1.一种矩形板材组批排样高效协同方法，其特征在于，包括以下步骤：订单预组批1：根据订单加工材质要求和交货工期相近程度，利用加权层次聚类初步划分批次，输出预组批方案z1,z2,...,zi,...,zN，其中zi为第i个预组批批次，N为预组批批次上限；

预组批方案各订单排样优化2：根据输入的预组批方案z1,z2,...,zN，通过基于三阶段齐头切的排样优化算法输出预组批排样优化结果p1,p2,...,pi,...,pm，其中pi为第i个排样优化后的批次，m为排样优化后的批次上限；

最终组批优化3：根据输入的预组批排样优化结果p1,p2,...,pN，以单个批次的产能上限、每个生产车间容量为约束，通过基于量子遗传模拟退火聚类算法输出满足条件的最终组批优化结果h1,h2,...,hi,...,hn，其中hi为第i个最终组批优化后的批次，n为最终组批优化后的批次上限。

2.如权利要求1所述的一种矩形板材组批排样高效协同方法，其特征在于，预组批方案各订单排样优化2中基于三阶段齐头切的排样优化算法的具体实现方法，包括以下步骤：第一步201，数据获取/预处理，将订单要求加工的毛坯按照材质进行分类，建立三阶段齐头切约束下的排样混合整数规划模型：设原片利用率Z：

其中 为第r类材料中第i个毛坯的长度， 为第r类材料中第i个毛坯的宽度，H为使用的原片个数，I为待排样第r类材料毛坯总项数，L为使用的原片长度，W为使用的原片宽度；

排样各约束条件如下：

(1)毛坯之间不能相互重叠，对 r∈nt，k∈ni，Str的左上角坐标和Ski的右下角坐标跟尺寸满足下列条件：xtr≥xik+lik                  (2)ytr≥yik+wik                  (3)其中J为待排样矩形毛坯材质种类数量，ni和nt分别为排样完成后第i类毛坯的数量和第t类毛坯的数量，第k个i类材质毛坯Ski在原片上的位置由毛坯左下角点在原片上的坐标(xik,yik)及毛坯的长宽lik和wik确定，Str为第k个r类材质毛坯；

(2)要求原片上最终切割的产品项必须是完整的，不能拼接，已知排样方案不用考虑锯缝宽度的影响，产品项切割时不能超过原片尺寸：第二步202，利用混沌Circle映射初始化毛坯群和循环参数：第三步203，构建信息浓度下的柯西变异全局寻优算法求解可能的栈排样，栈排样算法适应度值为第i行第j个的栈利用率ξij；

发现者的位置更新公式为：

其中t代表迭代次数，j＝1,2,...,d， 表示第t+1次迭代第i个麻雀在第j维的位置，为第t次迭代第i个麻雀在第j维的位置，α∈(0,1)是一个随机数，R2∈[0,1]为预警值，ST∈[0.5,1]为安全值，Q是服从正态分布的随机数，L为1×d且元素值全为1的矩阵，fiti表示第i个体的信息浓度，其大小取决于适应度值，当R2＜ST时，表示周围没有天敌，发现者将进行广泛搜索，反之，则代表发现捕食者，此时所有麻雀都要飞往其他安全地方觅食；

加入者位置更新公式如下：

其中Xworst表示第t次迭代全局最差位置， 表示第t+1次迭代发现者最优位置，A为1+ T T ‑1×d且元素随机赋值为1或‑1的矩阵，且A ＝A (AA) ，当i＞N/2时，位置较差的加入者处于十分饥饿的状态，此时需要飞往其他的地方觅食；

侦察者位置更新公式如下：

其中 为当前全局最优位置，β为步长控制参数，是一个均值为0，方差为1的正态分布随机数，K∈[‑1,1]是一个随机数，fi表示个体适应度值，fg为最佳适应度值，fω为最差适应度值，ε为最小常数，防止分母为零的情况出现；

采用自适应缩小搜索空间的策略，其搜索上界和下界分别为：rt＝t/itermax     (12)

其中Xj,lb、Xj,ub分别为第j维的搜索下限、上限，Xj,min、Xj,max分别为目前第j维的最小值、最大值， 代表当前全局最优个体在第j维的位置，rt为空间缩小系数；

设搜索空间具为d维，当前全局最优解为 柯西变异后得到的新解为 计算方式如下：

其中iter为当前迭代次数，t(iter)是自由度参数为t的t‑分布；

第四步204，判断此时循环是否达到最大迭代次数，如果不是，则比较此时第i行第j个栈利用率ξij和现有最优值β，假如ξij≥β，则令β＝ξij，如果是，则退出循环；

第五步205，根据当前最优栈排样的剩余空间寻优最佳条带排样，条带排样算法适应度值为第i个的条带利用率第六步206，判断此时循环是否达到最大迭代次数，如果不是，则比较此时第i个条带利用率 和现有最优值γ，假如 则令 继续寻优，如果是，则退出循环；

第七步207，根据当前最优条带排样的剩余空间按照三阶段齐头切寻优原片排样，原片排样算法适应度值为原片利用率η；

第八步208，判断此时循环是否达到最大迭代次数，如果不是，则比较此时的原片利用率η和现有最优值α，假如η≥α，则令α＝η，继续寻优，如果是，则退出循环，得到第i张原片排样结果；

