导读:本文包含了智能排样论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,智能,样件,皮革,启发式,组合,矩形。
智能排样论文文献综述
罗文[1]（2019）在《多约束下的纸盒矩形化智能排样系统的研究与实现》一文中研究指出随着各行各业的兴起,产品的纸盒包装需求量急剧上升,包装工艺种类不断增多,纸盒结构也愈见复杂。为此,国内外很多公司研发自主排样系统,比利时的AritosCAD、荷兰的PackDesign、中国的Founder Pack系统等但价格昂贵,专用性强,难以满足大多数中小企业的实际需求。目前大多数中小型企业仍采用人工排样或计价,严重影响了工作效率。因此,为节省成本,提高效率,基于包装工艺实际的多约束条件下,本文研发了一种纸盒矩形化智能排样软件系统,具体研究内容如下:首先,分析了常用纸质包装纸盒的实际工艺的多约束条件,具体包括根据模切压痕工艺特点确定了排样纸盒间隔和边距尺寸,通过现有纸板尺寸规范合理对纸盒类型进行分类,并依据纸板纹向设计结合纸盒结构特点确定合适的旋转角度。其次,在总结近似矩形算法、启发式算法和智能算法等二维排样算法的基础上,纸盒工艺的多约束条件下,设计了一种纸盒矩形化智能排样算法,具体地,针对大批量同种纸盒需求基于平面图结构特点进行离散化预处理,并利用BL启发式进行位置变换的结构化拼版。针对小批量不同纸盒需求采用最小包络预处理,以纸盒排样交换序列和位置变异序列作为粒子运动位置来构造PSO,得到较大的排样利用率。再次,分析了国内外包装纸盒排样软件系统的研究现状,基于实地企业运作模式和客户需求分析调查,按照界面化设计模块、智能排样模块、工艺成本核算模块、盒形DXF格式解析库模块的功能模块划分,并以Java为设计语言,基于SSM、adminLTE、Gentelella-master的技术框架,在Eclipse,Android Studio的开发平台上,结合腾讯云服务器,设计并实现了集合后台管理系统、WEB端及APP端操作平台的纸盒排样软件系统。最后,完成了纸质包装排样系统的性能测试。系统测试表明:本文设计的系统能根据用户实际需求制定不同的最优或次优的排样方案,有效实现了智能排样及成本快速报价,具有一定实用价值。(本文来源于《华中师范大学》期刊2019-05-01）
武照云,张毓兰,原富林,李丽,阮竞兰[2]（2019）在《基于排样优化与车间调度的粮机装备智能制造平台研究》一文中研究指出针对我国粮机装备制造业的现状与存在的问题,在智能制造的发展趋势下,提出了构建智能化、低成本、高效率的粮机装备智能制造平台的思路。分析了粮机装备制造业在制造成本与生产效率方面的智能制造需求,提出了以切割下料排样优化与车间作业调度优化为核心的粮机装备智能制造技术体系。详细给出了平台的关键技术与实现方法,主要包括型材零件切割下料排样优化、板材零件切割下料排样优化与车间作业调度优化等核心内容。在此基础上,设计并开发了基于排样优化与车间调度的粮机装备智能制造平台。该平台能够较好地增强粮机企业的智能化制造程度,降低制造成本,提高生产效率。(本文来源于《河南工业大学学报(自然科学版)》期刊2019年01期）
王石[3]（2018）在《计算机辅助切割排样系统及其在智能制造中的应用》一文中研究指出分析制造业排样问题可以分解为布局问题和组合优化二类问题,矩形布局问题通过"一刀切"剪切布局算法求解并实施自动化制造过程,组合优化问题通过极限算法和规划算法进行求解。介绍典型计算机辅助切割排样系统AutoCUT/AutoSAW在智能制造系统中的应用。(本文来源于《电子技术与软件工程》期刊2018年24期）
程建平[4]（2018）在《纸质包装盒智能排样系统的研究与实现》一文中研究指出目前,计算机技术被广泛应用于纸质包装加工、金属零件制造与服装裁剪等众多领域。近年来,随着人们生活理念和消费模式的改变,纸质包装盒的需求量越来越大。但由于原材料价格上涨,人工成本上升,而实际上市场竞争导致产品市场价格下降等一系列原因,印刷企业急需降低生产成本,而通过高效的拼接方案提高纸板的利用率是最重要的途径。因此,研究包装盒的智能排样系统具有重要的理论意义与实际应用价值。通过学习与研究,本文取得了以下研究成果:首先,研究了大批量生产加工的纸质包装盒平面展开图形的结构特点,综合考虑了纸质包装盒生产加工的工艺,如模切压痕工艺,纸板纹向设计工艺与纸板尺寸选择等因素。