CN107247850B - 基于鸽群聚类算法的典型工艺路线提取方法 - Google Patents
基于鸽群聚类算法的典型工艺路线提取方法 Download PDFInfo
- Publication number
- CN107247850B CN107247850B CN201710498587.7A CN201710498587A CN107247850B CN 107247850 B CN107247850 B CN 107247850B CN 201710498587 A CN201710498587 A CN 201710498587A CN 107247850 B CN107247850 B CN 107247850B
- Authority
- CN
- China
- Prior art keywords
- pigeon
- cluster
- process route
- matrix
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于鸽群聚类算法的典型工艺路线提取方法,包括如下步骤:1、建立数据矩阵,数据矩阵的每一行都表示一条工艺路线,每一行中的元素依次表示一条工艺路线中的工序编号;2、通过计算工序以及工艺路线之间的距离来建立相异度矩阵,用于随后的聚类分析;3、对相异度矩阵进行降噪处理,删去冗余数据;4、将降噪处理后的相异度矩阵转化为二维编码,每一个二维编码就是一个聚类结果;5、基于鸽群优化算法进行聚类分析,得到最优聚类结果;6、利用均值公式从聚类的结果中提取典型工艺路线。本发明将鸽群算法应用在聚类分析之中,提高了相似度计算方法的精确性并且优化了聚类的结果,使聚类的结果更加精确科学,更符合生产实际。
Description
技术领域
本发明涉及计算机辅助工艺设计技术领域,具体涉及机床零件加工中的典型工艺路线的提取。
背景技术
典型工艺路线是指企业为了生产典型零件而制定的较为普遍的工艺路线,只需要对典型工艺路线进行部分修改,就能够生产与典型零件相近的零件,从而提高企业的生产效率,但实际生产中却存在着工艺路线过多和典型工艺路线提取不够精确的问题。
目前对典型工艺路线提取的研究主要关注的是相似度的计算以及不同的聚类算法。虽然提出了许多能够提高聚类结果准确性的方法,但仍然存在着一些问题,比如相似度计算结果与实际情况存在一定偏差、聚类结果的分析和工作人员的经验有很大关系。
因此研究一种聚类分析的方法,可以更为科学的提取工艺过程中的典型路线,与典型零件相近的零件也只需要通过对典型工艺路线稍加修改就可以进行加工,这样可以简化工艺生产过程并且提高生产效率。
发明内容
本发明所要解决的问题是,提供一种基于相似度计算然后利用鸽群聚类算法提取机床零件加工中典型工艺路线的方法,提高了相似度计算方法的精确性并且优化了聚类的结果,最终达到提高生产效率的目的。
按照本发明所采用的技术方案,所述基于鸽群聚类算法的典型工艺路线提取方法包括如下步骤:
步骤1、建立数据矩阵,数据矩阵是一个n×p的矩阵,n表示模型中工艺路线总数量,p表示工艺路线中工序个数的最大值,也即数据矩阵的每一行都表示一条工艺路线,每一行中的元素依次表示一条工艺路线中的工序编号,矩阵元素xak表示第a条工艺路线的第k个工序,a=1,2,...,n,k=1,2,...,p,如果一条工艺路线中的工序个数小于p个,则该行超出工序个数的元素用零表示;
步骤2、通过计算工序以及工艺路线之间的距离来建立相异度矩阵,用于随后的聚类分析;
步骤3、对相异度矩阵进行降噪处理,删去冗余数据;
步骤4、将降噪处理后的相异度矩阵转化为二维编码,每一个二维编码就是一个聚类结果;
步骤5、基于鸽群优化算法进行聚类分析,得到最优聚类结果;
步骤6、利用均值公式从聚类的结果中提取典型工艺路线。
具体的,步骤2所述的建立相异度矩阵,通过计算工序之间的距离d1(xik,xjk)从而计算出两条工艺路线之间的距离d2(xi,xj);其中工序之间的距离d1(xik,xjk)和两条工艺路线之间的距离d2(xi,xj)分别表示为:
