CN106125671A - 一种多类图元混合加工路径优化方法 - Google Patents

Abstract

本发明公开了一种多类图元混合加工路径优化方法，该方法通过读取DXF文件图元信息，针对由单图元或多图元构成的封闭轨迹段图形和非封闭轨迹图形进行分类编码标记,对于不同的轨迹段图形选择不同的起点和节点，利用遗传算法进行全局路径排序，最后根据轨迹段图形类型进行局部寻优起点计算，从而得到最短的加工路径。本发明可有效地解决多类图元混合路径优化问题，提升数控机床加工效率。

Description

一种多类图元混合加工路径优化方法

技术领域

本发明涉及数控加工技术领域，尤其是一种多类图元混合加工路径优化方法。

背景技术

在数控加工作业中，通常要求计算机辅助制造(CAM)软件能够读取AutoCAD的图形数据并将其转化为数控加工系统所执行的加工G代码。图形交互式文件(Drawinginterchange format，DXF)是Autodesk公司推出的AutoCAD与CAD/CAM编程系统进行加工图形数据交换的标准格式文件。但DXF文件中的图形元素是依据产品设计人员绘制图元的先后顺序而自动保存的，具有一定的随机无序性。若CAM系统对读取的DXF文件图元数据不进行优化处理而直接产生加工G代码，将会造成数控加工系统的刀具空程路径过长及刀具的频繁起落，而根据加工对象的复杂度即加工轨迹段数量，非加工时间占整个加工时间的15％-30％，当加工轨迹段较复杂时将明显降低加工效率并影响刀具使用寿命。因此对DXF文件中的加工图元信息进行空程路径优化具有重要的意义。

目前对于数控加工路径优化的研究，国内外学者做了许多相应的研究，但大多主要集中在孔群加工路径优化，平面加工轮廓的路径优化也有部分相关研究，但主要针对封闭式加工轮廓或支持简单图元类型，而对于多图元复杂混合轨迹加工路径优化问题的研究相对较少。通常孔群路径优化问题可当作旅行商问题(Traveling Salesman Problem，简称TSP)进行求解，即孔群可被认为是一系列点来处理，由于处理对象单一，其数学模型较为简单。而平面加工轮廓路径优化问题可转化为广义旅行商问题(Generalized TravelingSalesman Problem,简称GTSP)求解。针对平面封闭式轮廓轨迹路径优化的研究，相关算法有最短近邻算法、结合局部搜索的蚁群算法和遗传算法,但此类研究均没有对非封闭及多类图元混合轨迹图形路径优化进行说明。

发明内容

本发明要解决的技术问题是提供一种实现多类图元混合轨迹加工路径优化，可显著减少加工中刀具空走路径，提高加工效率，同时可方便地扩展图元类型，适用于木工、型材、电子等多个行业加工需要的多类图元混合加工路径优化方法。

为了解决上述技术问题，本发明采取以下技术方案：

一种多类图元混合加工路径优化方法，包括以下步骤：

S1，读取DXF文件，获取图元信息，该图元信息包括点、直线段、圆、圆弧、椭圆、椭圆弧、多段线及B样条曲线；

S2，对图元重构，对于由点、圆、椭圆形成的单图元封闭轨迹段图形，以该图元的中心点为基准点；对于由直线、圆弧、椭圆弧或B样条曲线形成的单图元非封闭轨迹段图形，以该图元的两端点为基准点；对于由多个图元构成的非封闭式轨迹段图形，将该多个图元组成一个组合体，取该轨迹图形的两端点作为基准点；对于由多个图元构成的封闭式轨迹段图形，任意取该封闭式轨迹图形的其中一点作为初始点，对每个轨迹段图形的类型进行标记和遗传编码；

S3，构建数学模型，给定m个点集V₁,V₂,…,V_i,…,V_m，把V_i内的点数记作n_i，则m个点集的总点数n＝n₁+n₂+…+n_i+…+n_m，其中i＝1,2,…,m，从每个点集V_i中取1～2点构成赋权图G_j(j＝1,2,…,n₁,n₂…n_m)，从该赋权图中获取得到一条可遍历m个点集的路径最短的哈密顿回路L_j，则刀具的最短加工路径L为：其中D(L)、D(L_j)分别表示路径L和L_j的长度。

