Matlab遗传算法实现矩形板材排样优化：从原理到工程实践

1. 从一张板材到利润最大化：排样优化的现实困境

如果你在制造业、家具定制、服装裁剪或者任何需要从大块原材料上切割出小零件的行业待过，你肯定为“废料”头疼过。看着那些被裁切下来、形状不规则、再也无法利用的边角料，感觉每一片都是成本的流失。尤其是在使用矩形板材（比如钢板、木板、玻璃、皮革）时，如何把一堆大小不一的矩形零件最有效率地排布在一张或多张固定尺寸的板材上，这就是“矩形板材排样优化”要解决的核心问题。它听起来像是个简单的拼图游戏，但背后却是一个让无数工程师和计划员掉头发的NP-hard组合优化难题。

简单来说，排样优化的目标就两个：一是材料利用率最高，尽可能少浪费；二是如果涉及多张板材，还要考虑切割工艺最省事，比如切割路径最短、换刀次数最少。这两个目标往往相互矛盾，找到一个“足够好”的方案，而不是理论上“最好”的方案，就是我们的日常。过去，老师傅靠经验和肉眼估算，画个草图就开干，材料利用率能达到70%就不错了。现在，我们有了数学建模和计算工具，目标是把利用率推到90%甚至95%以上，这省下来的可都是真金白银。

Matlab在这个领域是个利器。它强大的矩阵运算能力、丰富的优化工具箱以及灵活的编程环境，让我们能把复杂的排样问题抽象成数学模型，然后用智能算法去求解。特别是结合遗传算法这类启发式算法，对付这种搜索空间巨大、没有标准答案的问题非常有效。网上很多相关热搜，像“数学建模国赛”、“遗传算法python”都指向了大家对这个问题的关注。今天，我就以一个从业者的角度，拆解一下如何用Matlab搭建一个矩形板材零部件排样优化的模型，重点不是给你一堆看不懂的代码，而是讲清楚为什么这么建模，以及在实际操作中有哪些坑和技巧。

2. 问题拆解：把现实约束翻译成数学语言

在打开Matlab写第一行代码之前，我们必须把车间的实际问题，翻译成计算机能理解的数学模型。这一步如果没想清楚，后面算法再高级也是白搭。

2.1 核心参数定义：零件、板材与排样规则

首先，我们要明确输入是什么。假设我们有一批订单，包含N种矩形零件。每种零件i有固定的长度L_i、宽度W_i和需求数量D_i。我们的原材料是标准尺寸的矩形板材，长度为Plate_L，宽度为Plate_W。通常，板材的供应量被认为是无限的，或者有一个很大的上限，我们的目标是使用尽可能少的板材。

接下来是最关键的：排样规则。这直接决定了模型的复杂度和求解难度。主要有两类：

1. 正交排样：所有零件的边都必须与板材的边平行。这是最常见的情况，切割工艺简单（直切），但可能会损失一些理论上的最优空间利用率。
2. 允许旋转：零件可以旋转90度放置。这通常能提高利用率，因为一个竖着放不下的零件，横着可能就放下了。这增加了问题的复杂度，因为每个零件多了一个“朝向”变量。

在我们的模型中，我们一般采用正交排样且允许90度旋转，这更贴近实际生产中为提高利用率而采取的常规操作。

2.2 建立优化模型：目标函数与约束条件

现在，我们用数学公式来描述我们的目标。

决策变量：对于每个零件i的每一个实例（因为需求数量可能大于1），我们需要确定：

• 它在某张板材k上的放置位置坐标(x, y)。通常，我们定义左下角为坐标原点(0,0)。
• 它的旋转状态r：0表示不旋转（长边水平），1表示旋转90度（长边垂直）。旋转后，其用于排样的尺寸变为(W_i, L_i)。