式中,l表示工序的数字编码位数,Cm表示相似度影响系数,p表示工艺路线中工序个数的最大值,xi和xj分别表示第i条和第j条工艺路线,xik和xjk分别表示第i条工艺路线中的第k个工序和第j条工艺路线中的第k个工序,xikm和xjkm分别表示工艺路线i和工艺路线j中的第k个工序的数字编码的前m个数字,为有效地衡量不同工序之间的相似性,参照机械行业标准JB/T5992.1对工序进行编码,工序编码包括大类、中类、小类和细分类四个层次共五位编码,为简化计算,选取前三个层次以构建三位编码,xikm^xjkm表示xikm和xjkm之间的异或运算。
具体的,步骤3所述的对相异度矩阵进行对降噪处理,过程如下:
计算模型中的每一条工艺路线与其他工艺路线之间的距离,如果满足条件1或者条件2就将这条工艺路线删除;所述的条件1和条件2分别表示为:
Nmin/n>λmin
Nmax/n>λmax
式中,Nmin表示某一条工艺路线与其他工艺路线之间的距离小于设定的工艺路线间的最小距离d2min的数量,Nmax表示某一条工艺路线与其他工艺路线之间的距离大于设定的工艺路线间的最大距离d2max的数量,n表示模型中工艺路线的总数量,λmin表示小相似度比例,λmax表示大相似度比例。
具体的,步骤4所述的二维编码,是记模型中工艺路线的总数量是n,对该模型中的工艺路线按顺序依次编码是P1,P2,…,Pn;如果有r个聚类簇,则二维编码是一个r×n的矩阵,矩阵中的元素非0即1,1表示该列所对应的工艺路线属于所在行的聚类簇,否则值为0。
具体的,步骤5基于鸽群优化算法进行聚类分析,包括如下过程:
(1)种群初始化,在初始化时,首先将每一条工艺路线都随机分配到一个聚类簇中,作为最初始的聚类划分,然后对初始化的工艺路线进行二维编码,将其作为初始位置,将以上过程反复进行N次,就可以生成包括N只“鸽子”初始种群,其中每一只“鸽子”代表一个二维编码也即一种聚类结果,其中20≤N≤100;
(2)种群优化,针对种群中的所有元素也即所有工艺路线,首先计算其与该“鸽子”中所有聚类簇的竞标值,然后按照竞标值的大小,将元素划分到竞标值小的聚类簇中,以获得聚类划分的结果,最后更新二维编码;
所述的竞标值函数表示为:
式中,c表示聚类簇编号,v表示所选元素编号,u表示聚类簇c中的元素编号,∑d2(xu,xv)表示所选元素v与聚类簇c中的所有元素的相似度的总量,Nc表示聚类簇c中元素的数量,λd表示相似度权重指数,λb表示聚类簇权重指数,Bc(v)表示元素v对于聚类簇c的竞标值;
(3)更新“鸽子”的位置和速度,在鸽群优化算法PIO中,每一只“鸽子”的位置都代表了一个解,“鸽子”会不断改变自己的位置和速度来寻求最优解;由二维编码可知,每只“鸽子”的位置和速度都是r×n的矩阵;“鸽子”的位置和速度更新包括两个阶段,分别是地图及指南针阶段和地标阶段;首先进入地图及指南针阶段,更新位置和速度的公式可以表示为:
Vi(T)=Vi(T-1)e-R×T+rand·[Xbest-Xi(T-1)]
Xi(T)=Xi(T-1)+Vi(T)
式中,T表示目前迭代次数,R表示地图和指南针因数,e表示自然常数,rand表示0到1之间的随机数字,Xbest表示在T-1次迭代过程中,通过比较得到的全局最优位置,Vi(T)表示第T次迭代时的速度,Xi(T)表示第T次迭代时的位置;
(4)反复进行步骤(3)的迭代过程,直至迭代次数T大于设定的最大迭代次数T1,则进入地标阶段;在地标阶段,每次迭代后“鸽子”的数目就会减少一半,那些远离目标的“鸽子”不再具备分辨路径的能力,因此必须舍去,所以最终可以得到最优解;更新位置公式表示为:
Xi=Xi(T-1)+rand·[Xcenter(T-1)-Xi(T-1)]
式中,N(T-1)表示T-1次迭代时的“鸽子”数目,Xi(T-1)表示T-1次迭代时的“鸽子”的位置,F(X)表示目标函数,a、b、c、d表示权重因子,rf、Vf、θf、φf分别表示“鸽子”与目标地点之间的径向距离、“鸽子”的速度、“鸽子”所在的经度、“鸽子”所在的纬度,rf *、Vf *、θf *、φf *分别表示目标“鸽子”与目标地点之间的径向距离,目标“鸽子”的速度、目标“鸽子”所在的经度、目标“鸽子”所在的纬度,Jmin表示目标函数的最小值,J0表示一个常数,取决于具体要求,Xcenter(T-1)表示剩余“鸽子”的中心位置;反复进行步骤(4)的迭代过程,直至迭代次数T大于设定的最大迭代次数T2;
(5)当迭代次数达到设定的最大值时,结束并且输出“鸽子”的最好位置;将输出的最好位置的二维编码,也即最优聚类结果转化为相异度矩阵。
