CN101458733A - 一种服装结构设计的集成智能优化方法 - Google Patents

Abstract

本发明涉及一种服装结构设计的集成智能优化方法，采用基于神经网络(NN)与免疫协同进化算法(ICEA)的混合算法(NN－ICEA)，将服装和人体的尺寸因子与合体性之间的关系，通过评分的方式量化，采用神经网络训练，建立尺寸与合体性之间的函数关系；然后，对于难以确定的尺寸因子，通过免疫协同进化算法确定，它可以在复杂的搜索空间中完成群体进化；最后，服装的合体性通过训练好的神经网络进行评价。本发明可为服装结构设计的教育培训、服装结构的数字化、智能服装结构设计系统提供支持。

Description

一种服装结构设计的集成智能优化方法

技术领域

本发明属纺织技术和计算机信息处理领域，特别是涉及一种服装结构设计的集成智能优化方法。

背景技术

随着服装业的发展和人们生活水平的不断提高，大规模的工业生产方式不能满足人们对于个性化服装的需求，因此对于服装技术人员的数量和质量都逐渐提出了高要求。然而，服装的设计与制作，特别是服装结构的设计，没有成熟的精确的理论可以遵从；对于服装技术从业者和初学者，设计合体的服装板型是非常困难的。另一方面，有经验的服装打版师能够设计出既体现服装设计师理念，又被客户认可的板型。对于技术不熟练者，借助服装结构设计理论中的原理和经验公式，可以确定大部分的尺寸。

在此之前，已公开了一些关于服装结构设计的专利。例如，专利200410060221.4公开了一种服装结构智能设计方法，可以根据输入的参数自动生成服装板样；专利200510017496.4公开了一种宽松量的智能确定方法；专利01807188.0公开的是一种基于三维虚拟模型的服装结构生成方法；专利200410099070.3公开了一种基于风格的服装款式数字化方法，收集数据形成尺寸结构等级的数据库；专利200410064740.8、专利200410064741.2和专利200410064759.2等公开了一些确定服装局部尺寸的方法。然而，这些专利中都未提及帮助服装结构设计人员优化服装尺寸因子的方法。

目前，我国在服装结构智能优化设计的研究与应用尚未见报道。

发明内容

本发明所要解决的技术问题是提供一种服装结构设计尺寸因子智能优化的方法，为服装结构设计的教育培训、服装结构的数字化、智能服装结构设计系统提供支持。

本发明解决其技术问题所采用的技术方案是：提供一种服装结构设计的集成智能优化方法，采用了基于神经网络NN与免疫协同进化算法ICEA的集成优化算法NN-ICEA，其特征在于：所述的神经网络NN通过训练逼近合体性函数，将其嵌入到免疫协同进化算法ICEA作为适应度函数，并通过免疫协同进化机制寻找最优解；所述的ICEA由克隆扩增算子、高频变异算子、适应度评价、协同进化算子和免疫清除算子构成；所述的集成智能优化方法包括下列步骤：

(1)在预处理阶段，关键服装尺寸因子通过因子分析获得；人体尺寸通过尺寸标准化的方式融入到服装关键尺寸因子中；

(2)在NN的训练阶段，仅有关键尺寸因子作为输入，而服装的合体性评价作为NN的输出；

(3)根据输入的已有尺寸和缺少的尺寸，执行NN-ICEA算法搜索缺少的尺寸因子的最优解。

所述的尺寸因子采用尺寸向量表示，并且区分为两部分，即已知的和未知的，未知的部分通过权利要求1中的步骤得到。

所述的在预处理阶段，服装的尺寸因子通过因子分析法提取关键因子，用关键因子向量表示服装，其它因子采用回归的方法与关键因子之间建立函数关系；人体尺寸通过尺寸标准化过程融入到尺寸因子中，得到修正后的尺寸因子向量。

我们采用式(1)的模型表示服装结构设计的优化问题。

Maximize：Fitting(X)(1)

