1.3相关研究工作
该模型的布局问题可以被归类到著名的装箱问题。应用本包装问题可以发现在VLSI布局设计、下料等领域。经典的2 d和3 d本包装问题已经被证明是np困难[3]。自本包装问题是实践的重要性,有效的近似算法,产生接近最优的解决方案已经开发出来。这些方法包括线性规划,启发式技术,模拟退火(SA)和遗传算法(GA)。
线性规划方法已经被广泛研究并成功应用于广泛的一类股票切割问题。然而,这些方法不适合许多实际问题由于其结构或尺寸。在这种情况下,使用启发式方法,如动态规划和树搜索方法。动态规划是一种方法,它将一个问题转化为一系列的单级问题。困难在于迅速确定最优决策。这个树搜索方法枚举所有可能的解决方案在一个树的动态规划方法,将问题转化为一系列的单级问题。式的结构。开始在一个路径启发式和终止当要么一个最佳的解决方案被认为已经发现或路径是已知的导致理想的解决办法。最上面的方法要么不给一个最优或接近最优解或不适用于各种应用程序,和配方的问题相当复杂[4]。
克服线性规划的局限性和启发式技术,研究了使用SA和遗传算法来解决包装问题。饶和Iyengar[5]应用SA来的各种各样的装箱问题。大量仿真实验表明解决方案获得SA显示极大地提高了那些得到任何著名的启发式方法。Cagan[6]探索2 d和3 d使用SA布局问题。一个自适应退火时间表,多分辨率建模和动态移动选择策略,提出了改善算法的性能。汉娜[7]提出了一个嵌套的方法有两个阶段:初始布局阶段,布局改进阶段。一个自组织辅助布局算法生成一个“好”的初始布局;然后SA是用来改善初始布局。科克兰[8]探索GA在3 d包装问题,表明遗传算法取得了良好的解决方案对3 d包装问题。
值得提到的是,Ikonen et al。[9]使用遗传算法来解决3 d模型布局问题的SLS机。大多数的研究上面提到的简化形状的零件。Ikonen的方法不需要零件的几何简化包装前。然而,搜索过程的包装会很耗时的使用这种方法(如8.5 h 15部分)。
简而言之,它已经表明,GA和SA有能力解决装箱问题。然而,GA和SA的性能方面的效率和效果在很大程度上取决于解决方案空间,实现战略和目标函数。在这项研究中,SA算法应用于目前的包装问题根据特定的目标函数和搜索策略对国网公司流程。
1.4编制模型布局问题
在这部作品中,国网公司模型托盘被表示为一个集装箱和一个上限。该模型的布局问题在这个研究可以被描述为包装一批零件的不同大小的容器(本)。包装任务具有以下三个目标:
*拟合模型到指定的容器;
*避免任何重叠模型;
*实现封装密度高,换句话说,达到最低总高度。
在目前的应用,CAD模型各部分的反映在STL格式。它由坐标信息的面三角形及其相应的外在指向正常在3 d空间。相对于其它格式的CAD模型,STL格式非常简单。然而,搜索会非常耗时,如果完成一个STL模型的信息编码的算法。这是因为一个简单的操作如“旋转”或“移动”的意思是重新计算的新位置的每一个
一个模型的三角面,它是非常常见的一种机械部分有成百上千的三角面在一个STL模型。此外,这些操作是用于成千上万的“迭代”在搜寻过程的SA。从而简化是必要的。大多数研究人员只是一部分带有矩形包围盒,因为它很容易实现和保持包装算法变得太复杂[4]。这种方法也被用于这项研究。区别在于制定目标函数和特定的搜索策略。3 d模型的布局可以被描述在以下步骤(图2):
1、STL文件解析的部件制造和生成一个信封中每个部分的模型。
2、包信封在本根据特定的算法。本大小完全相同的最大制造体积的肘的机器。 布局优化模型为坚实地固化快速成型过程英文文献翻译(2):http://www.youerw.com/fanyi/lunwen_3891.html