一种大规模两重互异性矩形件的组批排样方法及系统

本发明属于矩形零件加工布局领域，更具体地，涉及一种大规模两重互异性矩形件的组批排样方法及系统。

背景技术：

1、矩形件排样常见于皮革剪裁、家具加工、玻璃切割、钣金加工等方面，是制造业自动化的关键步骤，直接影响加工的成本与质量。通过合理规划矩形件在板材上的布局，可以提高板材利用率、简化切割过程、或保障加工质量。

2、通常采用基于数学规划的确定性算法、启发式算法和智能优化算法三类对矩形件排样。基于数学规划的确定性算法主要针对小批量矩形件进行排样，无法解决大规模矩形件排样的问题。启发式算法虽然在求解大规模矩形件排样时可以快速的给出排样方案，但由于算法相对简单，求解出的排样方案对应的板材利用率不高。大多数智能算法都要对样本进行反复迭代，步骤繁琐，尤其是在针对大规模矩形件排样时求解时间过长；另外，智能算法中普遍存在大量待调参数，求解结果的优劣太过依赖于初始参数的选取，所以常常出现结果不稳定或过早收敛的现象。

3、同时，上述方法均是针对形状存在强互异性的矩形件进行排样，不适用矩形件的形状和所用材料均存在强互异性的两重互异性矩形件的排样。因此，针对大规模两重互异性矩形件排样，如何提升排样的稳定性、效率及板材利用率，是亟待解决的问题。

技术实现思路

1、针对现有技术的缺陷和改进需求，本发明提供了一种大规模两重互异性矩形件的组批排样方法及系统，其目的在于提升两重互异性矩形件排样中待切割板材的利用率。

2、为实现上述目的，按照本发明的一个方面，提供了一种大规模两重互异性矩形件的组批排样方法，包括组批步骤和排样步骤，所述组批步骤包括s1-s5，所述排样步骤包括s6：

3、s1、将订单集o中的产品项依订单划分，所述产品项为待加工的矩形件；

4、s2、构造空订单列表，称为可行订单列表；遍历此时的订单集，将当前订单放入此时的可行订单列表中，并将当前订单从此时的订单集中删除；

5、s3、计算此时的可行订单列表中的订单集与此时的订单集之间的材料相似度，将材料相似度最大的订单放入此时的可行订单列表中，并将材料相似度最大的订单从此时的订单集中删除；

6、s4、重复s3，直至此时的可行订单列表中的产品项个数超过设定的数量约束或所述产品项总面积超过设定的产能约束，将所述此时的可行订单列表中的订单集作为一个批次的订单；

7、s5、重复s2-s4，直至所述订单集o中所有订单都被分批，并将每个批次的订单按照材料相同划分为多个子项；

8、s6、对每个子项中的产品项进行排样，得到每个子项对应的排样方案。

9、进一步地，s3中，通过计算此时的可行订单列表中的订单集a与此时的订单集b之间的相似度矩阵r(a,b)得到所述材料相似度；所述相似度矩阵r(a,b)为：

10、r(a,b)＝|m(a)∩m(b)|/|m(a)∪m(b)|

11、其中，m(a)表示所述订单集a中所有材料的集合，m(b)表示所述订单集b中所有材料的集合，|m(a)∩m(b)|表示所述订单集a和所述单集b中所有材料的数量，|m(a)∪m(b)|表示所述订单集a和所述单集b中相同材料的数量。

12、进一步地，所述排样步骤具体包括：

13、获取待切割板材及所述每个子项中产品项的长度和宽度，其中，每块待切割板材的长度和宽度均相同；

14、将所述产品项旋转90°，旋转前后的产品项互为一对对偶项；

15、构建排样模型的约束条件，所述约束条件包括一对对偶项中任选一项参与排样；

16、构建排样模型的目标函数，所述目标函数为最小化待切割板材的使用数量；

17、求解排样模型，得到所述产品项在待切割板材上的排样方案。

18、进一步地，采用3阶段齐头切精确排样标准进行排样，所述3阶段齐头切精确排样标准包括：对待切割板材进行第一阶段切割得到的条带，对所述条带进行第二阶段切割得到的堆栈，对所述堆栈进行第三阶段切割得到产品项；

19、所述排样方案为在每张待切割板材上划分的条带、堆栈及产品项的排样。

20、进一步地，所述排样模型的约束条件还包括：

21、产品项的唯一性约束：每个产品项只能包含在一个堆栈中；

22、堆栈同宽限长约束：同一个堆栈内产品项的宽度均与所述堆栈的宽度相同，以及同一个堆栈内产品项的长度之和不超过待切割板材的长度；

23、堆栈的唯一性约束：每个堆栈只能被包含在一个条带中；

24、条带的唯一性约束：每个条带只能被包含在一张待切割的板材中；

25、条带的长度约束：一个条带中同一堆栈内的产品项长度之和不超过所述条带的长度；

26、待切割板材的宽度约束：同一个条带内的堆栈宽度之和不超过待切割板材宽度；

27、待切割板材的长度约束：同一张待切割板材内的条带长度之和不超过待切割板材长度。

28、进一步地，求解所述排样模型包括：

29、s11、对产品项的长度进行降序排列，得到待排的产品项列表，所述列表中包含了所述每个子项中产品项及其对偶项；

30、s12、顺序遍历此时的产品项列表，将当前的产品项装入当前的空堆栈得到第一堆栈，所述空堆栈与当前产品项同宽，并将当前的产品项及其对偶项从待排的产品项列表中删除；

