Reverse Engineering of Geometric Surfaces Using Tabu Search Optimization Technique
Notice bibliographique
Résumé
Creating unavailable geometric models from existing parts plays an important role in the process of reverse engineering, for which the accuracy and fitting time of the created models are important factors. This paper proposes the use of Tabu Search (TS) technique in the optimal fitting of NURBS (Non Uniform Rational B-Spline) surfaces to laser-scanned point clouds of free-form surfaces for existing parts. The fitting process involves the initial estimation of the NURBS surface control points using least-squares approximation, followed by optimization of NURBS weights to minimize fitting error. Optimization is performed using a hybrid coding scheme, namely; Modified Continuous Reactive Tabu Search (M-C-RTS), in which a combinatorial optimization component, based on Reactive Tabu Search (RTS), co-operates with Sequential Quadratic Programming (SQP), as a local minimizer. The developed fitting algorithm was applied to a number of simulated free-form surfaces in addition to a laser-scanned PC mouse. Implementation was carried out using MATLAB software and the results were compared to those obtained using Genetic Algorithms (GAs) in an earlier publication. The results show the superiority of the proposed algorithm to the GA-based method with respect to the number of objective function evaluations (about 50% reduction). In addition to this time saving achievement, and surprisingly, M-C-RTS proved to be capable of finding better solutions than GAs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».