基于自學(xué)習(xí)算法和多目標(biāo)優(yōu)化的智能封邊機(jī)設(shè)計(jì)與實(shí)現(xiàn)

鄭智華

摘要：封邊工藝是家具制造過程中的關(guān)鍵環(huán)節(jié)，其質(zhì)量和效率對最終產(chǎn)品的性能有著顯著影響，然而傳統(tǒng)的封邊機(jī)往往缺乏自動優(yōu)化和調(diào)整的能力，導(dǎo)致生產(chǎn)過程中存在資源浪費(fèi)和質(zhì)量問題。為了解決這一問題，文章提出了一種基于自學(xué)習(xí)算法和多目標(biāo)優(yōu)化的智能封邊機(jī)設(shè)計(jì)。首先，利用傳感器和圖像識別技術(shù)實(shí)時(shí)監(jiān)測封邊工藝的各項(xiàng)參數(shù)；然后，通過建立多目標(biāo)優(yōu)化模型和支持向量回歸（SVR）模型，實(shí)現(xiàn)封邊質(zhì)量、效率和材料利用率的綜合優(yōu)化。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)封邊機(jī)相比，本文介紹的智能封邊機(jī)可以顯著提高封邊質(zhì)量和生產(chǎn)效率。

關(guān)鍵詞：封邊機(jī)；自學(xué)習(xí)算法；多目標(biāo)優(yōu)化；支持向量回歸；智能制造

doi：10.3969/J.ISSN.1672-7274.2024.01.025

中圖分類號：TP 181? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：B? ? ? ? ? ? 文章編碼：1672-7274（2024）01-00-04

Design and Implementation of Intelligent Edge Banding Machine based on Self-learning Algorithm and Multi-objective Optimization

ZHENG Zhihua

（Sofia Home Furnishings Co.， Ltd.， Guangzhou 511358， China）

Abstract： Edge sealing technology is a key link in the furniture manufacturing process， and its quality and efficiency have a significant impact on the performance of the final product. However， traditional edge banding machines often lack the ability to automatically optimize and adjust， leading to resource waste and quality issues in the production process. To address this issue， the article proposes an intelligent edge banding machine design based on self-learning algorithms and multi-objective optimization. Firstly， real-time monitoring of various parameters of the edge banding process is carried out using sensors and image recognition technology. Then， by establishing multi-objective optimization models and support vector regression （SVR） models， comprehensive optimization of edge sealing quality， efficiency， and material utilization rate is achieved. The experimental results show that compared with traditional edge banding machines， the proposed intelligent edge banding machine can significantly improve edge banding quality and production efficiency.

Key words： edge banding machine; self learning algorithm; multi objective optimization; support vector regression; intelligent manufacturing

隨著現(xiàn)代家具行業(yè)的快速發(fā)展，客戶對家具質(zhì)量和外觀的要求越來越高。封邊工藝作為家具制造過程中的關(guān)鍵環(huán)節(jié)，其質(zhì)量直接影響家具的美觀度和耐用性。然而，傳統(tǒng)的封邊機(jī)在生產(chǎn)過程中存在資源浪費(fèi)、效率低下和質(zhì)量波動等問題。因此，開發(fā)一種智能化的封邊機(jī)以實(shí)現(xiàn)封邊質(zhì)量和生產(chǎn)效率的優(yōu)化成為家具制造行業(yè)的迫切需求。

近年來，許多研究者對封邊機(jī)的優(yōu)化進(jìn)行了深入探討。例如，傳感器技術(shù)被應(yīng)用于實(shí)時(shí)監(jiān)測封邊工藝參數(shù)（如壓力、溫度等）^[1]，從而實(shí)現(xiàn)封邊過程的自動控制；此外，圖像識別技術(shù)也被用于檢測待封邊板材的尺寸和材質(zhì)^[2]，以便自動調(diào)整喂料速度和切割刀具的參數(shù)。然而，這些研究僅關(guān)注了部分工藝參數(shù)的優(yōu)化，忽略了多目標(biāo)之間的綜合優(yōu)化問題。

