导读:本文包含了矩形带排样论文开题报告文献综述及选题提纲参考文献，主要关键词:矩形件带排样,一刀切,自适应,遗传算法
矩形带排样论文文献综述
郑明月[1]（2013）在《混合遗传算法在矩形件带排样问题中的应用》一文中研究指出矩形件带排样问题是矩形件排样问题的一种,主要是指将所有待排矩形零件排入宽度一定,长度不限的矩形板材中,充分利用原材料,达到尽可能高的板材利用率。该问题在数学上已经被证明为NP完全问题,短时间内无法获得全局最优解。为了更加深入的研究矩形件带排样问题,在总结国内外研究现状的基础上,进行了发展趋势的简要分析。通过对传统矩形件带排样问题数学模型的改进,在保证原材料利用率的前提下,增加了余料回收成本,建立了原材料成本与余料回收成本之和的最小化数学模型,满足“一刀切”切割工艺,并设计了一种包含自适应交叉、变异算子的混合遗传算法。利用启发式规则产生初始种群,利用自适应交叉与变异算子调整种群的多样性,对产生的个体进行解码,并利用整合算子改善排样结果,得到的种群转而进行模拟退火操作,避免算法陷入局部最优解。通过实验对比与仿真,证明了该算法求解中大规模下矩形件带排样问题是有效的。(本文来源于《合肥工业大学》期刊2013-04-01）
李霞,陈弦[2]（2011）在《一种启发式矩形毛坯带排样算法研究》一文中研究指出介绍一种两维矩形毛坯带排样问题的改进启发式递归算法,它基于递归结构和分支定界技术.首先初始化板材作为一个块,考虑目前的块,算法选择一个毛坯,将毛坯放在块的左下角,然后用水平或竖直的剪切线将未使用空间分为两个更小的块,便于进一步递归求解.使用上下界来去除无用的分支,缩短运算时间.将该算法和遗传算法相结合,先通过遗传算法确定所有矩形毛坯较优的排放顺序和排放方式,然后使用递归排样生成排样图,通过比较不同的矩形排放序列对应的板材利用率,最终得到较优的排样方案.测试数据表明了该启发式优化算法的有效性.(本文来源于《山西大学学报(自然科学版)》期刊2011年02期）
刘睿,严玄,崔耀东[3]（2010）在《矩形件叁阶段带排样问题的遗传算法》一文中研究指出采用混合遗传算法求解矩形件带排样问题,采用叁阶段排样方式以满足特定的约束或简化切割工艺。改进遗传算子,在变异操作之后使用调整操作,以进一步简化得到的排样方案。在初始种群构造时,根据矩形件的特性采用一些简单有效的方法,使结果更好更快地收敛。实验结果表明方法对解决这类问题是有效的。(本文来源于《计算机工程与应用》期刊2010年33期）
黄玲,崔耀东[4]（2010）在《矩形毛坯匀质条带排样方式及其生成算法》一文中研究指出提出了匀质条带规范排样方式及其动态规划生成算法:从边界开始,逐段递推寻找优化排样方式。这种算法假定每一刀都从板材上切下1根水平或竖直的匀质条带,每根匀质条带中只含尺寸相同的毛坯,从而简化下料工艺。实验计算结果表明,和其他常见排样方式相比,使用匀质条带规范排样方式可提高材料利用率,计算时间能够满足实际应用需要。(本文来源于《桂林理工大学学报》期刊2010年02期）
严玄[5]（2009）在《矩形叁阶段带排样问题的遗传算法的研究》一文中研究指出计算机辅助排样(CAN)是计算机辅助技术最具体的应用之一,是计算机技术与现代经济快速发展的必然产物。它广泛存在于机械加工、家电制造、服装裁剪、国防科技等国民经济行业中,解决好这类问题可以节省原材料,简化生产工艺,降低生产成本,增加企业效益。矩形件带排样问题(RSPP)是矩形排样问题中的一个重要分支,它是指给定n个不同的矩形零件集合R1 , R2,,Rn,将其全部置于定宽无限高的矩形条带Q上,使得所占据条带的高度最小。RSFP在理论上是属于高计算复杂性的NP完全问题,求解这类问题所需要的计算量随着问题规模的增加呈指数级增长,而不是线性增长。因此,研究RSPP具有重要的实用和理论价值。遗传算法是借鉴生物的自然选择和遗传进化机制而开发出来的一种自适应全局优化概率搜索算法,它模拟生物进化的基本过程,通过对群体施加选择、交叉、变异等遗传算子来仿真生物的基本进化过程,逐步使群体进化到所求得的解包含全局最优解或近似最优解。