在此基础上,研究二维不规则排样问题的排样算法,包括矩形近似法、NFP临界多边形法、离散化法。通过分析以上算法的优缺点,最终采用基于结构体单元的智能排样算法。即针对包装盒的平面展开图的图像进行离散化处理,提取包装盒的轮廓,利用包装盒的凹凸特点构建结构体单元,然后利用BL启发式算法将该结构体单元进行平移反转等变换,得到最优或次优的排样方案。其次,研究国内外纸质包装盒CAD系统的发展现状及特点,结合我国包装工业的实际生产需求,提出了适合生产加工的软件系统需求,设计并实现了基于Android系统平台的包装盒智能排样系统。基于对用户提供的包装盒模型结构的分析,通过对包装盒进行分类,达到自动匹配最佳排版方式,从而实现智能化排版;并基于原材料尺寸、价格与各种工艺成本的核算,实现了成本快速报价,有效提高了纸张的利用率与排版效率。再次,以JAVA为程序设计语言,以Eclipse,Android Studio为编译开发环境,采用面向对象的编程思想,以SSM为应用程序框架,搭建服务器,负责系统的信息管理与维护,设计并实现了一种“纸质包装盒智能排样系统”。最后,测试结果表明:智能排样系统不仅实现包装盒智能排样及成本快速报价,使纸板利用率达到83%左右,而且系统运行稳定数据安全可靠。(本文来源于《华中师范大学》期刊2018-05-01）
吴龙飞[5]（2018）在《皮革切割机器人智能排样算法研究》一文中研究指出随着国民经济的持续发展和居民生活水平的提高,人们对皮革制品的数量和质量需求不断提高。目前皮革排样下料主要采用人工加机器的方式进行,这种生产方式不仅需要大量的人工劳动力,而且具有排样效率低、原料利用率低等缺点。皮革切割机器人实现了皮革扫描、排样、切割、送料等生产过程的智能化和自动化,提高了皮革制造行业的生产效率和质量。作为皮革切割机器人的核心技术,排样算法是将待加工零件组以合理的方式摆放于原料板材内部,零件之间互不重迭,达到最大限度提高原料利用率的目的。因此,研究皮革切割机器人智能排样算法具有重要意义。本文首先对皮革切割机器人及其发展进行了简要介绍,引出了该类设备中的核心技术-智能排样算法。然后对皮革切割机器人中所需要解决的二维排样问题进行了详细介绍,包括问题的定义、分类、解决难点、研究现状等方面。接着详细研究和论述了排样算法中的关键技术,包括零件描述方式、图形平移旋转、图形位置关系计算—NFP(临界多边形)算法、启发式排样算法几个方面,对不同方法从实现过程、复杂度、适用范围多个方面进行了分析。在现有排样算法研究的基础上,提出了根据边界轮廓匹配度对零件进行定位的准则,设计了基于内部NFP的零件位置搜索策略。在内部NFP计算之前,加入对已排样零件之间空闲区域进行检测的环节,解决了传统NFP算法中此类空闲区域无法得到充分利用的问题。基于边界轮廓匹配和NFP设计实现了启发式二维排样算法,选取典型排样测试用例对算法进行验证分析。最后,结合皮革切割机器人平台,设计了智能排样系统,将排样算法嵌入系统软件中,实现了皮革扫描、智能排样、切割、送料等自动化生产过程,并选取皮革原料和零件组进行实际测试,验证系统和算法的可行性、实用性。对选取的典型排样案例进行测试,结果表明本文设计的基于边界轮廓匹配和NFP的启发式二维排样算法能够适应于不同类型的排样问题,取得较好的排样结果。同时,将该算法应用于皮革切割机器人,证明了算法在皮革排样下料问题中的可行性,提高了排样效率和原料利用率。(本文来源于《杭州电子科技大学》期刊2018-03-01）
王磊[6]（2017）在《板构产品制造过程中的智能排样优化方法研究》一文中研究指出板构产品是以板材为主要原料,以平面加工为主要制造特征,若干板式配件通过轻量化装配而形成的一类产品,常见于板式家具、玻璃深加工、建材卫浴、纸品与印刷业等诸多行业。下料作为板构产品制造的首道工序,而下料排样优化又属于经典的组合优化问题,因此具有重要的理论研究价值和实际工程意义。然而,强个性化需求驱动下的板构产品生产过程呈现了诸多新特征:超大量变规格、异型板、特殊工艺要求、过程优化与工艺优化耦合等。论文重点研究了板构产品制造过程中存在的排样优化问题。在考虑企业生产过程中的制造约束与工艺约束基础上,充分挖掘板构产品几何近似关系的启发作用,充分利用“特征近似”与“工艺相似”的映射关系,探索制造过程与工艺依赖的快速排样方法体系。主要的研究工作如下:(1)研究了面向排样的组化方法与技术体系。