【天池比赛】面料剪裁利用率优化

数据在文章底部

竞赛题目

本赛场聚焦面料剪裁利用率优化,要求选手研究开发高效可靠的算法,在较短时间范围内计算获得高质量可执行的排版结果,减少切割中形成的边角废料,提升面料切割利用率,减少计划时间、提高工作效率和避免人工计算的失误,提升价值降低成本。

在规则面料的情况下,满足零件旋转角度、零件最小间距、最小边距的约束,解决以下两类问题:

初赛赛题: 基于所给零件,进行面料排版加工,耗料长度最短,面料利用率最高;

复赛赛题: 在问题一的基础上,避开瑕疵区域面料加工,耗料长度最短,面料利用率最高。
enter image description here

竞赛数据及约束说明

本次大赛针对初赛赛题、复赛赛题各提供了2个批次的建模数据,含:面料数据表、零件数据表。

数据文件夹内包括:

批次1零件数据
批次1面料数据
批次2零件数据
批次2面料数据
readme:数据的基本介绍
数据均以csv文件形式提供,编码格式为utf-8。
初赛建模数据将于8月15日提供下载,复赛建模数据将于9月24日提供下载。

数据说明

1)零件数据
在这里插入图片描述

2)面料数据说明

在这里插入图片描述

约束说明

排样规则

1)排版的零件不能超出面料的可行区域;

2)排版零件互不重叠;

3)零件按批次,在同一面料上排版;

4)面料可能存在多个长宽度规格,如宽度为900mm、1000mm等、长度为10000mm、12000mm等;

5)允许用户设置切边预留量,如面料四边各预留5mm(最小边距);切割零件间预留量5mm(最小间距);
在这里插入图片描述
6)某些零件存在旋转角度上的要求,比如零件纹理方向必须保持一致;旋转角度为0表示,零件不允许发生旋转,必须原样放在面料上,面料的放置方向为面料窄边(宽度)在垂直方向,面料宽边(长度)在水平方向;旋转角度为90表示允许零件逆时针旋转90度。
enter image description here
7)切割零件需要避开面料上的瑕疵,瑕疵均为圆形区域,标注方式为圆形中心、圆形半径,坐标系的原点为面料的左下角(参考“数据说明”第(2)条“面料数据说明”),面料的放置方向为面料窄边(宽度)在垂直方向,面料宽边(长度)在水平方向;瑕疵与零件间间距视同零件间间距,即,如果零件间间距(最小距离)为5mm,零件与瑕疵的间距(最小距离)也为5mm。
enter image description hereenter image description here

评估指标
初赛(A榜):总分=(0.5批次1面料利用率+0.5批次2面料利用率)*100总分=(0.5∗批次1面料利用率+0.5∗批次2面料利用率)∗100
复赛(B榜):总分=(0.5批次1面料利用率+0.5批次2面料利用率)*100总分=(0.5∗批次1面料利用率+0.5∗批次2面料利用率)∗100
复赛(C榜):总分= 权重参数1面料利用率-权重参数2计算时间分值总分=权重参数1∗面料利用率−权重参数2∗计算时间分值
决赛总分=0.3B榜成绩+0.4C榜成绩+0.3*现场答辩决赛总分=0.3∗B榜成绩+0.4∗C榜成绩+0.3∗现场答辩

面料利用率=一个批次包含的零件总面积/消耗的面料总面积(消耗面料长度*面料宽度)

解释:用于衡量布匹原材料的利用情况,即使用长度越短、耗料越少的面料满足全部订单的生产,则切割利用率越高。

计算时间分值=f(一个批次排版的平均计算时间)

解释:计算时间越长,对应的计算时间分值呈阶梯的方式上升,具体对应如下表。

数据下载

公众号【深度学习视觉】回复:面料剪裁利用率优化

以下是阿里云天池比赛“零基础入门NLP之新闻文本分类”中,一个样例的情感分析代码: ```python import pandas as pd import numpy as np import jieba import gensim from sklearn.feature_extraction.text import CountVectorizer from sklearn.feature_extraction.text import TfidfTransformer from sklearn.naive_bayes import MultinomialNB from sklearn.pipeline import Pipeline from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 读取数据集 train_data = pd.read_csv('train_set.csv') test_data = pd.read_csv('test_set.csv') # 对训练集进行分词 train_data['text'] = train_data['text'].apply(lambda x: " ".join(jieba.cut(x))) # 对测试集进行分词 test_data['text'] = test_data['text'].apply(lambda x: " ".join(jieba.cut(x))) # 训练词向量模型 model = gensim.models.Word2Vec(train_data['text'], size=100, window=5, min_count=5, workers=4) # 将词向量转化为文本向量 def get_text_vector(text): words = text.split() vector = np.zeros(100) for word in words: if word in model: vector += model[word] return vector train_data['vector'] = train_data['text'].apply(get_text_vector) test_data['vector'] = test_data['text'].apply(get_text_vector) # 将文本向量转化为特征矩阵 X = np.stack(train_data['vector'].values) y = train_data['label'].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # 训练朴素贝叶斯分类器 classifier = Pipeline([ ('count_vec', CountVectorizer()), ('tfidf_transformer', TfidfTransformer()), ('clf', MultinomialNB(alpha=0.01)) ]) classifier.fit(X_train, y_train) # 预测测试集结果 y_pred = classifier.predict(X_test) print(classification_report(y_test, y_pred)) ``` 这段代码使用了jieba分词、gensim训练词向量模型、朴素贝叶斯分类器等技术,对新闻文本进行情感分析。其中,将文本转化为特征矩阵的过程使用了词袋模型和TF-IDF方法。最终,代码输出了测试集的分类报告。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值