目标函数：最小化使用的板材总数。这是一个离散的整数目标。有时也会将“最大化所有已用板材的平均利用率”作为辅助或替代目标，但最小化板材数更直接对应成本。

约束条件：这是模型的核心，确保排样方案是可行的。

1. 边界约束：每个零件必须完全位于板材内部。即，对于零件i（假设旋转后的尺寸为l_i和w_i），有：0 <= x_i <= Plate_L - l_i0 <= y_i <= Plate_W - w_i
2. 非重叠约束：任意两个不同的零件（或同一零件的不同实例）在板材上不能有重叠区域。这是最棘手的约束。对于两个矩形A和B，它们不重叠的充要条件是：至少满足以下四个条件之一：
   • A在B的左边：x_A + l_A <= x_B
   • A在B的右边：x_B + l_B <= x_A
   • A在B的下边：y_A + w_A <= y_B
   • A在B的上边：y_B + w_B <= y_A在数学上，这是一个“或”关系，需要引入额外的0-1辅助变量将其转化为“与”关系，才能被标准的优化求解器处理，这会使模型变得非常庞大和复杂。这也是为什么我们通常不直接用线性/整数规划求解，而转向遗传算法等启发式方法的原因——后者处理这种约束更灵活。
3. 需求约束：所有零件的需求数量必须被满足。

注意：这里有一个非常重要的建模技巧，叫做“基于顺序的建模”或“BL（Bottom-Left）启发式编码”。我们并不直接在算法中处理上述复杂的非重叠约束不等式。相反，我们用一个序列（比如零件编号的排列）来表示排放的先后顺序，然后用一个确定的放置规则（如BL规则：总是将零件放在当前板材内尽可能靠下、靠左的位置）来解码这个序列，自动生成一个可行的、不重叠的排样方案。这样，我们就把一个带复杂约束的布局问题，转化为了对一个排列序列的优化问题，大大简化了。遗传算法非常适合优化这种序列。

3. 遗传算法驱动排样：编码、解码与进化

既然选择了遗传算法作为求解器，我们就需要为其设计一套“语言”，也就是如何用一条染色体（基因序列）来表示一个排样方案。

3.1 染色体编码设计：序列与元信息的结合

一条最直接的染色体可以是一个长度为总零件数的排列。例如，我们有10种零件，总需求量为30个，那么染色体就是一个1到30的数字序列，每个数字代表一个具体的零件实例。序列的顺序就是BL放置规则放置零件的顺序。

但是，这还不够。因为零件可以旋转，而且零件需要分配到不同的板材上。因此，更完善的编码通常包含三部分：

1. 零件序列：一个排列，表示所有零件实例的排放顺序。
2. 旋转标志序列：一个与零件序列等长的0/1序列，对应位置表示该零件是否旋转。
3. 板材分隔符（可选）：或者，我们可以在解码时采用“顺序填充”策略：按照序列顺序，尝试将零件放入当前板材，如果放不下，则开启一张新板材。这样，板材的分配是解码过程自然产生的结果，无需在编码中显式表示。

这种编码方式非常简洁，将复杂的二维布局问题映射到了一维的序列优化上。

3.2 解码器：从基因序列到可视图

解码器是算法的核心引擎，它决定了染色体如何被翻译成一个具体的、可计算的排样方案。我们采用经典的Bottom-Left (BL) 启发式算法作为解码器。其步骤如下：

对于序列中的每一个零件（带着它的旋转状态）：

1. 从板材的左下角(0,0)开始，尝试放置。
2. 将该零件沿着板材的内边框，从下到上、从左到右地滑动。具体实现时，我们维护一个“候选放置点集合”。初始点只有(0,0)。
3. 对于每一个候选点，先尝试将零件的左下角对齐该点。然后检查两条约束：
   • 边界约束：零件是否超出板材右边界或上边界。
   • 重叠约束：零件是否与已放置的任何一个零件重叠（通过判断矩形是否相交）。
4. 如果当前点放置失败，则寻找下一个候选点。通常，下一个候选点可以设置为当前已放置零件轮廓的右上角顶点集合。
5. 找到第一个可行的放置点后，放置零件，并更新板材的已占用区域轮廓和候选点集合。
6. 如果遍历完所有候选点都无法放置，则意味着当前板材已无法容纳此零件。此时，将当前板材的排样方案保存，启用一张新的空白板材，并将该零件放置在新板材的(0,0)位置，重复上述过程。

这个BL解码过程虽然不能保证找到单个板材内的绝对最优布局，但它能快速生成一个可行的、较优的布局，并且其性质（总是靠左下角填充）使得它非常稳定，适合作为遗传算法评估适应度的基础。

