基于匀质条带的矩形件最优三块布局算法

为解决大规模矩形件布局问题,提出一种动态规划算法生成基于匀质条带的矩形件最优三块布局方式.这种算法将板材分为三个块,同一块中只包含方向和长度均相同的匀质条带.通过求解背包模型生成块中的条带最优布局,隐枚举的讨论所有可能尺寸的块,确定所有三决组合的布局价值,选择布局价值最大的一个组合作为最优解.通过文献中的测题,将该算法与经典两段布局算法和启发式布局算法TABU500进行比较.实验结果表明:该算法在计算时间和材料利用率两方面都有效,且生成的布局方式简化了下料切割工艺.     

生成对抗网络研究综述

生成对抗网络(GAN)是一种基于深度学习的强大生成模型,目前广泛应用于计算机视觉、自然语言处理、半监督学习等领域,并取得了显著的成果。随后研究人员通过对GAN的生成器、判别器做结构上的改进或对目标函数等进行优化,提出了更多种的GAN。首先介绍GAN的研究进展和基本思想,其次对一些经典的GAN,如深度卷积生成对抗网络(DCGAN)、条件生成对抗网络(CGAN)、WGAN和超分辨率生成对抗网络(SRGAN)等进行综述,最后对GAN的相关工作进行总结与展望。     

基于匀质条带的矩形件最优三块布局算法

为解决大规模矩形件布局问题,提出一种动态规划算法生成基于匀质条带的矩形件最优三块布局方式。这种算法将板材分为三个块,同一块中只包含方向和长度均相同的匀质条带。通过求解背包模型生成块中的条带最优布局,隐枚举的讨论所有可能尺寸的块,确定所有三块组合的布局价值,选择布局价值最大的一个组合作为最优解。通过文献中的测题,将该算法与经典两段布局算法和启发式布局算法TABU500进行比较。实验结果表明:该算法在计算时间和材料利用率两方面都有效,且生成的布局方式简化了下料切割工艺。     

PSWGAN-GP:改进梯度惩罚的生成对抗网络

生成对抗网络的出现对解决深度学习领域样本数据不足的研究起到了极大的促进作用。为解决生成对抗网络生成的图像出现轮廓模糊、前景背景分离等细节质量问题,提出一种改进梯度惩罚的Wasserstein生成对抗网络算法(PSWGAN-GP)。该算法在WGAN-GP的Wasserstein距离损失和梯度惩罚的基础上,在判别器中使用从VGG-16网络的3个池化层中提取的特征,并通过这些特征计算得出风格损失(Style-loss)和感知损失(Perceptual-loss)作为原损失的惩罚项,提升判别器对深层特征的获取和判别能力,对生成图像的细节进行修正和提升。实验结果表明,在生成器和判别器网络结构相同,并保证超参数相同的情况下,PSWGAN-GP的IS评分和FID评分相对于参与对比的其他图像生成算法有所提升,且可有效改善生成图片的细节质量。