CN116204955A - 一种面向智能建造的一维大规模优化下料方法 - Google Patents
一种面向智能建造的一维大规模优化下料方法 Download PDFInfo
- Publication number
- CN116204955A CN116204955A CN202310046916.XA CN202310046916A CN116204955A CN 116204955 A CN116204955 A CN 116204955A CN 202310046916 A CN202310046916 A CN 202310046916A CN 116204955 A CN116204955 A CN 116204955A
- Authority
- CN
- China
- Prior art keywords
- blanking
- scale
- dimensional
- cutting combination
- scheme
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数字及智能化建造领域,公开了一种面向智能建造的一维大规模优化下料方法。其步骤主要包括线性构件数字模型的参数化自动生成,形成下料数据基础,确定优化目标,设计一种针对大规模一维下料问题的智能群算法,用于获取当前最佳切割组合和使用频次,最终确定下料方案并导出下料表单。本发明基于BIM技术与智能优化算法,为建造过程中的大规模一维下料问题提供了新方法。本发明可以显著降低建筑原材料在下料过程中的余料率和切割组合数,有效提高了大规模一维下料问题的求解速度,同时保持一定的求解精度,能足实际生产需要,具有显著的经济和社会效益。
Description
技术领域
本发明涉及建筑工程领域,特别是一种基于BIM技术与智能优化算法,为大规模一维下料问题提供下料数据基础并分解降级下料问题,实现下料问题高精度、高效率优化的方法。
背景技术
在建筑工程领域当中,诸如钢管、钢筋、管道等线性构件中都存在着如何进行下料的问题,这种问题属于一维下料问题。一维下料问题是现代工业生产最常见的问题,它是指在给定要求的零件数据下,寻求一种下料方案使得切割原料时产生的余料最少,其本质是对有限资源的高效安排。
一维下料问题是经典的NP问题,大量专家和学者探讨了一维下料问题并提出各类算法。第一类是精确算法,如线性规划法、动态规划法、割平面算法等。此类算法需要列出所有的切割组合,理论上可以得到最优解。但随着下料规模的增加,使用该类算法耗费大量的时间成本。第二类是启发式算法,如遗传算法、模拟退火算法、蚁群算法等。此类算法的求解速度较快,适用于求解大规模一维下料问题,但是不能保证求解质量。在启发式算法中引用一些搜索策略,可以在保证求解速度的前提下,提高求解质量。
目前,BIM技术已经逐步运用于建筑工程领域,但在一维下料的应用还处于空白。针对一维下料问题的研究还停留在算法优化上,尚没有相关研究将BIM与智能优化算法结合,提出一种更为有效的解决一维下料问题的优化方法。
发明内容
本发明的目的是提供一种面向智能建造的一维大规模优化下料方法,要解决现有方法进行大规模一维下料问题的优化时,效率低下、精度不高的技术问题。本发明所涉及方法能提高大规模一维下料问题的求解精度和求解效率,减少余料产生,降低工程成本。
为实现上述目的,本发明采用如下技术方案:
一种面向智能建造的一维大规模优化下料方法,包括以下步骤:
步骤一:建立主体结构BIM模型。在BIM设计平台中针对主体结构完成BIM模型的创建,该主体结构作为线性构件布置的对象用于确定线性构件的布置边界;
步骤二:优化线性构件布置,建立线性构件BIM模型。通过BIM设计平台与二次开发平台的交互,完成线性构件的参数化自动生成;
步骤三:创建下料数据表单,建立下料数据基础。基于线性构件BIM模型,确定下料信息并汇总形成下料数据表单。下料信息包括线性构件的原料长度、待下料零件的长度及需求量、零件规格数、零件总数等;
步骤四:确定优化目标,建立数学模型。以余料率最少以及切割组合数最少为目标建立一维下料问题的数学模型;
步骤五:获取当前下料规模下的最佳切割组合。涉及一种改进的粒子群算法,该算法以余料率作为衡量标准,每次只求得当前下料规模下的最佳切割组合,以此将一维下料问题不断分解降级成简单子问题。在粒子群算法中加入自动调整规则来约束惯性系数,提升算法寻优能力的同时,也避免了局部最优的出现;
步骤六:优化最佳切割组合的使用频次。在约束条件范围内,尽可能增加当前最佳切割组合的使用频次;
步骤七:更新待下料零件的数据,缩小下料问题规模,并设定迭代判定条件。以待下料零件的需求量作为判定条件,当待下料零件的需求量为0时,算法结束,否则返回步骤五继续迭代;
步骤八:确定最终的下料方案。迭代终止后将每个子问题求解出的最佳切割组合以及对应的使用频次合并,形成最终的下料方案,该方案为大规模一维下料问题的优化解;
步骤九:输出数据,导出下料优化表单。下料优化表单包括了完整的下料方案、每种切割组合的原料有效利用长度、每种切割组合的余料长度、每种切割组合的余料率、下料方案的总余料率等;
