【学习ing】二维不规则多边形排样问题

ML&CO 专栏收录该内容
4 篇文章 0 订阅

关于nesting、NFP(no-fit polygon)的学习

阅读论文
主要是:
Complete and robust no-fit polygon generation for the irregular stock cutting problem
Novel Heuristic and Metaheuristic Approaches to Cutting and Packing
An effective heuristic for the two-dimensional irregular bin packing problem
时间
2019-10月
概述
针对packing and nesting 问题,在看了一些论文之后的总结。问题描述:简单而言就是 如何合理的将很多个不同形状的shapes【规则矩形/不规则弧形/凹/凸多边形/带孔。。。】排放在一个Object内,使shapes在互不重叠的情况下,需要的object最小(利用的长度、宽度、面积或者数量)。在现实中可以节约原材料,减少浪费。

引入
矩形排样的研究方法相对成熟,对于二维不规则图形,可以通过求取最小包络矩形的方式将问题转化为矩形排样,但是对于大尺寸不规则图形,边角空间有很大的浪费,利用率不高。
网格划分:将object和shapes划分成网格,并使用0-1矩阵来描述空间被占用的情况,再进行优化。划分粒度对结果影响较大,太大会增大误差,太小会加大计算代价。
在这里插入图片描述

问题分类
按照需要考虑的参数数量分:一维(eg:只考虑质量的运输问题)、二维(eg:纺织行业的布料分割、钣金行业的零件布局、船舶行业的堆场问题…)、多维(eg:需要考虑长、宽、高、重量的装载问题…)
按照shapes分:矩形排样、不规则图形排样(直线、弧、孔…)
按照object分:给定长宽,要求使用个数最少化[钣金行业];固定一边,要求利用最少长度[纺织行业]等等…
按照切割方式:一刀切/允许断刀(这对图形的排样约束有影响,一刀切要求shapes的边界必须在构成直线,以免被拦腰截断。)
。。。。等等

nesting 步骤

  1. 底部几何算法
  2. 排样策略——selection+placement
  3. 优化/搜索算法

【底部几何算法】是处理nesting问题最基础的步骤,主要是用来计算、判断图形之间的位置关系、重叠与否、需要移动多少距离才才达到touch;【排样策略】主要是采用一些启发式规则来确定图形较优的放置顺序和放置位置。对于selection:常见有Firts-Fit、First-Fit-Dereasing/Increasing、Best-Fit。。。DJD1。。。主要思想是按照某一长度,面积,到达时间的顺序来确定放置顺序。对于placement,常见的有(Bottom-Left,尽量靠左下角摆放,Constructive Approac,放置进去所围成的矩形面积最小。。。。等)来衡量。【搜索算法】是在得到可行解的基础上,采用一些优化算法,调整样片的顺序,并不断探寻、迭代来寻找代价更低的放置顺序,常有tabu search、遗传算法、模拟退火算法、蚁群、粒子群等。。。。。

what is nfp?

l来自论文

定义

NFP是来确定两个图形位置关系的而一种方法。通过固定A,让B绕着A(touch but no intersection)旋转一周,其中B的相对位置不能发生改变,这样B的某一参考点形成的图形就是nfp,记作NFP(AB)。

用法

判断时,选取该参考点,若参考点在NFP内,则两图形相交;若在NFP上,则两图形相接触;若在NFP外,则两图形no intersection。

评价

NFP的方法:主要适合不允许/允许少量旋转角度的排样。因为nfp的数量会随角度的变化成指数增长,加大运算代价。

why nfp?

对比:NFP VS trigonometry approaches

nfp比传统的三角学会快好几倍,因为在处理nesting问题中:

  1. nesting是需要不断迭代,针对每一次迭代,sti方法都要进行一次计算,而NFP可以利用之前保存的结果。
  2. 每一次判断两个形状的位置情况,tri需要计算多边形中每个顶点与边之间距离,来判断关系,而npf方法只需要计算一次ref点和nfp图形t的位置关系。
  3. 对于消除重叠,tri需要在移动之后,再次计算以确定是否还有可移动的余地,nfp则可以一次在一个维度上移动到touch。
  4. 当多边形的边数增加时,图形更复杂,npf的优势更加明显

传统trigonometry方法

根据点、边的关系,来计算可以移动的距离。分为line-line、line-arc、arc-arc、arc-line四种情况,不同的情况计算方法有一定的差别。主要用到:做垂线,平移、做切线、找切点、平移相交点等。(真的是太复杂啦,有些公式步骤还没看懂!)

how to build nfp?

双凸图形(convex shapes)

  1. A逆时针绕边,B顺时针绕边
  2. 移至同一点
  3. 逆时针连接这些点
    在这里插入图片描述

非凸图形(non-convex shapes)

  1. Digitisation 数字化:用离散的点(0-1)来表示图形,点上的值表示向右平移到白格的距离。
    劣:分辨率的选择对结果影响很大,分辨率大,计算量大;分辨率小,不准确。
    优:可以表示包含孔,互锁等的复杂图形
  2. Decomposition 分解:将非凸分解成很多小的凸形状(convex piceces,star-shaped polygons,Phi-function…,)分别求NFP之后再组合。
    劣:分成的小块越多,时间成本越高
  3. Minkowski sums【不懂?闵可夫斯基??】
  4. Orbital sliding approach:固定A,通过touch but no intersection的方式旋转B,B上的参考点所形成的运动轨迹。
     在这里插入图片描述
    在这里插入图片描述

旋转法——NFP具体构建步骤

  1. 将B移动到与A相互touch的位置
  2. 将B绕A旋转一周
    a.Detection of touching edges
    b.Creation of potential translation vectors
    c. Finding a feasible translation vector
    d.Trimming the feasible translation vector
    f.Applying the feasible translation vector

在这里插入图片描述
这是什么
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
3. 只用前面两个步骤,难以处理图形带孔、存在互锁、精确契合、可拼接碎片的形状,又引入__Start points__的方法。通过初始点的确定,可以在一定程度上解决这个问题。参考论文2【有点复杂,需要时再查。】下图只是做一个例子看看,便于回忆。
在这里插入图片描述
在这里插入图片描述在这里插入图片描述

Tips

  1. These datasets can be found on the EURO Special Interest Group on
    Cutting and Packing (ESICUP) website3(摘抄自论文,可以从这个地方去找到一些用于实验/测试的数据。)

自我总结

【2019-10-18】第一次通博客来记录自己所学习的内容。
很多时候碎片式学习,导致看的东西太多太杂,无法将知识连贯起来,特别缺乏对内容从宏观上把握。突然发现写学习笔记,对于我这种"看过"真的只是="看过"的人来说,真的是个很不错的帮助自己理解的学习方法,哈哈哈!


  1. An effective heuristic for the two-dimensional irregular
    bin packing problem ↩︎

  2. Complete and robust no-fit polygon generation for the irregular stock cutting problem ↩︎

  3. http://www.apdio.pt/sicup ↩︎

评论 4 您还未登录,请先 登录 后发表或查看评论
©️2022 CSDN 皮肤主题:大白 设计师:CSDN官方博客 返回首页

打赏作者

Vajuw

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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、C币套餐、付费专栏及课程。

余额充值