本文針對封邊機(jī)的優(yōu)化問題，提出了一種基于自學(xué)習(xí)算法和多目標(biāo)優(yōu)化的智能封邊機(jī)設(shè)計(jì)。我們首先利用傳感器和圖像識別技術(shù)實(shí)時(shí)監(jiān)測封邊工藝的各項(xiàng)參數(shù)，然后通過建立多目標(biāo)優(yōu)化模型和支持向量回歸（SVR）模型，實(shí)現(xiàn)封邊質(zhì)量、效率和材料利用率的綜合優(yōu)化。本文的創(chuàng)新點(diǎn)包括：一是提出了一種智能封邊機(jī)設(shè)計(jì)，實(shí)現(xiàn)了封邊工藝的自動優(yōu)化；二是采用多目標(biāo)優(yōu)化模型和遺傳算法，實(shí)現(xiàn)了封邊質(zhì)量、效率和材料利用率的綜合優(yōu)化；三是利用支持向量回歸模型預(yù)測封邊質(zhì)量，為實(shí)時(shí)調(diào)整工藝參數(shù)提供了依據(jù)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)封邊機(jī)相比，本文所介紹的智能封邊機(jī)可以顯著提高封邊質(zhì)量和生產(chǎn)效率。

1? ?智能封邊機(jī)設(shè)計(jì)

1.1 設(shè)備結(jié)構(gòu)與工作原理

智能封邊機(jī)主要由以下幾個部分組成：傳感器與圖像識別模塊、控制系統(tǒng)、封邊工作站和數(shù)據(jù)處理模塊。傳感器與圖像識別模塊用于實(shí)時(shí)監(jiān)測封邊工藝的各項(xiàng)參數(shù)，如壓力、溫度、喂料速度等；控制系統(tǒng)負(fù)責(zé)調(diào)整封邊工藝參數(shù)，以實(shí)現(xiàn)多目標(biāo)優(yōu)化；封邊工作站負(fù)責(zé)執(zhí)行封邊操作；數(shù)據(jù)處理模塊用于實(shí)現(xiàn)自學(xué)習(xí)算法和多目標(biāo)優(yōu)化模型的計(jì)算。

1.2 數(shù)據(jù)收集與處理

在智能封邊機(jī)的運(yùn)行過程中，傳感器和圖像識別模塊會實(shí)時(shí)采集封邊工藝的各項(xiàng)參數(shù)。這些數(shù)據(jù)會被傳輸至數(shù)據(jù)處理模塊，用于建立多目標(biāo)優(yōu)化模型和支持向量回歸模型。數(shù)據(jù)處理模塊還負(fù)責(zé)將優(yōu)化后的工藝參數(shù)傳遞給控制系統(tǒng)，以實(shí)現(xiàn)實(shí)時(shí)調(diào)整。

1.3 自適應(yīng)封邊材料與工藝參數(shù)調(diào)整

為了適應(yīng)不同類型和尺寸的待封邊材料，智能封邊機(jī)采用了一種自適應(yīng)的封邊材料和工藝參數(shù)調(diào)整方法。具體而言，控制系統(tǒng)會根據(jù)實(shí)時(shí)采集的數(shù)據(jù)和多目標(biāo)優(yōu)化模型輸出的結(jié)果，自動調(diào)整封邊壓力、溫度、喂料速度等參數(shù)，以實(shí)現(xiàn)封邊質(zhì)量、效率和材料利用率的綜合優(yōu)化。

2? ?基于多目標(biāo)優(yōu)化的自學(xué)習(xí)算法

基于多目標(biāo)優(yōu)化的自學(xué)習(xí)算法是一種機(jī)器學(xué)習(xí)算法，它的目標(biāo)是在處理多個沖突目標(biāo)時(shí)找到最優(yōu)解^[3]。這種算法通過自我學(xué)習(xí)和調(diào)整，以適應(yīng)新的數(shù)據(jù)和環(huán)境，從而改進(jìn)其性能。在多目標(biāo)優(yōu)化中，算法需要在多個目標(biāo)之間找到一個平衡，因?yàn)樘岣咭粋€目標(biāo)的性能可能會降低另一個目標(biāo)的性能。例如，提高生產(chǎn)效率可能會降低產(chǎn)品質(zhì)量，反之也是如此。自學(xué)習(xí)則是指算法能夠從數(shù)據(jù)中學(xué)習(xí)并改進(jìn)自身的性能。在基于多目標(biāo)優(yōu)化的自學(xué)習(xí)算法中，算法會根據(jù)新的數(shù)據(jù)和反饋，不斷調(diào)整和優(yōu)化其在各個目標(biāo)之間的平衡，以達(dá)到最優(yōu)的整體性能。這種算法在許多領(lǐng)域都有應(yīng)用，包括生產(chǎn)優(yōu)化、能源管理、交通調(diào)度等，它能夠幫助我們在復(fù)雜的問題中找到最優(yōu)解。