3.3 遗传操作：选择、交叉与变异

有了编码和解码，我们就可以定义遗传算法的进化操作了。

• 适应度函数：这是驱动进化的“指挥棒”。我们的目标是最少板材，所以适应度函数可以定义为总板材数的倒数，或者用一个较大的数减去板材数。板材数越少，适应度越高。在解码过程中，我们就能直接计算出该染色体对应的排样方案用了多少张板。
• 选择：采用轮盘赌选择或锦标赛选择。适应度高的个体有更大几率被选中进入交配池，进行繁殖。
• 交叉：由于我们的染色体是排列，不能使用简单的单点交叉（会破坏排列的合法性，导致零件重复或缺失）。必须使用专门用于排列的交叉算子，例如：
  • 部分映射交叉 (PMX)：随机选择两个交叉点，交换中间片段，然后通过映射关系解决冲突。
  • 顺序交叉 (OX)：随机选择一段子序列从父代1保留到子代，然后从父代2中按顺序填充剩余位置。
  • 循环交叉 (CX)：找到基因位置之间的循环，按循环进行交换。 在实际排样问题中，OX和PMX比较常用。
• 变异：为了保持种群多样性，防止早熟收敛。常见的排列变异操作有：
  • 交换变异：随机选择两个位置，交换其基因值。
  • 倒置变异：随机选择一段子序列，将其基因顺序反转。
  • 插入变异：随机选择一个基因，将其插入到另一个随机位置。 同时，对于旋转标志序列，可以采用简单的位翻转变异，随机将某些0变成1，1变成0。

通过选择、交叉、变异的迭代，种群会朝着使用更少板材的方向进化。

4. Matlab实现详解：从框架到关键代码段

下面，我们抛开那些理论，直接进入Matlab的实战环节。我会分模块讲解关键部分的实现思路和代码，并穿插我踩过的坑。

4.1 数据准备与参数初始化

首先，我们需要定义问题数据。这里用一个结构体来组织很清晰。

% 1. 定义板材和零件参数 problem.plate_size = [6000, 2500]; % 板材长宽 [mm] problem.parts = struct(); % 假设有5种零件，每种有长、宽、需求数量 problem.parts(1).size = [2000, 500]; problem.parts(1).demand = 4; problem.parts(2).size = [1500, 800]; problem.parts(2).demand = 6; problem.parts(3).size = [800, 600]; problem.parts(3).demand = 10; problem.parts(4).size = [1200, 400]; problem.parts(4).demand = 8; problem.parts(5).size = [500, 500]; problem.parts(5).demand = 15; % 2. 生成零件实例列表 % 将每种零件的需求数量展开，形成一个包含所有待排零件的大列表 part_list = []; for i = 1:length(problem.parts) for j = 1:problem.parts(i).demand part_list = [part_list; problem.parts(i).size]; % 每一行是一个零件的原始尺寸 end end num_parts = size(part_list, 1); % 总零件数 % 3. 遗传算法参数 ga_params.pop_size = 50; % 种群大小 ga_params.max_gen = 200; % 最大进化代数 ga_params.crossover_prob = 0.8; % 交叉概率 ga_params.mutation_prob = 0.1; % 变异概率（对每个个体而言） ga_params.elite_count = 2; % 精英保留数量

实操心得1：种群大小与迭代次数的权衡。对于几十个零件的普通问题，种群50-100，迭代200-500代通常能找到不错解。但如果零件数上百，可能需要更大的种群（如200）和更多迭代（1000+）。这很耗时间，所以一定要把解码函数写高效，它是性能瓶颈。可以考虑用MEX文件（C/C++）重写核心解码逻辑。

