CN108876904A - 一种基于改进遗传算法的动态3d实时建模方法 - Google Patents

Abstract

本发明涉及一种基于改进遗传算法的动态3D实时建模方法，首先设置初始种群，接着对房间的墙角顶点进行标定，然后进行适应值函数的计算，得到最佳适应值的个体染色体信息，接着有意识地突破最优的择优方式，完成新一代种群染色体的赋值操作，依次对新一代种群进行交叉运算操作、变异运算操作，当算法的循环次数达到预设的遗传代数时，通过最佳适应值的个体染色体信息解算出房间的八个墙角顶点空间位置。本发明将动态3D建模技术应用在家具装修领域并具实时、精准、低成本等特点。

Description

一种基于改进遗传算法的动态3D实时建模方法

技术领域

本发明涉及建筑建模领域，特别是一种基于改进遗传算法的动态3D实时建模方法。

背景技术

目前比较流行的3D建模方式是三维激光扫描点云建模方式，这种技术存在着缺少真实感，三维几何信息不准确以及处理速度缓慢的缺点。另一种应用广泛的3D建模方式是从2D图片中进行抠图建模,但由于单张照片上会存在信息的缺失，所以构造出的3D模型不具有完整性和精准性。曲面建模也是当前比较流行的建模方式，是一种专门做曲面物体的建模方式，但其过程较为繁琐，得到相同的外观部件所需要的特征步骤多了很多，效率较低。遗传算法(Genetic Algorithm)是将生物界中的自然选择和种群遗传学原理引入到算法的搜索过程中，但传统遗传算法有以下缺点：搜索速度慢，训练时间长；寻优能力不够理想；局部搜索能力差，容易陷入早熟。

发明内容

有鉴于此，本发明的目的是提出一种基于改进遗传算法的动态3D实时建模方法，将动态3D建模技术应用在家具装修领域并具实时、精准、低成本等特点。

本发明采用以下方案实现：一种基于改进遗传算法的动态3D实时建模方法，具体包括以下步骤：

步骤S1：设置初始种群；

步骤S2：根据四个目标实数值设种群第i个个体的编码定义为X_i＝{wh,lh,ht,bt}，其中目标实数中，wh表示房间长度，lh表示房间宽度，ht表示房间高度，bt表示用户身高；根据四个目标实数值，并执行循环体操作，求解八个标定向量，其中，八个标定向量与个体信息间的关系如下：

式中，V₁、V₂、V₃、V₄、V₅、V₆、V₇、V₈分别表示待建模房间的八个墙角顶点的标定向量；

步骤S3：采用步骤S2解得的八个标定向量作为参数进行适应值函数的计算，求得每个个体的生存适应值，并且保存记录具有最佳适应值的个体染色体信息；

步骤S4：跟据改进的遗传操作，有意识的突破最优的择优方式，完成新一代种群染色体的赋值操作；

步骤S5：对新一代种群执行交叉运算操作；

步骤S6：对经过步骤S5后的新一代种群执行变异运算操作；

步骤S7：判断算法的循环次数是否达到预设的遗传代数，若是，则进入步骤S8，否则返回步骤S2；

步骤S8：通过最佳适应值的个体染色体信息解算出房间的八个墙角顶点空间位置，结束算法。

进一步地，步骤S1具体为：根据设计的初始种群数量和遗传代数NG，设定参数，并对种群中每个染色体数据结构用随机数进行初始化赋值，产生初始种群。

进一步地，步骤S3中，所述适应值函数的计算包括以下两个公式：

式中，DO_i的物理意义是可能解代表的房间墙角单位向量与实际房间墙角单位向量的偏差值。fitness为个体生存适应值，V_i表示第i个定点的标定向量，V_xi表示可能解向量，x、y、z分别表示测量房间所得的长宽高。

进一步地，步骤S4具体包括以下步骤：

步骤S41：根据种群规模NP参数大小，设置择优操作的次数St＝NP，初始化ids＝0；

步骤S42：准备对种群第ids个新染色体个体进行择优操作；

步骤S43：随机生成一个0-1之间的随机数P；

步骤S44：初始化i＝0，从第i个个体X_i开始，计算X_i的选择概率P_i，用公式P＝P-P_i来更新P值；判断更新后的P是否大于等于0，若是，则进入步骤S45，否则进入步骤S46；其中，P_i的计算采用下式：