所述方法还包括以下步骤：

S4，根据轨迹段图形数量自适应计算初始种群大小，该初始种群中的个体标记为染色体，采用以下适应函数计算，

P＝20+10k

$k=\left\{\begin{array}{cc}0,& 2<N\&le;6\\ \&Element;(\frac{N}{5},\frac{N+5}{5}\&rsqb;,& 6<N\&le;70\\ 15,& 70<N\end{array}\right.$

其中，P表示种群数目，该P的取值范围为50～200之间，N表示轨迹段图形数目，k表示不同轨迹段图形所对应的取值；

S5，对初始种群中的每个个体进行适应度计算，采用以下适应度函数计算：

$f=a\frac{1}{D\left(L\right)+C}+b$

式中，a和b为适应度调整系数，根据以上适应度函数计算得到每个个体的适应度值，得到最大的适应度值f_max和该初始种群的平均适应度值f_avg；

S6，若初始种群的每个个体的适应度值不满足结束条件，则从该初始种群中选择出两个染色体；

S7，对选出的两个染色体进行交叉操作；

S8，对经过交叉操作的两个染色体进行变异操作；

S9，核查是否已创建新的种群，若是，则种群数量N＝N+1，若不是，则返回步骤S7；

S10，查看当前种群数量N是否大于最大迭代次数，若是，则遍历轨迹段图形，获得轨迹段图形的新起点，重新获得加工路径；若不是，则转到步骤S5。

所述方法还包括步骤：

S11，若种群的每个个体适应度值满足结束条件或种群当前迭代次数N大于最大迭代次数，则结束遗传进化，得到初步排序路径L，初步路径L＝P₁,P₂,...P_i,...，其中P_i是初步路径L中第i条轨迹段图形的编码几何点，i＝1,2,3...m,其中m是轨迹段图形总数，L的长度为：

D(L)＝d(P₁P₂)+d(P₂P₃)+...+d(P_iP_i+1)+...+d(P_m-1P_m)

式中，d(P_iP_i+1)是点P_i到P_i+1的距离。

所述步骤S11具体包括：

S11.1，遍历初步路径L，并获取该初步路径中的轨迹段图形i；

S11.2，若该轨迹段图形i属于单图元封闭轨迹段图形，取当前轨迹段图形i几何点P_i、上一个轨迹段图形几何点P_i-1和下一个轨迹段图形几何点P_i+1，1<i<m，建立过P_i-1和P_i+1两点的直线P_i-1P_i+1，并计算该直线与当前轨迹段图形i的交点；

S11.3，若存在一个交点，则取该交点为当前轨迹段图形i的新几何点；

S11.4，若存在两个交点，则取其中任一交点为当前轨迹段图形i的新几何点；

S11.5，若无交点，则过当前轨迹段图形i几何点P_i作垂直于直线P_i-1P_i+1的直线O为垂点，并计算直线与当前轨迹段图形i的交点，取该交点为当前轨迹段图形i的新几何点；

S11.6，当i＝1时，则计算直线P_iP_i+1与当前轨迹段图形i的交点，并取该交点为当前轨迹段图形i的新几何点；

S11.7，当i＝m时，则计算直线P_i-1P_i与当前轨迹段图形i的交点，并取该交点为当前轨迹段图形i的新几何点；

S11.8，将得到的新几何点更新至初步路径L中；

S11.9，若i≤m，转步骤S11.1,并计算下一轨迹段的新起点，直到所有轨迹段都被计算完毕。

所述方法还包括以下步骤：

S11.10，若该轨迹段图形i属于多图元封闭轨迹段图形，则依次取该封闭轨迹段图形i的每一个节点v_j(j＝1,2,3...n_i),计算v_j到上一条轨迹段图形的新几何点p_i-1和到下一条轨迹段图形的原始几何点p_i+1的距离之和，把具有最小距离之和的点v_j作为轨迹i的新起点，并更新到初步路径L中，并转到步骤S11.9。

