CN116933653A - 一种矩形排样方法、设备及介质 - Google Patents
一种矩形排样方法、设备及介质 Download PDFInfo
- Publication number
- CN116933653A CN116933653A CN202310952349.4A CN202310952349A CN116933653A CN 116933653 A CN116933653 A CN 116933653A CN 202310952349 A CN202310952349 A CN 202310952349A CN 116933653 A CN116933653 A CN 116933653A
- Authority
- CN
- China
- Prior art keywords
- part sequence
- matrix
- current
- updated
- updating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 111
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000003860 storage Methods 0.000 claims abstract description 44
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 48
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001135 Friedman test Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种矩形排样方法、设备及介质，方法包括：采用随机函数生成一个当前代次的零件序列矩阵和一个当前代次的存储矩阵，零件序列矩阵包括当前代次的零件的N种序列，每条零件序列包括D种零件；对每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案；根据目标函数计算每种嵌套方案的当前板材利用率，直至目标函数满足终止条件，输出当前零件序列矩阵；当目标函数不满足终止条件时，重复执行如下步骤：采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的零件序列矩阵和存储矩阵；采用方向变化操作更新零件序列矩阵和存储矩阵，并根据目标函数计算更新后的零件序列矩阵对应的最值。本发明提高了板材的利用率。
Description
技术领域
本说明书涉及计算机辅助排样技术领域，尤其涉及一种矩形排样方法、设备及介质。
背景技术
激光切割过程中，通过切割机配套的排样软件生成排样结果时，钢材边角余料大量产生，存在材料浪费的缺陷。优化排样问题从而提高物料资源的利用率是需要做出改进的重点之一。
排样问题主要包括规则型零件排样和不规则型零件排样。矩形排样问题就是在定宽无限高的矩形板材上排放一系列矩形零件，被排放的零件之间不能有重叠,且零件必须排放在板材内部,要求找到一个最优排样方案使得板材的利用率最高。矩形件排样问题是一个NP完全类的组合优化问题。即该类问题计算复杂性很高，在现有的计算机水平下和人们可以接受的时间内无法找到最优解。二维排样问题需要考虑到多种约束条件以及几何组合，其理论研究涉及到线性规划、动态规划、启发式算法以及智能算法等多种理论，其中智能搜索算法已经越来越成为求解二维排样问题的趋势。
对于排样问题，众多研究者们不断对排样问题进行研究，目前按照求解算法分类，对矩形件排样问题的研究主要分为三类：确定性算法，启发式算法和元启发式算法，但是这三种算法存在消耗时间长、排样率低、等问题，都无法很好地解决矩形排样问题。
对于组合优化问题，根据研究对象可以分成连续型变量问题和离散型变量问题。矩形排样问题则属于后者。在求解单个连续型的最优问题上，与现行众多元启发式算法相比，SAR算法能以更快的速度求得更准确的解。但是鉴于现有的SAR算法并没有针对矩形排样问题做修改，因此计算出的解的质量达不到高排样率的要求。
发明内容
本说明书一个或多个实施例提供了一种矩形排样方法，用于解决如下技术问题：现有技术中用于解决矩形排样问题的算法无法在减少计算时间，提高计算效率的同时，保证高排样率。
本说明书一个或多个实施例采用下述技术方案：
本说明书一个或多个实施例提供一种矩形排样方法，所述方法包括：
采用随机函数生成当前零件序列矩阵和当前存储矩阵，所述当前零件序列矩阵包括当前代的N条零件的序列，每条零件序列包括D种零件；
对所述每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案；
