不规则零件优化排样神经网络混合优化算法.docVIP

不规则零件优化排样的神经网络混合优化算法 史俊友，苏传生，翟红岩 (青岛科技大学 机电工程学院，山东 青岛 266061) 摘要：提出一种利用人工神经网络求解不规则件排样问题的混合优化方法。该方法首先把排样和制造工艺联系起来，将多边形各边向外扩充，为零件预留加工余量；然后采用自组织特征映射模型(SOM)和Hopfield人工神经网络相结合的方法，运用SOM神经网络对初始在板材内随机排布的不规则零件进行平移，寻求各零件的最优位置，然后运用Hopfield神经网络进行迭代运算，寻求各排样零件的最优旋转角度组合，实现自动排样。算法可以解决不规则件和矩形件在规则板材以及不规则板材上的排样问题，实例证明了该算法的有效性和实用性。 关键词：自组织特征映射模型；Hopfield人工神经网络；加工余量；不规则件；优化排样 中图分类号：TP 391.7 文献标识码：A Neural Networks Hybrid Algorithm for Irregular Parts Optimal Layout SHI Jun-you，S Chuan-sheng，Z Hong-yan (College of Mechanical and Electrical Engineering，Qingdao University of Science Technology，Qingdao　266061，China )Abstract：An irregular parts layout method based onis proposed in this paper. Firstly we link nesting problem with manufacturing process, every side of polygons is expanded in consideration of the machining allowance. Then Self-Organizing Map (SOM) and Hopfield artificial neural networks are integrated to look for the best position of the shaped parts and each parts optimum rotating angle, complete the automatic layout. The algorithm can solve irregular parts nesting problem and rectangular parts nesting problem in the given nest region. Examples indicate that our algorithm is effective and practical. Key words： Self-Organizing Mapartificial neural networks；machining allowance；irregular parts；optimal layout 最大限度地节约材料，提高材料利用率是实际生产中的一个基本原则，由于在工业生产中排样问题广泛存在，因而解决它具有很深远的理论意义和现实意义。寻找通用性好、求解质量和效率高、易于实现的排样问题求解算法一直是该领域所追求的目标[1]。 人工神经网络具有自适应性、自学习性、强容错性和并行性等特性，已为模式识别、优化技术和其它领域提供了新的技术[2]。利用人工神经网络求解组合优化问题是一个既新颖又有前途的研究领域。黄兆龙[3]等人采用SOM神经网络寻求各排样零件在排样板材上的最优位置；李建勇[4]等人采用Hopfield神经网络对待排矩形零件进行分组，通过恰当选取分组数目，从而使排料对象放置到板材中，此方法运用到不规则件排样中需先将不规则件进行矩形外包络再进行排样。 用神经网络解决优化问题的主要难点在于很难找到问题模型与神经网络之间的映射关系。本文将对这一问题进行研究，将排样和制造工艺联系起来，将多边形各边向外扩充，为零件预留加工余量，然后将SOM神经网络和Hopfield神经网络引入不规则零件排样求解中，运用SOM神经网络对初始随机排布的不规则零件进行平移，寻求各零件的最优位置，运用Hopfield神经网络寻求各排样零件的最优旋转角度组合，最后得到不规则件和矩形件在规则板材以及不规则板材上的排样方案，并进行了相应的分析和软件模拟计算，验证算法的可行性和有效性。 1 模型分析 (X，Y)θ。当这3个参数确定后，该零件的其它各顶点坐标都可由这3个参数计算。设Gj(j∈J，J为零件集合)为零件j的图形，(xj，yj)为该零件的给定点的坐标，则该零