4.2 解码函数实现：BL算法的Matlab化

这是整个程序最核心、调用最频繁的函数。其输入是一个染色体（包含序列和旋转信息），输出是排样方案（每张板上的零件位置、是否旋转）和使用的板材数。

function [layouts, num_plates] = decode_chromosome(chromosome, part_list, plate_size) % chromosome: 结构体，包含 .sequence (排列) 和 .rotation (0/1序列) % part_list: Nx2矩阵，每行是零件的原始[长，宽] % plate_size: 1x2向量，[板长，板宽] % layouts: 细胞数组，每个元素是一张板的布局信息 seq = chromosome.sequence; rot = chromosome.rotation; num_parts = length(seq); layouts = {}; % 存储所有板材的布局 current_plate = 1; placed_parts = []; % 当前板上已放置零件的信息：[x, y, 零件索引, 旋转后长, 旋转后宽] for i = 1:num_parts part_idx = seq(i); original_size = part_list(part_idx, :); % 根据旋转标志确定排放尺寸 if rot(i) == 0 part_size = original_size; % [长，宽] else part_size = [original_size(2), original_size(1)]; % 旋转90度 end % 尝试将零件放入当前板 [is_placed, pos] = try_place_part(part_size, placed_parts, plate_size); if is_placed % 放置成功，更新当前板信息 placed_parts = [placed_parts; [pos, part_idx, part_size]]; else % 放置失败，保存当前板，开新板 layouts{current_plate} = placed_parts; current_plate = current_plate + 1; placed_parts = []; % 清空 % 在新板上放置当前零件 [~, pos] = try_place_part(part_size, [], plate_size); % 空板一定能放下 placed_parts = [pos, part_idx, part_size]; end end % 循环结束，保存最后一张板 if ~isempty(placed_parts) layouts{current_plate} = placed_parts; else current_plate = current_plate - 1; % 防止空板计数 end num_plates = length(layouts); end % 辅助函数：尝试在给定已放置零件和板材尺寸下，放置一个新零件 function [success, position] = try_place_part(new_part_size, existing_parts, plate_size) % 实现BL启发式：寻找最左下角的可行位置 % 简化版：这里仅作原理说明，实际实现需要考虑所有已放置零件右上角产生的候选点 candidate_points = [0, 0]; % 初始候选点 if isempty(existing_parts) % 如果是空板，检查是否超出边界即可 if new_part_size(1) <= plate_size(1) && new_part_size(2) <= plate_size(2) success = true; position = [0, 0]; else success = false; position = []; end return; end % 非空板，需要遍历候选点并检查重叠 % 这里省略了生成完整候选点集的复杂代码，通常需要收集所有已放置矩形的右上角坐标 % 并对每个候选点，检查new_part放在那里是否与existing_parts中任何一个重叠且不越界 % 这是一个双重循环，比较耗时。 % 伪代码逻辑： success = false; position = []; for i = 1:size(candidate_points, 1) pt = candidate_points(i, :); % 构造新零件的矩形区域 [x, y, x+width, y+height] new_rect = [pt(1), pt(2), pt(1)+new_part_size(1), pt(2)+new_part_size(2)]; % 检查边界 if new_rect(3) > plate_size(1) || new_rect(4) > plate_size(2) continue; % 超出边界，尝试下一个点 end % 检查与所有已放置零件的重叠 overlap = false; for j = 1:size(existing_parts, 1) exist_rect = [existing_parts(j,1), existing_parts(j,2), ... existing_parts(j,1)+existing_parts(j,4), existing_parts(j,2)+existing_parts(j,5)]; % 注意索引对应关系 % 判断两个矩形是否重叠：一个矩形的最小边大于另一个的最大边，则不重叠 if ~(new_rect(1) >= exist_rect(3) || new_rect(3) <= exist_rect(1) || ... new_rect(2) >= exist_rect(4) || new_rect(4) <= exist_rect(2)) overlap = true; break; end end if ~overlap success = true; position = pt; break; % 找到第一个可行点就返回（BL规则） end end end

踩坑实录1：BL解码器的效率陷阱。上面代码中的try_place_part函数是简化版。真实的BL解码器需要维护一个“最低轮廓线”和由此产生的“候选放置点集合”。如果像上面伪代码那样，简单地从(0,0)开始逐像素（或逐单位）扫描，计算量是灾难性的。正确的做法是：已放置零件会形成一个凹凸不平的顶部轮廓。新的候选点只可能出现在这个轮廓的每个台阶的右上角顶点，以及板材最右侧的边界上。高效地生成和管理这些候选点，是提升解码速度10倍甚至100倍的关键。我后来改用了一种基于“剩余矩形分割”的策略来管理空闲区域，效率更高。

