节约资源,优化资源利用率一直是可持续发展的重要内容之一,是绿色智能制造的重要组成部分。优化下料问题是指将小的零件在大的原材料上进行合理的几何组合,切割下料,确定下料排样方案,以使得材料利用率最高。因此,对优化下料问题的研究是一个具有重要经济意义和社会效益的问题。优化下料问题本身具有较高时间和空间复杂度,属非确定型多项式问题,又称NP难问题,一般情况下不存在多项式算法。近年来许多专家学者在从事与此相关的研究和应用工作并取得了许多有价值的成果。大部分的专家学者研究都是聚焦在求解算法上,寻求一种有效的搜索算法,从巨大的排样解空间中搜索出近似最优解,由此获得更高的原材料利用率。本文针对小批量多批次生产模式下的一维优化和二维Guillotine切割优化问题进行研究,提出先利用长短期记忆网络（LSTM）对后续批次的下料需求进行预测,按照集中下料的思想把预测得到的多个批次的下料需求整合成一个较大规模的优化下料问题进行求解,并通过补偿下料对预测不准产生的零件短缺问题进行研究,有效降低了原材料的成本、提升了原材料利用率。论文具体所做工作:（1）针对小批量多批次生产模式下零件需求进行了研究,将其特点与集中下料的思想相结合,提出先利用长短期记忆网络（Long Short-Term Memory,LSTM）对后续批次的下料需求进行预测的方法。（2）将后续批次的零件需求预测进行整合,并采用列生成法和背包问题算法相结合的方法分别对多批次的一维优化下料和二维Guillotine切割优化下料问题进行求解方法进行研究。（3）研究了因预测误差产生的缺料问题的处理方法——补偿下料。通过对于需要补偿切割的批次做了分类,对当前批次下的缺料进行补偿,后续批次的零件则滚动到下一个下料任务当中,从而满足零件的实际需求。（4）对所提的融合LSTM的预测需求的多批次优化下料（LSTM-CSP）模型进行构建并通过零件需求预测性能实验和优化下料性能实验对其有效性和可行性做了验证,结果表明,在需求预测精度较高的前提下,相比批次下料方法和基于库存的批次下料方法,所提方法在一维优化下料问题中,原材料的总体利用率分别提升了0.14%和0.03%,成本分别降低了14963.4元和14332.4元;所提方法在二维Guillotine切割优化下料问题中,原材料的总体利用率分别提升了8.96%和7.51%,成本分别降低了1930.1元和1705.2元。（5）针对所提模型进行了原型系统的开发。