根据目标函数计算每种嵌套方案的当前板材利用率，当所述目标函数不满足预设终止条件时，重复执行如下步骤，直至所述目标函数满足所述预设终止条件，输出当前零件序列矩阵；
采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵；
采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，并根据所述目标函数计算更新后的所述零件序列矩阵对应的最值。
本说明书一个或多个实施例提供一种矩形排样设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述步骤。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述步骤。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
为了解决矩形排料问题，本发明对搜救算法进行修改：在搜救算法的群体阶段采用遗传交叉和局部交叉，在个人阶段采用方向变化。搜救算法是一种新式的启发式算法,即能在连续性的问题上有好的表现,经过优化修改也可以用于求解离散性的问题。为了验证算法的有效性，本文先采用了弗里德曼检验检查交换后的零件序列的质量，和实际排料检测算法的效用。实验取得让人满意的结果，从而验证了算法的有效性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书实施例提供的一种矩形排样方法的流程示意图；
图2为7种、8种零件的差异统计；
图3为SARO算法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本发明涉及到的SAR算法是研究人员第一次模拟人类的行为而总结而成的优化搜索算法。在SAR中，搜索操作被分为两个阶段:群体阶段和个人阶段。在群体阶段搜救人员利用手中的线索和他人手中的线索比较确定行动路线，如果别人的线索质量好，就抛弃自己手中的线索，向好的线索方向上搜索前进。而在个人阶段搜救人员则根据自己手中的线索进行搜索。
本说明书实施例提供一种矩形排样方法。图1为本说明书实施例提供的一种矩形排样方法的流程示意图。如图1所示，方法主要包括如下步骤：
步骤S101，采用随机函数生成当前零件序列矩阵和当前存储矩阵，所述当前零件序列矩阵包括当前代的N条零件的序列，每条零件序列包括D种零件。
参考图3，本发明依托SAR算法，对其进行改进，让其可以处理离散问题求解最优的矩形排料问题，初代2N的线索矩阵C由一个随机函数rand()产生。在SAR中，D代表维度，Xij表示一个搜救人员的位置；而在矩形排料中，D则代表零件总数，Xij表示一个零件，数值上等于这个零件在原D种零件集合中的序号。在SAR中，矩阵X表示搜救人员掌握的当前手中的N条D维线索。在矩形排料问题中，矩阵X则表示当前这一代所有采用的N种零件排序。在SAR中，当救援人员发现更好的线索时，矩阵M用来存放抛弃的线索；在矩形排料问题中，矩阵M用来存放在迭代中被抛弃的板材利用较低的零件序列。在SAR中，线索矩阵C用来存储现有的已知道的线索位置，即矩阵X和矩阵M的合集，该矩阵的一行即代表一个线索位置；而在矩形排料问题中，线索矩阵C用来存储现有的已知道的零件序列，每行代表一个零件序列。如下公式(2)所示：
步骤S102，对所述每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案。
采用最低水平线搜索策略作为零件定位算法。经过研究已发表文献中所提出的算法发现，最低水平线算法具有简单易行且排样效果好的特点。
最低水平线搜索策略的具体算法流程如下：
步骤1：设定板材底边为初始最高等高线。
步骤2：当零件要嵌套进板材时，选择距离板材底部最低水平线作为零件的放置位置。如果存在几个相同高度的最低水平线，选择最左边的。最低水平线的宽度和当前准备嵌套的零件块的宽度做比较。
如果最低水平线的宽度较长，当前零件就可以嵌套在这个地方，然后更新最低水平线集合。
否则，找到与这条最低水平线临近的第二低的水平线，将它与最低水平线合并。即提高最低水平线的高度和长度。更新最低水平线集合。
步骤3：复步骤2，直到当前零件可以嵌套为止。
步骤4：重复这个过程，直到所有的零件完成嵌套。
步骤S103，根据目标函数计算每种嵌套方案的当前板材利用率，当所述目标函数不满足预设终止条件时，重复执行如下步骤，直至所述目标函数满足所述预设终止条件，输出当前零件序列矩阵。
描述问题的方便起见，在本发明的技术方案中假设矩形板材的宽度W为一定值,高度H不限,待排零件总数为N,第i个零件长为l_i,宽为w_i.以板材的左下角为原点,宽度方向为x轴,高度方向为y轴,建立直角坐标系.将指定规格和数量的矩形零件排入板材内,排完后板材在高度方向上使用得越少,其利用率越高.