所述方法还包括以下步骤：

S11.11，若该轨迹段图形i属于非封闭式轨迹段图形，则对于该非封闭式轨迹段图形i的节点v_j(j＝1,2,3...n_i),取两端点v₁、依次计算v₁、到上一条轨迹段图形的新几何点p_i-1的距离s_1,i-1、以及v₁、到下一条轨迹段图形的原始几何点p_i+1的距离s_1,i+1、形成的路径组合有s_1,i-1、和s_1,i+1；

若则将v₁作为该段轨迹图形起点，为终点；若则将作为该段轨迹图形起点，v₁为终点，并重构更新到初步路径L中。

S11.12，计算该轨迹段图形i两端点v₁、之间的距离δ_i,若δ_i＞d(P_iP_i-1)+d(P_iP_i+1)，则将第i-1与i段轨迹图形调换顺序，并计算i-2到i+2段轨迹间的路径总和Σ_i,1，同时将第i与i+1段轨迹图形调换顺序并计算i-2到i+2段间的路径总和Σ_i,2,将Σ_i,1、Σ_i,2与原路径相比，取最小路径所对应的轨迹序列更新至整个路径链表中；然后转到步骤S11.9。

所述步骤S6中从种群中选择染色体时采用多轮轮盘赌算法进行选择。

所述步骤S7和步骤S8中交叉和变异采用以下自适应公式计算：

$P_c=\left\{\begin{array}{c}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{avg})}{(f_{max}-f_{avg})},f^{\&prime;}\&GreaterEqual;f_{avg}\\ p_{c1},f^{\&prime;}<f_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{c}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{max}-f)}{(f_{max}-f_{avg})},f\&GreaterEqual;f_{avg}\\ p_{m1},f<f_{avg}\end{array}\right.$

式中：f_max和f_avg分别为种群中的最大适应度值和平均适应度值；f'和f分别为交叉的两个个体中较大的适应度值和变异个体的适应度值；p_c1和p_c2分别为交叉概率的上限和上下幅值；p_m1和p_m2分别为变异概率的上限和上下幅值。

本发明实现多类图元混合轨迹加工路径优化，得到最短加工路径。该可显著减少加工中刀具空走路径，提高加工效率，同时可方便地扩展图元类型，适用于木工、型材、电子等多个行业加工需要。

附图说明

附图1为本发明流程示意图；

附图2为本发明DXF文件读取流程示意图；

附图3为多类图元混合路径优化测试用例；

附图4为针对附图3所示的路径优化后的路径示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合附图对本发明作进一步的描述。

本发明中，为满足不同行业CAM编程系统的兼容性与扩展性，采用C++面向对象的思想，并基于开源C++库dxflib构建了dxf文件读取类库，广泛应用于数控加工各行业。其中，dxflib库的可靠性高，可实现任何操作系统上的dxf文件的读取，且不产生任何附加成本。DXF文件具有严格规范的存储格式，由标题段、表段、块段、实体段、对象区段和文件结束段6部分组成，其中加工图形几何信息均定义在实体段中，一个实体对应一个图元。

通过读取DXF文件图元信息，针对不同图元数据进行轨迹段图形重构并分类编码，将适用多类图元混合路径优化的第二类GTSP模型转化为TSP问题，同时在遗传进化过程中采用线性定标适应度及自适应遗传算子进行全局路径排序，最后根据轨迹段图形类型进行局部寻优起点计算，从而得到最短路径。

如附图1和2所示，一种多类图元混合加工路径优化方法，包括以下步骤：

S1，读取DXF文件，获取图元信息，该图元信息包括点、直线段、圆、圆弧、椭圆、椭圆弧、多段线及B样条曲线等实体图元。

S2，对图元重构，对于由点、圆、椭圆形成的单图元封闭轨迹段图形，以该图元的中心点为基准点；对于由直线、圆弧、椭圆弧或B样条曲线形成的单图元非封闭轨迹段图形，以该图元的两端点为基准点；对于由多个图元构成的非封闭式轨迹段图形，将该多个图元组成一个组合体，取该轨迹图形的两端点作为基准点；对于由多个图元构成的封闭式轨迹段图形，任意取该封闭式轨迹图形的其中一点作为初始点，对每个轨迹段图形的类型进行标记和遗传编码。也就是说，对于点、圆、椭圆而言，只考虑其中心点，将其中心点作为路径起点。对于直线、圆弧、椭圆弧或B样条曲线等图元，将其的两个端点作为路径节点。对于由多个图元构成的非封闭式轨迹段图形，忽略图形中间节点，取该轨迹图形的两端点为路径节点。