4.3 遗传算法主循环搭建

主循环负责种群的迭代进化。我们可以利用Matlab的全局优化工具箱，但为了理解透彻，这里展示一个手写的基本框架。

% 初始化种群 population = init_population(ga_params.pop_size, num_parts); best_fitness_history = zeros(ga_params.max_gen, 1); best_solution = []; for gen = 1:ga_params.max_gen % 1. 评估种群适应度 fitness = zeros(ga_params.pop_size, 1); for i = 1:ga_params.pop_size [~, num_plates] = decode_chromosome(population(i), part_list, problem.plate_size); fitness(i) = 1 / num_plates; % 板材数越少，适应度越高 end % 记录当代最佳 [best_fit, best_idx] = max(fitness); best_fitness_history(gen) = 1 / best_fit; % 转换回板材数便于观察 if isempty(best_solution) || (1/best_fit) < (1/best_solution.fitness) best_solution.solution = population(best_idx); best_solution.fitness = best_fit; best_solution.layouts = decode_chromosome(population(best_idx), part_list, problem.plate_size); end % 2. 选择（锦标赛选择） selected_indices = tournament_selection(fitness, ga_params.pop_size); % 3. 交叉（顺序交叉OX） offspring = []; for i = 1:2:ga_params.pop_size parent1 = population(selected_indices(i)); parent2 = population(selected_indices(i+1)); if rand() < ga_params.crossover_prob [child1, child2] = order_crossover(parent1, parent2); else child1 = parent1; child2 = parent2; end offspring = [offspring; child1; child2]; end % 4. 变异（交换变异 + 位翻转） for i = 1:ga_params.pop_size if rand() < ga_params.mutation_prob offspring(i) = swap_mutation(offspring(i)); end % 对旋转序列进行位翻转变异（概率可单独设置） for j = 1:num_parts if rand() < 0.05 % 较小的位翻转概率 offspring(i).rotation(j) = 1 - offspring(i).rotation(j); end end end % 5. 精英保留：用上一代最好的个体替换下一代最差的个体 [~, sorted_idx] = sort(fitness, 'descend'); elite = population(sorted_idx(1:ga_params.elite_count)); [~, worst_idx] = sort(fitness(1:size(offspring,1)), 'ascend'); % 假设offspring适应度已评估或近似评估 offspring(worst_idx(1:ga_params.elite_count)) = elite; % 6. 更新种群 population = offspring; % 显示进度 fprintf('Generation %d: Best plates used = %d\n', gen, 1/best_fit); end % 绘制适应度进化曲线 figure; plot(1:ga_params.max_gen, best_fitness_history, 'b-', 'LineWidth', 1.5); xlabel('Generation'); ylabel('Best Number of Plates'); title('Genetic Algorithm Convergence'); grid on;

实操心得2：适应度函数的“平滑”处理。直接使用板材数的倒数作为适应度，当板材数变化时（比如从5张板优化到4张板），适应度的提升幅度是固定的（0.2 -> 0.25）。但有时，从4张板优化到3张板（0.25 -> 0.333）带来的利用率提升价值，可能远大于从10张优化到9张。为了更精细地引导搜索，可以考虑加入利用率作为奖励。例如，适应度 = 1/板材数 + α * 平均利用率。其中α是一个小权重，这样算法在板材数相同的情况下，会优先选择利用率更高的布局，为后续减少板材数创造可能。

4.4 可视化与结果分析

得到最优解后，我们必须将其可视化，这是验证结果和指导生产的最后一步。

function visualize_layouts(layouts, plate_size, part_list) % layouts: decode_chromosome输出的布局细胞数组 % plate_size: [长，宽] % part_list: 零件原始尺寸列表，用于标注 num_plates = length(layouts); for p = 1:num_plates figure('Name', sprintf('Plate %d Layout', p), 'NumberTitle', 'off'); hold on; grid on; axis equal; xlim([0, plate_size(1)]); ylim([0, plate_size(2)]); xlabel('Length (mm)'); ylabel('Width (mm)'); title(sprintf('Plate %d - Utilization Analysis', p)); plate_data = layouts{p}; total_plate_area = plate_size(1) * plate_size(2); used_area = 0; for i = 1:size(plate_data, 1) x = plate_data(i, 1); y = plate_data(i, 2); part_id = plate_data(i, 3); l = plate_data(i, 4); w = plate_data(i, 5); % 绘制矩形 rectangle('Position', [x, y, l, w], 'EdgeColor', 'k', 'FaceColor', rand(1,3)*0.5+0.5, 'LineWidth', 1); % 标注零件ID和尺寸 text(x+l/2, y+w/2, sprintf('%d\n(%dx%d)', part_id, l, w), ... 'HorizontalAlignment', 'center', 'FontSize', 8); used_area = used_area + l * w; end utilization = used_area / total_plate_area * 100; fprintf('Plate %d: Utilization = %.2f%%\n', p, utilization); % 在图中标注利用率 text(plate_size(1)*0.02, plate_size(2)*0.98, sprintf('Utilization: %.1f%%', utilization), ... 'VerticalAlignment', 'top', 'FontWeight', 'bold', 'BackgroundColor', 'w'); hold off; end end