其中，目标函数，如公式1所示下，其中指零件离板材底部最高距离。
步骤S104，采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵。
在群体阶段，分别采用公式(5)(6)来更新零件序列矩阵X和存储矩阵M。鉴于两个零件序列差值的分布规律，当两序列的差值处于时，即处于分布曲线中间部分时，采用遗传算法中的交叉操作策略，因为遗传算法有很强的全局搜索能力，“步长”较大。从而产生两个新的零件序列NX1、NX2，这两个新序列与原零件序列相比，序列差值有明显的变化。如果新零件序列的目标函数值高于原零件序列，即用这个新序列代替原序列，实现了算法向更优的极值方向移动的操作。但是，有时这种序列变换没有带来目标函数值的提高，在这种情况下不更新这个零件序列。所以需要设置一个限制值L来强制更新，即当一个零件序列连续L次没有更迭时，用一个新的随机序列来代替它。这样做是为了防止零件序列陷入局部极值，同时也扩大了搜索范围，即公式(5)。
再利用公式(6)来更新M矩阵。
当两序列的差值处于或/>时，即两个零件序列的序列差异度较小时，采用局部交叉操作策略。要实现这个策略，首先选取两组零件序列Xi，Ck单维度差值最大的几项，然后互换序列Xi和序列Ck对用的这几项。这样做是为了确保零件序列在极值周边搜索，不会偏离太大，即采用“小步长”。这样产生的两组新零件序列NX1和NX2。之后的更新矩阵方法仍采用公式(5)和公式(6)。
为了能准确地衡量两个零件序列i、k的差异性，本文直接将两个序列所有位置序号差值的绝对值加起来变为SDi。通过序列之间的关系，得到一个差异最大值公式(4)：
参考图2，在通过对7个、8个零件的序列全排列的任意两序列差异的统计和分析后，我们可以得到两个零件序列的差值分布会趋近与正态分布的规律，如图1所示。即两个零件序列进行“减操作”后的差值往往会处于正太分布曲线的中间位置。
步骤S105，采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，并根据所述目标函数计算更新后的所述零件序列矩阵对应的最值。
在SAR中，个人阶段要实现在自身周围寻找；对于矩形件排料，根据其离散特点，本文通过改变零件的方向来实现了在自身周围寻找的操作。采用公式(7)来更新零件矩阵。选取数量为Q的长宽差值较大的零件，将这些零件做90度方向旋转。这个操作将产生一个新的序列NX1，同样的需要设置一个限制值L，当一个零件序列没有更迭的次数超过L时，用一个新的随机序列代替。同样的高目标函数值的新零件序列替换原零件序列，确保了搜索向极值方向前进。强制更新的机制扩大了搜索范围。
为了比较算法的效用，本文首先对用SARO、GA和SA生成的零件序列进行弗里德曼检验(Friedman)测试。通过计算算法的平均秩，以估计生成的零件序列表现最好的算法，值越低越好。SARO明显优于另外两个算法。本文算法于其他两个算法相比整体优化效果最好，随着样本规模增大，优势更明显。在这部分，我使用SARO算法进行的矩形排料的板材利用率基本维持在90％以上。高于其他算法的平均利用率。尽管如此，从算法角度分析，SARO比GA再更新迭代需要更多的操作，所以SARO算法消耗的时间应当要比GA算法要多一些，但是仍在可接受的范围内。实验中的不确定的因素来自于随机生成的零件序列，因为如果随机产生的序列对应的板材利用率比较好,程序即不需要经历过多代搜索即可结束。
综上所述，为了解决矩形排料问题，本发明对搜救算法进行修改：在搜救算法的群体阶段采用遗传交叉和局部交叉，在个人阶段采用方向变化。搜救算法是一种新式的启发式算法,即能在连续性的问题上有好的表现,经过优化修改也可以用于求解离散性的问题。为了验证算法的有效性，本文先采用了弗里德曼检验检查交换后的零件序列的质量，和实际排料检测算法的效用。实验取得让人满意的结果，从而验证了算法的有效性。
本说明书实施例还提供一种矩形排样设备，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
采用随机函数生成当前零件序列矩阵和当前存储矩阵，所述当前零件序列矩阵包括当前代的N条零件的序列，每条零件序列包括D种零件；
对所述每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案；
根据目标函数计算每种嵌套方案的当前板材利用率，当所述目标函数不满足预设终止条件时，重复执行如下步骤，直至所述目标函数满足所述预设终止条件，输出当前零件序列矩阵；
采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵；
采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，并根据所述目标函数计算更新后的所述零件序列矩阵对应的最值。
本说明书实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：
采用随机函数生成当前零件序列矩阵和当前存储矩阵，所述当前零件序列矩阵包括当前代的N条零件的序列，每条零件序列包括D种零件；
对所述每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案；
根据目标函数计算每种嵌套方案的当前板材利用率，当所述目标函数不满足预设终止条件时，重复执行如下步骤，直至所述目标函数满足所述预设终止条件，输出当前零件序列矩阵；
采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵；
采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，并根据所述目标函数计算更新后的所述零件序列矩阵对应的最值。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种矩形排样方法，其特征在于，所述方法包括：
采用随机函数生成当前零件序列矩阵和当前存储矩阵，所述当前零件序列矩阵包括当前代的N条零件的序列，每条零件序列包括D种零件；