关键技术包括:深度与层次可控的组块快速构造方法、基于双队列排序的组块存储结构、基于适应度的组块快速举荐算法,并提出了基于组化技术的混合构造型启发式排样搜索模型。(2)提出了一维排样问题的两阶段混合启发式求解算法。第一阶段利用贪婪与递进结合的思想,快速生成可行下料模式;第二阶段将一维下料问题转化为集覆盖问题,建立问题的整数规划模型,通过分治法降低问题的求解规模,调用和集成CPLEX优化器进行快速求解。(3)针对满足“一刀切”约束的单规格排样问题,提出了基于组化技术的大小工件分治择优启发式排样算法BSDBF。算法以二元组块双递归执行“排布-切割”过程,集成了大小工件分治策略和组块快速举荐算法,通过二分法和贪心搜索获得初始排样结果,使用启发式的板材拆分策略进行排样结果后处理。BSDBF算法具备全局搜索、构造式及确定性的特征,获得的优解可复现。(4)为了求解多规格排样问题,提出了板材组件驱动的启发式排样算法MGDHPA。依赖于板材组下料率的天然维度间隙,通过板材组的构造、推荐、选择和替换操作,实现大量待选板材组的排样约简;通过全局变量板材利用率的反馈,依托宏微二级组化及反馈机制,协调组块在板材上的排布过程。通过分析多规格初次排样结果的构成,提出混合式重排算法,包括基于最后一片重排、遍历替换板材组的小规模重排及基于利用率优劣集的大规模重排叁种重排算法。结合MGDHPA算法,考虑切割阶数,提出3NE分层启发式排样算法,实现了高效的剪切下料。(5)针对板构产品制造过程中存在的“下料—投放—装载”耦合优化问题,提出了基于缓存仓储片调度的集成优化求解方法。提出的基于k元组块的3NE分层装载算法,将下料方案和装载方案的耦合转化为流水次序求解问题,实现问题的策略性解耦;提出的基于次序约束的缓存仓一维排样优化求解方法,通过分层迭代实现计算性解耦。本文的研究创新包括:①提出了基于几何相似性的组化方法与技术体系,提升二维排样问题的计算粒度,并形成工件组块和板材组合相结合的宏微二级复合优化机制,有效约简了计算空间;②提出了高效的大小工件分治择优排样搜索算法BSDBF求解矩形件一刀切排样,可作为算法内核应用与其他求解算法中;③提出新式的叁策略构造的混合重排算法,有效提升多规格板材二次重排利用率;④针对以排样为核心的多离散优化问题耦合现象,提出了领域依赖的、计算与策略相结合的混合式解耦方法。论文以国际上通用测试案例进行算法测试和性能比较,验证了所提算法的有效性。针对中空玻璃制造过程中存在的排样优化问题,通过企业实际生产数据测试,验证了所提算法的工程实用性。论文相关方法的研究能够为板构产品制造企业提供高效的智能下料排样服务和生产决策支持。(本文来源于《广东工业大学》期刊2017-06-01）
梁利东,王雷[7]（2016）在《一种混合智能排样优化算法的应用研究》一文中研究指出基于智能优化方法的混合机理,将并行进化机制引入遗传算法和粒子群算法,提出一种混合智能优化排样方法(HGPA)。该算法依据个体适应度值的大小和相似性对整个种群进行合理划分,在每次迭代中,个体适应度值较好的子种群利用遗传算法进化,个体适应度值较差的子种群则利用粒子群算法处理,实现优化方法的优势互补和信息增值。同时通过设置多样性度量标准来控制种群特征信息和搜索空间。在求解不规则件排样问题的算例表明:该算法可平衡控制个体种群进化中的局部寻优和全局搜索,为智能优化的混合机理研究提供了一个新的思路。(本文来源于《机械科学与技术》期刊2016年06期）
刘浩[8]（2015）在《皮革智能排样技术研究》一文中研究指出优化排样问题的工程描述是:在某种形状的母版板材上排放一组待加工的切割件或冲压件,要求在母版板材有效区域内各个样件排放互不重迭,满足一定的切割工艺和行业要求,且最大程度提高原料的利用率,减少废料的产生。排样问题广泛存在于航天、造船、汽车等行业的各种板材的加工制造环节,如钣金下料、皮革和玻璃切割,等。实现智能优化排样是智能制造的重要环节。本文智能优化排样的对象是皮革材料。我国是世界上最大的皮革消费国。皮革加工制造不仅涵盖制鞋、皮衣、毛皮及其制品等行业,而且与飞机、汽车、家居等行业的关系极为紧密。面临着日益紧缺的资源问题,如何实现皮革生产技术的自动化、智能化,提高皮革利用率和生产效率,是我国皮革企业急需解决的技术难题。本文以皮革制品为工业背景,以提高皮革企业在生产加工排样过程中的材料利用率和生产效率为目的,开展科学研究。重点研究如何实现原材料母版的高利用率,同时保证合理的排样搜索时间,实现优化排样。