具体的,步骤6中采用如下均值公式得到每个聚类簇中的典型工艺路线;
式中,c表示聚类簇编号,v表示所选元素编号,u表示聚类簇c中的元素编号,∑d2(xu,xv)表示所选元素v与聚类簇c中的所有元素的相似度的总量,Nc表示聚类簇c中的元素数量,Sc(v)表示所选元素v对聚类簇c的均值;在提取典型工艺路线时,计算每一个聚类簇中的每一个元素相对于该聚类簇的均值,选取均值最小的作为该聚类簇的典型工艺路线。
本发明的优点是:本发明将鸽群算法应用在聚类分析之中,提高了相似度计算方法的精确性并且优化了聚类的结果,使聚类的结果更加精确科学,更符合生产实际。通过智能聚类算法得到了典型工艺路线后,只需要对典型工艺路线稍加修改,就能够生产与典型零件相近的零件,这样可以大大简化生产过程,提高生产效率。
附图说明
图1是本发明典型工艺路线提取流程图。
图2是鸽群聚类算法流程图。
具体实施方式
下面结合附图对本发明的基于鸽群聚类算法的典型工艺路线提取做出详细说明。
如图1所示,本发明的基于聚类分析的典型工业路线提取方法,包括如下步骤:
1)建立数据矩阵,数据矩阵是一个n×p的矩阵,n表示模型中工艺路线总数量,p表示工艺路线中工序个数的最大值,也即数据矩阵的每一行都表示一条工艺路线,每一行中的元素依次表示一条工艺路线中的工序编号,矩阵元素xak表示第a条工艺路线的第k个工序,如果一条工艺路线中的工序个数小于p个,则该行超出工序个数的元素用零表示。
2)建立相异度矩阵以便随后的聚类分析,所述的建立相异度矩阵,是通过计算工序之间的距离d1(xik,xjk),从而计算出两条工艺路线之间的距离d2(xi,xj)也即相似度,最终得到一个n×n的相异度矩阵,矩阵中的元素表示该元素所在行和列的工艺路线之间的距离。其中工序之间的距离d1(xik,xjk)和两条工艺路线之间的距离d2(xi,xi)表示为:
式中,1表示工序的数字编码位数,Cm表示相似度影响系数,p表示工艺路线中工序个数的最大值,xi和xj分别表示第i条和第j条工艺路线,xik和xjk分别表示第i条工艺路线中的第k个工序和第j条工艺路线中的第k个工序,xikm和xjkm分别表示工艺路线i和工艺路线j中的第k个工序的数字编码的前m个数字,参考机械行业标准JB/T5992.1对工序进行编码,工序编码包括大类、中类、小类和细分类四个层次共五位编码,为简化计算,本专利选取前三个层次构建三位编码,例如铣削的工序编码是312,其中一位码3表示切削加工类,二位码31表示刃具切削类,三位码312表示铣削类,xikm^xjkm表示xikm和xjkm之间的异或运算。
3)对相异度矩阵进行降噪处理来降低聚类分析的复杂度并且可以防止“噪声”对聚类结果的过分干扰,其中所述的降噪处理就是计算每一条工艺路线与其他工艺路线之间的距离,如果满足条件1或者条件2就将这条工艺路线删除。
所述的条件1和条件2分别表示为:
Nmin/n>λmin
Nmax/n>λmax
式中,Nmin表示某一条工艺路线与其他工艺路线之间的距离小于d2min的数量,Nmax表示某一条工艺路线与其他工艺路线之间的距离大于d2max的数量,n表示模型中工艺路线的总数量,d2min表示设定的最小相似度,d2max表示设定的最大相似度,λmin表示小相似度比例,λmax表示大相似度比例。
4)将降噪处理后的相异度矩阵转化为二维编码,每一个二维编码就是一个聚类结果。
所述的二维编码,是记模型中工艺路线的总数量是n,工艺路线按顺序依次编码是P1,P2,…,Pn,如果聚类数是r,则二维编码是r×n的矩阵,其中的元素非0即1,1表示该列所对应的工艺路线属于所在行的聚类簇,否则值为0。
5)基于鸽群优化算法进行聚类分析,得到最优聚类结果。
基于鸽群优化算法进行聚类,如图2所示,包括如下过程:
(5.1)种群初始化,首先将每一条工艺路线都随机的分配到某一个聚类簇中,作为起始的聚类划分,然后将初始化的工艺路线进行二维编码处理,将其作为初始位置,并且将以上步骤重复进行N(优选20≤N≤100)次,就可以生成N个二维编码也即生成包括N只“鸽子”的种群。
