基于基因群体的一维优化下料

针对一维优化下料问题,将基于群体的编码方法与遗传算法相结合,设计了一种适用于一维优化下料问题的编码方法,修改了经典遗传算子的操作方法,提出了降序最佳置换方法(BRD).引入最佳配合(BF)、优先配合降序(FFD)局部搜索算法,建立了求解一维优化下料问题的复合遗传算法.应用结果显示,本文方法的效果是令人满意的.     

型材优化下料问题的变换算法

根据旅行商问题（TSP）的邻域搜索算法的思想，提出了型材下料问题的一种优化算法．该算法避免了求解大量下料方式及求解大规模整数规划的复杂问题．最后给出了一个实际例子，表明该方法是可行的．     

板材最优化套裁下料方法与程序

本文以研究天津客车厂现生产的〈TJ-620B型汽车冲压件板材优化下料方案〉为背景,根据线性规划理论和组合原理,采用了逐级优化的设计思想,深入地研究了板材下料问题,从建立数学模型到研制计算机软件,通过计算得出最优化套裁下料方案,使原材料利用率从80%提高到94.79%。该厂试生产一个月就节省钢板30余吨,价值人民币6万元,全年可节省70多万元,经济效益显著。     

一种基于Web Service的网络化优化下料系统

结合分析传统优化下料技术存在的问题,阐明了网络化优化下料的意义.在此基础上,提出一种新的基于Web Service的网络化优化下料系统,并对系统的构建过程、体系结构和运行机制进行了阐述.系统以Web 服务为中心,通过建立不同粒度的服务和支持多层次的服务调用,将网络化的多软件协同优化计算模型有机地融合到下料系统当中.实验表明本所提出的系统能有效地提高下料的总体优化利用率.     

定长条材优化下料的实用算法研究

在分析定长条材优化下料数学模型基础上，构造了一个背包列生成近似算法，从工程实践角度给出了此问题的求解方法，并给出了计算实例。     

建筑材料最优化套裁下料方法

在建筑施工中，我们经常遇到原材料的套裁下料问题，套裁的优劣直接影响到生产成本的高低。本文将运用线性规划理论和组合原理，结合施工中常用的钢筋、管材、型材等原材料下料进行优化，以外装饰工程中的幕墙、门窗型材的套裁下料为例，建立最优化套裁下料的数学模型，采用逐级优化的设计思想，深入地研究下料问题。通过采用此模型，将有效地提升材料利用率，减少资源浪费，提高工程项目的经济效益。     

一维下料方案的遗传算法优化

在对一维下料方案数学模型分析的基础上，提出了一种基于遗传算法的求解方法。主要思想是把零件的一个顺序作为一种下料方案，并视作组合优化问题来求解。在求解过程中，给出了应用遗传算法求解关键问题的编码、解码方法、遗传算子及适应离函数的定义，并根据这算法开发出一维下料方案的优化系统。实际应用表明，采用该方法求解一维下料方案，可提高材料的利用率，而且还可以提供多个优化方案。     

铁塔制造中角钢优化下料系统算法研究

本文论述了铁塔制造中角钢优化下料系统设计思想与算法的确定,按照本文论述的零件分组原则求出下料方式,并运用线性规划原理确定一套合理的角钢优化下料算法。     

实用下料问题的优化算法

本文针对单一原材料下料问题，讨论了如何在合理的时间内求得一维和二维实用下料问题的较优解。我们实现的是一种改进的以模式为导向的下料方案。以模式为导向的下料方法是相对于以需求为导向的下料方法而言的，即把几种零件组合进行下料，一次切割可得到不同规格的零件，以达到节省原材料的目的。我们的改进是引入了动态权值，具体来说，依据各零件的完成时间要求，赋给每种零件一个权值，而且这个权值会随着下料的进行而不断改变，以调整下料时零件的优先次序。引入动态权值后，不仅能解决时限问题，而且能优化搜索过程。在搜索下料方案的过程中，一维主要采用回溯法搜索部分状态空间，从中找出较优解；二维情形，观察到各种零件的长度比原料的宽度大很多，所以只能按原料的长边方向切割零件的长边，我们运用二叉树前序遍历法去寻找较优解。求得一维问题的下料结果是：需要804块原料，61种下料方式，废料总长度为37012mm，能保证任务按时完成。求得二维问题的解答：需要472块原料，52种下料方式，废料总长度为7340880mm^2，能保证任务按时完成。本模型具有操作简便，求解速度快，适应性好等优点，稍稍修改一些初始值就可以适应新的实际情况。算法是用编程来实现的。     

一维下料优化的一种新算法

针对一维下料优化问题,提出了一种基于启发式多级序列线性优化思想的新算法,即将下料优化问题转化为多级序列线性优化问题求解．每级求解时,在当前可行的下料方式中选择最优的一种进行下料。不断重复此操作。直到所有剩余的坯料数目均减小至零为止．原问题的最优解就是各个序列优化问题所求得的最优下料方式的总合．计算表明,与目前常用的整数线性规划或遗传算法相比较．该算法有结构简明、计算速度快、节材效果好的优点．     