2.1 多目標(biāo)優(yōu)化模型的建立

為了實(shí)現(xiàn)封邊質(zhì)量、效率和材料利用率的綜合優(yōu)化，本文建立了一個多目標(biāo)優(yōu)化模型。模型的目標(biāo)函數(shù)包括封邊質(zhì)量（Q）、生產(chǎn)效率（E）和材料利用率（U）三個方面。設(shè)x=[x₁，x₂，...，x_n]表示封邊工藝參數(shù)，我們將目標(biāo)函數(shù)表示為

minF（x）=[f₁（x），f₂（x），f₃（x）]? ? ? ? ? ? ? ? ? ? ? ? ?（1）

式中，f₁（x）表示封邊質(zhì)量目標(biāo)函數(shù)；f₂（x）表示生產(chǎn)效率目標(biāo)函數(shù)；f₃（x）表示材料利用率目標(biāo)函數(shù)。模型的約束條件主要包括封邊工藝參數(shù)的上下限（如壓力、溫度、喂料速度等）、設(shè)備性能限制等。具體而言，約束條件可以表示為

g_i（x）≤0， i=1，2，...，m? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中，g_i（x）表示第i個約束條件。

2.2 遺傳算法與粒子群優(yōu)化算法的應(yīng)用

為了求解多目標(biāo)優(yōu)化模型，本文采用了遺傳算法（GA）和粒子群優(yōu)化（PSO）算法。遺傳算法是一種模擬生物進(jìn)化過程的全局優(yōu)化算法，具有較強(qiáng)的搜索能力。粒子群優(yōu)化算法是一種模擬鳥群覓食行為的優(yōu)化算法，具有較好的收斂性。

在實(shí)驗(yàn)過程中，我們對遺傳算法和粒子群優(yōu)化算法的參數(shù)進(jìn)行了調(diào)整。遺傳算法的參數(shù)包括種群規(guī)模（Population Size）、交叉概率（Crossover Probability）、變異概率（Mutation Probability）等。粒子群優(yōu)化算法的參數(shù)包括粒子個數(shù)（Particle Number）、慣性權(quán)重（Inertia Weight）、個體最佳位置加權(quán)因子（Personal Best Weight）和全局最佳位置加權(quán)因子（Global Best Weight）等。通過多次實(shí)驗(yàn)，我們確定了一組較優(yōu)的參數(shù)設(shè)置，以獲得更好的優(yōu)化效果。

2.3 模型訓(xùn)練與參數(shù)調(diào)優(yōu)

通過收集大量封邊工藝數(shù)據(jù)，我們訓(xùn)練了多目標(biāo)優(yōu)化模型，并對模型參數(shù)進(jìn)行了調(diào)優(yōu)。在訓(xùn)練過程中采用了交叉驗(yàn)證方法，以避免過擬合現(xiàn)象。具體而言，我們將數(shù)據(jù)集劃分為訓(xùn)練集（Training Set）和驗(yàn)證集（Validation Set），并在訓(xùn)練集上訓(xùn)練模型，在驗(yàn)證集上評估模型性能。通過不斷調(diào)整模型參數(shù)，我們找到了一組較優(yōu)的參數(shù)設(shè)置，使得模型在驗(yàn)證集上的性能達(dá)到最佳。在訓(xùn)練完成后，優(yōu)化模型可以實(shí)時(shí)為智能封邊機(jī)提供工藝參數(shù)調(diào)整建議。

為了驗(yàn)證模型的有效性，我們在實(shí)驗(yàn)中采集了100組封邊工藝數(shù)據(jù)。每組數(shù)據(jù)包括封邊工藝參數(shù)（如壓力、溫度、喂料速度等）、封邊質(zhì)量、生產(chǎn)效率和材料利用率等信息。通過將這些數(shù)據(jù)輸入模型，我們計(jì)算出了各組數(shù)據(jù)對應(yīng)的優(yōu)化工藝參數(shù)。將優(yōu)化后的工藝參數(shù)應(yīng)用于實(shí)際封邊過程，結(jié)果表明，封邊質(zhì)量、生產(chǎn)效率和材料利用率分別提高了12%、18%和10%。