(5.2)种群优化,针对种群中的所有元素也即所有工艺路线,首先计算其与该只“鸽子”中所有聚类簇的竞标值,然后按照竞标值的大小,将元素划分到竞标值小的的聚类簇中,从而可以获得聚类划分的结果,最后更新“鸽子”的二维编码。在优化种群时,如果出现了空的聚类簇,就从某个非空聚类簇中找一个对该元素所处的聚类簇的竞标值最大的元素,将该元素放入空聚类簇中,重复此过程,直到划分中没有空聚类簇为止。
式中,c表示聚类簇编号,v表示所选元素编号,u表示聚类簇c中的元素编号,∑d2(xu,xv)表示所选元素v与聚类簇c中的所有元素的相似度的总量,Nc表示聚类簇c中元素的数量,λd表示相似度权重指数,λb表示聚类簇权重指数,Bc(v)表示元素v对于聚类簇c的竞标值。
(5.3)更新“鸽子”的位置和速度,在PIO(鸽群优化算法)中,每一只“鸽子”的位置都代表了一个解,“鸽子”会不断改变自己的位置和速度来寻求最优解。由r×n的二维编码可知,每只“鸽子”的位置和速度都是r×n的矩阵。“鸽子”的位置和速度更新包括两个阶段,分别是地图及指南针阶段和地标阶段。首先进入地图及指南针阶段,更新位置和速度的公式可以表示为:
Vi(T)=Vi(T-1)e-R×T+rand·[Xbest-Xi(T-1)]
Xi(T)=Xi(T-1)+Vi(T)
式中,T表示目前迭代次数,R表示地图和指南针因数,e表示自然常数,rand表示0到1之间的随机数字,Xbest表示在T-1次迭代过程中,通过比较得到的全局最优位置,Vi(T)表示第T次迭代时的速度,Xi(T)表示第T次迭代时的位置。
(5.4)反复进行步骤(3)的迭代过程,直至迭代次数T大于设定的最大迭代次数T1,则进入地标阶段。在地标阶段,每次迭代后“鸽子”的数目就会减少一半,那些远离目标的“鸽子”不再具备分辨路径的能力,也不再是所要得到最优解,因此必须舍去。更新位置公式可以表示为:
Xi=Xi(T-1)+rand·[Xcenter(T-1)-Xi(T-1)]
式中,N(T-1)表示T-1次迭代时的“鸽子”数目,Xi(T-1)表示T-1次迭代时的“鸽子”的位置,F(X)表示目标函数,rf、Vf、θf、φf分别表示“鸽子”与目标地点之间的径向距离、“鸽子”的速度、“鸽子”所在的经度、“鸽子”所在的纬度,rf *、Vf *、θf *、φf *分别表示目标“鸽子”与目标地点之间的径向距离,目标“鸽子”的速度、目标“鸽子”所在的经度、目标“鸽子”所在的纬度,Jmin表示目标函数的最小值,J0表示一个常数,取决于具体要求,Xcenter(T-1)表示剩余“鸽子”的中心位置。反复进行步骤(4)的迭代过程,直至迭代次数T大于设定的最大迭代次数T2。
(5.5)当满足迭代条件(迭代次数达到最大值)时,则结束并且输出“鸽子”的最好位置。
6)利用均值公式从聚类的结果中提取典型工艺路线。
将输出的最好位置的二维编码也即最优聚类结果转换成相异度矩阵,采用如下均值公式得到每个聚类中的典型工艺路线。
式中,c表示聚类簇编号,v表示所选工艺路线编号,u表示聚类簇c中的元素编号,∑d2(xu,xv)表示所选元素v与聚类簇c中的所有元素的相似度的总量,Nc表示聚类簇c中的元素数量,Sc(v)表示所选元素v对聚类簇c的均值。在提取典型工艺路线时,计算每一个聚类簇中的每一个元素相对于该聚类簇的均值,选取均值最小的作为该聚类簇的典型工艺路线。
Claims (2)
1.基于鸽群聚类算法的典型工艺路线提取方法,其特征是,包括如下步骤:
步骤1、建立数据矩阵,数据矩阵是一个n×p的矩阵,n表示模型中工艺路线总数量,p表示工艺路线中工序个数的最大值,也即数据矩阵的每一行都表示一条工艺路线,每一行中的元素依次表示一条工艺路线中的工序编号,矩阵元素xak表示第a条工艺路线的第k个工序,a=1,2,…,n,k=1,2,…,p,如果一条工艺路线中的工序个数小于p个,则该行超出工序个数的元素用零表示;
步骤2、通过计算工序以及工艺路线之间的距离来建立相异度矩阵,用于随后的聚类分析;
步骤3、对相异度矩阵进行降噪处理,删去冗余数据;
步骤4、将降噪处理后的相异度矩阵转化为二维编码,每一个二维编码就是一个聚类结果;
步骤5、基于鸽群优化算法进行聚类分析,得到最优聚类结果;
步骤6、利用均值公式从聚类的结果中提取典型工艺路线;
步骤2所述的建立相异度矩阵,通过计算工序之间的距离d1(xik,xjk)从而计算出两条工艺路线之间的距离d2(xi,xj);其中工序之间的距离d1(xik,xjk)和两条工艺路线之间的距离d2(xi,xj)分别表示为:
