融合深度强化学习与遗传算法的二维不规则零件排样方法

裴 滢栋, 陈 恺, 廉 政巍, 白 天旭
东北林业大学

摘要


二维不规则零件排样是制造业中常见的优化难题，对资源节约与成本控制具有重要意义。本文提出了一种
融合深度学习与改进遗传算法的混合优化方法。该算法采用多角度旋转策略与自适应遗传算子，并结合深度学习模
型进行布局质量评估。通过在线学习机制实现算法的自优化。通过融合最近多边形拟合（NFP）算法的几何精度与
卷积神经网络（CNN）的预测能力，本方法可获得高效优质的排样方案。采用标准不规则测试案例进行实验验证，
证明了本算法的优化有效性。实验结果表明，所提方法能有效实现二维不规则零件排样，并具有优异的优化性能。

关键词


二维不规则排样；深度学习；遗传算法；智能制造

全文:

PDF


参考


[1]Bennell J A, Oliveira J F. The geometry of nesting

problems: A tutorial[J]. European Journal of Operational

Research, 2008, 184(2): 397-415.

[2]Festa P. A brief introduction to exact, approximation,

and heuristic algorithms for solving hard combinatorial

optimization problems.In:Proceedings of the 16th

International Conference on Transparent Optical Networks

(ICTON). Graz, Austria: IEEE, 2014. 1-20.

[3]Williamson D P, Shmoys D B. The Design of

Approximation Algorithms. Cambridge: Cambridge

University Press, 2011.

[4]Vazirani V V. Approximation Algorithms. Berlin,

Heidelberg: Springer, 2003.

[5]Hochba D S. Approximation algorithms for NP-hard

problems. ACM Sigact News, 1997, 28(2): 40-52

[6]Vinyals, O., Fortunato, M., & Jaitly, N. (2015).

Pointer networks. Advances in Neural Information Processing

Systems, 28.

[7]Bello, I., Pham, H., Le, Q. V., Norouzi, M., &

Bengio, S. (2016). Neural combinatorial optimization with

reinforcement learning. arXiv preprint arXiv:1611.09940.

[8]曾焕荣，商慧亮.基于深度强化学习的二维不规

则多边形排样方法[J].计算机系统应用，2022，31（2）：

168-175.

[9]Albano A,Sapuppo G. Optimal allocation

of twodimensional irregular shapes using heuristic

search methods. IEEE Transactions on Systems, Man,

and Cybernetics,1980,10(5):242-248.[doi:10.1109/

TSMC.1980.4308483]

[10]Pinheiro P R, Amaro Júnior B, Saraiva R D. A

Random-Key Genetic Algorithm for Solving the Nesting

Problem[J]. International Journal of Computer Integrated

Manufacturing, 2016, 29(11): 1159-1165.


Refbacks

  • 当前没有refback。