排样问题在工业生产中广泛存在,因而解决它具有很深远的理论意义和现实意义。寻找通用性好、求解质量和效率高、易于实现的排样问题求解算法一直是该领域所追求的目标。本文根据排样问题的研究现状及其自身特点,深入研究了二维不规则零件排样问题的关键技术,并提出两种智能混合优化算法解决排样问题。本文主要研究以下内容:⑴分析并建立了二维不规则件优化排样问题的形式化描述和数学模型。分析了二维不规则件优化排样问题的求解难度,提出求解该问题的求解思路及优化策略;⑵通过合适的计算机表达,实现了不规则件的输入和排样过程中的几何变换。把不规则件排样问题转化为解决图形之间的运算问题。⑶通过对各种智能优化算法进行分析,将自组织特征映射模型(SOM)和Hopfield神经网络引入不规则零件排样求解中,运用SOM神经网络对初始在板材内随机排布的不规则零件进行平移,寻求各零件的最优位置,再运用Hopfield神经网络进行迭代运算,寻求各排样零件的最优旋转角度组合,构成一种神经网络混合算法来解决不规则件优化排样问题。⑷通过探讨各种智能优化算法和启发式算法在不规则件优化排样问题中的应用,将遗传算法、模拟退火算法与小生境技术、正交试验法相结合,互相取长补短,构成正交小生境遗传模拟退火混合优化排样策略。⑸研究了矩形排样单元与空白区域填充算法。对不规则零件的矩形排样单元构造过程中的关键技术进行了探讨;给出了具体算法,解决了由于简单采用最小包络矩形代替零件进行排样而导致的多边形外轮廓与多边形矩形包络之间存在空白区域,材料利用率过低的问题。⑹设计并实现了基于神经网络混合算法和正交小生境遗传模拟退火算法的不规则件优化排样系统。通过测试实例验证了算法的有效性和实用性,证明了不规则件优化排样系统完全可以满足现代制造业的需求,达到节约原材料的目的。⑺总结本论文的研究内容,并对下一步的工作提出建议。