式中,l表示工序的数字编码位数,Cm表示相似度影响系数,p表示工艺路线中工序个数的最大值,xi和xj分别表示第i条和第j条工艺路线,xik和xjk分别表示第i条工艺路线中的第k个工序和第j条工艺路线中的第k个工序,xikm和xjkm分别表示工艺路线i和工艺路线j中的第k个工序的数字编码的前m个数字,为有效地衡量不同工序之间的相似性,参照机械行业标准JB/T5992.1对工序进行编码,工序编码包括大类、中类、小类和细分类四个层次共五位编码,为简化计算,选取前三个层次以构建三位编码,xikm^xjkm表示xikm和xjkm之间的异或运算;
步骤3所述的对相异度矩阵进行对降噪处理,过程如下:
计算模型中的每一条工艺路线与其他工艺路线之间的距离,如果满足条件1或者条件2就将这条工艺路线删除;所述的条件1和条件2分别表示为:
Nmin/n>λmin
Nmax/n>λmax
式中,Nmin表示某一条工艺路线与其他工艺路线之间的距离小于设定的工艺路线间的最小距离d2min的数量,Nmax表示某一条工艺路线与其他工艺路线之间的距离大于设定的工艺路线间的最大距离d2max的数量,n表示模型中工艺路线的总数量,λmin表示小相似度比例,λmax表示大相似度比例;
步骤4所述的二维编码,是记模型中工艺路线的总数量是n,对该模型中的工艺路线按顺序依次编码是P1,P2,…,Pn;如果有r个聚类簇,则二维编码是一个r×n的矩阵,矩阵中的元素非0即1,1表示该列所对应的工艺路线属于所在行的聚类簇,否则值为0;
步骤5基于鸽群优化算法进行聚类分析,包括如下过程:
(1)种群初始化,在初始化时,首先将每一条工艺路线都随机分配到一个聚类簇中,作为最初始的聚类划分,然后对初始化的工艺路线进行二维编码,将其作为初始位置,将以上过程反复进行N次,就可以生成包括N只“鸽子”初始种群,其中每一只“鸽子”代表一个二维编码也即一种聚类结果,其中20≤N≤100;
(2)种群优化,针对种群中的所有元素也即所有工艺路线,首先计算其与该“鸽子”中所有聚类簇的竞标值,然后按照竞标值的大小,将元素划分到竞标值小的聚类簇中,以获得聚类划分的结果,最后更新二维编码;
所述的竞标值函数表示为:
式中,c表示聚类簇编号,v表示所选元素编号,u表示聚类簇c中的元素编号,Σd2(xu,xv)表示所选元素v与聚类簇c中的所有元素的相似度的总量,Nc表示聚类簇c中元素的数量,λd表示相似度权重指数,λb表示聚类簇权重指数,Bc(v)表示元素v对于聚类簇c的竞标值;
(3)更新“鸽子”的位置和速度,在鸽群优化算法PIO中,每一只“鸽子”的位置都代表了一个解,“鸽子”会不断改变自己的位置和速度来寻求最优解;由二维编码可知,每只“鸽子”的位置和速度都是r×n的矩阵;“鸽子”的位置和速度更新包括两个阶段,分别是地图及指南针阶段和地标阶段;首先进入地图及指南针阶段,更新位置和速度的公式可以表示为:
Vi(T)=Vi(T-1)e-R×T+rand·[Xbest-Xi(T-1)]
Xi(T)=Xi(T-1)+Vi(T)
式中,T表示目前迭代次数,R表示地图和指南针因数,e表示自然常数,rand表示0到1之间的随机数字,Xbest表示在T-1次迭代过程中,通过比较得到的全局最优位置,Vi(T)表示第T次迭代时的速度,Xi(T)表示第T次迭代时的位置;
(4)反复进行步骤(3)的迭代过程,直至迭代次数T大于设定的最大迭代次数T1,则进入地标阶段;在地标阶段,每次迭代后“鸽子”的数目就会减少一半,那些远离目标的“鸽子”不再具备分辨路径的能力,因此必须舍去,所以最终可以得到最优解;更新位置公式表示为:
Xi=Xi(T-1)+rand·[Xcenter(T-1)-Xi(T-1)]
式中,N(T-1)表示T-1次迭代时的“鸽子”数目,Xi(T-1)表示T-1次迭代时的“鸽子”的位置,F(X)表示目标函数,a、b、c、d表示权重因子,rf、Vf、θf、φf分别表示“鸽子”与目标地点之间的径向距离、“鸽子”的速度、“鸽子”所在的经度、“鸽子”所在的纬度,rf *、Vf *、θf *、φf *分别表示目标“鸽子”与目标地点之间的径向距离,目标“鸽子”的速度、目标“鸽子”所在的经度、目标“鸽子”所在的纬度,Jmin表示目标函数的最小值,J0表示一个常数,取决于具体要求,Xcenter(T-1)表示剩余“鸽子”的中心位置;反复进行步骤(4)的迭代过程,直至迭代次数T大于设定的最大迭代次数T2;