第九步209，按照三阶段齐头切约束遍历所有原片进行最优排样；

第十步210，判断此时循环是否达到最大迭代次数，如果不是，则比较此时的总体利用率ψ和现有最优值ω，假如ψ≥ω，则令ω＝ψ，继续寻优，如果是，则退出循环，输出最终预组批排样优化结果。

3.如权利要求1所述的一种矩形板材组批排样高效协同方法，其特征在于，订单预组批

1中加权层次聚类算法的具体实现方法，包括以下步骤：第一步11：以材质需求Demal和交货工期Detim建立邻近矩阵；

第二步12：获取数据集长度K，设置聚类簇个数q＝K；

第三步13：通过加权链接dval，查找并合并邻近矩阵中距离最小的点；

第四步14：计算合并后的新类与当前各类的距离；

第五步15：判断此时类的个数是否等于1，如果不是，则继续合并邻近点，计算合并后距离，如果等于1，则得到簇划分结果C；

第六步16：根据材料种类R、相近工期数B，设置阈值距离dthr＝min(R,B)；

第七步17：输出对应树状图下的预组批方案z1,z2,...,zN。

4.权利要求1所述的一种矩形板材组批排样高效协同方法，其特征在于，最终组批优化

3中基于量子遗传模拟退火聚类算法的具体实现方法，包括如下步骤：第一步31，初始化控制参量，种群个体大小sizepop，最大进化次数iter0_max，退火初始温度T0，温度冷却系数k，终止温度Tend；

第二步32，根据单个批次所能加工的毛坯总数上限max_item_num和面积总和上限max_item_area确定预排样方案p1,p2,...,pN中可聚类的数c并随机初始化，生成初始化种群Q(t0)，种群全部染色体的基因 都被初始化为 对每个聚类中心用公式(11)计算各样本的隶属度，以及每个个体的适应度值fi，i＝1,2,...,sizepop；

其中μik为隶属度，b是加权参数，取值范围是1≤b≤∞，欧几里德距离n个数据样本为X＝{x1,

x2,...,xn}，各类别的聚类中心为{ν1,ν2,...,νc}，m是样本特征数；

第三步33，设定循环迭代变量iter’＝0；

第四步34，对种群Q(t)实施量子旋转门更新并得到新种群：t t T

其中 和(`αi ,`βi) 代表染色体第i个量子比特旋转门更新前后的概率幅；θi为旋转角；

第五步35，对新得到的个体用公式计算c个聚类中心、各样本的隶属度，以及每一个体的适应度值fi′，若fi′＞fi，则以新个体替换旧个体，否则，以概率P＝exp((f‑fi′)T)接受新个体，舍弃旧个体；

其中νij为第i类聚类中心；

第六步36，若iter’

第七步37，若Ti＜Tend，则算法成功结束，返回最终组批的全局最优解，否则执行降温操作Ti+1＝kTi，进入第三步。

5.如权利要求1所述的一种矩形板材组批排样高效协同方法，其特征在于，预组批方案各订单排样优化2中三阶段齐头切下的栈、条带生成和原片排样的实现方法，包括以下步骤：第一步221，栈生成，设毛坯价值为 其中li和wi分别为相同材质第i类毛坯的长和宽，栈生成优先考虑相同长度li或相同宽度wi的毛坯组合，如果没有，则寻找最相似长宽的毛坯，设栈左下角起始点坐标为(xij,yij)，则生成栈右上角坐标 为：其中n为生成栈使用的毛坯数；

栈长宽分别为：

生成栈的价值 为：

第二步222，条带生成，设条带价值为 优先叠加X/Y向相同长度 或者相同宽度 栈，如果没有，则寻找最相似长宽的栈，设条带左下角起始点坐标为(xi,yi)，则生成栈右上角坐标 为：其中m为生成条带使用的栈数；

条带长宽分别为：

第三步223，原片排样，叠加X/Y向相同长度 或者相同宽度 条带，如果没有，则寻找最相似长宽的条带，原片排样可能的最大长宽分别为：其中z为生成条带使用的条带数；

得到原片排样长宽：

其中L′为原片排样长度，Wi′为原片排样宽度，分别满足排样条件L′i≤L、Wi′≤W。

6.如权利要求1所述的一种矩形板材组批排样高效协同方法，其特征在于，加权层次聚类算法中权链接dval和类间距离的计算方法如下：dist(x,z)＝α||x1‑z1||2+β||x2‑z2||2    (27)其中Ci、Cj分别为第i和j类，α和β为材质权重系数。

7.如权利要求1‑6任意一项所述的一种矩形板材组批排样高效协同方法，其特征在于，所述预组批方案各订单排样优化2中栈生成、条带生成和原片排样分别按照栈利用率ξij、条带利用率 和原片利用率η大小所在区间进行分类，栈利用率ξij、条带利用率 和原片利用率η计算方法如下：栈利用率ξij：

条带利用率

原片利用率η：

具体区间如下：

原片排样223仅选择原片利用率η最高的排样方案，保留次优排样方案，舍弃较差的排样方案。