CN101546350A - 线段集合距离度量下的车身封闭件匹配方法 - Google Patents

Abstract

本发明属于车身制造技术领域，具体涉及一种线段集合距离度量下的车身封闭件匹配方法。具体步骤为：确定车身门盖件外轮廓特征点集合A和车身对应开口外轮廓特征点集合B；建立基于特征匹配点集合距离的匹配模型，建立匹配参数，计算特征点集合A和特征点集合B的线段Hausdorff距离。根据现场生产经验，调整匹配参数，经过以匹配参数为要求的坐标变换后，表明集合B相对于集合A处于一个新的匹配位置，再重新根据步骤(3)所述的点集Hausdorff距离和线段Hausdorff距离的计算方法，计算集合A和新的集合B的线段Hausdorff距离；如果所得的集合A和新的集合B之间的线段Hausdorff距离相对于初始匹配参数下的集合A和集合B之间的线段Hausdorff距离更小，表明这次的匹配效果更好；如此循环迭代优化，直到在可行匹配参数调整范围内。本发明方法实现在“先天”几何尺寸偏差状态下的“后天”匹配补偿。

Description

线段集合距离度量下的车身封闭件匹配方法

技术领域

本发明属于车身制造技术领域，具体涉及一种线段集合距离度量下的车身封闭件匹配方法。

背景技术

轿车白车身开口部分(门框，发动机舱，行李舱等)与相应总成部件(例如车门、引擎盖、行李箱盖等)匹配是车身制造的重要工艺环节。匹配平整度和均匀度极大地影响轿车整体产品功能及外观。不良匹配将导致诸多使用功能问题，如密封性差、漏水和风噪声等。对生产商而言，匹配精度严重影响整车产品出厂的综合质量评分；对购买者而言，这些外部覆盖件匹配质量直接影响到对车身产品的美学评价以及购买决策。

外覆盖件和白车身通过工装夹具定位后进行焊接匹配。由夹具所确定的匹配形位参数反映了两者的空间相对位置关系。它是以最大平整度和最大均匀度为目标函数，根据匹配部件几何外形设计尺寸计算获得的。

在大批量生产中，各种因素使得匹配部件不可避免地相对于设计尺寸产生实际制造偏差。不同批次、甚至同一批次的不同个体，也存在外形尺寸差异。同时，工装夹具在长期使用过程也会出现磨损，导致定位面、定位销外形变化，使按照理想设计几何尺寸确定的匹配形位参数无法获得良好稳定的匹配效果，导致匹配质量和精度下降。

针对二维闭合曲面，Z.Fainberg基于孔轴配合的概念建立匹配模型，同时讨论了对于凸多边形的匹配简化方法。SHING-KUO从车身制造角度提出三类匹配质量评价指标。然而现有这些匹配技术主要基于单点和单点对应距离来确定匹配参数，对匹配部件的外围轮廓变化不敏感。

图像匹配中的Hausdorff距离是衡量点集合和点集合之间的集合距离，能有效反应出以该两个点集所代表的轮廓曲线的相似程度，具有匹配精度高，抗干扰性好等优点。本方法引入图像匹配中该相关技术，将开口件类比于模板，门盖件类比于图像，并在Jinying Chen工作的启发下，把基于点集Hausdorff距离函数拓展到基于线段Hausdorff距离，以此判断车门与车身侧围开口的匹配质量。

参考文献：

1.Z.Fainberg，E.Zussman.Even fitting closed curves：2D algorithm and assembly application.Journal of Manufacturing Science and Engineering，Transactions of ASME.1999，Vol.121，pp：265-272。

2.Shing-Kuo WU，Jack HU and S.M.WU.Optimal door fitting with systematic fixtureadjustment.The International Journal of Flexible Manufacturing Systems，1994，Vol.6：pp：99-121。

3.Jinying Chen，Maylor K Leung，et al，Noisy logo recognition using line segment Hausdorffdistance，Pattern Recognition，2003，Vol.36，pp：943-955。

