基于算法群模式的矩形排样算法设计及其C++实现(一)

设计思想篇

1. 矩形排样概述

      矩形排样，是指在预先已确定长宽的“原材料板件”上，按照一定的算法规则，尽可能多的排布不同大小规格的矩形“切割板件”，以达到一个目标：提高原材料板件的利用率，使板件在切割加工完成后形成的废料尽量少。具体应用到的行业包括：金属加工、机械制造、玻璃切割、家具、纺织等行业。

        除了最大化利用原材料板件的目标，每个算法在实现时，往往会根据不同的生产要求或行业规则，还会有其它的一些功能或限制在算法中体现。

        总结下来，本设计中矩形排样算法包含如下的约束和功能实现：

1）每一次算法运行，该批原材料板件的长、宽和材质是一样的。如果是针对不同长、宽或者多种材质的原材料板件混合在一起的排样，可以通过本算法的组合或多次运行来实现。

2）切割板件的长和宽须对应着小于或等于原材料板件的长和宽。

3）本算法支持切割板件进行90度的旋转后再进行排样，以便算法更多机会优化，此时，切割板件的长和宽须对应着小于或等于原材料板件的宽和长。切割板件是否能进行旋转，软件使用者须在输入数据中标示。

4）切割板件按照排样结果进行切割的过程中，可能还会进行其它的生产操作，比如打孔、喷涂文字图案等，这些操作有单面的，也有双面的，双面的操作需要对板件进行翻转，比单面操作多一道工序，因此本算法支持尽量将双面操作的切割板件排样在尽量少的原材料板件上，以降低用户的后续加工成本。但算法在运算权衡时，降低翻面操作次数的优先级一般是低于降低原材料板件总使用数量的优先级的，本算法支持软件使用者对此进行设置选择。

5）算法在运算权衡时，支持将超小切割板件尽量分布在多个原材料板件上，一方面便于用户在后续切割加工时的操作，另一方面也利用了超小切割板件的“填补”特性，使算法更多机会优化，提高了原材料板件的整体利用率。本算法支持用户对超小切割板件的阈值进行设置。

6) 多个切割板件在原材料板件上放置时，互相之间需留有最小间距，并且可以由软件使用者对此提前进行设置。

     2.算法调试DEMO界面

        下图为本算法调试用DEMO界面，方便开发人员针对不同的行业特点以及切割板件矩形的不同组合特点，测试算法运算效果，进而调整代码中的参数值以便使优化效果更好。实际上，部分参数的修改调整是可以考虑在应用软件的界面上体现出来供软件使用者使用的。另外还有多个参数因为调整的频率比较底，所以只是以全局变量的形式存在，没有在DEMO界面上反应出来，开发人员可以在编译前进行这些参数的修改。

        软件运行界面上的大板件即指文中的原材料板件，小板件指文中的切割板件。

    3. 算法运算效果展示

在进行设计的阐述之前，我们先来看看算法运行的效果。

• 前边两张图片为某次算法运行后的结果统计数据。

 

---

• 后边几张图片为结果数据中切割板件在其所在原材料板件上放置位置的示意图。

 

   

    4. 总体设计思路梳理

        本算法在设计过程中学习了一些经典算法的思想，借鉴了各位技术大咖们一些具体算法的思路，其中就包括模拟退火算法、遗传算法、蚁群算法、穷举贪婪算法等这些公认的经典算法。但需要面对的一个困难是：矩形排样问题作为一个典型的NP问题，再加上还要适应不同的行业特点和生产要求，所以每一个算法单独用起来，似乎都有点不尽人意，但多数算法却都还是有一定的效果的。那么，是否可以或者说是否需要将这么多算法都放在一起来运行，来达到“1+1>2”的算法运算效果呢？答案是，可以的，也确实需要这样来设计。

        这时就变成一个“算法群”的设计思路了，然而，此处的“算法群”，是指要很多个不同类型的算法聚合起来运行，实现同一个目标，这却是有一定难度的，需要解决好算法之间协调运行的逻辑事务。针对这个情况，本人借鉴容器设计的思想，设计了“基于算法群模式的矩形排样算法”（以下简称本算法）。本算法可以被看作是一个“算法容器”的框架，也可以看作是一个“算法容器”的最佳实践。

        首先将本算法作为一个算法容器的框架来理解。本算法吸取了模拟退火算法、遗传算法、蚁群算法以及穷举贪婪算法的迭代取优、精益优化的思想，形成一个算法容器（A3DB算法）的框架。这个算法框架自身就可以独立运行，并具有较好的运算效果，能适用多数矩形排样需求。同时，作为算法容器，开发者可以在此基础上增加更多子算法，这样，包括框架算法在内的多个算法可以聚合运行，在矩形排样过程中增加更多的优化机会。

        其次将本算法作为一个算法容器的最佳实践来理解。本算法在框架算法的基础上，我又针对不同的优化目标和优化策略，设计增加了多个子算法填补到算法容器中，使得不同情况的切割板件组合都能获得非常好的排样结果。这些子算法包括：EGP算法、LGP算法、RAD算法、RLERP算法、RBU算法、RT算法、EDSC控制、LDSO算法、EmGP算法等。

        本算法群中除了A3DB算法作为基础算法在每次运行时都必须选择外，对于其它的子算法开发人员都可以根据排样软件自身需求情况裁剪或选取，或者也可以自行增补更多的子算法到本算法群中。有了这些子算法的补充，本算法的运算优化效果自然就会大大提升了，同时能适应更多行业的需求或者更多的切割板件组合情况。

        限于篇幅和时间关系，具体的设计内容后续再陆续整理发布，感兴趣的码友敬请期待并关注，限于个人水平所限，文章难免存在瑕疵，敬请指正。

        后续将发布的内容具体包括如下：

基于算法群模式的矩形排样算法设计及其C++实现（二）各子算法设计思想梳理

基于算法群模式的矩形排样算法设计及其C++实现（三）A3DB算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（四）总体设计篇

基于算法群模式的矩形排样算法设计及其C++实现（五）RAD算法和RLERP算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（六）EGP算法和LGP算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（七）PGP算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（八）RBU算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（九）RT算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（十）点射算法和扫射算法组合的权衡

基于算法群模式的矩形排样算法设计及其C++实现（十一）EmGP算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（十二）EDSC控制器和LDSO算法的详细设计

基于算法群模式的矩形排样算法设计及其C++实现（十三）在算法容器中增补子算法实践

基于算法群模式的矩形排样算法设计及其C++实现（十四）C++编码

（未经允许，请勿转载）