式中，fitness(i)表示第i个个体的个体生存适应值；

步骤S45：令i＝i+1，返回步骤S44；

步骤S46：将当前P值所对应的第i个个体X_i作为选中的染色体，利用粒子群算法对选中的染色体的四维参数的所有方向进行预处理，计算所有方向的最佳适应值，并留取最佳适应值数值最大的方向作为新染色体X_k。令X_i＝X_k；

步骤S47：将步骤S46得到的新染色体X_k赋值给新一代种群的第ids个空值染色体；

步骤S48：令ids＝ids+1，并判断更新后的ids是否小于St，若是，则返回步骤S42，否则新一代种群染色体的赋值操作完成。

进一步地，步骤S5具体包括以下步骤：

步骤S51：随机产生P_i∈U(0,1),当P_i＞P_c，则这个染色体不满足交叉概率，不进行交叉运算，结束交叉运算操作，否则进入步骤S52；其中，P_i为第i个子代染色体的交叉概率，P_c为预设的交叉概率阈值；

步骤S52：选择父亲染色体，计算得到父亲基因数据8个向量，随机生成1-8的随机数i，设置本次交叉的基因总数为Ct,并选择第i个向量V_i作准备；

步骤S53：随机选择母亲染色体，计算得到母亲基因数据8个向量，随机生成1-8的随机数j，则选择第j个向量V_j作准备；其中向量V_i与向量V_j的计算均采用步骤S2中的公式计算；

步骤S54：随机生成3的随机数k，选择V_i的第k维分量浮点数，随机生成3的随机数m，选择V_j的第m维分量浮点数，将V_i.k与V_j.m进行交叉赋值实现向量V_i和V_j的交叉操作；

步骤S55：交叉后的基因数据映射还原成新的父亲染色体与母亲染色体，并用新的染色体替换原来的染色体数据，局部交叉成功；

步骤S56：令Ct＝Ct-1，并判断更新后的Ct是否大于1，若是则返回步骤S52，否则令Ct＝0，结束交叉操作。

进一步地，步骤S6具体包括以下步骤：

步骤S61：随机产生P_j∈U(0,1),当P_j＞P_m，则此染色体不满足变异条件，不进行变异操作运算，结束变异操作运算；否则进入步骤S62；其中，P_j为第j个子代染色体的变异概率，P_m为预设的变异概率阈值；

步骤S62：选择变异染色体X_i，并计算得到其八个向量的基因数据，其中，八个向量的计算采用步骤S2的公式；

步骤S63：随机产生ζk∈U(0,1)，令j＝(Int(ζk×8)+1),则j∈[1,8]，其中Int(*)表示取整运算，选择第j个向量V_j作准备；

步骤S64：随机生成一个符合向量取值范围内的浮点数更新替换向量V_j，实现V_j的变异；

步骤S65：变异后的基因数据映射还原成新的染色体X_i，更新染色体数据，完成第i个染色体的变异操作。

与现有技术相比，本发明有以下有益效果：

1.针对目前3D建模在装修业介入的滞后性，本发明采用动态3D建模技术，将需要求解的用户身高以及房间长、宽、高作为一个多维空间中的其中一个可能解，本发明将动态3D建模技术应用在家具装修领域并具实时、精准、低成本等特点。

2.针对陀螺仪测数据的各种误差问题，本发明采用的是利用遗传算法对陀螺仪测量数据的各种误差进行有效的优化，最后计算得到现房间单位比例的长宽高尺寸。

3.针对遗传算法容易陷入局部最优的缺点，本发明提出了一种有目的性的尝试突破当前最优适应值的改进的择优操作方式，是将从优操作改进成有意识的突破最优的择优方式。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明实施例的房间墙角人工标定步骤示意图。

图3为本发明实施例的遗传算法及其改进算法性能实验示意图。

图4为本发明实施例的改进遗传算法随机染色体个体迭代过程示意图。

图5为本发明实施例的不同房间的遗传算法优化结果比较示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1以及图2所示，本实施例提供了一种基于改进遗传算法的动态3D实时建模方法，具体包括以下步骤：

