一种变压器硅钢片下料算法的设计与实现

硅钢片是变压器铁芯、电动机的主要原材料。提高硅钢片利用率、减少原材料成本是相关企业重点关注的问题。文章针对变压器厂铁芯车间下料提出一种基于余料控制的套裁下料算法,在考虑主动生成规范余料的基础上排入梯形毛坯,同时采用改进的顺序分组启发式算法(improved sequential grouping heuristic,ISGH)实现毛坯的横纵剪切,保证每次生成的排样方式满足规范余料价值和毛坯填充价值之和最大化,直到所有毛坯全部排完,从而得出最优排样方案。经验证,该算法运行时间合理,可以在一定程度上减少原材料成本、提高硅钢片的利用率。     

二维板材圆形件剪冲的四块排样算法

针对二维板材圆形件剪冲下料问题,提出一种基于四块排样方式的下料算法.这种排样方式将一张板材划分成四个块,在每块中排放具有相同长度和方向的条带;条带中排放若干行同种圆形件.构造排样算法生成单张板材上圆形件的四块排样方式,首先确定圆形件在条带中的布局;然后构造递归算法生成条带在块中的布局;最后采用隐式枚举算法确定板材的最优四块划分.采用列生成算法调用上述排样方法生成多个不同的排样方式,按照单纯型原理择优选择一组排样方式形成下料方案,并对小数解进行圆整操作.使用文献例题和实际生产实例将本文算法与文献算法进行对比,结果表明: 本文算法下料方案板材利用率比四种文献算法分别高0.49%, 0.32%, 6.04%和1.50%, 计算时间能满足实际应用需要.     

基于最佳断点的圆形件T形下料算法

【目的】圆形件下料问题广泛存在于工业生产中，如汽车、船舶零部件的制造等。通过提高材料利用率，减少切割成本可有效降低企业生产成本。基于此，提出了一种基于最佳断点的圆形件T形下料算法。【方法】首先根据需求的圆形件种类生成多规格的标准条带，然后根据规范长度求得点长度集合，再用全容量动态规划算法生成排样方式，遍历断点长度集合，得出最佳断点长度和排样方式，确定排样方式的使用次数并加入排样方案，直到满足所有圆形件的需求；最后根据价值修正公式不断调整圆形件价值，通过迭代生成多种排样方案，以防算法陷入局部最优。【结果】与文献数据相比，该算法能够提高材料利用率，降低切割成本。【结论】实验结果表明，该算法在降低企业生产总成本上具有有效性。     

带剪刃长度约束的矩形件剪切下料优化算法

讨论矩形件二维下料问题,提出一种带剪刃长度约束的下料算法。这种算法将板材划分成四块,每块中排放长度和方向均相同的条带,每根条带中排放同种矩形件。运用递归技术构造四块排样方式的无约束生成算法和有约束生成算法。采用线性规划算法调用无约束生成算法生成第一部分下料方案;采用顺序启发式算法调用有约束生成算法生成第二部分下料方案。组合两部分下料方案形成最终解。数值实验结果表明下料算法有效地解决带剪刃长度约束的下料问题。     

多线材一维下料问题的求解策略

本文将线性规划与增强顺序法相结合,求解多线材一维下料问题.采用具有全容量特性的解法,一次生成多个排样方式,按比值法选择新排样方式.实验结果表明:对于文献中报道的一些例题,运用算法可降低线材成本;和商业一维下料CAD系统相比,在下料方案的线材成本相同的前提下,本文算法可大幅度缩短计算时间.     

一种基于三段排样圆形毛坯下料算法

为研究板材上的圆形毛坯下料问题,将矩形板材分成两个不对称的直角梯形段和一个平行四边形段,在三个段中分别采用递推算法确定条带的最优组合,从而得到一种排样方式;并利用线性规划模型求解解决圆形毛坯下料的整个方案。实验结果表明:不对称的梯形分割比对称的梯形分割获得更高的材料利用率;采用递推算法比动态规划求解的背包问题算法确定的排样方式少。     

多规格板材电机圆片下料算法研究

在电机制造过程中涉及将硅钢片切割成圆片用于加工成定子和转子,为了研究多规格板材情况下,考虑主动生成余料的电机圆片下料问题,提出多规格板材电机圆片下料算法进行研究分析。下料方案由切割工艺简单的直切排样方式组成,排样方案由旧余料和标准板材两个部分生成,并且在使用标准板材生成排样方式时,允许产生新余料供后续订单使用。采用动态规划技术生成直切排样方式,并运用顺序法优化下料方案,设定余料上限约束保持库存数量。对某电机厂实际生产的多个连续订单进行实验,结果表明:本文算法符合实际生产流程,在不增加切割工艺复杂度的同时可有效降低生产成本。     

一种圆形片剪切排样的高效递归算法

制造行业经常采用剪切和冲裁工艺将金属板材切成圆形毛坯. 本文提出一种算法,用于生成多尺寸圆形片条带的剪切排样方式. 该算法采用剪切工艺简单的多级排样方式,每一刀切下一根水平或竖直的条带,每根条带中可以有一排或多排同尺寸的毛坯. 采用递归算法确定每根条带的方向和所含毛坯排数,以便使下料利用率达到最高. 实验计算结果表明所述算法在计算时间和提高材料利用率两方面都较有效.     