从数学计算复杂性理论看,皮革企业的排样问题是属于NP-hard问题,随着排样对象规模的增大,计算复杂性急剧增加。至今尚未找到解决NP完全问题的最有效方法。本文主要从以下几个方面来研究皮革智能优化排样问题:(1)对自适应遗传算法进行改进,搜索矩形样件组的最优入排顺序,再以剩余矩形算法作为解码算法,实现矩形样件的自动排样;(2)对萤火虫算法进行离散化,将应用于连续空间优化的萤火虫算法扩展到矩形样件组合优化中,并对模拟退火算法做了相应的改进,提出了离散萤火虫模拟退火算法,再结合剩余矩形算法实现矩形样件自动排样;(3)对皮革面料母版外轮廓信息的提取、皮革样件外轮廓曲线的离散化、Matlab读取DXF格式图形的数据等预处理进行了简单的研究,提出了改进的基于BL策略的扫描线算法对不规则多边形样件进行定位和重迭检测;(4)用模拟退火算法实现“摇瓶子策略”的思想,用并行搜索策略分别对样件的入排顺序和旋转角度进行搜索,把离散萤火虫模拟退火算法与“摇瓶子策略”相结合解决不规则样件的排样问题。本文进行的实验仿真研究证明,利用所提出的智能算法对二维样件进行排样,效果显着,利用率大幅提高。本文所研究的皮革样件的智能优化排样问题,为企业实现皮革智能制造提供了理论和技术基础。同时也完全可以应用于钣金下料等行业。具有一定的理论价值和实用意义。(本文来源于《上海工程技术大学》期刊2015-12-01）
房友盼,刘英,徐兆军,于亚斌[9]（2015）在《面向缺陷的木材锯切优选加工的智能排样算法》一文中研究指出针对现有木材锯切加工中浪费严重、自动化程度低等问题,以单缺陷木材为研究对象,研究加工中省料的智能排样算法。将木材表面图像经过数字图像技术处理后得到其缺陷信息,围绕不同位置的缺陷给出了五种典型较优的排样布局方法,经算法对比得出单缺陷木材排样问题的最优解,借助编程软件完成软件开发,直观清晰,可以指导工人在线加工,大幅度地提高木材优选锯切加工的自动化水平。(本文来源于《木材加工机械》期刊2015年03期）
董志强,秦月霞,姜小会[10]（2015）在《人工智能技术在排样技术上的发展现状》一文中研究指出排样问题广泛存在于加工制造业的各个方面,智能化排样技术直接影响到材料利用率的高低和工人的劳动强度,对排样问题的研究具有重要的经济意义。文中介绍了各种排样算法的基本原理、流程及优缺点。(本文来源于《锻压装备与制造技术》期刊2015年02期）
智能排样论文开题报告
（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：
针对我国粮机装备制造业的现状与存在的问题,在智能制造的发展趋势下,提出了构建智能化、低成本、高效率的粮机装备智能制造平台的思路。分析了粮机装备制造业在制造成本与生产效率方面的智能制造需求,提出了以切割下料排样优化与车间作业调度优化为核心的粮机装备智能制造技术体系。详细给出了平台的关键技术与实现方法,主要包括型材零件切割下料排样优化、板材零件切割下料排样优化与车间作业调度优化等核心内容。在此基础上,设计并开发了基于排样优化与车间调度的粮机装备智能制造平台。该平台能够较好地增强粮机企业的智能化制造程度,降低制造成本,提高生产效率。
（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。
智能排样论文参考文献
[1].罗文.多约束下的纸盒矩形化智能排样系统的研究与实现[D].华中师范大学.2019
[2].武照云,张毓兰,原富林,李丽,阮竞兰.基于排样优化与车间调度的粮机装备智能制造平台研究[J].河南工业大学学报(自然科学版).2019
[3].王石.计算机辅助切割排样系统及其在智能制造中的应用[J].电子技术与软件工程.2018
[4].程建平.纸质包装盒智能排样系统的研究与实现[D].华中师范大学.2018
[5].吴龙飞.皮革切割机器人智能排样算法研究[D].杭州电子科技大学.2018
[6].王磊.板构产品制造过程中的智能排样优化方法研究[D].广东工业大学.2017
[7].梁利东,王雷.一种混合智能排样优化算法的应用研究[J].机械科学与技术.2016
[8].刘浩.皮革智能排样技术研究[D].上海工程技术大学.2015
[9].房友盼,刘英,徐兆军,于亚斌.面向缺陷的木材锯切优选加工的智能排样算法[J].木材加工机械.2015
[10].董志强,秦月霞,姜小会.人工智能技术在排样技术上的发展现状[J].锻压装备与制造技术.2015
论文知识图
