基于图神经网络和深度强化学...的二维矩形排样优化方法研究_张磊.pdf

第59卷第2期2024年4月

第2期

Vol.59No.2CHINAMETALFORMINGEQUIPMENTMANUFACTURINGTECHNOLOGYApr.2024

基于图神经网络和深度强化学习的二维

矩形排样优化方法研究

张磊，刘雪梅

（同济大学机械与能源工程学院，上海201804）

摘要：本文结合生产实际中的零件母板带约束二维矩形下料优化问题，设计并提出了二维矩形排样问题的异构图和深度强化学

习的算法架构。通过图神经网络和强化学习算法对排样问题中零件和母板的特征进行高度的集成和学习，并对零件的排布顺序

和排布位置进行决策，在更短的时间内得到相比于传统优化算法更优秀的计算结果。实验证明，本文的深度强化学习算法训练的

模型可以在较短时间得到良好的排样结果，且基于小规模问题训练的模型解决较大规模的问题实例也可以获得较好的效果，证

明了算法具有较好的泛化能力。

关键词：下料优化问题；矩形排样优化；深度强化学习；异构图神经网络

中图分类号：TG386.1文献标识码：A

DOI：10.16316/j.issn.1672-0121.2024.02.025文章编号：1672-0121（2024）02-0117-06

0前言板材利用率最大化。矩形优化排样问题是制造行业

中非常有实际意义的工程问题。原材料利用率的微

矩形优化排样问题又称矩形下料问题，是指将小提升都对企业有重要的意义，不仅意味着生产成

矩形零件互不重叠排放在矩形板材范围内，以实现本的降低，也是企业为践行低碳生产而做出的切实

的贡献。因此，研究快速高效的下料算法是非常有

收稿日期：2023-09-20；修订日期：2023-10-22必要的。

作者简介：张磊（1998—），男，硕士，主攻智能优化技术及其应排样问题作为经典的组合优化问题，解空间的

用

大小和时间复杂度会随着问题规模的提升呈指数

通信作者：刘雪梅（1969—），女，博士，教授，从事制造信息工程、

数字孪生及其应用研究级的增长[1]，因此，矩形排样问题往往通过启发式算

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■

Systemdevelopmentofpunchandlasercompoundingmachinebasedontwincat2platform

DINGYu，MAZhengping，CHENJing，SHANAnyang，XUJun

（JiangsuYaweiMachineToolCo.,Ltd.,Yangzhou225200,JiangsuChina）

Abstract:Punchinglaminatingmachineasahigh-endsheetmetalprocessingequipment,notonlycanmeet

thepunchingmachinepunching