【转】二维异形件排版算法介绍（三）

ゝ一世哀愁。 2023-01-14 11:54 97阅读 0赞

转自：[https://bbs.huaweicloud.com/blogs/203947][https_bbs.huaweicloud.com_blogs_203947]

【摘要】 相比于基于可行解的排样算法，重叠移除算法在改变解的状态时，允许零件之间发生重叠，然后采用分离技术消除重叠，直到达到算法的终止条件为止。重叠移除算法的关键技术点主要有：重叠度量方法、零件扰动技术、重叠消除技术。

## 1       二维异形件排样算法 ##

上两篇博客提到二维异形件排样算法涉及到临界多边形（NFP）的求解算法，以及排样算法的排样策略，感兴趣的童鞋可以查看博文：          [https://bbs.huaweicloud.com/blogs/175385][https_bbs.huaweicloud.com_blogs_175385]

[https://bbs.huaweicloud.com/blogs/196289][https_bbs.huaweicloud.com_blogs_196289]

## 2       二维异形件重叠移除排样算法 ##

相比于基于可行解的排样算法，重叠移除算法在改变解的状态时，允许零件之间发生重叠，然后采用分离技术消除重叠，直到达到算法的终止条件为止。重叠移除算法的基本流程伪代码如下图所示：

![eb4cc94f775c57a0999e1661af6b51fb.png][]

图1. 重叠移除算法基本流程伪代码（图片来源：参考文献\[1\]）

其中，MinimizeOverlap函数是重叠移除算法的关键，涉及到的关键技术点主要有：重叠度量方法、零件扰动技术、重叠消除技术。下面分别就这三个方面进行简要介绍。

### 2.1   重叠度量方法 ###

两个零件之间的重叠指标主要有三种方式，如图2所示，分别是重叠面积、最小嵌入深度，以及最小横向/纵向嵌入深度等。重叠面积是最直接的衡量零件重叠的方法，但是此种方法最大的问题是计算复杂度高，每移动一次零件，都要求计算其与其他零件的重叠面积。第2种重叠衡量方法是最小嵌入深度。所谓嵌入深度，是指为消除重叠，按照某个方向移动其中一个零件的距离。所谓最小嵌入深度，是指所有可能方向的嵌入深度的最小值。第3种重叠移除方法是第2种方法的特例，限制可能方向为横向和纵向两种。

![b5940e6590f683e30c23a3ec35231ef3.png][]

图2. 重叠指标计算方法：(a) 重叠面积；(b) 最小嵌入深度；(c) 最小横向/纵向嵌入深度

重叠移除算法的一个主要瓶颈是计算量大，其中，零件重叠度量是其中主要瓶颈之一。为提高算法效率，学术界提出了很多种改进算法\[2,3,4\]。以第2种方法为例，直接的思路是计算参考点相对于NFP每条边的最小距离，从中选择最小值即为最小嵌入深度。这个方法的时间复杂度是O(n)，其中n表示NFP的边个数。为简化计算，可采用Medial Axis算法对NFP进行剖分，当参考点落在其中某个剖分时，参考点到该剖分对应线段的最小距离即为该点到NFP所有线段的最小值。如图3所示，当参考点为v1时，其到线段s3的最小距离即为该点到NFP所有线段的最小距离。

![ab8022cad4ac97c5b465ec47135fdaea.png][]

图3. NFP的Medial Axis剖分（图片来源：参考文献\[3\]）

### 2.2   零件扰动技术 ###

零件扰动技术主要包括三大类：平移、旋转和交换\[5\]。扰动的目的是破坏当前的解结构，使零件之间产生重叠，以便使用重叠移除技术消除之。从优化的角度分析，零件扰动是为了跳出当前的局部最优解，向更优解进发的必要步骤。

### 2.3 重叠移除技术 ###

重叠移除技术主要有两种策略：每次移动所有零件和每次移动一个零件。分别介绍如下：

（1）每次移动所有样片

以文献\[3\]中的基于非线性优化算法（LBFGS）的重叠移除方案为例，该算法使用重叠零件间的嵌入深度衡量重叠程度，以当前排样方案中所有零件间嵌入深度的加和作为优化目标，将消除重叠转化为一个连续优化问题进行求解。如图4所示，该算法将消除零件间重叠所需的最小位移定义为梯度函数，在梯度信息指导下进行零件的移动。相较于其他基于重叠移除策略的排样算法，该算法的局部寻优能力更强，但也更容易陷入局部病态解导致消除重叠失败。