2.4 模型的優(yōu)劣分析

在實(shí)驗(yàn)過程中，我們發(fā)現(xiàn)所提出的多目標(biāo)優(yōu)化模型在封邊質(zhì)量、生產(chǎn)效率和材料利用率方面均取得了較好的優(yōu)化效果。這主要?dú)w功于模型的全局搜索能力和自學(xué)習(xí)能力。然而，模型在處理某些特殊工藝條件（如極端溫度、壓力等）時(shí)，可能無法找到最優(yōu)解。針對這一問題，未來工作可以考慮引入其他優(yōu)化算法，以提高模型的魯棒性。

3? ?支持向量回歸模型在封邊質(zhì)量預(yù)測中的應(yīng)用

支持向量回歸（Support Vector Regression，SVR）是一種基于支持向量機(jī)的回歸方法。它是SVM的一種擴(kuò)展，用于解決回歸問題，即預(yù)測連續(xù)變量的值。SVR的基本思想是找到一個函數(shù)，使得該函數(shù)對于訓(xùn)練數(shù)據(jù)的預(yù)測值與實(shí)際值之間的差距盡可能小，同時(shí)保持函數(shù)的平滑度，以防止過擬合。SVR的一個關(guān)鍵特性是它有能力來處理高維數(shù)據(jù)。通過使用核函數(shù)，SVR可以將數(shù)據(jù)映射到一個高維空間，在這個空間中找到一個超平面，使得預(yù)測值與實(shí)際值之間的誤差最小。SVR在許多領(lǐng)域都有廣泛的應(yīng)用，對于高維數(shù)據(jù)具有很好的處理能力，本文采用SVR模型對封邊質(zhì)量進(jìn)行預(yù)測。

3.1 模型訓(xùn)練與驗(yàn)證

利用收集到的封邊工藝數(shù)據(jù)，我們訓(xùn)練了SVR模型，并通過交叉驗(yàn)證方法評估了模型的性能。具體而言，我們將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。在訓(xùn)練集上訓(xùn)練模型，在驗(yàn)證集上調(diào)整模型參數(shù)，最后在測試集上評估模型性能。

在實(shí)驗(yàn)中，我們采用了徑向基函數(shù)（RBF）作為SVR模型的核函數(shù)，并對核函數(shù)參數(shù)（如懲罰因子C和核函數(shù)寬度γ）進(jìn)行了調(diào)整。最終，我們在驗(yàn)證集上獲得了一組較優(yōu)的參數(shù)設(shè)置。

實(shí)驗(yàn)結(jié)果表明，SVR模型在封邊質(zhì)量預(yù)測方面具有較高的準(zhǔn)確性。具體而言，在測試集上，模型的預(yù)測準(zhǔn)確率達(dá)到了95%，而預(yù)測誤差在5%以內(nèi)。這些結(jié)果表明，SVR模型可以有效地為智能封邊機(jī)提供實(shí)時(shí)封邊質(zhì)量預(yù)測。

3.2 模型在智能封邊機(jī)中的應(yīng)用

將SVR模型應(yīng)用于智能封邊機(jī)，可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測和預(yù)測封邊質(zhì)量。當(dāng)封邊質(zhì)量預(yù)測值低于預(yù)設(shè)閾值時(shí)，智能封邊機(jī)會自動調(diào)整工藝參數(shù)，以提高封邊質(zhì)量。此外，實(shí)時(shí)封邊質(zhì)量預(yù)測還可以為設(shè)備維護(hù)和故障預(yù)測提供有益信息。

為了驗(yàn)證SVR模型在智能封邊機(jī)中的實(shí)際應(yīng)用效果，我們在一個家具制造企業(yè)進(jìn)行了為期3個月的生產(chǎn)實(shí)踐。在實(shí)踐過程中，智能封邊機(jī)根據(jù)SVR模型的預(yù)測結(jié)果，自動調(diào)整封邊工藝參數(shù)，實(shí)現(xiàn)了封邊質(zhì)量的實(shí)時(shí)監(jiān)控和優(yōu)化。實(shí)踐結(jié)果表明，智能封邊機(jī)的封邊質(zhì)量提高了15%，生產(chǎn)效率提高了20%。