步骤十:实例对比。已知下料数据,对一种面向智能建造的一维大规模优化下料方法进行算法对比,验证其可行性和先进性。
上述步骤三中创建下料数据表单时,包括但不限于步骤中所要求的下料信息。
上述步骤四中数学模型以余料率最少以及切割方式数最少为目标进行创建,但又不局限于此,可根据实际工程需求进行调整。
上述步骤五中使用的粒子群算法目的是求解当前下料规模下的最佳切割组合,但不局限于粒子群算法,其余智能优化算法也能达到同样的目的。
上述步骤九中导出下料优化表单时,包括但不限于步骤中所提及的信息,下料优化表单可由用户自行设计。
与现有技术相比,本发明的有益效果是:
本发明提供了一种求解大规模一维下料问题的更为优化的路径方法,基于BIM设计平台及其对应的二次开发平台完成线性构件BIM模型参数化自动生成,使用数据编程语言,设计出针对一维下料问题的改进粒子群算法,通过计算机编写程序代码,自动处理下料数据,并优化下料方案。本发明与其他现有技术对比具有以下几点优势:
1.本发明通过BIM设计平台及与二次开发平台的交互,完成线性构件BIM模型的优化设计,确保了下料数据的准确性。
2.本发明针对大规模一维下料问题,以余料率和切割组合数最少为目标构建了数学模型。降低了余料的同时,也减少了切割组合的数量。
3.本发明针对大规模一维下料问题,提出一种改进的粒子群算法。每次只求得当前下料规模下的最佳切割组合,将大规模一维下料问题不断降级分解成规模更小的子问题,缩短单次问题的处理规模和算法的求解时间。
4.本发明在粒子群算法中加入自动调整规则来约束惯性系数,用于解决算法过早收敛无法求得最优解的问题。
5.本发明对最佳切割组合的使用频次进行优化,在不超过待下料零件需求量的前提下,尽可能多地使用当前的最佳切割组合,减少实际工程中切换切割组合产生的成本。
附图说明
下面结合附图对本发明做进一步详细的说明。
图1是本发明的总流程图。
图2是建立线性构件BIM模型的流程图。
图3是获取当前下料规模下的最佳切割组合的流程图。
图4是粒子群算法中约束惯性系数的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图以及具体实施方式对本发明进行进一步的详细说明。
上述发明内容是利用Autodedsk公司发布的BIM设计平台Revit和其二次开发平台Dynamo进行优化设计的。同时,利用Matlab语言进行算法编程,完成程序代码实现。应当理解,此处所使用的相关软件平台以及计算机语言仅仅是本发明所述方法的实现工具,并不用于限定本发明。操作步骤如下(参见图1):
步骤一:建立主体结构BIM模型。在BIM设计平台中针对主体结构完成BIM模型的创建,该主体结构作为线性构件布置的对象用于确定线性构件的布置边界;
步骤二:优化线性构件布置,建立线性构件BIM模型。通过BIM设计平台与二次开发平台的交互,完成线性构件的参数化自动生成(参见图2);
1.在BIM设计平台中创建可参数化线性构件族;
2.基于施工图纸和结构图纸,创建线性构件的布置信息表;
3.在二次开发平台中调用相应节点或自定义功能节点形成可视化功能脚本,可视化脚本包括:
1)在二次开发平台中拾取步骤一中创建的主体结构;
2)处理所创建线性构件的布置信息表,提取布置信息;
3)针对线性构件中常见的搭接问题、碰撞问题,在二次开发平台中调用自定义功能节点设定线性构件布置规则;
4)在二次开发平台中调用相应节点和自定义功能节点完成线性构件的位置变化;
4.BIM设计平台与二次开发平台交互协作,在二次开发平台中运行可视化功能脚本,驱动可参数化线性构件族,在BIM设计平台中完成线性构件的参数化自动生成。
步骤三:创建下料数据表单,建立下料数据基础。基于线性构件BIM模型,确定下料信息并汇总形成下料数据表单。下料信息包括线性构件的原料长度、待下料零件的长度及需求量、零件规格数、零件总数等;
1.将线性构件BIM模型拆分并编号,提取工程量。
2.确定下料信息,包括原料长度、待下料零件的长度及其需求量、零件规格数目、零件总数等。
3.汇总生成下料数据表单。
步骤四:确定优化目标,建立数学模型。以余料率最少以及切割组合数最少为目标建立一维下料问题的数学模型;
1.定义下料数据信息,如下所示:
线性构件的原料长度为L,下料零件规格数为m,每种规格的零件长度以及需求量分别为lj,dj(j=1,2,...,m)。设最终的下料方案为X={x1,x2,...,xn},共n种切割组合,每种切割组合xi={xi1,xi2,...xim},其中xij表示第i种切割组合中第j种零件的数量,第i种切割组合的使用次数为fi。每种切割组合的余料长度为
2.以总体余料率最少以及下料方案中切割组合数最少为目标函数,建立数学模型,如下所示:
minZ2=n
xij∈N,fi∈N+
步骤五:获取当前下料规模下的最佳切割组合。涉及一种改进的粒子群算法,该算法以余料率作为衡量标准,每次只求得当前下料规模下的最佳切割组合,以此将一维下料问题不断分解降级成简单子问题。在粒子群算法中加入自动调整规则来约束惯性系数,提升算法寻优能力的同时,也避免了局部最优的出现(参见图3);