可视化不仅能让我们直观检查排样是否合理（有无重叠、超出边界），还能计算每张板材的精确利用率，这是评估方案经济性的直接指标。

5. 超越基础：性能调优与高级策略

基本的遗传算法+BL解码可以解决很多问题，但对于大规模、复杂约束的实际情况，还需要更多策略。

5.1 解码器加速：从BL到更高效的算法

BL解码器在寻找候选点时需要遍历所有已放置零件，复杂度是O(n²)。当零件数量多时，会成为性能瓶颈。可以考虑以下优化：

• 最低水平线算法：只维护一个由一系列水平线段组成的“轮廓线”。新零件总是放在当前轮廓线的最低点。放置后，更新轮廓线。这种方法比维护所有矩形快得多。
• 最大剩余矩形算法：将板材的剩余空间表示为一系列不重叠的最大矩形。放置零件时，选择能容纳该零件且某种评价指标（如靠左下角）最优的剩余矩形。这种方法空间利用率可能更高，但管理矩形分割与合并的逻辑更复杂。

在Matlab中，如果解码函数被调用数十万次，即使很小的优化也能节省大量时间。将解码函数中最内层的循环（尤其是矩形重叠判断）向量化，能显著提升速度。如果还不行，考虑用MEX-Coder将其编译为C代码。

5.2 混合智能：结合局部搜索提升解质量

遗传算法擅长全局探索，但局部微调能力可能不足。我们可以在遗传算法每一代结束后，对精英个体进行局部搜索。

• 交换邻域搜索：随机交换序列中两个零件的位置，如果得到更好解则接受。
• 移动邻域搜索：随机选择一个零件，尝试将其移动到序列中的其他位置。
• 扰动后重新解码：对零件的旋转标志进行小范围扰动，看看有没有改进。

将这种局部搜索嵌入到GA框架中，就构成了Memetic Algorithm（文化基因算法），它通常能比纯GA更快地收敛到更优解。

5.3 处理实际生产约束

数学模型是理想的，但车间有车间的规矩：

• 切割工艺约束：激光切割或铣刀有最小切缝宽度，零件之间需要预留切割间隙。这很简单，在解码时，将每个零件的尺寸长宽各加上一个间隙值（如2mm）即可。
• 一刀切约束：为了提高切割效率，希望连续的切割路径尽可能长。这需要在目标函数中引入切割路径长度或换刀次数的惩罚项，问题会变得极其复杂。一个简化方法是：在排样时，尽量让零件对齐，形成“切割通道”。
• 板材缺陷区：原材料上可能有瑕疵区域不能使用。这需要在解码时，将缺陷区也视为一个“禁放区”矩形，在重叠检查中额外考虑。

踩坑实录2：间隙处理不当导致的干涉。我曾经忘记在可视化时扣除间隙，导致图纸上零件间有缝隙，但实际切割时因为间隙被占用，零件就挤在一起了。正确的做法是：在优化计算时使用带间隙的尺寸，在最终输出生产图纸时，使用零件的原始净尺寸。这两套尺寸一定要区分清楚，并在文档中明确标注。

6. 项目总结与扩展思考

通过这个项目，我们完成了一个从问题定义、数学建模、算法选择（遗传算法）、到Matlab实现和可视化的完整排样优化流程。关键在于理解如何将二维布局问题通过序列编码和BL解码转化为一维优化问题，以及如何设计高效的解码器和适应度函数来引导搜索。

遗传算法的参数（种群大小、交叉变异概率、迭代次数）需要根据问题规模调整，没有银弹。多跑几次，观察收敛曲线，是调参的最好方法。

这个基础框架可以沿多个方向扩展：

• 多规格板材：原材料不止一种尺寸，选择哪种板材、用多少张，也成了优化的一部分。
• 异形件排样：零件不再是矩形，而是任意多边形。这需要更复杂的几何干涉检查算法（如No-Fit Polygon），但整体框架依然适用。
• 与生产排程集成：排样方案会影响后续工序的作业时间，需要与整个生产计划系统联动优化。

最后，再分享一个小心得：在向生产部门交付排样图时，除了可视化图片，最好还能输出一份机器可读的切割指令文件，比如DXF格式或者简单的G代码坐标列表。这能减少他们二次输入的工作量，避免人为错误，让数学模型的价值真正落到生产线上。Matlab也有相应的工具箱可以处理DXF文件的写入。从优化结果到驱动设备，这最后一步的打通，往往才是项目成功的关键。