而且，将各轨迹段图形进行分类编码，编码规则见下表1所示，Ci表示第i个编码点对象。

表1

S3，构建数学模型，给定m个点集V₁,V₂,…,V_i,…,V_m，把V_i内的点数记作n_i，则m个点集的总点数n＝n₁+n₂+…+n_i+…+n_m，其中i＝1,2,…,m，从每个点集V_i中取1～2点构成赋权图G_j(j＝1,2,…,n₁,n₂…n_m)，从该赋权图中获取得到一条可遍历m个点集的路径最短的哈密顿回路L_j，则刀具的最短加工路径L为：其中D(L)、D(L_j)分别表示路径L和L_j的长度。

所述方法还包括以下步骤：

S4，根据轨迹段图形数量自适应计算初始种群大小，该初始种群中的个体标记为染色体，采用以下适应函数计算，

P＝20+10k

$k=\left\{\begin{array}{cc}0,& 2<N\&le;6\\ \&Element;(\frac{N}{5},\frac{N+5}{5}\&rsqb;,& 6<N\&le;70\\ 15,& 70<N\end{array}\right.$

其中，P表示种群数目，该P的取值范围为50～200之间，N表示轨迹段图形数目，k表示不同轨迹段图形所对应的取值。根据轨迹段图形数量自适应调整种群大小，由上式可看出，种群个数P在50-200之间随加工轨迹段图形数目不同而自动变化。该初始种群当作遗传进化的初始解。

S5，对初始种群中的每个个体进行适应度计算，采用以下适应度函数计算：

$f=a\frac{1}{D\left(L\right)+C}+b$

式中，a和b为适应度调整系数，根据以上适应度函数计算得到每个个体的适应度值，得到最大的适应度值f_max和该初始种群的平均适应度值f_avg。根据该适应函数计算得到每初始种群中每个染色体的适应度值，从而使得每个染色体的适应值得到优化。

S6，若初始种群的每个个体的适应度值不满足结束条件，则从该初始种群中选择出两个染色体。采用多轮轮盘赌选择算子，根据M个个体的适应度计算选择概率并划分为M个区间，计算出每个区间上产生的随机个数，利用产生的随机个数取最大值所在区间对应的个体作为本轮选择的个体，重复选择M次以达到种群大小。

S7，对选出的两个染色体进行交叉操作。交叉操作时，采用部分映射杂交，先随机地在父体中选取两个杂交点，再交换相应段，然后根据段内的值确定部分映射。

S8，对经过交叉操作的两个染色体进行变异操作。变异操作时，采用均匀变异运算，对个体定义一个较小区间作为变异域，随机取出取一个数以代替变异域，以得到变异后个体。

S9，核查是否已创建新的种群，若是，则种群数量N＝N+1，若不是，则返回步骤S7。

S10，查看当前种群数量N是否大于最大迭代次数，若是，则遍历轨迹段图形，获得轨迹段图形的新起点，重新获得加工路径；若不是，则转到步骤S5，再次对当前种群的每个个体进行适应度计算。

S11，若种群的每个个体适应度值满足结束条件或种群当前迭代次数N大于最大迭代次数，则结束遗传进化，得到初步排序路径L，初步路径L＝P₁,P₂,...P_i,...，其中P_i是初步路径L中第i条轨迹段图形的编码几何点，i＝1,2,3...m,其中m是轨迹段图形总数，L的长度为：

D(L)＝d(P₁P₂)+d(P₂P₃)+...+d(P_iP_i+1)+...+d(P_m-1P_m)

式中，d(P_iP_i+1)是点P_i到P_i+1的距离。

所述步骤S11具体包括：

S11.1，遍历初步路径L，并获取该初步路径中的轨迹段图形i。

S11.2，若该轨迹段图形i属于单图元封闭轨迹段图形，取当前轨迹段图形i几何点P_i、上一个轨迹段图形几何点P_i-1和下一个轨迹段图形几何点P_i+1，1<i<m，建立过P_i-1和P_i+1两点的直线P_i-1P_i+1，并计算该直线与当前轨迹段图形i的交点。