它对于非常复杂、高度非线性的组合优化问题表现出比传统优化方法更加独特和优越的性能。排样问题是一个多目标规划问题,在考虑材料利用率的同时,还需要考虑到生产工艺的要求。为了适应特殊的领域,排样过程中需要满足特定的生产工艺要求,往往会对得到的排样方式加以限制,生成适合的下料方案。基于上述考虑,本文使用一种基于遗传算法求解RSPP的启发式遗传算法,同时要求得到的排样方式为一个叁阶段排样方案。本文的主要工作如下:首先,本文使用一种基于递归方法的启发式解码方式,通过对染色体序列进行解码,得到对应的叁阶段排样方式。将分段切割的思想引入到解码过程中。在解码过程中根据毛坯的序列将排样方案划分为层,将层划分为堆,层和堆上毛坯的排放遵循贪婪的原则,若当前堆上方不可以继续排放任何毛坯时则产生一个新堆,当前层上不能再产生新堆时划分一个新的层,依循这样的排放规则直到所有的毛坯排放完成。这样所得到的排样方式为一个可剪切下料的方式,即可沿层的方向先把矩形条带切割成比较小的段,然后沿堆的方向再将层切割成若干个小堆,最后将堆切割成所需要的毛坯。其次,依据特定的分层思想,设计交叉算子和变异算子。在进行交叉操作时,交叉的对象设计成以层为单位进行,在对染色体解码以后,通过比较各层的废料率,将废料率较小的层遗传到子代,这样既保留了父代染色体的优良基因片段,又提高了交叉的效率;同样的,变异操作也以层为单位进行,先找出当前个体所对应的排样方式中那些排放不合理的毛坯,先从当前位置删除,将其放在基因队列的最后,然后选择部分待变异的层并拆分这些层,最后将这些毛坯依次插入到未被拆分的层上的合适位置。经过交叉和变异操作后,引入一个新的操作——调整操作,该操作在不改变带的利用率的条件下,用来调整层和堆的相对位置,简化得到的排样方案。然后,规划和设计了排样系统的基本功能模块,开发了一个基于遗传算法的矩形带排样系统。通过大量实验测试,并将实验结果与同类算法的实验结果进行比较和分析,验证了该系统的算法的有效性。最后,论文对己完成的工作进行了总结,指出进一步的研究工作。(本文来源于《广西师范大学》期刊2009-04-01）
赵新芳,崔耀东,杨莹,余鹏[6]（2008）在《矩形件带排样的一种遗传算法》一文中研究指出采用遗传算法解决矩形件带排样问题,用带符号的有序整数串作为初始种群个体,改善了初始个体解的质量.提出基于最低水平线的择优插入算法,在解码过程中动态地调整个体中的零件顺序,选取最适合的零件进行填充,使零件排放紧凑,提高了材料的利用率.对20多道基准排样例题的实验计算结果表明,文中算法速度快,所得排样方案的材料利用率高.最后提出利用该算法解决VLSI模块布局问题的方法框架.(本文来源于《计算机辅助设计与图形学学报》期刊2008年04期）
赵新芳[7]（2008）在《解决矩形件带排样问题的一种遗传算法》一文中研究指出矩形件排样问题广泛存在于机械、家具、服装等国民经济行业,解决好该问题可以节省原材料,简化生产工艺,降低生产成本,增加企业效益。对于许多不规则零件的排样问题,也可通过计算机的图形处理技术将其转化为矩形件排样问题。矩形件带排样问题(RSPP)是指将给定的一定数量的矩形件P1 , P2 ,…, Pn排放在定宽无限高的板材Q中,使所占据板材的高度最小。它是计算机辅助排样的一个重要分支。但RSPP在理论上是属于高计算复杂性的NP完全问题,在问题规模较大时,很难用精确算法求得最优解。因此,研究RSPP具有重要的实用和理论价值。遗传算法是基于生物进化和随机选择的全局搜索优化计算技术,它模拟生物进化的基本过程,用数码基因串来类比生物中的染色体,通过选择、交叉、变异等遗传算子来仿真生物的基本进化过程,进化若干代以后,使最优异染色体所代表的问题解逼近问题的全局最优解或近优解。多种群遗传算法采用多个种群代替单一种群,其中每个子种群按各自不同的进化策略和遗传操作并行独立进化。进化过程中可以选取和保留每个子种群的优秀染色体,就可以在保持优秀染色体进化的稳定性的同时加快进化速度,避免单一种群进化过程中出现的过早收敛现象。基于上述考虑,本文以多种群遗传算法为基础,提出了一种基于遗传算法求解RSPP的新算法。通过大量的实例测试,验证了该算法的有效性。本文的主要工作和创新点如下:首先,改进了一种矩形件近似排样算法。对中外学者提出的四种近似排样算法进行比较和分析,在总结其优缺点的基础上,针对递减排序的矩形序列,对基于最低水平线的搜索算法进行了改进,称为基于最低水平线的择优插入算法。改进算法在零件排放过程中,将最低水平线的长度先与当前待排放矩形件的长度(本文定义矩形件平行X轴的方向称为长度,另一边称为宽度)比较,若最低水平线的长度大于矩形件的长度,将矩形件排放在此位置;否则将最低水平线的长度与当前矩形的宽度比较,若最低水平线的长度大于矩形件的宽度,将矩形件旋转90度排放在此位置。若最低水平线的长度均小于当前矩形件的长度和宽度,即说明当前矩形件不能放到最低水平线上,则在排样序列的当前位置向后搜索,选择一个满足排放条件并且长度或者宽度与最低水平线的长度最接近的矩形件(称为最优零件)进行合理排放;否则,更新最低水平线。将搜索到的最优零件直接插入到当前排放位置,不更改后续矩形的序列。算法可以使得零件之间排放紧凑,降低排样高度,在一定程度上提高材料利用率。其次,将基于最低水平线的择优插入算法和简化的多种群遗传算法结合,设计了一种采用两个种群并行进化的遗传算法求解RSPP的新算法。矩形件排样问题中如何产生排样序列是一个关键的问题,许多学者应用遗传算法,模拟退火算法等算法产生排样序列,再将产生的排样序列与某种矩形件近似排样算法结合求解矩形件排样问题,取得了较好的排样效果。多种群遗传算法是在基本遗传算法基础上改进的一种算法。本文分析了多种群遗传算法,应用两个规模相当的子种群进行并行进化,其中两个子种群采用不同的初始策略。产生两种不同性质的矩形零件递减序列,并设计了求解RSPP的相关操作,定义了求解RSPP的适应度函数。将遗传算法产生矩形件的递减序列,按照本文的基于最低水平线的择优插入算法和本文的适应度函数得到序列的适应度值,并生成排样图。通过矩形零件序列的适应度值的比较,从而得到一个较优的排样方案。然后,规划和设计了排样系统的基本功能模块,开发了一个基于遗传算法的矩形件优化排样系统。通过大量实验测试,并将实验结果与应用遗传算法、模拟退火算法、随机算法求解矩形件排样问题的实验结果进行了比较和分析,验证了该系统的算法的有效性。最后,论文对己完成的工作进行了总结,提出了需要进一步改进的工作。(本文来源于《广西师范大学》期刊2008-04-01）
陈弦[8]（2007）在《矩形毛坯带排样算法研究》一文中研究指出排样是计算机技术和现代经济发展的产物。排样问题的目标就是尽最大可能在材料上放置尽可能多的零件,以减少材料损失。计算机辅助排样是广泛应用的计算机辅助技术之一,具有板材利用率高,耗时短,费用低等优点。计算机辅助优化排样的目的在于寻求某种优化的布局方式,使平面区域的面积利用率较高。凡是需要进行材料分割的行业,都可以应用计算机排样技术。排样问题属于典型的组合优化问题,在现实生活中有着广泛的应用,具有很高的计算复杂性。对于规模较大的排样问题,不但手工排样不可能做到真正的优化,即使采用计算机也必须开发高效的算法,才能实现利用率相对较高的优化切割。本文利用启发式搜索方法,使得在较短的时间内,能够求得问题的近优解。本文研究的问题是用宽度固定、长度无限的矩形板材切出一组尺寸已知的矩形毛坯,使得所消耗的板材面积尽可能小,即要求排完全部毛坯所占用的板材长度尽可能小。要求矩形毛坯的边和板材的边平行,能够用剪床下料。这个问题称为矩形带排样问题(Rectangular Strip Packing),它是两维条带排样(2D-SPP,two dimensional strip packing problem)问题的RG子类型,这里R表示允许毛坯转90度排列,G表示可以剪切下料。本论文研究的目标:紧密结合企业的实际生产需要,以提高原材料的利用率、降低企业的原材料成本为主要研究内容,开发出相应的排样软件,能够给出材料利用率较高的排样方式,供理论研究和实际应用参考。本文包括两个部分:(1)前面部分给出一个两维矩形毛坯带排样问题的改进启发式递归算法。它基于递归结构和分枝定界技术。为了使切出全部毛坯所需板材的总长度尽可能小,使用了一些改进的启发式方法。首先初始化板材作为一个块。考虑目前的块,算法选择一个毛坯,将毛坯放在块的左下角,然后用水平或竖直的剪切线将未使用空间分为两个更小的块,便于进一步递归求解。使用上下界来去除无用的分枝,使用改进的启发式方法来缩短运算时间。测试结果表明,该算法的计算速度比文献中最近报道的一种启发式递归算法要快。(2)本文后半部分是一个遗传算法与上述改进的递归方法相结合的算法。首先对遗传算法做了系统介绍,包括遗传算法的特点、基本实现技术等。遗传算法是借鉴生物的自然选择和进化机制的一种全局优化自适应概率搜索算法,具有快速随机的全局搜索能力。对于非常复杂、高度非线性问题的优化求解,表现出比其它传统优化方法更优越的性能,是21世纪智能计算中的核心技术之一。对求解矩形件优化排样问题的遗传算法的设计及具体实现进行了详细讨论。这个算法主要是基于遗传算法和启发式目标的递归结构。算法同样选择一个毛坯放置在板材的左下角,由水平或竖直剪切线将板材分割为两个更小的块,如此递归循环。使用改进启发式规则以及遗传算法寻找更优解。本文所做的主要工作如下:本文的主要内容分两个部分:前面部分把启发式方法和递归排样相结合。先将毛坯按照面积由大到小进行排序作为一个基本序列,然后使用一些启发式方法考察多个序列,减少不必要的检索,缩短排样的时间,通过比较不同的矩形排放序列对应的板材利用率,最后使用递归排样得到排样图;后面部分把遗传算法和启发式递归排样结合起来,共同求解矩形件优化排样问题。先通过遗传算法和启发式方式确定所有矩形毛坯较优的排放顺序和排放方式,然后使用递归排样生成排样图,通过比较不同的矩形排放序列对应的板材利用率,最终得到较优的排样方案。本文的特点之一,是允许根据优化的需要,对遗传算法生成的序列进行调整,即允许在递归排样时变更原染色体中基因的顺序。根据提出的算法,开发出了计算机辅助优化排样系统,测试数据表明了启发式优化算法的有效性。这对指导企业节约原材料、降低产品成本、提高经济效益,具有积极的意义。在文章最后,对本文工作进行了总结,并指出有待进一步深入的研究工作。(本文来源于《广西师范大学》期刊2007-04-01）
矩形带排样论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
介绍一种两维矩形毛坯带排样问题的改进启发式递归算法,它基于递归结构和分支定界技术.首先初始化板材作为一个块,考虑目前的块,算法选择一个毛坯,将毛坯放在块的左下角,然后用水平或竖直的剪切线将未使用空间分为两个更小的块,便于进一步递归求解.使用上下界来去除无用的分支,缩短运算时间.将该算法和遗传算法相结合,先通过遗传算法确定所有矩形毛坯较优的排放顺序和排放方式,然后使用递归排样生成排样图,通过比较不同的矩形排放序列对应的板材利用率,最终得到较优的排样方案.测试数据表明了该启发式优化算法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
矩形带排样论文参考文献
[1].郑明月.混合遗传算法在矩形件带排样问题中的应用[D].合肥工业大学.2013
[2].李霞,陈弦.一种启发式矩形毛坯带排样算法研究[J].山西大学学报(自然科学版).2011
[3].刘睿,严玄,崔耀东.矩形件叁阶段带排样问题的遗传算法[J].计算机工程与应用.2010
[4].黄玲,崔耀东.矩形毛坯匀质条带排样方式及其生成算法[J].桂林理工大学学报.2010
[5].严玄.矩形叁阶段带排样问题的遗传算法的研究[D].广西师范大学.2009
[6].赵新芳,崔耀东,杨莹,余鹏.矩形件带排样的一种遗传算法[J].计算机辅助设计与图形学学报.2008
[7].赵新芳.解决矩形件带排样问题的一种遗传算法[D].广西师范大学.2008
[8].陈弦.矩形毛坯带排样算法研究[D].广西师范大学.2007