Subject to：(1)l≤X≤u

            (2)L<g(X)<U

其中，X是代表服装与人体的尺寸向量，且每一个分量都有上下限，如约束(1)所示。而约束(2)则表明，X同时也能被其他的服装结构设计理论和经验法则约束。Fitting(·)是服装相对于人体的合体性，它是定义在尺寸向量X上的评价指标。

对于服装制版师，主要的工作是根据已经确定的部分尺寸，设计其它尺寸，最终获得合体的服装。因而，尺寸向量可以划分为两部分，已知的X_y和需要确定的X_n。于是，式(1)的模型可以重新设计为式(2)中的模型。

Maximize：Fitting([X_y X_n])(2)

Subject to：(1)l_n<X_n<u_n

(2)L_n<g(X_n)<U_n

(3)X_y＝V

其中，约束(1～3)从式(1)中的约束(1～2)裁剪而来，X_y是已经确定的，假设其值为向量V。因此，该模型搜索X_n以获得最大的适应度Fitting，但在尺寸向量与合体性之间不存在直观的映射函数Fitting。

为了求解以上模型(2)，本发明采用以下集成优化算法。

模型(2)的第一个困难是没有直观的适应度函数，即合体性函数。假设尺寸向量与合体性评分的测试数据集是可以获得的，那么可以通过训练一个NN来逼近合体性函数Fitting(·)；然后，训练的NN嵌入到ICEA作为适应度函数。因而，NN-ICEA具有两个阶段，其一是NN经过训练拟合得到Fitting(·)函数；其二是NN嵌入到ICEA，通过免疫协同进化机制寻找最优解。NN-ICEA的详细模块与过程如图1所示。相应于上述的两个阶段，算法被分为两个单元：一个是NN的训练单元获得尺寸到合体性的拟合函数Fitting(·)；另一个是通过ICEA搜索最优的X_n。

ICEA的设计如下：

ICEA将未知的尺寸向量X_n进行编码生成抗体种群。免疫协同进化算子，包括克隆选择、克隆扩增、高频突变、协同进化和免疫清除等，作用在抗体种群上寻找最优的X_n。在基于NN的合体性评价过程中，[X_yX_n]是以整体作为输入的。

ICEA的详细描述定义在算法1.

算法1.免疫协同进化算法(ICEA)

输入：X_y：已知的尺寸向量，X_y＝V

[l_nu_n]：未知尺寸向量的上下限X_n

[L_n g([X_yX_n])U_n]：约束向量

NN：已经训练好的NN，将[X_yX_n]映射到Fitting([X_yX_n])

p_gen：ICEA执行的代数

p_pop：抗体群体的大小

p_C：克隆扩增的参照数目

输出：X_n：最优的未知尺寸向量

处理

步骤1 初始化：X_n编码为实数向量，初始群体通过随机的方式产生。 $A=\{{\mathrm{Ab}}_1,{\mathrm{Ab}}_2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{Ab}}_{p_{\mathrm{pop}}}\},$ Ab_i(i∈{1，2，…，p_pop})是抗体，其第j个分量Ab_i，j是X_n的第j个分量。

步骤2 克隆选择与扩增： $A\stackrel{\mathrm{Clonal\; Proliferation}}{\&RightArrow;}B.$ 根据亲和度动态确定克隆系数，优势个体被选择出来克隆扩增。结果种群记为B。

步骤3 高频变异： $B\stackrel{\mathrm{Hyper\; Mutation}}{\&RightArrow;}C.$ 通过克隆扩增生成的抗体都会经历一个高频变异以提高群体的多样性，变异概率根据亲和度动态地确定。

步骤4 适应度评价：Fitting([X_y Ab_i])。群体通过训练好的NN进行适应度评价，最好的个体存储在IM＝{Ab_best}，它根据免疫记忆机制注册最优个体。

步骤5 协同进化： $C\stackrel{\mathrm{Co}-\mathrm{Evolution}}{\&RightArrow;}D.$ 根据服装结构设计的领域知识设计抗体之间的协作与竞争的协同进化算子。在Pareto最优集中，占优的个体被保留，其他被耐受。

步骤6 免疫清除： $D\stackrel{\mathrm{Elimimation}}{\&RightArrow;}E.$ 种群中的弱势抗体通过免疫清除保持种群的稳定。

步骤7 If迭代次数超过p_gen，返回IM，Else Goto步骤2.