对所述每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案；
根据目标函数计算每种嵌套方案的当前板材利用率，当所述目标函数不满足预设终止条件时，重复执行如下步骤，直至所述目标函数满足所述预设终止条件，输出当前零件序列矩阵；
采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵；
采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，并根据所述目标函数计算更新后的所述零件序列矩阵对应的最值。
2.根据权利要求1所述的一种矩形排样方法，其特征在于，所述采用遗传交叉操作和局部交换操作更新零件序列，包括：
计算所述零件序列的差值，当所述差值位于第一预设阈值和第二预设阈值之间时，采用遗传交叉操作，产生两组更新零件序列；
当所述差值不位于所述第一预设阈值和所述第二预设阈值之间时，采用局部交换操作产生两组零件序列。
3.根据权利要求2所述的一种矩形排样方法，其特征在于，所述采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵，还包括：
采用所述目标函数计算当前零件序列的当前板材利用率、第一组更新零件序列对应的第一更新板材利用率，以及第二组更新零件序列对应的第二更新板材利用率；
比较所述当前板材利用率、所述第一更新板材利用率和所述第二更新板材利用率，并对所述零件序列矩阵和所述存储矩阵进行更新。
4.根据权利要求3所述的一种矩形排样方法，其特征在于，所述更新后的所述零件序列矩阵和所述存储矩阵，还包括：
当所述第一更新板材利用率高于所述第二更新板材利用率并且高于所述当前板材利用率时，将所述当前零件序列矩阵更新为所述第一组更新零件序列矩阵对应的更新零件序列矩阵；
当所述第二更新板材利用率高于所述更新板材利用率，并高于所述当前板材利用率时，将所述当前零件序列矩阵更新为所述第二组更新零件序列对应的第二更新零件序列矩阵。
5.根据权利要求4所述的一种矩形排样方法，其特征在于，所述得到更新后的所述零件序列矩阵和所述存储矩阵，还包括：
当所述第一更新板材利用率和所述第二更新板材利用率低于所述当前板材利用率，并且所述当前零件序列更新次数低于第三预设阈值时，将所述当前零件序列矩阵更新为所述当前零件序列矩阵；
当所述第一更新板材利用率和所述第二更新板材利用率低于所述当前板材利用率，并且所述当前零件序列更新次数高于所述第三预设阈值时，采用所述随机函数生成矩阵，作为所述当前零件序列矩阵。
6.根据权利要求5所述的一种矩形排样方法，其特征在于，所述更新后的所述零件序列矩阵和所述存储矩阵，还包括：
若第一更新零件序列和/或所述第二更新零件序列所述当前零件序列时，将所述存储矩阵更新为所述当前零件序列矩阵，否则，将保持所述当前存储矩阵。
7.根据权利要求2所述的一种矩形排样方法，其特征在于，所述采用遗传交叉操作和局部交换操作更新零件序列，包括：
选取两组零件序列，并互换所述序列对应的若干项零件元素，得到所述第一更新零件序列和所述第二更新零件序列。
8.根据权利要求1所述的一种矩形排样方法，其特征在于，所述采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，包括：
选取若干数量的长宽差值较大的零件，将所述零件的方向旋转90°，生成第三更新零件序列；
采用所述目标函数计算所述第三更新零件序列对应的第三更新板材利用率；
当所述第三更新板材利用率低于所述当前板材利用率时，将所述当前零件序列矩阵更新为所述第三更新零件序列对应的更新零件序列矩阵；
若所述当前零件序列更新次数高于所述预设第三阈值，则保持所述当前零件序列矩阵；
若所述当前零件序列更新次数低于所述预设第三阈值，则采用随机函数生成当前零件序列矩阵。
9.一种矩形排样设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采用随机函数生成当前零件序列矩阵和当前存储矩阵，所述当前零件序列矩阵包括当前代的N条零件的序列，每条零件序列包括D种零件；
对所述每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案；
根据目标函数计算每种嵌套方案的当前板材利用率，当所述目标函数不满足预设终止条件时，重复执行如下步骤，直至所述目标函数满足所述预设终止条件，输出当前零件序列矩阵；
采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵；
采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，并根据所述目标函数计算更新后的所述零件序列矩阵对应的最值。
10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
采用随机函数生成当前零件序列矩阵和当前存储矩阵，所述当前零件序列矩阵包括当前代的N条零件的序列，每条零件序列包括D种零件；
对所述每条零件序列执行最低水平线搜索算法，得到D种零件在板材中的嵌套方案；
根据目标函数计算每种嵌套方案的当前板材利用率，当所述目标函数不满足预设终止条件时，重复执行如下步骤，直至所述目标函数满足所述预设终止条件，输出当前零件序列矩阵；
采用遗传交叉操作和局部交换操作更新零件序列，得到更新后的所述零件序列矩阵和所述存储矩阵；
采用方向变化操作更新所述零件序列矩阵和所述存储矩阵，并根据所述目标函数计算更新后的所述零件序列矩阵对应的最值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952349.4A CN116933653A (zh) | 2023-07-31 | 2023-07-31 | 一种矩形排样方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952349.4A CN116933653A (zh) | 2023-07-31 | 2023-07-31 | 一种矩形排样方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116933653A true CN116933653A (zh) | 2023-10-24 |