31、s13、继续遍历此时的产品项列表寻找下一个产品项；所述下一个产品项的宽度与所述第一堆栈的宽度相同；

32、s14、生成0-1之间的随机数；若所述随机数未超过设定的同宽产品聚集概率阈值p，则返回执行s13；否则，将找到的下一个产品项放入此时的第一堆栈中，并将所述产品项及其对偶项从产品项列表中删除，还需判断此时的第一堆栈是否装满，若否，返回执行s13；若是，则将此时的第一堆栈装入一个长度与所述第一堆栈长度相同的条带，并在该条带内再生成空堆栈，返回执行s12，直至所述条带装满；

33、s15、重复执行s12-s14，直至所述产品项列表中所有的产品项均被装入堆栈，得到多个装满的条带；多个装满的条带组成多张待切割的板材。

34、进一步地，所述同宽产品聚集概率阈值p＝0。

35、按照本发明的另一方面，提供了一种大规模两重互异性矩形件的组批排样系统，用于执行第一方面任一项所述的方法，包括组批模块和排样模块，所述组批模块包括划分单元、构造及遍历单元、相似度计算单元、第一重复执行单元及第二重复执行单元；

36、所述划分单元用于将订单集o中的产品项依订单划分，所述产品项为待加工的矩形件；

37、所述构造及遍历单元用于构造空订单列表，称为可行订单列表；遍历此时的订单集，将当前订单放入此时的可行订单列表中，并将当前订单从此时的订单集中删除；

38、所述相似度计算单元用于计算此时的可行订单列表中的订单集与此时的订单集之间的材料相似度，将材料相似度最大的订单放入此时的可行订单列表中，并将材料相似度最大的订单从此时的订单集中删除；

39、所述第一重复执行单元用于重复执行相似度计算单元，直至此时的可行订单列表中的产品项个数超过设定的数量约束或所述产品项总面积超过设定的产能约束，将所述此时的可行订单列表中的订单集作为一个批次的订单；

40、所述第二重复执行单元用于重复执行构造及遍历单元、相似度计算单元及第一重复执行单元，直至所述订单集o中所有订单都被分批，并将每个批次的订单按照材料相同划分为多个子项；

41、所述排样模块用于对每个子项中的产品项进行排样，得到每个子项对应的排样方案。

42、进一步地，所述排样模块具体包括：

43、获取单元，用于获取待切割板材及所述每个子项中产品项的长度和宽度，其中，每块待切割板材的长度和宽度均相同；

44、对偶项构建单元，用于将所述产品项旋转90°，旋转前后的产品项互为一对对偶项；

45、约束构建单元，用于构建排样模型的约束条件，所述约束条件包括一对对偶项中任选一项参与排样；

46、目标函数构建单元，用于构建排样模型的目标函数，所述目标函数为最小化待切割板材的使用数量；

47、求解单元，用于求解排样模型，得到所述产品项在待切割板材上的排样方案。

48、按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面任一项所述的方法。

49、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

50、(1)本发明的大规模两重互异性矩形件的组批排样方法，考虑到每个订单所用到的材料具有强互异性，通过计算当前的可行订单列表中的订单集与当前的订单集之间的材料相似度，将不同订单之间材料相似度高的订单作为同一批订单进行组批，使材料相同的待加工矩形件尽可能的凑在一个批次中加工，以此提高待切割板材利的用率；后续再针对每个批次中材料相同的子项进行矩形件排样，提升了对两重互异性矩形件排样的材利的用率。

51、(2)进一步地，本发明提供了一种定量描述订单集间材料相似度的方式，通过计算两个订单集之间的材料相似度矩阵定量描述订单集间材料相似度。

52、(3)进一步地，针对每个批次中材料相同但形状具有强互异性的矩形件进行排样时，将待加工矩形件的对偶项作为虚拟项引入排样，构建排样模型及相应的约束和目标函数，在排样的过程中，增加了排样的多样性，进一步提升了待切割板材的利用率。

53、(4)进一步地，采用改进的带对偶项的降序有限首次适应方法对排样模型进行高效求解，通过对产品项的长度进行降序排列，先排长度最长的产品项，在排列的过程中，引入同宽产品聚集概率以降低放入一个堆栈的中的同宽产品项的数量，进一步增加排样方案的多样性，进一步提升了待切割板材的利用率；同时，在寻优过程中参量少、高效、稳定，属于一种新的启发式方法，适用于大规模矩形件排样。

54、(5)作为优选，在寻优的过程中，当入同宽产品聚集概率为0时，待切割板材利用率最高。

55、(6)作为优选，在求解排样模型时，采用3阶段齐头切精确排样标准，可以提升加工的便利性与可靠性。

56、总而言之，本发明的方法将组批优化与矩形件排样优化有机结合起来，能够实现对大规模两重互异性矩形件的组批排样，且能够最大化待切割板材的利用率。