i类聚类中心;
第六步36,若iter’<iter0_max,则iter’+1,重新进入第四步,否则进入第七步;
第七步37,若Ti<Tend,则算法成功结束,返回最终组批的全局最优解,否则执行降温操作Ti+1=kTi,进入第三步。
5.如权利要求1所述的一种矩形板材组批排样高效协同方法,其特征在于,预组批方案各订单排样优化2中三阶段齐头切下的栈、条带生成和原片排样的实现方法,包括以下步骤:
第一步221,栈生成,设毛坯价值为其中li和wi分别为相同材质第i类毛坯的长和宽,栈生成优先考虑相同长度li或相同宽度wi的毛坯组合,如果没有,则寻找最相似长宽的毛坯,设栈左下角起始点坐标为(xij,yij),则生成栈右上角坐标为:
其中n为生成栈使用的毛坯数;
栈长宽分别为:
其中m为生成条带使用的栈数;
条带长宽分别为:
其中z为生成条带使用的条带数;
得到原片排样长宽:
其中L′为原片排样长度,Wi′为原片排样宽度,分别满足排样条件L′i≤L、Wi′≤W。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211443774.2A CN115759634B (zh) | 2022-11-18 | 2022-11-18 | 一种矩形板材组批排样高效协同方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211443774.2A CN115759634B (zh) | 2022-11-18 | 2022-11-18 | 一种矩形板材组批排样高效协同方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759634A true CN115759634A (zh) | 2023-03-07 |
CN115759634B CN115759634B (zh) | 2024-04-26 |
Family
ID=85373081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211443774.2A Active CN115759634B (zh) | 2022-11-18 | 2022-11-18 | 一种矩形板材组批排样高效协同方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759634B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629520A (zh) * | 2023-04-27 | 2023-08-22 | 苏州大学 | 一种瓦楞纸板双刀加工线集成控制方法 |
CN116882555A (zh) * | 2023-06-26 | 2023-10-13 | 广东工业大学 | 一种分拣工位受限的多订单排样优化方法 |
CN117151307A (zh) * | 2023-10-30 | 2023-12-01 | 中国人民解放军战略支援部队航天工程大学 | 一种基于混合线性规划的排样优化方法 |
CN117634710A (zh) * | 2024-01-23 | 2024-03-01 | 湖南三一中诚车身有限公司 | 一种板材定尺方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169287A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种混流生产线产能分配方法 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
CN111080467A (zh) * | 2019-12-17 | 2020-04-28 | 广东工业大学 | 一种面向卷型材的二维不规则零件排样下料方法 |
CN111353528A (zh) * | 2020-02-21 | 2020-06-30 | 广东工业大学 | 一种基于下料利用率预测的组批与排样迭代优化方法 |
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 |
CN112348240A (zh) * | 2020-10-28 | 2021-02-09 | 中冶南方工程技术有限公司 | 一种大宗原燃料自动取样的两阶段组批方法和系统 |
CN113158580A (zh) * | 2021-05-10 | 2021-07-23 | 南京林业大学 | 实木板材的一维排样方法 |
CN113674057A (zh) * | 2021-08-19 | 2021-11-19 | 广东工业大学 | 一种基于分层聚合策略的组批优化方法 |
WO2022001752A1 (zh) * | 2020-06-29 | 2022-01-06 | 宝山钢铁股份有限公司 | 含缺陷板材套裁剪切的预处理、排样及生产优化方法 |
CN114429298A (zh) * | 2022-01-25 | 2022-05-03 | 浙江工业大学 | 一种基于bp神经网络的pcb订单组批优化方法 |
CN114936711A (zh) * | 2022-06-15 | 2022-08-23 | 广东工业大学 | 一种大规模板式定制家具订单揉单优化方法 |
CN115270599A (zh) * | 2022-06-22 | 2022-11-01 | 浙江大学 | 一种基于深度强化学习的不规则裁片自动排样方法 |
-
2022
- 2022-11-18 CN CN202211443774.2A patent/CN115759634B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169287A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种混流生产线产能分配方法 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
CN111080467A (zh) * | 2019-12-17 | 2020-04-28 | 广东工业大学 | 一种面向卷型材的二维不规则零件排样下料方法 |
CN111353528A (zh) * | 2020-02-21 | 2020-06-30 | 广东工业大学 | 一种基于下料利用率预测的组批与排样迭代优化方法 |
WO2022001752A1 (zh) * | 2020-06-29 | 2022-01-06 | 宝山钢铁股份有限公司 | 含缺陷板材套裁剪切的预处理、排样及生产优化方法 |
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 |
CN112348240A (zh) * | 2020-10-28 | 2021-02-09 | 中冶南方工程技术有限公司 | 一种大宗原燃料自动取样的两阶段组批方法和系统 |
CN113158580A (zh) * | 2021-05-10 | 2021-07-23 | 南京林业大学 | 实木板材的一维排样方法 |
CN113674057A (zh) * | 2021-08-19 | 2021-11-19 | 广东工业大学 | 一种基于分层聚合策略的组批优化方法 |
CN114429298A (zh) * | 2022-01-25 | 2022-05-03 | 浙江工业大学 | 一种基于bp神经网络的pcb订单组批优化方法 |
CN114936711A (zh) * | 2022-06-15 | 2022-08-23 | 广东工业大学 | 一种大规模板式定制家具订单揉单优化方法 |