S11.3，若存在一个交点，则取该交点为当前轨迹段图形i的新几何点。

S11.4，若存在两个交点，则取其中任一交点为当前轨迹段图形i的新几何点。

S11.5，若无交点，则过当前轨迹段图形i几何点P_i作垂直于直线P_i-1P_i+1的直线O为垂点，并计算直线与当前轨迹段图形i的交点，取该交点为当前轨迹段图形i的新几何点。

S11.6，当i＝1时，则计算直线P_iP_i+1与当前轨迹段图形i的交点，并取该交点为当前轨迹段图形i的新几何点。

S11.7，当i＝m时，则计算直线P_i-1P_i与当前轨迹段图形i的交点，并取该交点为当前轨迹段图形i的新几何点。

S11.8，将得到的新几何点更新至初步路径L中。

S11.9，若i≤m，转步骤S11.1,并计算下一轨迹段的新起点，直到所有轨迹段都被计算完毕。

S11.10，若该轨迹段图形i属于多图元封闭轨迹段图形，则依次取该封闭轨迹段图形i的每一个节点v_j(j＝1,2,3...n_i),计算v_j到上一条轨迹段图形的新几何点p_i-1和到下一条轨迹段图形的原始几何点p_i+1的距离之和，把具有最小距离之和的点v_j作为轨迹i的新起点，并更新到初步路径L中，并转到步骤S11.9。

S11.11，若该轨迹段图形i属于非封闭式轨迹段图形，则对于该非封闭式轨迹段图形i的节点v_j(j＝1,2,3...n_i),取两端点v₁、依次计算v₁、到上一条轨迹段图形的新几何点p_i-1的距离s_1,i-1、以及v₁、到下一条轨迹段图形的原始几何点p_i+1的距离s_1,i+1、形成的路径组合有s_1,i-1、和s_ni,i-1、s_1,i+1。

若则将v₁作为该段轨迹图形起点，为终点；若则将作为该段轨迹图形起点，v₁为终点，并重构更新到初步路径L中。

S11.12，计算该轨迹段图形i两端点v₁、之间的距离δ_i,若δ_i＞d(P_iP_i-1)+d(P_iP_i+1)，则将第i-1与i段轨迹图形调换顺序，并计算i-2到i+2段轨迹间的路径总和Σ_i,1，同时将第i与i+1段轨迹图形调换顺序并计算i-2到i+2段间的路径总和Σ_i,2,将∑_i,1、∑_i,2与原路径相比，取最小路径所对应的轨迹序列更新至整个路径链表中；然后转到步骤S11.9。

另外，所述从种群中选择染色体时采用多轮轮盘赌算法进行选择。

所述交叉和变异采用以下自适应公式计算：

$P_c=\left\{\begin{array}{c}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{avg})}{(f_{max}-f_{avg})},f^{\&prime;}\&GreaterEqual;f_{avg}\\ p_{c1},f^{\&prime;}<f_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{c}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{max}-f)}{(f_{max}-f_{avg})},f\&GreaterEqual;f_{avg}\\ p_{m1},f<f_{avg}\end{array}\right.$

式中：f_max和f_avg分别为种群中的最大适应度值和平均适应度值；f'和f分别为交叉的两个个体中较大的适应度值和变异个体的适应度值；p_c1和p_c2分别为交叉概率的上限和上下幅值；p_m1和p_m2分别为变异概率的上限和上下幅值。对交叉和变异概率在平均适应度值处进行自适应缓慢调整处理，提高适应度接近平均适应度的个体的交叉和变异概率，保证当代种群中优良个体仍具一定的交叉和变异概率。

针对DXF文件中图元的排列无序性及多类图元混合加工路径中的单图元轨迹段与多图元组合轨迹段、非封闭式轨迹段与封闭式轨迹段的给加工走刀路径优化带来的困扰，提出了基于GTSP问题模型与改进遗传算法的加工路径初步排序方法。通过对不同轨迹段的分类编码，将复杂的第二类GTSP模型转化为TSP问题，同时采用基于线性定标及交叉、变异概率自适应处理的遗传算法加工路径进行全局路径初步排序，再通过轨迹段的起点计算与局部寻优实现最短路径优化，有效地解决多类型图元混合加工路径的优化问题，可广泛应用于电子、木工、铝材等加工行业，提高机床加工效率。