![00077fa4d1732500353bf5345867959e.png][]

图4. 零件间嵌入深度与最小分离向量

（2）每次移动一个样片

该算法每次只移动一个重叠零件。若移动后重叠指标变小，则保留此次移动，否则不进行移动。此方法主要涉及候选位置寻找算法和全局寻优算法。零件候选位置的选择通常有两种方法：一种是依次按照长度方向和宽度方向移动零件，直到零件重叠指标最小为止\[4\]。如图5所示，重叠零件通过3次移动最终寻找到了不发生重叠的位置；另一种是采用搜索算法，比如布谷鸟邻域搜索算法，迭代寻找重叠指标最小的点\[1\]。全局寻优算法一般采用Guide Local Search(GLS)算法，每次迭代后通过更新惩罚因子跳出局部最优\[1,4\]。

![a990a998b92272a5b5ee317ef56d1e12.png][]

图5. 重叠零件候选位置寻找算法

## 3  总结 ##

重叠移除算法原理简单，但要想实现一个高效可行的解决方案却并不容易。面临的主要难点主要有三点：

（1）  高效的计算几何算法：其中，NFP计算是首先需要攻克的难题之一；

（2）  高超的编程实现能力：重叠移除算法有部分功能函数是高频调用函数，实现细节对算法效率影响较大，一般情况需要持续优化；此外，所有的商用排版软件都采用了并行化实现方式，并行化实现方案对算法效率和效果影响也较大；、

（3）   参数调节：学术界对异形件排版算法的细节往往很少或没有介绍，这导致复现的算法几乎都达不到论文中呈现的结果，因此需要实现者自己调整算法参数，或者提出全新的改进方案。

至此，二维异形件排版算法介绍完毕。若有问题，欢迎大家留言交流。

## 参考文献 ##

\[1\] Elkeran A. A new approach for sheet nesting problem using guided cuckoo search and pairwise clustering\[J\]. European Journal of Operational Research, 2013, 231(3): 757-769.

\[2\] Egeblad J, Nielsen B K, Odgaard A. Fast neighborhood search for two-and three-dimensional nesting problems\[J\]. European Journal of Operational Research, 2007, 183(3): 1249-1266.

\[3\] Imamichi T, Yagiura M, Nagamochi H. An iterated local search algorithm based on nonlinear programming for the irregular strip packing problem\[J\]. Discrete Optimization, 2009, 6(4): 345-361.

\[4\] Umetani S, Yagiura M, Imahori S, et al. Solving the irregular strip packing problem via guided local search for overlap minimization\[J\]. International Transactions in Operational Research, 2009, 16(6): 661-683.

\[5\] Heckmann R, Lengauer T. A simulated annealing approach to the nesting problem in the textile manufacturing industry\[J\]. Annals of Operations Research, 1995, 57(1): 103-133.

登录后可下载附件，请[登录][Link 1]或者[注册][Link 2]

[https_bbs.huaweicloud.com_blogs_203947]: https://bbs.huaweicloud.com/blogs/203947
[https_bbs.huaweicloud.com_blogs_175385]: https://bbs.huaweicloud.com/blogs/175385
[https_bbs.huaweicloud.com_blogs_196289]: https://bbs.huaweicloud.com/blogs/196289
[eb4cc94f775c57a0999e1661af6b51fb.png]: /images/20221022/393efe3eaaeb488f9851036f0654ae24.png
[b5940e6590f683e30c23a3ec35231ef3.png]: /images/20221022/4ccffd4ad1f84e299889c79716cfe0e4.png
[ab8022cad4ac97c5b465ec47135fdaea.png]: /images/20221022/755049c0a9854893abd3b201b64a1762.png
[00077fa4d1732500353bf5345867959e.png]: /images/20221022/ab399786289a4e8da04388517c76045f.png
[a990a998b92272a5b5ee317ef56d1e12.png]: /images/20221022/d698c6e89c4d43e3a0c4f1d27ba0cd70.png
[Link 1]: https://auth.huaweicloud.com/authui/login?service=https://bbs.huaweicloud.com/blogs/203947#attachment&locale=zh-cn
[Link 2]: https://reg.huaweicloud.com/registerui/public/custom/register.html?locale=zh-cn&service=https://bbs.huaweicloud.com#/register
[huaweicloud.bbs_huawei.com]: mailto:huaweicloud.bbs@huawei.com