1.在Matlab环境中导入步骤三创建的下料数据表单,并提取其中线性构件的原料长度L、待下料零件的长度lj和零件需求量dj,其中j=1,2,...,m;
2.设定算法参数:粒子种群规模为Q,允许最大迭代次数为K,惯性系数ω取值范围为[ωmin,ωmax];
3.随机分配所有粒子的初始位置和初始速度,并限制粒子速度和位置边界。粒子的位置对应一种切割组合;
4.以余料率作为衡量标准,构建适应度函数,如下所示:
其中,Yi代表第i个粒子对应切割组合的余料率,Si为第i个粒子对应切割组合的原料使用长度。
5.在求解最佳切割组合的过程中,由于粒子的随机性,可能会出现某个粒子所对应切割组合的使用长度大于原料长度。为了避免这种情况,对粒子进行了优化,从而使得粒子对应切割组合的使用长度不断趋近于原料长度。具体步骤如下:
1)取Si=0,j=1;
3)令j=j+1,重复第二步;j大于m时结束。
其中,xij为第i个粒子对应切割组合中的第j种规格的待下料零件数量,m为待下料零件规格数。
6.根据种群中粒子的信息共享,比较各个粒子的适应度值,更新种群最优位置与个体最优位置;
7.制定自动调整规则约束惯性系数ω。在正常迭代过程中以非线性递减作为变化趋势,同时为避免种群陷入局部最优,针对早熟收敛的粒子增加其惯性系数(参见图4);
1)为使粒子在迭代前期拥有良好的全局搜索能力,后期拥有较好的局部寻优能力,令ω在迭代过程中呈非线性递减,如下所示:
2)同时,为了避免种群陷入局部最优,针对早熟收敛的粒子,增加其惯性系数,使之跳出局部收敛。已知粒子种群规模为Q,假设第k次迭代步时种群的适应度值为/>第k次迭代步的个体最优位置的适应度值为/>第k-1次迭代步的种群最优位置的适应度值为假设种群目前陷入局部收敛的次数为t,t的初始值为0,同时规定陷入局部收敛后的种群迭代次数不超过T。第k次迭代步所有粒子的平均适应度值为/> 对于的粒子,取平均值Yavg2。避免种群陷入局部最优的具体步骤如下:
8.按如下公示更新种群中各个粒子的位置和速度:
其中,与/>分别代表第i个粒子k+1次迭代后,速度与位置的第j维分量;/>代表第i个粒子k次迭代后,个体最优位置的第j维分量;/>代表k次迭代后,种群最优位置的第j维分量;c1与c2代表学习因子;r1与r2代表随机函数,在[0,1]内取值。
9.当种群迭代次数达到K时,种群最优位置对应的切割组合为当前下料规模下的最佳切割组合;否则,跳转至第5步继续迭代。
步骤六:优化最佳切割组合的使用频次。在约束条件范围内,尽可能增加当前最佳切割组合的使用频次;
1.在不超过零件需求量的前提下,利用如下公示尽可能多地使用当前的最佳切割组合:
其中,F为最佳切割组合的使用频次;dj为第j种规格的待下料零件的需求量;xj为最佳切割组合中第j种规格的待下料零件的数量。
步骤七:更新待下料零件的数据,缩小下料问题规模,并设定迭代判定条件。以待下料零件的需求量作为判定条件,当待下料零件的需求量为0时,算法结束,否则返回步骤五继续迭代;
1.利用如下公式更新待下料零件的数据:
dj=dj-xj j=1,2,...,m
2.当待下料零件的需求量不为0时,继续求解新下料规模下的最佳切割组合。
步骤八:确定最终的下料方案。迭代终止后将每个子问题求解出的最佳切割组合以及对应的使用频次合并,形成最终的下料方案,该下料方案为大规模一维下料问题的优化解;
步骤九:输出数据,导出下料优化表单。下料优化表单包括了完整的下料方案、每种切割组合的原料有效利用长度、每种切割组合的余料长度、每种切割组合的余料率、下料方案的总余料率等;
步骤十:实例对比。已知下料数据,对一种面向智能建造的一维大规模优化下料方法进行算法对比,验证其可行性和先进性。
1.为验证本发明所提算法的可行性与先进性,与相关文献所提算法进行对比,并在相应测试数据中进行验证。相关文献如下:
[1]张梦,陈仕军,李嘉宾,刘朝阳.基于模拟退火算法的一维下料研究[J].计算机时代,2017(12):1-4.DOI:10.16644/j.cnki.cn33-1094/tp.2017.12.001.
[2]李斌,贺飞.求解一维下料问题的改进混合遗传算法[J].内蒙古大学学报(自然科学版),2014,45(03):245-250.DOI:10.13484/j.nmgdxxbzk.20140304.
[3]魏凉良,叶家玮.一维下料问题的改进自适应遗传算法[J].华南理工大学学报(自然科学版),2003(06):26-30.
2.本发明所提算法采用Matlab语言进行编程,运行在Windows11系统、AMDRyzen54600H处理器环境下的计算机上。设定粒子种群规模为50,允许最大迭代次数为300,惯性系数ω的取值范围为[0.4,0.8]。
3.实例1:文献[1]提出一种改进的模拟退火算法,通过调整变异算子和提出改进的解码策略来解决一维下料问题。实验数据如表1所示,包括36种规格的待下料零件,原料长度为305m。
表1.实例1所使用的实验数据
文献[1]给出的下料方案如表2所示,该下料方案包含7种切割组合,共需7根原料,余料总长度为31m,余料率为1.45%。本发明所提算法给出的下料方案如表3所示,该下料方案包含7种切割组合,共需原材料7根,余料总长度为31m,余料率为1.45%。不同的是,本发明所提方法得出的下料方案中,前六种切割组合的余料皆为0。
