[發明專利]一種基于知識遷移的矩形智能排樣方法及系統

有效

• 申請號: 201910233416.0
• 申請日: 2019-03-26
• 公開（公告）號: CN110059864B
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 饒運清;徐小斐;孟榮華;羅強;李廣伍
• 申請（專利權）人: 華中科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00;G06Q50/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 尚威;李智

本發明公開了一種基于知識遷移的矩形智能排樣方法及系統，屬于結構件優化下料領域，包括：(1)選取若干組待排樣零件作為源任務，并提取零件及板材相關信息；(2)利用蟻群強化學習算法求解已選取的多組源任務，并將學習完成后的最優知識矩陣存儲到知識庫；(3)從知識庫中提取出與待解決目標任務最為相似的兩組源任務，將兩者對應的知識矩陣線性遷移給目標任務；(4)目標任務借助遷移知識矩陣，利用蟻群強化學習算法計算出最優排樣方案；(5)輸出目標任務的最優排樣方案。本發明的基于知識遷移的矩形智能排樣方法可以提高板材利用率和求解速度，在求解大中規模矩形排樣問題上具有較好的實用性。

技術領域

本發明屬于結構件優化下料領域，更具體地，涉及一種基于知識遷移的矩形智能排樣方法及系統。

背景技術

近年來，隨著市場競爭加劇，企業迫切的要降低生產成本，提高效率。傳統的手工排樣方式已經無法適應大規模、個性化定制生產的要求，企業越來越需要一種效率高、浪費少的智能優化排樣方法。矩形優化排樣是優化下料問題的一個分支，指按照最優的排樣方案在特定矩形板材上排放不同規格的矩形零件。由于多種規則圖形如三角形、扇形等以及不規則圖形可通過拼接或包絡轉換成矩形，因此矩形優化排樣有重要的研究價值，目前已在金屬下料、木材紙張切割、布料切割、報刊排版等行業獲得了廣泛的應用。

現有技術已在矩形優化排樣方面做出了一些研究，給出了不同排樣技術方案。已采用的方法主要有啟發式方法如最低水平線法、BL算法、下臺階算法等，智能優化方法如遺傳算法、粒子群算法、蟻群算法、狼群算法等。矩形優化排樣關鍵在于零件的定位和定序，目前技術主要采用啟發式方法定位，智能算法定序的方式，并不斷優化求解時間及板材利用率，現已可以較好地進行矩形優化排樣設計。

然而，進一步的研究與探索，上述現有技術仍存在以下的缺陷或不足：

首先，雖然矩形排樣已采用啟發式方法與先進智能優化方法相結合求解的方式，但仍存在著求解時間偏長，利用率偏低的問題；

其次，目前方案只關注當前任務本身，任務之間彼此孤立尋優，求解優化相似新任務時不能有效利用已有的經驗和知識，需重新開始搜索優化，導致效率低下；

再次，即使進行個性化定制，由于生產標準化，同類型產品也存在許多相同的零部件，因此不同組的待排零件存在一定程度上的“重復”現象。

基于上述缺陷和不足，需要對現有排樣方法做進一步改進，設計矩形優化排樣新方法，實現相似任務知識的遷移和利用，進一步提高板材利用率，降低求解時間，從而可以幫助企業提高生產效率，增強市場競爭力。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于知識遷移的矩形智能排樣方法及系統。其目的在于，結合知識遷移技術與蟻群強化學習算法，得到一種遷移蟻群強化學習方法，通過將源任務已學習的知識的遷移至目標任務，可以實現已有知識、經驗的再利用，從而幫助相似目標任務實現大中規模矩形優化排樣問題的快速有效求解。

為實現上述目的，按照本發明的一個方面，提供了一種基于知識遷移的矩形智能排樣方法，包括預學習階段和遷移學習階段，其中：

所述預學習階段包括以下步驟：

(1)選取若干組待排樣矩形零件作為源任務，得到多組源任務，并提取各源任務中的矩形零件以及矩形板材的信息；

(2)進行知識的預學習：構建步驟(1)的多組源任務各自的知識矩陣，該知識矩陣的元素為知識對，一個狀態s與動作a的組合稱為一個知識對(s,a)，狀態s表示螞蟻智能體當前選擇的矩形零件，動作a表示螞蟻智能體下一個選擇的矩形零件；利用蟻群強化學習算法，以矩形板材使用高度最小為目標，所有矩形零件不超出矩形板材邊界且矩形零件之間互不重疊為約束，求解步驟(1)的多組源任務，得到各自最優知識矩陣，并將各最優知識矩陣存儲到知識庫；每組源任務的最優知識矩陣包含該組源任務達到最佳排樣時矩形零件的定序信息；