发明内容

本发明的目的在于提供一种线段Hausdorff距离度量下的车身封闭件匹配方法。

在阐述具体步骤前，先对如下概念进行解释：

1车身封闭件匹配

白车身制造完成后，形成八大开口部分(四车门位置，前发动机舱，后行李舱，前后风挡玻璃窗)，这些开口部分需要与相应的车门，引擎盖和行李箱盖以及风挡玻璃装配，才能最后下线出厂。从质量检测的要求看，这些匹配安装必须保证安装后形成的缝隙上下均匀，左右均匀，不会出现上宽下窄，左凸右凹，以免影响车身外形美观和导致功能问题。从科学技术的角度看，这实质上就是确定这些门盖件的最优安装位置和如何调整安装参数的问题。在目前进行车身匹配质量检测时，采用塞尺测量门上各点出缝隙值，其实就是测量这些对应的单点和单点的距离。例如，当发现门的某边间隙过大时，就将这边的门往门侧围靠拢。结果却可能是这边的间隙减小了，对边的间隙却增大了。如此反复调整，直到门的左右两边，上下两边的间隙都尽可能分布较为均匀。这样的结果是调整工作量大，影响生产节拍。现场制造中，该传统匹配方法目前主要依靠工人师傅的经验，基于单点和单点对应距离，匹配精度差，匹配效率低。点集Hausdorff距离是图像匹配领域中精确判断两个图形是否相似的常用度量方法，是基于匹配点集和匹配点集的集合距离作为匹配质量度量，匹配精度高，抗干扰性好。

2点集Hausdorff距离

举例而言，对二维点坐标集合A和集合B，假设集合A包含假设m个二维点坐标(A1(x1，y1)，A2(x2，y2)，…..A17(x17，y17)，…Am(xm，ym))，集合B包含假设n个二维点坐标(A1(x1，y1)，A2(x2，y2)，…..A20(x20，y20)，…An(xm，ym))。在某个相对位置下，任选A集合中一点，计算该点到集合B中所有点的距离的最小值，共计n个。然后再计算出A集合中所有点的该最小值，共计n个，在其中求取一个最大值。这个距离值就是从集合A到集合B的点集Hausdorff距离。交换集合A和集合B，求出类似的从集合B到集合A的点集Hausdorff距离。最后从这两个点集Hausdorff距离求出最大值，这个就是最终的集合A和集合B的Hausdorff距离。调整相对位置，重新循环计算该距离，直到在可行的范围内，该距离达到最小值。那么这个位置就是集合A和集合B的最相似位置，也就是最优匹配位置。

相对与以往匹配中采用的点点对应距离，点集Hausdorff距离有更好匹配精度高和抗干扰性。然而，把几何轮廓曲线仅仅采用点集来描述，理论上丢失了较多的匹配轮廓几何信息。若在特征点集的点点顺次形成线段，这样不仅有线段间距离信息，同时还有线段间角度信息。将曲线匹配抽象为直线段集合匹配，要比单纯的点集H距离包含更多的形位信息。线段H距离(Line segment Hausdorff Distance，LHD)就是在点集H距离基础上进行定义。

本发明提出的线段集合距离度量下的车身封闭件匹配方法，具体步骤如下：

(1)根据车身匹配关键点信息和现有车身质量检测工艺信息，确定车身门盖件外轮廓特征点集合A和车身对应开口外轮廓特征点集合B；

(2)建立基于特征匹配点集合距离的匹配模型，即计算车身坐标系下，车身门盖件相对于开口部分的左右、上下距离以及相对角度，共计三个匹配参数，特征点集合A和特征点集合B的线段Hausdorff距离。三个匹配参数确定的依据是根据二维平面运动学中相对位置的确定需要相对运动参数2个，即X和Y方向以及相对转动角度1个，设初始匹配参数为(0，0，0)；

计算特征点集合A和特征点集合B的线段Hausdorff距离，其方法和点集Hausdorff距离计算类似，线段Hausdorff距离需要同样将原有的特征测点集合看成首尾相连的两个多边形，在线段H距离的基础上，计算线段集合的H距离，最终得到这两个多边形的线段H距离，

任意两线段间LHD距离计算包含三个分量：角度距离，垂直距离和平行距离。

Line_A对应于下列公式中线段m_i，转动后的新线Line_A’对应于公式中l_m′，

Line_B对应于下列公式中线段n_j。图1中给出各线段的起始点坐标。线段Line_A的起点坐标为(A_1(x，y))，终点坐标为(A_2(x，y))，中点坐标为(A_mid(x，y))。线段Line_B的起点坐标为(B_1(x，y))，终点坐标为(B_2(x，y))。线段Line_A绕其自身中点转到与线段Line_B平行位置，构成新的线段New_Line_A，其中起点坐标为New_A_1(x，y)，终点坐标为New_A_2(x，y)