下面解释算法1的主要过程：

(1)在步骤1中，初始种群A通过随机的方式生成，并且满足式(2)中的约束。只对未知的尺寸向量X_n进行编码。

(2)在步骤2中，优势抗体根据克隆扩增系数p_clonal进行扩增，它是由抗体之间的亲和度Aff_Ab～Ab、抗体与抗原之间的亲和度Aff_Ab～Ag共同确定。抗原是优化目标的隐喻。两个亲和度准则通过式(3)和式(4)定义。合体性的程度可以通过Aff_Ab～Ag度量。而结构设计方案之间的相似性通过Aff_Ab～Ab度量。

此处，‖a-b‖是两个向量之间的欧氏距离，衡量它们之间的相似性，S代表抗体群体。在式(3)中，Aff_Ab～Ag表示抗体相对于抗原，即目标的亲和度；式(4)中Aff_Ab～Ab类似于进化算法中的“拥挤”策略。一个好的分布意味着较高的Aff_Ab～Ab。基于Aff_Ab～Ab和Aff_Ab～Ag，抗体的p_clonal通过式(5)决定。种群中的每一个抗体Abi都有机会被选择扩增p_clonal(Ab_i)个副本。

p_clonal(Ab_i)＝int[p_C·Aff_Ab～Ag(Ab_i)·Aff_Ab～Ab(Ab_i)]   (5)

(3)在步骤3中，每一个扩增产生的抗体都会经历一个高频变异的过程。根据克隆选择理论，扩增接着高频突变以保持多样性和局部搜索能力。然而，式(6)中的变异率(p_mut)也是由亲和度动态地确定。抗体的Aff_Ab～Ab低，则在搜索空间中更为拥挤，因此应该赋予更高的概率变异。

P_Mut(Ab_i)＝1-Aff_Ab～Ab(Ab_i)   (6)

(4)在步骤4中，所有抗体都通过NN进行评价。最优的个体存储到IM。作为适应度评价，是以整个尺寸向量作为输入的，即通过Fitting([X_y Ab_i])计算。

(5)在步骤5中，在抗体种群C之上，引入协作与竞争策略实现种群的协同进化。为了建立服装与人体之间的“包容”关系，引入多属性决策中的Pareto占优的概念。如果一个尺寸向量a＝{a₁，a₂，…，a_n}被另一个b＝{b₁，b₂，…，b_n}占优，则记录为a

b。更强的条件定义在式(7)。

否则，a＝b或

算符

代表非占优关系。并且，另一个概念“Pareto set”(P)在式(8)中引入，表示抗体之间根据占优关系形成的聚类。

在种群C上，可能不止一个P。从服装结构设计的角度，在一个集合P中的服装在任意两个之间存在“包容”的关系。在同一个集合中的服装之间存在竞争，较低合体性的服装将被抛弃。这种类型的协同进化是基于竞争的协同进化。根据Pareto Set的定义，不同Paretoset中的服装之间不能直接根据尺寸进行比较。在整个进化过程中，它们是共存的。进化算法中的“crossover”也是一种一般的协作协同进化。使用一种简单的单点交叉，交叉概率通过式(9)确定。

p_crossover(Ab_i)＝Aff_Ab～Ag(Ab_i)·[Aff_Ab～Ab(Ab_i)+1]   (9)

以上协同进化算子在算法2中进一步阐述。

算法2.协同进化算子

输入      C：抗体种群

输出      D：进化后的种群

处理

步骤1 竞争协同进化：

步骤1.1 抛弃C中的重复个体，C→D

步骤1.2 生成Pareto Set：D→{P}

步骤1.3 For集合{P}中的每个P，抛弃合体性较低的非占优个体：获得P中适应度高的个体存储在Ab_pbest，抛弃其它个体：D-{P-{Ab_pbest}}→D