(5)当迭代次数达到设定的最大值时,结束并且输出“鸽子”的最好位置;将输出的最好位置的二维编码,也即最优聚类结果转化为相异度矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710498587.7A CN107247850B (zh) | 2017-06-26 | 2017-06-26 | 基于鸽群聚类算法的典型工艺路线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710498587.7A CN107247850B (zh) | 2017-06-26 | 2017-06-26 | 基于鸽群聚类算法的典型工艺路线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107247850A CN107247850A (zh) | 2017-10-13 |
CN107247850B true CN107247850B (zh) | 2020-06-23 |
Family
ID=60013528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710498587.7A Active CN107247850B (zh) | 2017-06-26 | 2017-06-26 | 基于鸽群聚类算法的典型工艺路线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247850B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596390B (zh) * | 2018-04-24 | 2022-05-17 | 北京计算机技术及应用研究所 | 一种解决车辆路径问题的方法 |
CN111310388A (zh) * | 2020-02-22 | 2020-06-19 | 江南大学 | 一种离散制造系统的工艺知识自动推送方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081706A (zh) * | 2011-02-28 | 2011-06-01 | 同济大学 | 基于相似性理论的工艺规划方法 |
CN104317244A (zh) * | 2014-09-28 | 2015-01-28 | 北京理工大学 | 一种可重构制造系统零件族构建方法 |
CN105224953A (zh) * | 2015-10-09 | 2016-01-06 | 天津大学 | 一种机床零件加工工艺规程中知识提取与演化的方法 |
CN106843153A (zh) * | 2017-03-13 | 2017-06-13 | 西北工业大学 | 面向工艺方案的可重用数控工艺映射方法 |
-
2017
- 2017-06-26 CN CN201710498587.7A patent/CN107247850B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081706A (zh) * | 2011-02-28 | 2011-06-01 | 同济大学 | 基于相似性理论的工艺规划方法 |
CN104317244A (zh) * | 2014-09-28 | 2015-01-28 | 北京理工大学 | 一种可重构制造系统零件族构建方法 |
CN105224953A (zh) * | 2015-10-09 | 2016-01-06 | 天津大学 | 一种机床零件加工工艺规程中知识提取与演化的方法 |
CN106843153A (zh) * | 2017-03-13 | 2017-06-13 | 西北工业大学 | 面向工艺方案的可重用数控工艺映射方法 |
Non-Patent Citations (3)
Title |
---|
Detecting protein complexes from DPINs by density based clustering with Pigeon-Inspired Optimization Algorithm;Xiujuan LEI,et al;《SCIENCE CHINA Information Sciences》;20160616;摘要、第2.3节 * |