步骤S1：设置初始种群；

步骤S2：根据四个目标实数值设种群第i个个体的编码定义为X_i＝{wh,lh,ht,bt}，其中目标实数中，wh表示房间长度，lh表示房间宽度，ht表示房间高度，bt表示用户身高；根据四个目标实数值，并执行循环体操作，求解八个标定向量，其中，八个标定向量与个体信息间的关系如下：

式中，V₁、V₂、V₃、V₄、V₅、V₆、V₇、V₈分别表示待建模房间的八个墙角顶点的标定向量；

步骤S3：采用步骤S2解得的八个标定向量作为参数进行适应值函数的计算，求得每个个体的生存适应值，并且保存记录具有最佳适应值的个体染色体信息；

步骤S4：跟据改进的遗传操作，有意识的突破最优的择优方式，完成新一代种群染色体的赋值操作；

步骤S5：对新一代种群执行交叉运算操作；

步骤S6：对经过步骤S5后的新一代种群执行变异运算操作；

步骤S7：判断算法的循环次数是否达到预设的遗传代数，若是，则进入步骤S8，否则返回步骤S2；

步骤S8：通过最佳适应值的个体染色体信息解算出房间的八个墙角顶点空间位置，结束算法。

较佳的，如图1所示，本实施例采用3D引擎创建一个3D房间模型并且设置正确的摄像头位置视野与实际房间尺寸及用户视野一一映射。

在本实施例中，步骤S1具体为：根据设计的初始种群数量和遗传代数NG，设定参数，并对种群中每个染色体数据结构用随机数进行初始化赋值，产生初始种群。

在本实施例中，步骤S3中，所述适应值函数的计算包括以下两个公式：

式中，DO_i的物理意义是可能解代表的房间墙角单位向量与实际房间墙角单位向量的偏差值。fitness为个体生存适应值，V_i表示第i个定点的标定向量，V_xi表示可能解向量，x、y、z分别表示测量房间所得的长宽高。

在本实施例中，步骤S4具体包括以下步骤：

步骤S41：根据种群规模NP参数大小，设置择优操作的次数St＝NP，初始化ids＝0；

步骤S42：准备对种群第ids个新染色体个体进行择优操作；

步骤S43：随机生成一个0-1之间的随机数P；

步骤S44：初始化i＝0，从第i个个体X_i开始，计算X_i的选择概率P_i，用公式P＝P-P_i来更新P值；判断更新后的P是否大于等于0，若是，则进入步骤S45，否则进入步骤S46；其中，P_i的计算采用下式：

式中，fitness(i)表示第i个个体的个体生存适应值；

步骤S45：令i＝i+1，返回步骤S44；

步骤S46：将当前P值所对应的第i个个体X_i作为选中的染色体，利用粒子群算法对选中的染色体的四维参数的所有方向进行预处理，计算所有方向的最佳适应值，并留取最佳适应值数值最大的方向作为新染色体X_k。令X_i＝X_k；

步骤S47：将步骤S46得到的新染色体X_k赋值给新一代种群的第ids个空值染色体；

步骤S48：令ids＝ids+1，并判断更新后的ids是否小于St，若是，则返回步骤S42，否则新一代种群染色体的赋值操作完成。

在本实施例中，步骤S5具体包括以下步骤：

步骤S51：随机产生P_i∈U(0,1),当P_i＞P_c，则这个染色体不满足交叉概率，不进行交叉运算，结束交叉运算操作，否则进入步骤S52；其中，P_i为第i个子代染色体的交叉概率，P_c为预设的交叉概率阈值；

步骤S52：选择父亲染色体，计算得到父亲基因数据8个向量，随机生成1-8的随机数i，设置本次交叉的基因总数为Ct,并选择第i个向量V_i作准备；

步骤S53：随机选择母亲染色体，计算得到母亲基因数据8个向量，随机生成1-8的随机数j，则选择第j个向量V_j作准备；其中向量V_i与向量V_j的计算均采用步骤S2中的公式计算；