步骤2 协作协同进化： $D\stackrel{\mathrm{crossover}}{\&RightArrow;}D$

在竞争协同进化中，群体的规模减少，然后通过协作协同进化，规模又增大。因此，从种群C到D，种群规模的变化不能确定。

(6)步骤6保持种群规模的稳定。如果|D|>p_pop则弱势抗体就会被清除，直到|D|＝p_pop。如果|D|<p_pop，通过随机生成的方式招募新的抗体。

(7)如果迭代超过p_gen次，则算法终止，否则转到步骤2。

如上所论，ICEA是一个具有动态种群的进化算法，其进化过程以及种群规模的变化分别如式(10)和式(11)所示：

$A\stackrel{\mathrm{Clonal\; Proliferation}}{\&RightArrow;}B$

$B\stackrel{\mathrm{Hyper\; Mutation}}{\&RightArrow;}C$       (10)

$C\stackrel{\mathrm{Co}-\mathrm{Evolution}}{\&RightArrow;}D$

$D\stackrel{\mathrm{Elimimation}}{\&RightArrow;}E$

|E|＝|A|<|B|＝|C|   (11)

在图2中，是该算法应用的框图。1)在预处理阶段，关键尺寸因子通过因子分析获得；然后，人体尺寸可以通过尺寸标准化的方式融入到服装关键尺寸因子中。2)在NN的训练阶段，仅有关键尺寸因子作为输入，而服装的合体性评价作为NN的输出。3)根据输入的已有尺寸和缺少的尺寸，执行NN-ICEA算法搜索缺少的尺寸因子的最优解。

下面说明尺寸标准化的原则与过程：对于人体尺寸A，如果它与服装尺寸B直接对应，则将B标准化为B＝B/A；否则，寻找与人体尺寸部位最近的，并且同样属于经度或纬度方向的服装尺寸C，将C标准化为C＝C/A。

如图2所示的服装结构设计优化的流程示意图，根据图中的设计步骤：

(1)采集服装尺寸数据、人体数据和合体性评价数据。服装的尺寸因子的定义根据相应的服装款式进行设计，人体数据的尺寸因子的设计同样考虑特定服装款式。对于该类服装，通过对服装进行试穿，采取在不同的人体活动姿态下不同人体部位的舒适感进行主观评价打分确定合体性的评价值。如设计裤子时，对于每一条裤子，试穿者都经过试穿5～10次，给出评价分数，最后，求取平均的分数。打分是通过评价在5种人体姿态，即站立、行走、抬腿、正座和蹲下情况下获得的。5个人体部位分别是：腰部、臀部、裆部、大腿与膝部。因此，总共有25个分数，每个分数都约束在[-3，+3]。最后将总分除以75规范化到[-1，+1]。

(2)对服装的尺寸因子应用因子分析法提取关键因子。因为服装的结构尺寸因子通常数量很大，一般在20个以上。一方面，因子之间存在相关关系；另一方面，太多的因子，对于服装与人体的尺寸数据采集量要求就大。采用因子分析法可以发现较少的关键因子，例如本实施例中，输入30个因子，最后缩减到6个关键因子。其它因子与关键因子之间的函数关系通过回归分析建立。

(3)尺寸因子标准化。根据上文的原则，对于人体尺寸A，如果它与服装尺寸B直接对应，则将B标准化为B＝B/A；否则，寻找与人体尺寸部位最近的，并且同样属于经度或纬度方向的服装尺寸C，将C标准化为C＝C/A。

(4)根据标准化后的尺寸因子和合体性评价数据，训练NN。调整NN的参数，直到达到优化。训练完毕的NN，作为ICEA算法中个体的评价函数。

(5)设计师可以确定自己能够确定的尺寸因子，和难以确定的尺寸因子，分别编码成为向量[X_y X_n]的两个部分，设置ICEA的参数，通过ICEA求解最优的尺寸因子向量X_n。

有益效果

(1)采用因子分析法减少因子数目。对于其它非主因子，则通过回归分析的方式确定。考虑人体尺寸影响的方法，简化为通过“标准化”融入服装尺寸中。这些策略，可解决服装领域知识平衡数据集的不充分。