基于单毛坯条带的矩形件最优两段排样方式

对大规模矩形件排样问题提出一种精确、可生成一种新的满足剪冲下料工艺需求的排样方式:基于单毛坯条带的矩形件最优两段排样方式.采用动态规划算法生成最优单毛坯条带,通过一维背包算法确定条带在级中的排样方式和级在段中的最优排样方式,选择最优的两个段组成排样方式.对传统文献中的43道大规模基准测题进行计算,有38道测题达到最优,剩余5道测题的优化结果与最优化结果的比率达到99.9%,每题的平均计算时间仅用2.17s.结果表明,本文算法优于经典两段和著名的T型排样算法,在解决大规模矩形件排样具有高效性.     

一种启发式矩形毛坯带排样算法研究

介绍一种两维矩形毛坯带排样问题的改进启发式递归算法,它基于递归结构和分支定界技术.首先初始化板材作为一个块,考虑目前的块,算法选择一个毛坯,将毛坯放在块的左下角,然后用水平或竖直的剪切线将未使用空间分为两个更小的块,便于进一步递归求解.使用上下界来去除无用的分支,缩短运算时间.将该算法和遗传算法相结合,先通过遗传算法确定所有矩形毛坯较优的排放顺序和排放方式,然后使用递归排样生成排样图,通过比较不同的矩形排放序列对应的板材利用率,最终得到较优的排样方案.测试数据表明了该启发式优化算法的有效性.     

两类图的序列性

图G的标号指f是V(G)到整数集合的一个映射,然后边xy∈E(G)由f(x),f(y)导出标号.本文利用一类具有序列平衡标号的树的性质,通过"连结"与"粘接"方式,构造更多顶点的序列树;证明了C2n+1∨Km是序列图.     

树积序列性及序列标号

图G的标号是指G的节点集到一个整数集的映射g,且由g(u)、g(v)诱导出边euv的标号.本文定义了序列树的根积运算,并研究了满足一定条件的序列树的根积的序列性,得到了一类新的节点数较多且非毛毛虫的树为序列图.     

移动环境中的最大移动序列模式挖掘

在移动通信环境中,移动序列模式挖掘对于有效的提高位置管理的服务质量具有重大的意义.移动序列模式挖掘和传统的序列模式挖掘是不同的,首先,前者需要考虑更多的时间因素;其次,移动序列模式中的项之间是连续的,因为关心移动用户的下一次移动情况.本文提出了一种挖掘移动序列模式的新技术:聚类的思想引入到移动序列模式挖掘来处理移动历史的时间离散化,并且提出了一个高效的PrefixTree算法来挖掘移动序列.性能研究表明,Pref ixTree算法优于PrefixSpan-2算法.     

在有噪音的环境中挖掘序列模式精简基

提出在匹配度模型下频繁序列模式精简基的概念,精简基由相对于一系列匹配度阈值的最大序列模式组成,它是频繁序列模式的一个子集,可以用它来估计任一频繁序列模式的匹配度,并能将误差控制在确定范围内.还开发了一个从有噪音的序列数据库中挖掘这种序列模式精简基的算法,该算法采用了一种不需要保留候选序列模式的方法来检查最大序列模式,采用的剪枝技术也比以前的算法更有效率.实验结果显示计算频繁序列模式精简基是很有前途的.     

序列图的一些必要条件与非序列图类

为纠错码问题提供理论基础，在运用同余、奇偶性方法的基础上，给出了用点边二种观点分析边标号的方法。使用这种方法，得到了一般序列图、正则序列图、Euler序列图、圈的粘接序列图和圈的并序列图的必要条件，证明了边数为2k，k是奇数的Euler图是非序列图类，讨论了m个n圈的粘接图中的非序列图类：分析偶圈的特征，构造了偶圈的具有同顶点集的序列母图并给出其序列标号表达式。这些结果在通讯、军事等领域有重要应用价值。     

一种快速最大频繁序列模式挖掘算法

针对序列模式挖掘中, 频繁子序列个数随模式长度增加而爆炸性增长的问题, 提出一种从序列数据库中挖掘最大频繁序列模式的新算法(MFSPAN). MFSPAN充分利用不同序列可能具有相同前缀的性质来减少项集比较次数. 在标准测试数据集上的实验结果表明了MFSPAN的有效性.     

基于序列划分的压缩序列模式挖掘算法

研究了静态数据库当中挖掘压缩序列模式的问题,提出了一个压缩序列模式挖掘算法.该算法通过对闭序列模式全集进行划分处理,降低了序列的比对空间,并结合δ-dominant序列检测机制,有效的挖掘出了压缩序列模式集.实验表明,该算法具有较好的运行效率.     

序列效应代数的表示

考虑序列效应代数的表示问题,通过列举一些可表示的和不可表示的实例,给出序列效应代数可表示的一个充分条件,并证明了一些经典序列效应代数的可表示性,以及两个可表示的序列效应代数的直和仍然是可表示的.     

含有分类精度的二类序贯分类器

在讨论了传统的二类序贯分类器的基础上,提出了在特征参数的选取具有随机性时,应考虑分类精度的观点,并给出了特征参数的容量No有限和无限时的二类序贯分类器。     

Bayes序贯判决应用于二值临床试验

应用Bayes序贯判决于结果变量为二值的临床试验。把病人范围和治疗效果引进损失函数,能减少计算复杂性。并与频率方法进行了比较。