如附图3和4所示，为应用本发明方法后得到的优化后的加工路径。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (8)

1.一种多类图元混合加工路径优化方法，包括以下步骤：

S1，读取DXF文件，获取图元信息，该图元信息包括点、直线段、圆、圆弧、椭圆、椭圆弧、多段线及B样条曲线；

S2，对图元重构，对于由点、圆、椭圆形成的单图元封闭轨迹段图形，以该图元的中心点为基准点；对于由直线、圆弧、椭圆弧或B样条曲线形成的单图元非封闭轨迹段图形，以该图元的两端点为基准点；对于由多个图元构成的非封闭式轨迹段图形，将该多个图元组成一个组合体，取该轨迹图形的两端点作为基准点；对于由多个图元构成的封闭式轨迹段图形，任意取该封闭式轨迹图形的其中一点作为初始点，对每个轨迹段图形的类型进行标记和遗传编码；

S3，构建数学模型，给定m个点集V₁,V₂,…,V_i,…,V_m，把V_i内的点数记作n_i，则m个点集的总点数n＝n₁+n₂+…+n_i+…+n_m，其中i＝1,2,…,m，从每个点集V_i中取1～2点构成赋权图G_j(j＝1,2,…,n₁,n₂…n_m)，从该赋权图中获取得到一条可遍历m个点集的路径最短的哈密顿回路L_j，则刀具的最短加工路径L为：其中D(L)、D(L_j)分别表示路径L和L_j的长度。

2.根据权利要求1所述的多类图元混合加工路径优化方法，其特征在于，所述方法还包括以下步骤：

S4，根据轨迹段图形数量自适应计算初始种群大小，该初始种群中的

个体标记为染色体，采用以下适应函数计算，

P＝20+10k

$k=\left\{\begin{array}{cc}0,& 2<N\&le;6\\ \&Element;(\frac{N}{5},\frac{N+5}{5}\&rsqb;,& 6<N\&le;70\\ 15,& 70<N\end{array}\right.$

其中，P表示种群数目，该P的取值范围为50～200之间，N表示轨迹段图形数目，k表示不同轨迹段图形所对应的取值；

S5，对初始种群中的每个个体进行适应度计算，采用以下适应度函数计算：

$f=a\frac{1}{D\left(L\right)+C}+b$

式中，a和b为适应度调整系数，根据以上适应度函数计算得到每个个体的适应度值，得到最大的适应度值f_max和该初始种群的平均适应度值f_avg；

S6，若初始种群的每个个体的适应度值不满足结束条件，则从该初始种群中选择出两个染色体；

S7，对选出的两个染色体进行交叉操作；

S8，对经过交叉操作的两个染色体进行变异操作；

S9，核查是否已创建新的种群，若是，则种群数量N＝N+1，若不是，则返回步骤S7；

S10，查看当前种群数量N是否大于最大迭代次数，若是，则遍历轨迹段图形，获得轨迹段图形的新起点，重新获得加工路径；若不是，则转到步骤S5。

3.根据权利要求2所述的多类图元混合加工路径优化方法，其特征在于，所述方法还包括步骤：

S11，若种群的每个个体适应度值满足结束条件或种群当前迭代次数N大于最大迭代次数，则结束遗传进化，得到初步排序路径L，初步路径L＝P₁,P₂,...P_i,...，其中P_i是初步路径L中第i条轨迹段图形的编码几何点，i＝1,2,3...m,其中m是轨迹段图形总数，L的长度为：

D(L)＝d(P₁P₂)+d(P₂P₃)+...+d(P_iP_i+1)+...+d(P_m-1P_m)