(2)该发明可推广到工业领域：1)其他类型的服装，可以通过调整服装结构的几何模型予以支持；2)采用类似于合体性的方式，美观性等其他主观或客观评价指标都可以作为服装的输出特性予以考虑；3)服装的面料特征，如弹性与厚度，可以通过建立模型将其影响转化到几何模型上予以支持。

(3)免疫协同进化算法引入了新的算子与概念，例如克隆扩增、高频突变与协同进化算子，在优化性能上得以提高。

附图说明

图1应用于服装结构设计优化的NN-ICEA流程。

图2服装结构设计优化方法的应用流程图。

图3裤子案例研究的流程图.

图4尺寸因子与人体或服装部位的对应关系图。

图5NN的架构示意图。

图6合体性NN预测的错误率图。

图7NN-ICEA相对于专家评价的错误率图。

图中标号见表一

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

下面以基于65件女式裤装的细部因子对服装合体性进行设计。在图3的流程图中：1)在预处理阶段，6个主要的尺寸因子通过因子分析法获得。然后，它们通过3个人体尺寸标准化。2)在NN的训练阶段，仅有6个关键尺寸因子作为输入，而裤装的合体性评价作为NN的输出。3)采用ICEA进行优化。

(1)基于因子分析法的数据预处理

本案例给出的数据集是一个有65条女式裤装的细部结构因子与合体性评价的数据集合。在表1中汇总了26个尺寸因子，其中大部分因子与图4中的服装或人体的部位相对应。我们应用因子分析法提取关键因子。关于NN的训练，如果所有26个尺寸都作为输入，NN中神经元的规模会很大，其训练也将很复杂，需要更大规模的测试数据集。另一方面，结构因子之间存在依赖关系，例如线性相关的结构因子只需要有一个作为NN的输入即可。在本案例中，使用SPSS进行分析。通过因子分析可以抽取6个主因子及其因子组：1)臀围(Hip Line，H)，2)裤长(Pants Length，L)，3)总下裆角(Total Inside Seam Angle)，4)后翘(Up of Back Waist)，5)前裆弯长(Front Crotch or groin thickness)，6)后臀围(Back width at hip line，BH)。而主因子之外的因子，可以通过回归的方式与主因子建立关系。

在这26个尺寸中，人体的尺寸并没有考虑。在服装结构设计理论中，净腰围(Net WaistLine(W^*))、净臀围(Net Hip Line(H^*))和人体的下体长(low part Length of the body(L^*))是三个最重要的尺寸，并且容易测量。为了简化本案例研究的过程，引入“尺寸标准化”(“size normalization”)的概念将人体尺寸融入到6个主因子中，如式(12)所示。下文中，如无特别声明，所有尺寸都是指标准化后的尺寸。

α＝1/H^*，β＝1/L^*，δ＝1/(H^*-W^*)

H←H·α，L←L·β      (12)

INA←INA·δ，UBW←UBW·δ，FCW←FCW·δ

BH←BH·δ

对于每一条裤子，试穿者都经过试穿5～10次，给出评价分数，最后，求取平均的分数。分数通过评价在5个人体姿态下5个人体部位的舒适性给出。5个人体部位分别是，腰部(Waist)、臀部(Hip)、裆部(Crotch)、大腿(Thigh)与膝部(Knee)。因此，总共有25个分数，每个分数都约束在[-3，+3]。最后将总分除以75规范化到[-1，+1]。

(2)NN训练

本案例使用的NN是一个三层的BPNN，如图5所示。它通过Matlab根据以下参数训练：1)输入、隐藏与输出层分别有6、9和1个神经元；2)隐藏层的传递函数采用“tansig”；3)输出层的传递函数(transfer function)采用“logsig”；4)训练代数(epoch)的限制是4000；5)训练函数采用“train”；6)网络训练误差(network error rate)设置为0.001；7)其他参数使用Matlab工具箱的缺省设置。另一个策略是将输入数据都规范化到[-1，+1]。