Family
ID=88378944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310952349.4A Pending CN116933653A (zh) | 2023-07-31 | 2023-07-31 | 一种矩形排样方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933653A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2023
- 2023-07-31 CN CN202310952349.4A patent/CN116933653A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cowtan et al. | On the qubit routing problem | |
| EP3333735B1 (en) | Method and computer program for determining a placement of at least one circuit for a reconfigurable logic device | |
| Sedeno-Noda et al. | A Dijkstra-like method computing all extreme supported non-dominated solutions of the biobjective shortest path problem | |
| US20170169326A1 (en) | Systems and methods for a multi-core optimized recurrent neural network | |
| Nearchou | A novel metaheuristic approach for the flow shop scheduling problem | |
| JP2007095069A (ja) | 分散カーネル・サポート・ベクトル・マシン | |
| Fišer et al. | Growing neural gas efficiently | |
| CN116933653A (zh) | 一种矩形排样方法、设备及介质 | |
| Rehbach et al. | Comparison of parallel surrogate-assisted optimization approaches | |
| CN104952032A (zh) | 图的处理方法、装置以及栅格化表示及存储方法 | |
| CN104765754A (zh) | 数据存储方法及装置 | |
| D’Angelo et al. | Distance queries in large-scale fully dynamic complex networks | |
| JP2020042576A (ja) | 化合物探索装置、化合物探索方法、及び化合物探索プログラム | |
| Hasan et al. | Evaluating the effectiveness of mutation operators on the behavior of genetic algorithms applied to non-deterministic polynomial problems | |
| Alis et al. | Parallel processing of big point clouds using Z-Order-based partitioning | |
| Ha et al. | Leveraging bayesian optimization to speed up automatic precision tuning | |
| CN111177190B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN106445960A (zh) | 一种数据聚类方法和装置 | |
| Li et al. | Quasi-Monte-Carlo tree search for 3D bin packing | |
| Chen | The merge phase of parallel divide-and-conquer scheme for 3D Delaunay triangulation | |
| de Gomensoro Malheiros et al. | Simple and efficient approximate nearest neighbor search using spatial sorting | |
| Kasim et al. | Infinite dimensional optimistic optimisation with applications on physical systems | |
| CN115968467A (zh) | 存储器受限调度 | |
| Weinbub et al. | Comparison of the parallel fast marching method, the fast iterative method, and the parallel semi-ordered fast iterative method | |
| CN113065035A (zh) | 一种单机核外属性图计算方法 |
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 |