角度距离d_θ(m_i，n_j)

$d_{\mathrm{\θ}}(m_i,n_j)=\min (l_{m_i},l_{n_i})\×\sin \left(\mathrm{\θ}(m_i,n_j)\right)---\left(1\right)$

其中，θ(m_i，n_j)表示两直线段(m_i，n_j)的夹角，

为两个直线段长度较小值。

垂直距离

假设

为长度较小的线段，转动θ(m_i，n_j)角度形成新线段

它与线段

平行。则两平行线段间距为垂直距离

平行距离d_pα(m_i，n_j)

将该新线段与

一端对齐所平移的距离记为l1,另外一端对齐所需要平移的距离记为l₂，则平行距离为两者的较小值min(l₁，l₂)；

两线段LHD距离，它为上述三分量的均方根值，如下：

$d_{\mathrm{LHD}}(m_i,n_j)=\sqrt{d_{\mathrm{\θ}}{(m_i,n_j)}^2+d_{\⊥}{(m_i,n_j)}^2+d_{\mathrm{pl}}{(m_i,n_j)}^2}---\left(2\right)$

线段集合LHD计算：

设外轮廓的特征测点集合顺次连接围成由m条线段构成的线段集合A，内轮廓的特征测点集合顺次连接围成由n条线段构成的线段集合B。这两个线段集合的线段LHD距离定义如下：

d_LHD(A，B)＝max(d_DLHD(A，B)，d_DLHD(B，A))          (3)

其中，d_DLHD(A，B)表示从集合A到集合B的有向LHD(Directed Line segmented HausdorffDistance)。它的计算是以上述任意两个线段间LHD为基础，遍历集合A中m条线段和集合B中n条线段。

$d_{\mathrm{DLHD}}(A,B)=\underset{i\∈A,i=\mathrm{1,2,3}...m;j\∈B,j=\mathrm{1,2},...n;}{\max \left(\min \left\{d_{\mathrm{LHD}}\{m_i,n_j)\right\}\right\}}---\left(4\right)$

(3)调整匹配参数，根据现场生产经验，门盖件相对于开口件的两个位移变量X和Y应该保证不超过最大间隙值，一般为4～6mm，而相对转动角度也应该在微小角度范围内，一般为±2度，如此X最大范围为(±6mm)，Y最大范围为(±6mm)，θ最大范围为±2，从可行匹配参数中任选其中一组(X，Y，θ)；最初的集合B经过以该组(X，Y，θ)的坐标编号后，建立一个新的集合B，其中新的集合B中所有的点的坐标根据二维平面坐标变换公式求得，用矩阵表达如下：

假设集合B中任意一点的坐标写成列向量为 $\left[\begin{array}{c}{x}_{i-\mathrm{old}}\\ y_{i-\mathrm{old}}\end{array}\right],$ 经过(X，Y，θ)变化后的新的集合B中该对应点坐标为 $\left[\begin{array}{c}{x}_{i-\mathrm{new}}\\ y_{i-\mathrm{new}}\end{array}\right],$ 则：

$\left[\begin{array}{c}{x}_{i-\mathrm{new}}\\ y_{i-\mathrm{new}}\end{array}\right]=\left[\begin{array}{cc}\cos \left(\mathrm{\θ}\right)& -\sin \left(\mathrm{\θ}\right)\\ \sin \left(\mathrm{\θ}\right)& \cos \left(\mathrm{\θ}\right)\end{array}\right]+\left[\begin{array}{c}X\\ Y\end{array}\right],$ 其中i＝1，2，..m，m为集合B中的测点数目；

(4)经过以匹配参数为要求的坐标变换后，表明集合B相对于集合A处于个新的匹配位置，再重新根据步骤(3)所述的点集Hausdorff距离和线段Hausdorff距离的计算方法，计算集合A和新的集合B的线段Hausdorff距离；

(5)如果步骤(4)所得的集合A和新的集合B之间的线段Hausdorff距离变得步骤(2)所得相对于初始匹配参数下的集合A和集合B之间的线段Hausdorff距离更小，表明这次的匹配效果更好；反之，则匹配效果更差，重复步骤(3)、(4)，再随机选择匹配调整参数。如此循环迭代优化，直到在可行匹配参数调整范围内，集合A和新的集合B的线段Hausdorff距离达到最小，表明匹配轮廓最为相似，也即达到制造偏差状态下的最优匹配。