式中，d(P_iP_i+1)是点P_i到P_i+1的距离。

4.根据权利要求3所述的多类图元混合加工路径优化方法，其特征在于，所述步骤S11具体包括：

S11.1，遍历初步路径L，并获取该初步路径中的轨迹段图形i；

S11.2，若该轨迹段图形i属于单图元封闭轨迹段图形，取当前轨迹段图形i几何点P_i、上一个轨迹段图形几何点P_i-1和下一个轨迹段图形几何点P_i+1，1<i<m，建立过P_i-1和P_i+1两点的直线P_i-1P_i+1，并计算该直线与当前轨迹段图形i的交点；

S11.3，若存在一个交点，则取该交点为当前轨迹段图形i的新几何点；

S11.4，若存在两个交点，则取其中任一交点为当前轨迹段图形i的新几何点；

S11.5，若无交点，则过当前轨迹段图形i几何点P_i作垂直于直线P_i-1P_i+1的直线O为垂点，并计算直线与当前轨迹段图形i的交点，取该交点为当前轨迹段图形i的新几何点；

S11.6，当i＝1时，则计算直线P_iP_i+1与当前轨迹段图形i的交点，并取该交点为当前轨迹段图形i的新几何点；

S11.7，当i＝m时，则计算直线P_i-1P_i与当前轨迹段图形i的交点，并取该交点为当前轨迹段图形i的新几何点；

S11.8，将得到的新几何点更新至初步路径L中；

S11.9，若i≤m，转步骤S11.1,并计算下一轨迹段的新起点。

5.根据权利要求4所述的多类图元混合加工路径优化方法，其特征在于，所述方法还包括以下步骤：

S11.10，若该轨迹段图形i属于多图元封闭轨迹段图形，则依次取该封闭轨迹段图形i的每一个节点v_j(j＝1,2,3...n_i),计算v_j到上一条轨迹段图形的新几何点p_i-1和到下一条轨迹段图形的原始几何点p_i+1的距离之和，把具有最小距离之和的点v_j作为轨迹i的新起点，并更新到初步路径L中，并转到步骤S11.9。

6.根据权利要求5所述的多类图元混合加工路径优化方法，其特征在于，所述方法还包括以下步骤：

S11.11，若该轨迹段图形i属于非封闭式轨迹段图形，则对于该非封闭式轨迹段图形i的节点v_j(j＝1,2,3...n_i),取两端点v₁、依次计算v₁、到上一条轨迹段图形的新几何点p_i-1的距离s_1,i-1、以及v₁、到下一条轨迹段图形的原始几何点p_i+1的距离s_1,i+1、形成的路径组合有s_1,i-1、和s_1,i+1；

若则将v₁作为该段轨迹图形起点，为终点；若则将作为该段轨迹图形起点，v₁为终点，并重构更新到初步路径L中。

S6.12，计算该轨迹段图形i两端点v₁、之间的距离δ_i,若δ_i＞d(P_iP_i-1)+d(P_iP_i+1)，则将第i-1与i段轨迹图形调换顺序，并计算i-2到i+2段轨迹间的路径总和∑_i,1，同时将第i与i+1段轨迹图形调换顺序并计算i-2到i+2段间的路径总和∑_i,2,将∑_i,1、∑_i,2与原路径相比，取最小路径所对应的轨迹序列更新至整个路径链表中；然后转到步骤S11.9。

7.根据权利要求6所述的多类图元混合加工路径优化方法，其特征在于，所述步骤S6中从种群中选择染色体时采用多轮轮盘赌算法进行选择。

8.根据权利要求7所述的多类图元混合加工路径优化方法，其特征在于，所述步骤S7和步骤S8中交叉和变异采用以下自适应公式计算：

$P_c=\left\{\begin{array}{c}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{avg})}{(f_{max}-f_{avg})},f^{\&prime;}\&GreaterEqual;f_{avg}\\ p_{c1},f^{\&prime;}<f_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{c}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{max}-f)}{(f_{max}-f_{avg})},f\&GreaterEqual;f_{avg}\\ p_{m1},f<f_{avg}\end{array}\right.$

式中：f_max和f_avg分别为种群中的最大适应度值和平均适应度值；f'和f分别为交叉的两个个体中较大的适应度值和变异个体的适应度值；p_c1和p_c2分别为交叉概率的上限和上下幅值；p_m1和p_m2分别为变异概率的上限和上下幅值。