工艺知识发现与重用技术;刘书暖;《中国博士学位论文全文数据库 工程科技II辑》;20080315;正文第4章 * |
零件主干工艺路线提取与工艺排序方法及其在锻压装备中的应用;张辉;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20131215;正文第3-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN107247850A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309343B (zh) | 一种基于深度哈希的声纹检索方法 | |
US8515956B2 (en) | Method and system for clustering datasets | |
EP3611799A1 (en) | Array element arrangement method for l-type array antenna based on inheritance of acquired characteristics | |
CN107247850B (zh) | 基于鸽群聚类算法的典型工艺路线提取方法 | |
CN104112005B (zh) | 分布式海量指纹识别方法 | |
CN112215278B (zh) | 一种遗传算法和蜻蜓算法相结合的多维数据特征选择方法 | |
CN112364699A (zh) | 基于加权损失融合网络的遥感图像分割方法、装置及介质 | |
JP2017041206A (ja) | 学習装置、探索装置、方法、及びプログラム | |
CN110442977A (zh) | 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 | |
CN116312748A (zh) | 基于多头注意力机制的增强子-启动子相互作用预测模型构建方法 | |
CN112712855B (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
CN114974400B (zh) | 一种全局生物网络比对方法 | |
Wang et al. | Fuzzy C-means clustering algorithm for automatically determining the number of clusters | |
CN111310388A (zh) | 一种离散制造系统的工艺知识自动推送方法 | |
CN109636600A (zh) | 一种使用维度约减的投资组合方法 | |
CN112488149B (zh) | 一种基于1d-cnn特征重构的网络安全数据分类方法 | |
CN115088038A (zh) | 基于新上下文的经比对的测序数据中的改进质量值压缩框架 | |
De Clercq et al. | Deep learning for classification of DNA functional sequences | |
CN109165097B (zh) | 一种数据处理方法以及数据处理装置 | |
CN110738987A (zh) | 一种基于统一表征的关键词检索方法 | |
CN113609304B (zh) | 一种实体匹配方法和装置 | |
CN114462406B (zh) | 基于多头自注意力模型获取首次出现的航空关键词方法 | |
CN112329589B (zh) | 一种基于高维特征算法的人脸识别方法 | |
CN114898805B (zh) | 一种跨多物种的启动子预测方法及系统 | |
Al-Ssulami et al. | An efficient method for significant motifs discovery from multiple DNA sequences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |