異形零件下料的并行排樣優(yōu)化方法
【專利摘要】本發(fā)明公開了一種異形零件下料的并行排樣優(yōu)化方法，對下料零件的圖形特征進(jìn)行預(yù)處理，實現(xiàn)聚類組合；依據(jù)個體適應(yīng)度值的大小和相似性對整個種群進(jìn)行合理劃分，在每次進(jìn)化中，個體適應(yīng)度度值較好的子種群利用遺傳算法（GA）進(jìn)化，個體適應(yīng)度值較差的子種群則利用粒子群算法(PSO)處理，實現(xiàn)優(yōu)化方法的優(yōu)勢互補、信息增值；通過設(shè)置多樣性度量標(biāo)準(zhǔn)來控制種群特征信息和搜索空間，從而加快了尋找最優(yōu)解的時間，使得整個系統(tǒng)效率大幅提升。該方法可用于不同種類零件的自動下料優(yōu)化，滿足了對于大規(guī)模排樣數(shù)據(jù)進(jìn)行處理和管理的要求。
【專利說明】
異形零件下料的并行排樣優(yōu)化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及機(jī)械加工下料的排樣優(yōu)化方法領(lǐng)域，具體是一種異形零件下料的并行 排樣優(yōu)化方法。
【背景技術(shù)】
[0002] 板材自動下料優(yōu)化是機(jī)械制造實現(xiàn)自動化生產(chǎn)的重要工序，也是影響原材料利用 率的一個關(guān)鍵環(huán)節(jié)，因此零件的排樣優(yōu)化技術(shù)對于資源的有效利用、降低工作強度和簡化 加工工藝W及制造自動化和企業(yè)信息化的發(fā)展有著重要的推動作用。
[0003] 目前，智能優(yōu)化算法如蟻群算法、粒子群算法、遺傳算法等已成為解決排樣優(yōu)化問 題的有力工具。然而不同的智能優(yōu)化算法總存在一些固有的缺點如優(yōu)化效率不高、全局優(yōu) 化和局部優(yōu)化不平衡等。近年來人們不斷嘗試對智能優(yōu)化算法本身提出了更多的改進(jìn)，使 算法性能在一定程度上得到了提高，但是算法固有缺點并沒有從根本上得到有效的解決。 因此算法混合的并行優(yōu)化方法逐漸成為提高優(yōu)化性能的一個重要且有效的途徑。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種異形零件下料的并行排樣優(yōu)化方法，W解決現(xiàn)有技術(shù)優(yōu) 化算法存在的問題。
[0005] 為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為：
[0006] 異形零件下料的并行排樣優(yōu)化方法，其特征在于:包括W下步驟：
[0007] (1)、通過對零件圖形的預(yù)處理，提取排樣零件的幾何數(shù)據(jù)，根據(jù)提取的幾何數(shù)據(jù) 對排樣零件進(jìn)行特征編碼和排樣編碼，特征編碼和排樣編碼分別反映了零件圖形的屬性， 針對零件的組合及填充操作亦進(jìn)行相應(yīng)編碼;然后根據(jù)編碼對排樣零件進(jìn)行聚合、填充及 靠接處理，實現(xiàn)不規(guī)則零件的矩形化操作，矩形化過程如下：
[000引（1.1)、同類零件的組合:將零件圖形繞參考點旋轉(zhuǎn)180°相位，分別通過橫向和縱 向進(jìn)行組合，依據(jù)組合圖形的包絡(luò)矩形面積最小獲得最佳包絡(luò)矩形；
[0009] (1.2)、同類零件組合形成空白區(qū)域的填充：對于同類組合零件生成的內(nèi)孔，由于 互補零件的對稱性，其生成的內(nèi)孔也是具有對稱特征的，根據(jù)運一特性，可W判斷內(nèi)孔的形 屯、位置，從而可W-定程度的實現(xiàn)填充功能的自動處理；
[0010] (1.3)、互補零件的組合和填充:對于形狀具有互補特征的零件或零件的包絡(luò)矩形 形成的空白區(qū)域進(jìn)行適當(dāng)?shù)木酆虾筒逖a填充；
[0011] (2)、建立排樣零件的優(yōu)化種群，并根據(jù)計算種群個體的適應(yīng)度大小進(jìn)行等級劃分 為優(yōu)良種群和普通種群，通過優(yōu)良種群的GA操作和普通種群的PSO進(jìn)化，實現(xiàn)種群個體的并 行協(xié)作，過程如下：
[0012] 在初始階段依據(jù)適應(yīng)度評價將整個種群劃分兩個子種群，即優(yōu)良種群化和普通種 群Cp,規(guī)模分別為M和N-M，其中優(yōu)良種群為當(dāng)前種群中M個適應(yīng)度最高的個體群，其余構(gòu)成 普通種群;各父代種群通過GA和PSO進(jìn)化產(chǎn)生相應(yīng)的子代種群，即子代精英種群Ec和子代普 通種群Ce，基于種群多樣性評估將子代種群劃分構(gòu)成下一代種群，
[0013] (3)、建立多樣性度量標(biāo)準(zhǔn)，在個體適應(yīng)度評估（即排樣密度評價)的基礎(chǔ)上用來控 制選擇優(yōu)良種群特征，保證下代優(yōu)良子種群個體的多樣性;如果系統(tǒng)多樣性下降至某個預(yù) 定的指標(biāo)，算法將重新選擇優(yōu)良種群的新個體;多樣性度量標(biāo)準(zhǔn)的制定設(shè)及捜索空間、種群 規(guī)模和個化賠化倍烏.加公立（1 )所元.
[0014]
[0015] 公式（1)中，M是種群規(guī)模;fik是第i個個體的第k個進(jìn)化適應(yīng)度值;；f是所有個體 的第k次進(jìn)化的適應(yīng)度平均值，k為進(jìn)化次數(shù)。
[0016] 本發(fā)明優(yōu)點為：
[0017] 本發(fā)明提出一種遺傳算法和粒子群算法的混合智能優(yōu)化方法，對不同的特征種群 實現(xiàn)并行進(jìn)化，可實現(xiàn)不種智能優(yōu)化算法的有效融合，提升了排樣效率的和板材利用率。
【附圖說明】
[001引圖1為本發(fā)明中同類零件組合圖。
[0019] 圖2為本發(fā)明中零件填充圖。
[0020] 圖3為本發(fā)明中互補零件組合填充圖。
[0021] 圖4為混合算法模型圖。
[0022] 圖5為算法流程圖。
[0023] 圖6為不同染色體間的交叉操作圖。
[0024] 圖7為服PA最優(yōu)排樣布局圖。
[0025] 圖8為CAD排樣圖。
【具體實施方式】
[0026] 異形零件下料的并行排樣優(yōu)化方法，包括W下步驟：
[0027] (1)、通過對零件圖形的預(yù)處理，提取排樣零件的幾何數(shù)據(jù)，根據(jù)提取的幾何數(shù)據(jù) 對排樣零件進(jìn)行特征編碼和排樣編碼，特征編碼和排樣編碼分別反映了零件圖形的屬性， 針對零件的組合及填充操作亦進(jìn)行相應(yīng)編碼，編碼方式如表1所示：
[0028] 表1為零件特征編碼信息表
[00991
[0030] 然后根據(jù)編碼對排樣零件進(jìn)行聚合、填充及靠接處理，實現(xiàn)不規(guī)則零件的矩形化 操作，矩形化過程如下：
[0031] (1.1)、如圖1所示，同類零件的組合:將零件圖形繞參考點旋轉(zhuǎn)180°相位，分別通 過橫向和縱向進(jìn)行組合，依據(jù)組合圖形的包絡(luò)矩形面積最小獲得最佳包絡(luò)矩形；
[0032] (1.2)、如圖2所示，同類零件組合形成空白區(qū)域的填充:對于同類組合零件生成的 內(nèi)孔，由于互補零件的對稱性，其生成的內(nèi)孔也是具有對稱特征的，根據(jù)運一特性，可W判 斷內(nèi)孔的形屯、位置，從而可W-定程度的實現(xiàn)填充功能的自動處理；
[0033] (1.3)、如圖3所示，互補零件的組合和填充:對于形狀具有互補特征的零件或零件 的包絡(luò)矩形形成的空白區(qū)域進(jìn)行適當(dāng)?shù)木酆虾筒逖a填充；
[0034] (2)、建立排樣零件的優(yōu)化種群，并根據(jù)計算種群個體的適應(yīng)度大小進(jìn)行等級劃分 為優(yōu)良種群和普通種群，通過優(yōu)良種群的GA操作和普通種群的PSO進(jìn)化，實現(xiàn)種群個體的并 行協(xié)作，過程如下：
[0035] 如圖4所示，在初始階段依據(jù)適應(yīng)度評價將整個種群劃分兩個子種群，即優(yōu)良種群 Ep和普通種群Cp,規(guī)模分別為M和N-M，其中優(yōu)良種群為當(dāng)前種群中M個適應(yīng)度最高的個體 群，其余構(gòu)成普通種群;各父代種群通過GA和PSO進(jìn)化產(chǎn)生相應(yīng)的子代種群，即子代精英種 群Ec和子代普通種群Ce,基于種群多樣性評估將子代種群劃分構(gòu)成下一代種群，
[0036] (3)、如圖5所示，建立多樣性度量標(biāo)準(zhǔn)，在個體適應(yīng)度評估（即排樣密度評價)的基 礎(chǔ)上用來控制選擇優(yōu)良種群特征，保證下代優(yōu)良子種群個體的多樣性;如果系統(tǒng)多樣性下 降至某個預(yù)定的指標(biāo)，算法將重新選擇優(yōu)良種群的新個體;多樣性度量標(biāo)準(zhǔn)的制定設(shè)及捜 索空間、種群規(guī)模和個體特征信息，如公式(1)所示：
[0037]
[0038] 公式（1)中，M是種群規(guī)模;fik是第i個個體的第k個進(jìn)化適應(yīng)度值；7&是所有個體 的第k次進(jìn)化的適應(yīng)度平均值，k為進(jìn)化次數(shù)。
[0039] 具體實施例：
[0040] (1)初始化設(shè)置
[0041] 確定排樣種群規(guī)模，設(shè)定混合算法參數(shù):初始解(粒子位移和速度）、交叉概率、變 異概率等。
[0042] (2)計算個體適應(yīng)度值及種群劃分
[0043] 根據(jù)排樣密度計算種群中所有個體的的適應(yīng)度，并按其大小將種群劃分為兩個子 種群。其中為避免個體中存在同類或相似零件而影響種群多樣性及進(jìn)化的重復(fù)性，可通過 對個體的編碼相似性判斷和適應(yīng)度計算來更新調(diào)整，適應(yīng)度計算公式如下式(2)所示。其中 是排入N個零件的總面積，S是排樣圖高度輪廓線W下的板材面積。 i 二t
[0044]
(2)，
[0045] (3)對于優(yōu)良子種群進(jìn)行遺傳操作
[0046] 交叉算子采用個體優(yōu)良基因優(yōu)先的交叉操作，即在交叉中不會使得基因丟失良好 的染色體信息，同時可W穩(wěn)固由變異操作得到的新的基因特征，保證種群多樣性和收斂性 的統(tǒng)一，交叉示意如圖6所示。優(yōu)良基因保持機(jī)制可在排樣優(yōu)化的預(yù)處理階段引入圖形聚類 思想作為評估手段，排樣圖形聚類特征可選取:面積、位圖外包矩形覆蓋率、近似長短軸比、 對稱性等;變異操作則包括個體零件的位置變異和角度變異。
[0047] (4)對于適應(yīng)度較差的子種群進(jìn)行粒子群優(yōu)化
[0048] 設(shè)粒子群一個D維的目標(biāo)捜索空間中，第i個粒子在第d(l《d《D)維的位置向量表 示為Xid,其飛行速度為Vid。第i個粒子目前捜索到的最優(yōu)解為個體極值，記作Pid,整個粒子 群目前找到的最優(yōu)解為全局最佳極值，記作Pgd。整個粒子群通過跟蹤個體極值和最佳極值 來更新自己的飛行速度和位置，在解空間中尋求最優(yōu)解。PSO算法迭代公式如下：
[0049] (3),
[0050] (4),
[0化1]其中，W為慣性權(quán)重因子；Cl, c2為加速因子；
分別為粒子當(dāng)前 位置與個體極值和全局極值的交換序列和角度旋轉(zhuǎn)序列。由此可見，Cl和c2決定了 Pid和Pgd 對粒子當(dāng)前位置的影響程度。
[0052] (5)將GA和PSO算法生產(chǎn)的新個體進(jìn)行混合處理，產(chǎn)生下一代新種群。根據(jù)迭代次 數(shù)或終止條件繼續(xù)執(zhí)行(2)至(5)或結(jié)束。
[0053] 根據(jù)算法思想及模型，算法的程序偽代碼如表2所示：
[0054] 表2為算法程序偽代碼表
[0化5]
[0化6] 取U種不同形狀的零件，總數(shù)n = 39,板材尺寸為SOOOmmX 2000mm。設(shè)定種群規(guī)模S = 10,粒子速度映射的交換序基于粒子中所含零件的個數(shù)W學(xué)習(xí)概率Cl, C2G(0，1)進(jìn)行隨 機(jī)選取，交叉概率Pc = 0.8，變異概率Pm=0.05。=種算法其最佳排樣密度的計算結(jié)果如表3 所示，取其最優(yōu)排樣布局如圖7所示，圖8為輸出的CAD排樣圖。
[0057]表3為=種算法求出的板材利用率
【主權(quán)項】
1.異形零件下料的并行排樣優(yōu)化方法，其特征在于:包括以下步驟： (1) 、通過對零件圖形的預(yù)處理，提取排樣零件的幾何數(shù)據(jù)，根據(jù)提取的幾何數(shù)據(jù)對排 樣零件進(jìn)行特征編碼和排樣編碼，特征編碼和排樣編碼分別反映了零件圖形的屬性，針對 零件的組合及填充操作亦進(jìn)行相應(yīng)編碼;然后根據(jù)編碼對排樣零件進(jìn)行聚合、填充及靠接 處理，實現(xiàn)不規(guī)則零件的矩形化操作，矩形化過程如下： (1.1) 、同類零件的組合:將零件圖形繞參考點旋轉(zhuǎn)180°相位，分別通過橫向和縱向進(jìn) 行組合，依據(jù)組合圖形的包絡(luò)矩形面積最小獲得最佳包絡(luò)矩形； (1.2) 、同類零件組合形成空白區(qū)域的填充:對于同類組合零件生成的內(nèi)孔，由于互補 零件的對稱性，其生成的內(nèi)孔也是具有對稱特征的，根據(jù)這一特性，可以判斷內(nèi)孔的形心位 置，從而可以一定程度的實現(xiàn)填充功能的自動處理； (1.3) 、互補零件的組合和填充:對于形狀具有互補特征的零件或零件的包絡(luò)矩形形成 的空白區(qū)域進(jìn)行適當(dāng)?shù)木酆虾筒逖a填充； (2) 、建立排樣零件的優(yōu)化種群，并根據(jù)計算種群個體的適應(yīng)度大小進(jìn)行等級劃分為優(yōu) 良種群和普通種群，通過優(yōu)良種群的GA操作和普通種群的PSO進(jìn)化，實現(xiàn)種群個體的并行協(xié) 作，過程如下： 在初始階段依據(jù)適應(yīng)度評價將整個種群劃分兩個子種群，即優(yōu)良種群Ep和普通種群 Cp，規(guī)模分別為Μ和N-M，其中優(yōu)良種群為當(dāng)前種群中Μ個適應(yīng)度最高的個體群，其余構(gòu)成普 通種群;各父代種群通過GA和PSO進(jìn)化產(chǎn)生相應(yīng)的子代種群，即子代精英種群Ec和子代普通 種群Cc，基于種群多樣性評估將子代種群劃分構(gòu)成下一代種群， (3) 、建立多樣性度量標(biāo)準(zhǔn)，在個體適應(yīng)度評估(即排樣密度評價）的基礎(chǔ)上用來控制選 擇優(yōu)良種群特征，保證下代優(yōu)良子種群個體的多樣性;如果系統(tǒng)多樣性下降至某個預(yù)定的 指標(biāo)，算法將重新選擇優(yōu)良種群的新個體;多樣性度量標(biāo)準(zhǔn)的制定涉及搜索空間、種群規(guī)模 和個體特征信息，如公式(1)所示：公式（1)中，Μ是種群規(guī)模;是第i個個體的第k個進(jìn)化適應(yīng)度值;;f是所有個體的第k 次進(jìn)化的適應(yīng)度平均值，k為進(jìn)化次數(shù)。
【文檔編號】G06N3/12GK105956663SQ201610124467
【公開日】2016年9月21日
【申請日】2016年3月4日
【發(fā)明人】梁利東
【申請人】安徽工程大學(xué)