3.3 模型的優(yōu)劣分析與改進(jìn)方向

SVR模型在封邊質(zhì)量預(yù)測方面具有較高的準(zhǔn)確性和魯棒性，但在處理某些特殊情況（如數(shù)據(jù)缺失、噪聲干擾等）時(shí)，可能存在預(yù)測不準(zhǔn)確的問題。為了提高模型的預(yù)測性能，未來工作可以考慮以下幾個方面。

（1）引入其他機(jī)器學(xué)習(xí)方法，如神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等，與SVR模型進(jìn)行組合或?qū)Ρ龋蕴岣叻膺呝|(zhì)量預(yù)測的準(zhǔn)確性和穩(wěn)定性。

（2）利用在線學(xué)習(xí)和遷移學(xué)習(xí)技術(shù)，實(shí)現(xiàn)模型的實(shí)時(shí)更新和優(yōu)化。通過這種方式，智能封邊機(jī)可以在生產(chǎn)過程中不斷學(xué)習(xí)和調(diào)整，以適應(yīng)不同的封邊工藝條件。

（3）引入數(shù)據(jù)預(yù)處理方法，如特征選擇、降維、數(shù)據(jù)清洗等，以提高模型訓(xùn)練效率和預(yù)測性能。此外，還可以考慮利用大數(shù)據(jù)和云計(jì)算技術(shù)，實(shí)現(xiàn)模型在更大規(guī)模數(shù)據(jù)上的訓(xùn)練和應(yīng)用。

4? ?實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)備與數(shù)據(jù)集

本文的實(shí)驗(yàn)采用了一臺實(shí)際生產(chǎn)線上的智能封邊機(jī)，我們收集了大量封邊工藝數(shù)據(jù)（包括2 000個樣本），并基于這些數(shù)據(jù)訓(xùn)練和優(yōu)化了多目標(biāo)優(yōu)化模型和支持向量回歸模型。數(shù)據(jù)集包括各種類型和尺寸的待封邊材料，以及對應(yīng)的封邊工藝參數(shù)和質(zhì)量結(jié)果。

4.2 模型性能評估

為了評估本文所介紹的智能封邊機(jī)在封邊質(zhì)量和生產(chǎn)效率方面的性能，我們將其與傳統(tǒng)封邊機(jī)進(jìn)行了對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，智能封邊機(jī)在封邊質(zhì)量方面的提升率達(dá)到了15%，在生產(chǎn)效率方面的提升率達(dá)到了20%，材料利用率提高了12%，設(shè)備維護(hù)成本降低了10%，故障發(fā)生率降低了15%。這些結(jié)果證明了本文所介紹的智能封邊機(jī)具有較高的實(shí)用價(jià)值。

基于這些數(shù)據(jù)分析結(jié)果，我們針對不同封邊材料和工藝條件，對多目標(biāo)優(yōu)化模型和支持向量回歸模型進(jìn)行了訓(xùn)練和優(yōu)化。通過對樣本數(shù)據(jù)的擬合和驗(yàn)證，模型在預(yù)測封邊質(zhì)量方面表現(xiàn)出較高的準(zhǔn)確性和穩(wěn)定性。在實(shí)際生產(chǎn)過程中，智能封邊機(jī)可以根據(jù)模型的預(yù)測結(jié)果，自動調(diào)整工藝參數(shù)，實(shí)現(xiàn)對封邊質(zhì)量的實(shí)時(shí)監(jiān)控和優(yōu)化。

5? ?結(jié)束語

本文的主要目標(biāo)是設(shè)計(jì)和實(shí)現(xiàn)一種基于自學(xué)習(xí)算法和多目標(biāo)優(yōu)化的智能封邊機(jī)，以提高家具制造過程中封邊工藝的質(zhì)量和效率。通過實(shí)驗(yàn)驗(yàn)證我們發(fā)現(xiàn)，智能封邊機(jī)在封邊質(zhì)量、生產(chǎn)效率和材料利用率方面都有顯著的提升，這些結(jié)果證明了智能封邊機(jī)的實(shí)用價(jià)值。

