SCOSC حسین ترحمی اردکانی Research Letters on Management in Organizations مجله بین‌المللی کامپیوتر، فناوری اطلاعات و هوش مصنوعی 2 1 (بهار) 2026 06 08 Optimization of sewing patterns and reduction of textile waste using evolutionary algorithms and neural networks بهینه سازی الگوی دوخت و کاهش ضایعات نساجی با استفاده از الگوریتم های تکاملی و شبکه های عصبی گرافی 72 94 FA Maryam moslemi Bachelor of Apparel Design, Shiraz Institute of Art Education مریم مسلمی کارشناسی طراحی پوشاک، موسسه آموزش عالی هنر شیراز 2026 04 27 The textile and apparel industry faces increasing challenges in resource efficiency and waste reduction. The cost of raw materials in this industry constitutes between 50 and 75 percent of the total production costs, and waste from cutting and sewing can waste between 10 and 15 percent of raw materials. This research investigates the application of evolutionary algorithms and neural networks in optimizing sewing patterns and reducing textile waste. The proposed method includes a two-stage framework: in the first stage, the problem of grouping parts is solved using neural networks and reinforcement learning, and in the second stage, the optimal layout is performed using evolutionary algorithms. The implementation results on real industrial data show that the proposed hybrid approach can reduce the computation time by 48% and improve the material waste by 70% compared to traditional methods. Also, by considering the uncertainties caused by the deformation of the fabric in the cutting process, this method provides more robust solutions that have high applicability in real production environments. صنعت نساجی و پوشاک با چالش های چشم افزایی در زمینه بهره وری منابع و کاهش ضایعات مواجه است. هزینه مواد اولیه در این صنعت بین ۵۰ تا ۷۵ درصد کل هزینه های تولید را تشکیل می دهد و ضایعات ناشی از برش و دوخت می تواند بین ۱۰ تا ۱۵ درصد مواد اولیه را هدر دهد. این پژوهش به بررسی کاربرد الگوریتم های تکاملی و شبکه های عصبی گرافی در بهینه سازی الگوی دوخت و کاهش ضایعات نساجی می پردازد. روش پیشنهادی شامل یک چارچوب دو مرحله ای است: در مرحله اول، مسئله گروه بندی قطعات با استفاده از شبکه های عصبی گرافی و یادگیری تقویتی حل می شود و در مرحله دوم، چیدمان بهینه با استفاده از الگوریتم های تکاملی انجام می گیرد. نتایج پیاده سازی بر روی داده های واقعی صنعتی نشان می دهد که رویکرد ترکیبی ارائه شده می تواند زمان محاسبات را تا ۴۸ درصد کاهش داده و ضایعات مواد را تا ۷۰ درصد نسبت به روش های سنتی بهبود بخشد. همچنین، این روش با در نظر گرفتن عدم قطعیت های ناشی از تغییر شکل پارچه در فرآیند برش، راهکارهای مقاوم تری را ارائه می دهد که در محیط های تولیدی واقعی کاربردپذیری بالایی دارند. https://ijcitai.ir/downloadfilepdf/192966