本发明中，由于表示集合A和集合B两者相对位置的匹配参数(X，Y，θ)可以看成为各自相互独立的随机变量，他们的每对组合都表示一个可能的匹配位置。如此，可以形成海量组合关系。遗传算法针对该类具有海量组合可能的序列中，如何发现并搜索到最优的组合，也就是最优的匹配位置，非常有效。它模拟达尔文的生物自然选择学说和自然界的生物进化过程，假定一开始存在20对可能组合(这就是初始种群数)，其中按照一定的概率，进行选择，交叉，变异，每次都得到更优秀的20对可能组合，选择的标准就是两个集合的线段Hausdorff距离最小。如此经过一代一代的选择，杂交，优化，这20对组合的最终并行优化结果就是渐渐指向同一个最优的组合，这个组合就是最优匹配参数。

本发明中，步骤(5)所述的最优化为约束条件下的最优化问题，可以基于遗传算法的并行快速搜索特性，实现匹配形位变量的快速并行搜索，以此确定最佳匹配调整参数，作为车身夹具调整定位依据。

本发明的有益效果在于：面向生产实际建立匹配模型，研究制造偏差条件下车身门盖类部件匹配方法，科学选择匹配质量度量函数，使它能够敏感准确地反映实际制造尺寸变化，以此确定最优匹配形位参数，指导匹配工装根据不同批次零件的制造偏差进行优化调整，实现在“先天”几何尺寸偏差状态下的“后天”匹配补偿。

具体实施方式

下面通过两个实施案例进一步说明本发明。

实施例1：平面正六边形最优匹配

1.假设外轮廓六个测量特征点集合A为{[8，0]，[4，6.9282]，[-4，6.9282]，[-8，0]，[-4，-6.9282]，[]4，-6.9282}，内轮廓六个测量特征点集合B为{[1.4641，-3.5]，[1.4641，0.5]，[-2，2.5]，[-5.4641，0.5]，[-5.4641，-3.5]，[-2，-5.5]}，他们的初始相对位置如图2所示。

2.在该相对位置下，集合A和集合B的线段Hausdorff距离为4.26389，具体计算公式参见第三节(线段Hausdorff距离)

3，在遗传算法的搜索变量设置中，设定匹配参数(X，Y，θ)的变化范围为(±2，±1.5，±pi/6)。启动遗传算法，初始变量为(0，0，0)，初始种群数设为50，遗传代数设为20代，则最后输出的最优匹配变量为(2，1.5，pi/6)此时的集合B点集坐标为{[4，0]，[2，3.4641]，[-2，3.4641]，[-4，0]，[-2，-3.4641]，[2，-3.4641]}。集合A和最种的集合B的相对位置如图3。

可见此相对位置为最佳匹配位置，说明基于线段Hausdorff距离为度量评价准则的匹配模型能找出以点集A和点集B为内外轮廓曲线的最佳匹配位置。

实施例2：发动机罩外板匹配调整

发动机舱盖面积大，客户关注度高，因此对匹配尺寸精度要求高。在车身匹配实际中，通常调整发动机罩匹配形位参数来实现该匹配部分间隙均匀与平整。

1.首先在采集获取进入匹配工艺的车身门盖件及开口见外轮廓。为尽可能使特征点能代表参与匹配的内外轮廓曲线，在内外六边形轮廓线的每边上分别均匀分布6个特征测点，如此构成两大各包含30特征测点的点集合A和B。

其中：外实线：发动机舱匹配的外轮廓曲线，即原始集合A(包含30个点)：

(1203.906531，378.7128322)，(1230.088425，407.716096)，(1254.403813，450.7819882)，(1277.78418，497.4820132)，(1301.912568，545.5103172)，(1326.428082，594.2571613)，(1480.244728，611.071197)，(1641.895695，622.2254156)，(1805.628442，628.8175064)，(1970.344818，632.8025099)，(2132.894567，625.3925744)，(1991.642139，400.4074805)，(1939.159307，135.2674807)，(1939.078725，-135.337995)，(1991.557171，400.4777809)，(2132.894567，-625.3925744)，(1970.348736，-632.758632)，(1805.627387，-628.8189657)，(1641.896919，-622.2261089)，(1480.245242，-611.068019)，(1326.428082，-594.2571613)，(1301.912568，-545.5103172)，(1277.78418，-497.4820132)，(1254.4，-450.8)，(1230.1，-407.7)，(1203.906531，-378.7128322)，(1176.032521，-228.9249752)，(1163.253174，-76.58117329)，(1163.966502，76.4232079)，(1176.703086，228.7707368)