表2.文献[1]得出的下料方案
表3.本发明所提算法得出的下料方案
实例2:文献[2]提出了一种改进的混合遗传算法,通过构造一种局部搜索算法来辅助遗传算法解决大规模下料问题。实验数据来源于文献[3],如表4所示,包括20种规格的待下料零件,原料长度为12m。
表4.实例2所使用的实验数据
文献[2]给出的下料方案如表5所示,该下料方案包含24种切割组合,共需24根原料,余料总长度为7468mm,余料率为2.59%。本发明所提算法给出的下料方案如表6所示,该下料方案包含14种切割组合,共需原材料24根,余料总长度为6982mm,余料率为2.42%。
表5.文献[2]得出的下料方案
表6.本发明所提算法得出的下料方案
本发明可适用于所有线性构件的下料优化问题的求解过程,不论线性材构件的结构形式如何,相关参数的数值如何,都可以使用本发明进行下料方案的优化求解,并依据下料方案来指导下料。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (1)
1.一种面向智能建造的一维大规模优化下料方法,其特征在于:包括以下步骤:
步骤一:建立主体结构BIM模型;在BIM设计平台中针对主体结构完成BIM模型的创建,该主体结构作为线性构件布置的对象用于确定线性构件的布置边界;
步骤二:优化线性构件布置,建立线性构件BIM模型;通过BIM设计平台与二次开发平台的交互,完成线性构件的参数化自动生成;
步骤三:创建下料数据表单,建立下料数据基础;基于线性构件BIM模型,确定下料信息并汇总形成下料数据表单;下料信息包括线性构件的原料长度、待下料零件的长度及需求量、零件规格数、零件总数;
步骤四:确定优化目标,建立数学模型;以余料率最少以及切割组合数最少为目标建立一维下料问题的数学模型;
步骤五:获取当前下料规模下的最佳切割组合;涉及一种改进的粒子群算法,在粒子群算法中加入自动调整规则来约束惯性系数,该算法以余料率作为衡量标准,每次只求得当前下料规模下的最佳切割组合,以此将一维下料问题不断分解降级成简单子问题;
步骤六:优化最佳切割组合的使用频次;在约束条件范围内,尽可能增加当前最佳切割组合的使用频次;
步骤七:更新待下料零件的数据,缩小下料问题规模,并设定迭代判定条件;以待下料零件的需求量作为判定条件,当待下料零件的需求量为0时,算法结束,否则返回步骤五继续迭代;
步骤八:确定最终的下料方案;迭代终止后将每个子问题求解出的最佳切割组合以及对应的使用频次合并,形成最终的下料方案,该方案为大规模一维下料问题的优化解;
步骤九:输出数据,导出下料优化表单;下料优化表单包括完整的下料方案、每种切割组合的原料有效利用长度、每种切割组合的余料长度、每种切割组合的余料率、下料方案的总余料率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046916.XA CN116204955A (zh) | 2023-01-31 | 2023-01-31 | 一种面向智能建造的一维大规模优化下料方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046916.XA CN116204955A (zh) | 2023-01-31 | 2023-01-31 | 一种面向智能建造的一维大规模优化下料方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116204955A true CN116204955A (zh) | 2023-06-02 |
Family
ID=86510613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310046916.XA Pending CN116204955A (zh) | 2023-01-31 | 2023-01-31 | 一种面向智能建造的一维大规模优化下料方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204955A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172473A (zh) * | 2023-09-04 | 2023-12-05 | 晞德求索(北京)科技有限公司 | 基于动态分配的一维下料方法和装置 |
-
2023
- 2023-01-31 CN CN202310046916.XA patent/CN116204955A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172473A (zh) * | 2023-09-04 | 2023-12-05 | 晞德求索(北京)科技有限公司 | 基于动态分配的一维下料方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111765445B (zh) | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 | |
