[发明专利]一种基于知识迁移的矩形智能排样方法及系统

说明书

本发明公开了一种基于知识迁移的矩形智能排样方法及系统，属于结构件优化下料领域，包括：(1)选取若干组待排样零件作为源任务，并提取零件及板材相关信息；(2)利用蚁群强化学习算法求解已选取的多组源任务，并将学习完成后的最优知识矩阵存储到知识库；(3)从知识库中提取出与待解决目标任务最为相似的两组源任务，将两者对应的知识矩阵线性迁移给目标任务；(4)目标任务借助迁移知识矩阵，利用蚁群强化学习算法计算出最优排样方案；(5)输出目标任务的最优排样方案。本发明的基于知识迁移的矩形智能排样方法可以提高板材利用率和求解速度，在求解大中规模矩形排样问题上具有较好的实用性。

技术领域

本发明属于结构件优化下料领域，更具体地，涉及一种基于知识迁移的矩形智能排样方法及系统。

背景技术

近年来，随着市场竞争加剧，企业迫切的要降低生产成本，提高效率。传统的手工排样方式已经无法适应大规模、个性化定制生产的要求，企业越来越需要一种效率高、浪费少的智能优化排样方法。矩形优化排样是优化下料问题的一个分支，指按照最优的排样方案在特定矩形板材上排放不同规格的矩形零件。由于多种规则图形如三角形、扇形等以及不规则图形可通过拼接或包络转换成矩形，因此矩形优化排样有重要的研究价值，目前已在金属下料、木材纸张切割、布料切割、报刊排版等行业获得了广泛的应用。

现有技术已在矩形优化排样方面做出了一些研究，给出了不同排样技术方案。已采用的方法主要有启发式方法如最低水平线法、BL算法、下台阶算法等，智能优化方法如遗传算法、粒子群算法、蚁群算法、狼群算法等。矩形优化排样关键在于零件的定位和定序，目前技术主要采用启发式方法定位，智能算法定序的方式，并不断优化求解时间及板材利用率，现已可以较好地进行矩形优化排样设计。

然而，进一步的研究与探索，上述现有技术仍存在以下的缺陷或不足：

首先，虽然矩形排样已采用启发式方法与先进智能优化方法相结合求解的方式，但仍存在着求解时间偏长，利用率偏低的问题；

其次，目前方案只关注当前任务本身，任务之间彼此孤立寻优，求解优化相似新任务时不能有效利用已有的经验和知识，需重新开始搜索优化，导致效率低下；

再次，即使进行个性化定制，由于生产标准化，同类型产品也存在许多相同的零部件，因此不同组的待排零件存在一定程度上的“重复”现象。

基于上述缺陷和不足，需要对现有排样方法做进一步改进，设计矩形优化排样新方法，实现相似任务知识的迁移和利用，进一步提高板材利用率，降低求解时间，从而可以帮助企业提高生产效率，增强市场竞争力。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于知识迁移的矩形智能排样方法及系统。其目的在于，结合知识迁移技术与蚁群强化学习算法，得到一种迁移蚁群强化学习方法，通过将源任务已学习的知识的迁移至目标任务，可以实现已有知识、经验的再利用，从而帮助相似目标任务实现大中规模矩形优化排样问题的快速有效求解。

为实现上述目的，按照本发明的一个方面，提供了一种基于知识迁移的矩形智能排样方法，包括预学习阶段和迁移学习阶段，其中：

所述预学习阶段包括以下步骤：

(1)选取若干组待排样矩形零件作为源任务，得到多组源任务，并提取各源任务中的矩形零件以及矩形板材的信息；

(2)进行知识的预学习：构建步骤(1)的多组源任务各自的知识矩阵，该知识矩阵的元素为知识对，一个状态s与动作a的组合称为一个知识对(s,a)，状态s表示蚂蚁智能体当前选择的矩形零件，动作a表示蚂蚁智能体下一个选择的矩形零件；利用蚁群强化学习算法，以矩形板材使用高度最小为目标，所有矩形零件不超出矩形板材边界且矩形零件之间互不重叠为约束，求解步骤(1)的多组源任务，得到各自最优知识矩阵，并将各最优知识矩阵存储到知识库；每组源任务的最优知识矩阵包含该组源任务达到最佳排样时矩形零件的定序信息；