NN隐层的神经元数目通过最大化的训练性能下的神经元数目确定。对于数据集中随机选择的45个记录，隐层采用6～12个神经元的设置，结果发现9个神经元的隐层，错误率和性能都可以接受。

为了充分利用这个数据集合，训练300次，随机选择45个记录作为训练数据，而另外的20个作为测试集。用E(Ab_i)表示裤装Ab_i的评价值，而Fitting(Ab_i)表示NN返回的值。err(NN)通过式(13)定义，表示NN的质量。最后，保持质量最好的NN。图6是20条测试裤装合体性预测的错误率。

$\mathrm{err}\left(\mathrm{NN}\right)=1/\left({\mathrm{avg}}_{\&ForAll;{\mathrm{Ab}}_i}\left(\right|E\left({\mathrm{Ab}}_i\right)-\mathrm{Fitting}\left({\mathrm{Ab}}_i\right)\left|\right)\right)---\left(13\right)$

(3)服装结构设计优化

对于ICEA返回的每一个“最佳”的设计样例，都由三个专家进行评价，并给出合体性分数，最后取平均分。设Ab_i的专家评分是Expert(Ab_i)。预测错误率通过式(14)定义。

err(Ab_i)＝|Expert(Ab_i)-Fitting(Ab_i)|   (14)

ICEA的参数设置如下。

(1)[X_y X_n]是六个主因子，H、L、INA、UBW、FCW和BH。在每次运行测试时，设置一个或多个因子丢失，从而对这个因子进行优化。

(2)[l_n u_n]是X_n的上下限。

(3)[L_n g([X_y X_n])U_n]：在本案例测试中，它们不起作用。

(4)p_gen＝100、p_pop＝20、p_C＝10，以及p_crossover＝0.9。

通过改变|X_n|∈{1，2，3，4，5}进行一系列的实验，并评价ICEA的性能。对于每个|X_n|，随机确定X_n，ICEA执行10次。然后，计算式(14)平均的err(·)。在图7中，是ICEA相对于专家的偏差。当只有一个因子缺失时，预测错误小于0.2。在|X_n|＝2时，平均错误average(err(·))≈0.3，还是可以接受的。但当|X_n|>2时，预测的偏差显著增大。因此，可以得出结论，当|X_n|≤|X|/3时，NN-ICEA效果良好。

至于6个主因子之外的其他因子，它们的值可以通过回归确定。

表1.服装尺寸因子

Claims (3)

1.一种服装结构设计的集成智能优化方法，采用了基于神经网络NN与免疫协同进化算法ICEA的集成优化算法NN-ICEA，其特征在于：所述的神经网络NN通过训练逼近合体性函数，将其嵌入到免疫协同进化算法ICEA作为适应度函数，并通过免疫协同进化机制寻找最优解；所述的ICEA由克隆扩增算子、高频变异算子、适应度评价、协同进化算子和免疫清除算子构成；所述的集成智能优化方法包括下列步骤：

(1)在预处理阶段，关键服装尺寸因子通过因子分析获得；人体尺寸通过尺寸标准化的方式融入到服装关键尺寸因子中；

(2)在NN的训练阶段，仅有关键尺寸因子作为输入，而服装的合体性评价作为NN的输出；

(3)根据输入的已有尺寸和缺少的尺寸，执行NN-ICEA算法搜索缺少的尺寸因子的最优解。

2.根据权利要求1所述的一种服装结构设计的集成智能优化方法，其特征在于：所述的尺寸因子采用尺寸向量表示，并且区分为两部分，即已知的和未知的，未知的部分通过权利要求1中的步骤得到。

3.根据权利要求1所述的一种服装结构设计的集成智能优化方法，其特征在于：所述的在预处理阶段，服装的尺寸因子通过因子分析法提取关键因子，用关键因子向量表示服装，其它因子采用回归的方法与关键因子之间建立函数关系；人体尺寸通过尺寸标准化过程融入到尺寸因子中，得到修正后的尺寸因子向量。

Images