Modifying the 3D model reader modul

Modifying the 3D model reader module to detect other 3D elements
and projects (not only complete construction models, but
other manufacturing 3D models such as cars, circuit boards,
etc.) to calculate the MoCC and then generate the assembly
sequence for any given 3D model.
The correlation coefficient values calculated in this article, while
combining with other results from more examples, can help
designers of other Expert Systems to enhance the structure of
their model (for instance, parameters in the Artificial Neural Networks,
such as number of layers, number of neurons in each layer,
the initial weights on each neuron, the learning algorithm, etc.).
Performing several complex and extended examples to formulate
effects of parameters changes on the schedule structure.
(e.g. impacts of 3D model complexity on the resulting schedules
and finding optimum number of genes, population size, and initial
duration)
Extending the use of multi objective capability of the GA in a
way that the resulting schedules are not only constructible,
but also optimized in assembly time, resource needed and cost
of assembly.
Developing an algorithm that can generate the common knowledge
rules from the BIM of the model rather than being hard
coded in the algorithm.
Further development of MoCC in a way that it can contain a
range from 1 to +1, showing correlations of the dependency
between elements.
App

ผลลัพธ์ (ไทย) 1:

แก้ไขโมดูลอ่านโมเดล 3 มิติเพื่อตรวจสอบองค์ประกอบ 3D อื่น ๆโครงการและ (ไม่เพียงแต่ ทำรูปแบบก่อสร้าง แต่โมเดล 3D ผลิตอื่น ๆ เช่นรถยนต์ วงจรไฟฟ้าฯลฯ) ไป MoCC แล้ว สร้างแอสเซมบลีลำดับสำหรับโมเดล 3 มิติการกำหนด ในขณะที่ค่าสัมประสิทธิ์สหสัมพันธ์ที่คำนวณได้ในบทความนี้รวมกับผลลัพธ์จากตัวอย่างเพิ่มเติมอื่น ๆ สามารถช่วยออกแบบระบบผู้เชี่ยวชาญอื่น ๆ เพื่อเพิ่มโครงสร้างของรูปแบบของพวกเขา (เช่น พารามิเตอร์ในเครือข่ายประสาทเทียมเช่นหมายเลขชั้น จำนวนของ neurons ในแต่ละชั้นน้ำหนักเริ่มต้นในแต่ละเซลล์ประสาท ขั้นตอนวิธีการเรียนรู้ ฯลฯ .) ทำตัวอย่างซับซ้อน และขยายไปตั้งหลายผลกระทบของการเปลี่ยนแปลงพารามิเตอร์ในโครงสร้างตาราง(เช่นผลกระทบของความซับซ้อนของโมเดล 3 มิติในตารางผลลัพธ์และการค้นหาจำนวนสูงสุดของยีน ขนาดประชากร และเริ่มต้นระยะเวลา) ขยายการใช้หลายความประสงค์ของ GA ในการวิธีกำหนดการผลลัพธ์ไม่เพียงสร้างได้แต่ยัง เพิ่มประสิทธิภาพในแอสเซมบลี ทรัพยากรที่จำเป็น และต้นทุนแอสเซมบลี พัฒนาขั้นตอนวิธีที่สามารถสร้างความรู้ทั่วไปกฎจาก BIM ของรูปแบบแทนการได้ยากรหัสในอัลกอริทึมการ การพัฒนาของ MoCC ในแบบที่มันประกอบด้วยการช่วงตั้งแต่ 1 ถึง + 1 แสดงความสัมพันธ์ของการขึ้นต่อกันระหว่างองค์ประกอบApp

ผลลัพธ์ (ไทย) 2:

การปรับเปลี่ยนรูปแบบ 3 มิติโมดูลผู้อ่านในการตรวจสอบองค์ประกอบ 3 มิติอื่น ๆ
และโครงการ (ไม่เพียง แต่รูปแบบการก่อสร้างเสร็จสมบูรณ์
แต่อื่นๆ การผลิตแบบจำลอง 3 มิติเช่นรถยนต์, แผงวงจรไฟฟ้า,
ฯลฯ ) ในการคำนวณ MoCC
แล้วสร้างการชุมนุมลำดับสำหรับรูปแบบ3 มิติใดก็ตาม . ค่าสัมประสิทธิ์สหสัมพันธ์คำนวณในบทความนี้ในขณะที่การรวมกับผลจากตัวอย่างเพิ่มเติมสามารถช่วยให้นักออกแบบของระบบผู้เชี่ยวชาญอื่นๆ เพื่อเพิ่มโครงสร้างของรูปแบบของพวกเขา(เช่นพารามิเตอร์ในโครงข่ายประสาทเทียมเช่นจำนวนชั้น จำนวนของเซลล์ประสาทในแต่ละชั้น, น้ำหนักเริ่มต้นในแต่ละเซลล์ประสาทขั้นตอนวิธีการเรียนรู้อื่น ๆ ). การแสดงตัวอย่างที่ซับซ้อนและขยายหลายที่จะกำหนดผลกระทบของการเปลี่ยนแปลงพารามิเตอร์โครงสร้างตาราง. (เช่นผลกระทบของความซับซ้อนรูปแบบ 3 มิติในตารางเวลาที่เกิดและการหาจำนวนที่เหมาะสมของยีนขนาดประชากรและเริ่มต้นระยะเวลา) การขยายความสามารถในการใช้งานของหลายวัตถุประสงค์ของจอร์เจียในทางที่ตารางเวลาที่เกิดขึ้นไม่ได้ constructible เพียง แต่ที่ดีที่สุดในเวลาประกอบทรัพยากรที่จำเป็นและค่าใช้จ่ายในการชุมนุมการพัฒนาอัลกอริทึมที่สามารถสร้างความรู้ร่วมกันกฎจาก BIM ของรูปแบบมากกว่าการยากที่เขียนในขั้นตอนวิธี. การพัฒนาต่อไปของ MoCC ในทางที่จะสามารถเป็นมีช่วงจากไหน? 1-1 แสดงให้เห็นถึงความสัมพันธ์ของการพึ่งพาระหว่างองค์ประกอบ. App

ผลลัพธ์ (ไทย) 3:

การปรับเปลี่ยนรูปแบบ 3D อ่านโมดูลตรวจจับ 3 มิติและองค์ประกอบอื่น ๆโครงการ
( แบบก่อสร้างไม่เสร็จ แต่โมเดล
การผลิตอื่น ๆเช่น รถยนต์ แผงวงจร
ฯลฯ ) คำนวณหา mocc แล้วสร้างประกอบ
ลำดับใด ๆ แบบ 3D .
ค่าสัมประสิทธิ์การคำนวณในบทความนี้
รวมกับอื่น ๆในขณะที่ผลจากตัวอย่างเพิ่มเติมสามารถช่วย
นักออกแบบของระบบอื่น ๆเพื่อเสริมสร้างโครงสร้างของ
นางแบบ ( ตัวอย่าง พารามิเตอร์ในแบบจำลองโครงข่ายประสาทประดิษฐ์
, เช่น จำนวนชั้น จำนวนเซลล์ประสาทในแต่ละชั้น
น้ำหนักเริ่มต้นในแต่ละเซลล์ประสาท , อัลกอริทึมการเรียนรู้ , ฯลฯ ) .
แสดงหลายที่ซับซ้อนและการขยายตัวอย่าง ศึกษาผลกระทบของการเปลี่ยนแปลงตัวแปรต่อ

( เช่นโครงสร้างตารางผลกระทบของแบบจำลอง 3 มิติความซับซ้อนในผลและหาจำนวนที่เหมาะสมของตาราง
ยีนส์ ขนาดของประชากร และการขยายระยะเวลา )

ใช้หลายวัตถุประสงค์ ความสามารถของ GA ในทางที่เป็นผลงาน

แต่ไม่เพียง แต่การก่อสร้างยังเหมาะในเวลา , ชุมนุม , ทรัพยากรที่จำเป็นและค่าใช้จ่าย
ของแอสเซมบลี .
การพัฒนาอัลกอริทึมที่สามารถสร้าง
ความรู้ทั่วไปกฎจาก BIM ของรูปแบบแทนที่จะเป็นรหัสยาก

ในขั้นตอนวิธีการพัฒนาต่อไปของ mocc ในทางที่ มันสามารถมี 
ช่วงจาก 1 ถึง 1 , แสดงความสัมพันธ์ระหว่างองค์ประกอบของการพึ่งพา

app .