CN115270599A (zh) * | 2022-06-22 | 2022-11-01 | 浙江大学 | 一种基于深度强化学习的不规则裁片自动排样方法 |
Non-Patent Citations (5)
Title |
---|
HUAXIANG LIU: "A Novel Active Contour Model Guided by Global and Local Signed Energy-Based Pressure Force", DIGITAL OBJECT IDENTIFIER, pages 59412 - 59426 * |
KAI LI: "Modeling and tagging of time sequence signals in the milling process based on an improved hidden semi-Markov model", EXPERT SYSTEMS WITH APPLICATIONS, pages 1 - 12 * |
MINGSONG CHEN: "Effect of Deformation Parameters of an Initial Aged GH4169 Superalloy on Its Microstructural Evolution during a New Two-Stage Annealing", MATERIALS, pages 1 - 20 * |
WANG GUANQIANG: "A novel annealing method to uniformly refine deformed mixed grain microstructure of a solution-treated Ni-based superalloy", SCIENCE CHINA TECHNOLOGICAL SCIENCES, pages 1 - 11 * |
卢齐飞: "改进的遗传算法优化二维不规则图形排样", 计算机工程与设计, pages 1409 - 1414 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629520A (zh) * | 2023-04-27 | 2023-08-22 | 苏州大学 | 一种瓦楞纸板双刀加工线集成控制方法 |
CN116629520B (zh) * | 2023-04-27 | 2024-03-15 | 苏州大学 | 一种瓦楞纸板双刀加工线集成控制方法 |
CN116882555A (zh) * | 2023-06-26 | 2023-10-13 | 广东工业大学 | 一种分拣工位受限的多订单排样优化方法 |
CN116882555B (zh) * | 2023-06-26 | 2024-03-12 | 广东工业大学 | 一种分拣工位受限的多订单排样优化方法 |
CN117151307A (zh) * | 2023-10-30 | 2023-12-01 | 中国人民解放军战略支援部队航天工程大学 | 一种基于混合线性规划的排样优化方法 |
CN117151307B (zh) * | 2023-10-30 | 2024-02-06 | 中国人民解放军战略支援部队航天工程大学 | 一种基于混合线性规划的排样优化方法 |
CN117634710A (zh) * | 2024-01-23 | 2024-03-01 | 湖南三一中诚车身有限公司 | 一种板材定尺方法及装置 |
CN117634710B (zh) * | 2024-01-23 | 2024-04-26 | 湖南三一中诚车身有限公司 | 一种板材定尺方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115759634B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115759634A (zh) | 一种矩形板材组批排样高效协同方法 | |
CN107506956A (zh) | 基于改进粒子群算法供应链生产运输协同调度方法及系统 | |
CN108550007A (zh) | 一种制药企业自动化立体仓库的货位优化方法及系统 | |
CN103530709B (zh) | 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法 | |
Mardle et al. | An investigation of genetic algorithms for the optimization of multi‐objective fisheries bioeconomic models | |
CN104751297A (zh) | 一种混流生产线产能分配方法 | |
CN101604409B (zh) | 应用于多重入复杂制造系统的调度方法 | |
Yamazaki et al. | Design method of material handling systems for lean automation—Integrating equipment for reducing wasted waiting time | |
CN106611275A (zh) | 针对作业车间生产问题的排产算法 | |
Saeidi et al. | A multi-objective genetic algorithm for solving cell formation problem using a fuzzy goal programming approach | |
CN102831432A (zh) | 一种适用于支持向量机训练的冗余数据约减方法 | |
CN107146039A (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
CN106611382A (zh) | 一种基于布谷鸟搜索算法解决作业车间工艺瓶颈问题 | |
CN106610656A (zh) | 一种改进的布谷鸟搜索算法求解作业车间调度问题 | |
CN113689122A (zh) | 一种云边协同环境下考虑运输设备的多目标组合调度方法 | |
Liao et al. | Scheduling with multi-attribute set-up times on unrelated parallel machines | |
CN108491968A (zh) | 基于农产品质量安全应急资源调度模型计算方法 | |
Chaudhuri et al. | A goal programming embedded genetic algorithm for multi-objective manufacturing cell design | |
CN113688488A (zh) | 基于改进的人工鱼群算法的电网线路规划方法 | |
CN110705650A (zh) | 一种基于深度学习的钣金布局方法 | |
CN114254902B (zh) | 一种多产线人员调度方法 | |
CN113792494B (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 | |
CN106611215A (zh) | 一种新的布谷鸟搜索算法解决作业车间调度问题 | |
CN109447471B (zh) | 一种多机器人多区域协同搜索任务分配方法 | |
Jȩdrzejowicz et al. | GEP-induced expression trees as weak classifiers |
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 |