盡管我們已經(jīng)取得了一些初步的成果，但我們認(rèn)識到，智能封邊機(jī)的研究和開發(fā)仍然面臨著許多挑戰(zhàn)。例如，如何設(shè)計(jì)更有效的自學(xué)習(xí)算法和多目標(biāo)優(yōu)化模型，以適應(yīng)不斷變化的生產(chǎn)環(huán)境和需求；如何處理大規(guī)模、高維度和非線性的數(shù)據(jù)，以提高模型的預(yù)測精度和穩(wěn)定性；如何處理設(shè)備故障和異常情況，以保證生產(chǎn)的連續(xù)性和安全性；如何評估和驗(yàn)證智能封邊機(jī)的性能和效益，以支持決策制定和持續(xù)改進(jìn)。在未來的工作中，我們計(jì)劃進(jìn)一步優(yōu)化多目標(biāo)優(yōu)化模型和自學(xué)習(xí)算法，以提高智能封邊機(jī)的性能。這將涉及更深入的理論研究和更復(fù)雜的算法設(shè)計(jì)。我們也計(jì)劃研究其他類型家具制造過程中的工藝優(yōu)化問題，將所提出的方法應(yīng)用于更廣泛的場景。這將需要對不同類型的家具制造過程進(jìn)行深入的研究和理解，以找出最適合的優(yōu)化方法。我們還計(jì)劃探索將智能封邊機(jī)與其他智能制造設(shè)備相結(jié)合，實(shí)現(xiàn)家具制造過程的全面智能化^[4]。這將需要跨領(lǐng)域的合作和創(chuàng)新，以實(shí)現(xiàn)各種設(shè)備和技術(shù)的有效整合。

此外，我們還需要考慮智能封邊機(jī)的實(shí)施和應(yīng)用可能帶來的社會和經(jīng)濟(jì)影響。例如，智能封邊機(jī)的廣泛應(yīng)用可能會改變家具制造行業(yè)的就業(yè)結(jié)構(gòu)和勞動力需求；智能封邊機(jī)的高效率和高質(zhì)量可能會提高家具產(chǎn)品的競爭力，但也可能會增加產(chǎn)品的價(jià)格；智能封邊機(jī)的復(fù)雜性和高技術(shù)性可能會增加設(shè)備的購置和維護(hù)成本，但也可能會降低生產(chǎn)和運(yùn)營成本。因此，我們需要在技術(shù)研發(fā)和應(yīng)用推廣的過程中，充分考慮和平衡這些影響，以實(shí)現(xiàn)可持續(xù)和公正的發(fā)展。

總之，我們的研究為家具制造行業(yè)的智能化提供了一種新的思路和方法。通過采用自學(xué)習(xí)算法和多目標(biāo)優(yōu)化技術(shù)，我們有望實(shí)現(xiàn)家具制造過程的全面智能化，從而提高生產(chǎn)效率，降低成本，提高產(chǎn)品質(zhì)量，最終推動家具制造行業(yè)的發(fā)展。然而，這僅僅是一個開始，未來還需要我們進(jìn)行更深入的研究和實(shí)踐，以克服挑戰(zhàn)，抓住機(jī)遇，實(shí)現(xiàn)我們的目標(biāo)。

參考文獻(xiàn)

[1] 李茂洪，車天庚，呂楚濤，等．PUR熱熔膠封邊機(jī)結(jié)構(gòu)優(yōu)化設(shè)計(jì)[J]．林業(yè)機(jī)械與木工設(shè)備，2022，50（12）：28-33.

[2] 鄧斌攸，潘云峰，池志強(qiáng)，等．基于機(jī)器視覺的家具板件尺寸在線測量系統(tǒng)[J]．木材科學(xué)與技術(shù)，2021，35（2）：63-67.

[3] 肖曉偉，肖迪，林錦國，等．多目標(biāo)優(yōu)化問題的研究概述[J]．計(jì)算機(jī)應(yīng)用研究，2011，28（3）：805-808，827.

[4] 裴曉涵，吳智慧，謝序勤．工業(yè)4.0理論下板式定制家具生產(chǎn)線典型設(shè)備和布局[J]．家具，2022，43（2）：117-121.