Hsiao et al. | Robust stabilization of nonlinear multiple time-delay large-scale systems via decentralized fuzzy control | |
CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
CN105893694A (zh) | 一种基于重采样粒子群优化算法的复杂系统设计方法 | |
CN103809506A (zh) | 基于一维粒子群算法获得零件加工最优调度方案的方法 | |
CN116204955A (zh) | 一种面向智能建造的一维大规模优化下料方法 | |
Gao et al. | Forecasting annual natural gas consumption via the application of a novel hybrid model | |
Muralidharan et al. | Emission constrained economic dispatch—A new recursive approach | |
Liang et al. | Hybrid algorithm based on genetic simulated annealing algorithm for complex multiproduct scheduling problem with zero-wait constraint | |
Pan | Research on path planning of AUV based on improved genetic algorithms | |
CN112100909B (zh) | 一种基于协同优化策略的并行可配置智能优化方法 | |
JP2020061065A (ja) | 設計パラメータ評価支援方法及びそのプログラム | |
Duan et al. | Research on the stability of NDGM model with the fractional order accumulation and its optimization | |
CN106649203A (zh) | 一种提高大数据处理质量的方法 | |
Huang et al. | A novel parameter optimisation method of hydraulic turbine regulating system based on fuzzy differential evolution algorithm and fuzzy PID controller | |
Koop et al. | Optimal control of a fermentation process for xylitol production using differential evolution | |
Wang et al. | Research on grey function analysis model (1, 1) based on regional economy impact analysis | |
Zhang et al. | CNC programming system for complex components based on KBE within integrated environment of CAD/CAPP/CAM | |
Wan et al. | Research on Multi-modal Data Cross-Media Perception Fusion Algorithm Based on Digital Twin | |
CN113555909B (zh) | 一种多能互补基地风光火储建设时序优化方法与系统 | |
Xu et al. | Particle swarm optimization method for panel layout | |
Yitao | Research on the application of data mining technology in software engineering | |
CN114065631A (zh) | 一种板材激光切割的能耗预测方法及系统 | |
Sambariya et al. | An application of Modified Cauer form for reduction of large order LTI Systems | |
Ai et al. | Wind Power Prediction Based on Gray Wolf Algorithm and Long Short-Term Memory Neural Networks |
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 |