内虚线：批次制造误差下内轮廓，即原始集合B，同样为包含30测点的集合

{[2132.894567，625.3925744]，[1970.344818，632.8025099]，[1805.628442，628.8175064]，[1641.895695，622.2254156]，[1480.244728，611.071197]，[1326.428082，594.2571613]，[1301.912568，545.5103172]，[1277.78418，497.4820132]，[1254.403813，450.7819882]，[1230.088425，407.716096]，[1203.906531，378.7128322]，[1176.707853，228.7292479]，[1163.965863，76.40953907]，[1163.260922，-76.56751923]，[1176.018871，-228.8862146]，[1203.906531，-378.7128322]，[1230.088425，-407.716096]，[1254.403813，-450.7819882]，[1277.78418，-497.4820132]，[1301.912568，-545.5103172]，[1326.428082，-594.2571613]，[1480.245242，-611.068019]，[1641.896919，-622.2261089]，[1805.627387，-628.8189657]，[1970.348736，-632.758632]，[2132.894567，-625.3925744]，[1991.557171，-400.4777809]，[1939.078725，-135.337995]，[1939.159307，135.2674807]，[[991.642139，400.4074805]}

2.依据该两组特征点集合，建立基于线段Hausdorff距离度量下车身封闭件匹配模型。初始匹配变量(0，0，0)，匹配初始线段Hausdorff距离为13.724mm，

3.基于遗传算法实现匹配形位变量的快速并行搜索，更敏感地反映出匹配轮廓几何特征的变化，以此确定最佳匹配调整参数，相关算法参数为：遗传种群规模30，最大迭代次数60，交叉概率0.85，变异概率0.15。当采用线段Hausdorff距离度量时，搜索到的最优匹配形位参数为(5.194mm，-3.917mm，0.029角度)。

4.此时30特征点的最优匹配后集合A和集合B的线段Hausdorff距离下降为6.831mm。匹配最大间隙从5.278mm下降到4.271mm，最终匹配质量指数，即全测点间隙均匀度偏差从0.491mm下降到0.374mm，意味着匹配质量提高23.8％。

Claims (2)

1、一种线段集合距离度量下的车身封闭件匹配方法，其特征在于具体步骤如下：

(1)根据车身匹配关键点信息和现有车身质量检测工艺信息，确定车身门盖件外轮廓特征点集合A和车身对应开口外轮廓特征点集合B；

(2)建立基于特征匹配点集合距离的匹配模型，即计算车身坐标系下，车身门盖件相对于开口部分的左右、上下距离以及相对角度，共计三个匹配参数，特征点集合A和特征点集合B的线段Hausdorff距离；三个匹配参数确定的依据是根据二维平面运动学中相对位置的确定需要相对运动参数2个，即X和Y方向以及相对转动角度1个，设初始匹配参数为(0，0，0)；

计算特征点集合A和特征点集合B的线段Hausdorff距离，将原有的特征测点集合看成首位相连的两个多边形，在线段H距离的基础上，计算线段集合的H距离，最终得到这两个多边形的线段H距离，

任意两线段间LHD距离计算包含三个分量：角度距离，垂直距离和平行距离；

Line_A对应于下列公式中线段m_i，转动后的新线Line_A’对应于公式中l_m′，

Line_B对应于下列公式中线段n_j；线段Line_A的起点坐标为(A_1(x，y))，终点坐标为(A_2(x，y))，中点坐标为(A_mid(x，y))；线段Line_B的起点坐标为(B_1(x，y))，终点坐标为(B2(x，y))；线段Line_A绕其自身中点转到与线段Line_B平行位置，构成新的线段New_Line_A，其中起点坐标为New_A_1(x，y)，终点坐标为New_A_2(x，y)角度距离d_θ(m_i，n_j)

$d_{\mathrm{\θ}}(m_i,n_j)=\min (l_{m_i},l_{n_j})\×\sin \left(\mathrm{\θ}(m_i,n_j)\right)---\left(1\right)$

其中，θ(m_i，n_j)表示两直线段(m_i，n_j)的夹角，

为两个直线段长度较小值；

垂直距离d_⊥(m_i，n_j)

假设

为长度较小的线段，转动θ(m_i，n_j)角度形成新线段

，它与线段

平行；则两平行线段间距为垂直距离d_⊥(m_i，n_j)；

平行距离d_pa(m_i，n_j)

将该新线段

与

一端对齐所平移的距离记为l_i另外一端对齐所需要平移的距离记为l₂，则平行距离为两者的较小值min(l₁，l₂)；

两线段LHD距离，它为上述三分量的均方根值，如下：

$d_{\mathrm{LHD}}(m_i,n_j)=\sqrt{d_{\mathrm{\θ}}{\left(m_i{n}_j\right)}^2+d_{\⊥}{(m_i,n_j)}^2+d_{\mathrm{pi}}{(m_i,n_j)}^2}---\left(2\right)$

线段集合LHD计算：

设外轮廓的特征测点集合顺次连接围成由m条线段构成的线段集合A，内轮廓的特征测点集合顺次连接围成由n条线段构成的线段集合B；这两个线段集合的线段LHD距离定义如下：

d_LHD(A，B)＝max(d_DLHD(A，B)，d_DLHD(B，A))   (3)

其中，d_DLHD(A，B)表示从集合A到集合B的有向LHD(Directed Line segmented HausdorffDistance)；它的计算是以上述任意两个线段间LHD为基础，遍历集合A中m条线段和集合B中n条线段；

$d_{\mathrm{DLHD}}(A,B)=\underset{i\∈A,i=\mathrm{1,2,3}...m;j\∈B,j=\mathrm{1,2,3}...n;}{\max \left\{\min \left\{d_{\mathrm{LHD}}(m_i,n_j)\right\}\right\}}---\left(4\right)$

(3)调整匹配参数，根据现场生产经验，最初的集合B经过以该组(X，Y，θ)的坐标编号后，建立一个新的集合B，其中新的集合B中所有的点的坐标根据二维平面坐标变换公式求得，用矩阵表达如下：

假设集合B中任意一点的坐标写成列向量为 $\left[\begin{array}{c}{x}_{i-\mathrm{old}}\\ y_{i-\mathrm{old}}\end{array}\right],$ 经过(X，Y，θ)变化后的新的集合B中该对应点坐标为 $\left[\begin{array}{c}{x}_{i-\mathrm{new}}\\ y_{i-\mathrm{new}}\end{array}\right],$ 则：

$\left[\begin{array}{c}{x}_{i-\mathrm{new}}\\ y_{i-\mathrm{new}}\end{array}\right]=\left[\begin{array}{cc}\cos \left(\mathrm{\θ}\right)& -\sin \left(\mathrm{\θ}\right)\\ \sin \left(\mathrm{\θ}\right)& \cos \left(\mathrm{\θ}\right)\end{array}\right]+\left[\begin{array}{c}X\\ Y\end{array}\right],$ 其中i＝1，2，...m，m为集合B中的测点数目；

(4)经过以匹配参数为要求的坐标变换后，表明集合B相对于集合A处于一个新的匹配位置，再重新根据步骤(3)所述的点集Hausdorff距离和线段Hausdorff距离的计算方法，计算集合A和新的集合B的线段Hausdorff距离；

(5)如果步骤(4)所得的集合A和新的集合B之间的线段Hausdorff距离变得步骤(2)所得相对于初始匹配参数下的集合A和集合B之间的线段Hausdorff距离更小，表明这次的匹配效果更好；反之，则匹配效果更差，重复步骤(3)、(4)，再随机选择匹配调整参数；如此循环迭代优化，直到在可行匹配参数调整范围内，集合A和新的集合B的线段Hausdorff距离达到最小，表明匹配轮廓最为相似，也即达到制造偏差状态下的最优匹配。

2、根据权利要求1所述的线段Hausdorff距离度量下的车身封闭件匹配方法，其特征在于步骤(5)所述的最优化为约束条件下的最优化问题是基于遗传算法的并行快速搜索特性，确定最佳匹配调整参数。

Images