圆板切割寻优模型

建立了两种不同情况下的切割寻优模型。模型Ⅰ主要用"相切排列法"通过"方形排列"及"三角形排列"两种情形建立了在一块固定尺寸钢板上切割一种规格小圆板的组合计算模型;模型Ⅱ在模型Ⅰ的基础上讨论了在一块固定尺寸钢板上切割多种规格小圆板的问题,在相应的假设下,通过把圆板看作以其直径为边长的正方形,利用"矩形相切法",建立了一个以钢板使用面积为目标的线性规划模型,进一步可以计算相应地面积利用率。     

基于蒙特卡罗方法的直角切削切削力概率特性分析

考虑随机因素的影响,采用蒙特卡罗数值模拟方法,研究金属切削过程中切削力的统计分布规律.建立非等分平行面剪切区模型,求解切削速度、剪应变以及剪应变率.构建金属切削材料控制方程和温度控制方程,求解剪切区剪切应力及切削力.根据切削参数的分布信息抽取样本,代入切削力模型进行计算,获取切削力,并统计切削力的概率特性,从而提出一种基于蒙特卡罗方法的直角切削切削力预测方法.     

氟金云母陶瓷车削中脆性材料切削热传导理论模型的研究

通过分析可加工陶瓷切削温度变化规律,提出脆性材料在车削中存在着两个不同的温升阶段,反映了切削系统存在的热传导及热积累效应。根据热传导基本理论,建立以刀具-工件接触点为移动热源的脆性材料切削热传导理论模型,结合微元法量化脆性材料车削中的热量分配,采用能接近实际车削中温度场变化形式的镜像热源原理,求解脆性材料切削温度的二次跃迁值。用PCD(聚晶金刚石)刀具车削氟金云母陶瓷,进行切削验证实验,结果表明,脆性材料切削热传导理论模型能够较准确地求解切削温度的二次跃迁值,并反映陶瓷等脆性切削温度场的变化趋势。     

磨料水射流旋转切割岩石深度计算模型

针对地下洞库结构防护设计,需对洞库围岩实施人工致裂,从而在围岩中构建人工裂隙群以达到抗爆消波的目的,提出利用环形磨料水射流切割围岩施工方法。根据磨料颗粒去除非岩石材料体积模型,推导了磨料粒子对岩石的体积去除量与磨料速度关系模型;基于磨料射流切口形状假设了环形磨料射流切割深度估算模型,并与已有数据进行对比验证了模型的有效性;定义磨料射流在外流场的流量衰减系数,提出了磨料射流岩石极限切割深度计算方法,通过算例分析了特定工况下磨料水射流切割砂岩及花岗岩的理想极限深度,得到磨料水射流对岩石的切割半径满足围岩人工割缝半径目标。研究表明:磨料水射流对花岗岩的制缝深度约为切割砂岩的55.7%;使用磨料水射流进行围岩割缝在工程应用中具备施工可行性。     

超高压水射流破岩及切割实验研究

利用国产高压水射流切割系统 ,对不同性质的材料进行了切割实验 ,考察了泵压、喷嘴横移速度、喷距和聚丙烯酰胺质量分数对射流切割效果的影响。实验结果表明 ,射流的驱动泵压与其切割深度成正比 ,喷嘴横移速度和喷距增加将使切割深度降低。聚丙烯酰胺对射流切割系统具有双重作用 ,因而其质量分数存在一个最佳值。对大理石、花岗岩和标准铝板等材料的切割实验表明 ,在其他实验条件一定的情况下 ,无孔隙材料的切割深度远低于有孔隙材料。     

瞬时红外热成像检测刀具温度场

本文采用红外热成像技术检测了切削刀具温度分布,给出了多种工件材料、刀具材料及切削速度等条件下切削刀具的温度场;还研究了后刀面磨损量与刀具最高温度值及其分布特征之间的关系。试验表明:此技术可以快速、直观、非接触、较精确地在线实时无损监测切削温度,为选择最佳切削工艺参数、提高零件表面质量及刀具寿命提供依据。     

“WWW”模式下网络切削数据库与专家系统

论述“WWW”设计模式和切削数据库与专家系统的结构。该系统功能模块相互独立 ,便于维护 ,通过网络利用浏览器访问数据库实现对系统的操作。实现了切削数据的维护、加工过程的优化、故障诊断等专家系统的各项功能。本数据库的具体内容包括 :关于刀具材料、工件材料及机床的信息 ;切削用量的优化和推荐数据 ;故障诊断 ;刀具材料正确选用的专家系统 ;等等。     

振动切削机理的研究状况

主要对振动切削理论进行了分析和总结，从振动切削的特点入手得出了对振动切削机理研究的必要性，同时对已形成的振动切削机理的理论进行了总结，给出了振动切削机理的研究状况，并通过阅读大量的相关材料给出了今后振动切削机理的研究方向。     

基于BP神经网络的切削力预报

切削力预报与控制直接影响切削加工的质量和成本.以多层前馈神经网络为基本结构,以误差反向传播算法(BP算法)为网络训练方法,借助VC 语言建立了切削力预报程序.通过引入共轭梯度法和拟牛顿法优化方法,解决了网络训练中局部最小和过早饱和问题,提高了神经网络的收敛速度和精度,实现了对切削加工过程中切削力的预报和仿真.通过对以两种难加工材料的铣削和磨削试验数据为基础的预报计算,发现传统经验公式方法预报误差偏大,最大相对误差达24.9%,而神经网络方法预报结果最大相对误差为2.01%,证明基于BP神经网络的切削力预报研究具有一定参考和应用价值.