步骤S54：随机生成3的随机数k，选择V_i的第k维分量浮点数，随机生成3的随机数m，选择V_j的第m维分量浮点数，将V_i.k与V_j.m进行交叉赋值实现向量V_i和V_j的交叉操作；

步骤S55：交叉后的基因数据映射还原成新的父亲染色体与母亲染色体，并用新的染色体替换原来的染色体数据，局部交叉成功；

步骤S56：令Ct＝Ct-1，并判断更新后的Ct是否大于1，若是则返回步骤S52，否则令Ct＝0，结束交叉操作。

在本实施例中，步骤S6具体包括以下步骤：

步骤S61：随机产生P_j∈U(0,1),当P_j＞P_m，则此染色体不满足变异条件，不进行变异操作运算，结束变异操作运算；否则进入步骤S62；其中，P_j为第j个子代染色体的变异概率，P_m为预设的变异概率阈值；

步骤S62：选择变异染色体X_i，并计算得到其八个向量的基因数据，其中，八个向量的计算采用步骤S2的公式；

步骤S63：随机产生ζk∈U(0,1)，令j＝(Int(ζk×8)+1),则j∈[1,8]，其中Int(*)表示取整运算，选择第j个向量V_j作准备；

步骤S64：随机生成一个符合向量取值范围内的浮点数更新替换向量V_j，实现V_j的变异；

步骤S65：变异后的基因数据映射还原成新的染色体X_i，更新染色体数据，完成第i个染色体的变异操作。

特别的，图3为本实施例的遗传算法及其改进算法性能实验示意图，图中可以看出采用本发明的改进的遗传算法所得到的最优解相较于经典遗传算法而言，更加接近目标解。图4为本实施例的改进遗传算法随机染色体个体迭代过程示意图，图5为本实施例不同房间的遗传算法优化结果比较示意图，图中可以看出采用本实施例的方法所得出的房间计算尺寸与实际的房间尺寸的匹配率相当高。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种基于改进遗传算法的动态3D实时建模方法，其特征在于：包括以下步骤：

步骤S1：设置初始种群；

步骤S2：根据四个目标实数值设种群第i个个体的编码定义为X_i＝{wh,lh,ht,bt}，其中目标实数中，wh表示房间长度，lh表示房间宽度，ht表示房间高度，bt表示用户身高；根据四个目标实数值，并执行循环体操作，求解八个标定向量，其中，八个标定向量与个体信息间的关系如下：

式中，V₁、V₂、V₃、V₄、V₅、V₆、V₇、V₈分别表示待建模房间的八个墙角顶点的标定向量；

步骤S3：采用步骤S2解得的八个标定向量作为参数进行适应值函数的计算，求得每个个体的生存适应值，并且保存记录具有最佳适应值的个体染色体信息；

步骤S4：跟据改进的遗传操作，有意识的突破最优的择优方式，完成新一代种群染色体的赋值操作；

步骤S5：对新一代种群执行交叉运算操作；

步骤S6：对经过步骤S5后的新一代种群执行变异运算操作；

步骤S7：判断算法的循环次数是否达到预设的遗传代数，若是，则进入步骤S8，否则返回步骤S2；

步骤S8：通过最佳适应值的个体染色体信息解算出房间的八个墙角顶点空间位置，结束算法。

2.根据权利要求1所述的一种基于改进遗传算法的动态3D实时建模方法，其特征在于：步骤S1具体为：根据设计的初始种群数量和遗传代数NG，设定参数，并对种群中每个染色体数据结构用随机数进行初始化赋值，产生初始种群。

3.根据权利要求1所述的一种基于改进遗传算法的动态3D实时建模方法，其特征在于：步骤S3中，所述适应值函数的计算包括以下两个公式：

式中，DO_i的物理意义是可能解代表的房间墙角单位向量与实际房间墙角单位向量的偏差值；fitness为个体生存适应值，V_i表示第i个定点的标定向量，V_xi表示可能解向量，x、y、z分别表示测量房间所得的长宽高。

4.根据权利要求1所述的一种基于改进遗传算法的动态3D实时建模方法，其特征在于：步骤S4具体包括以下步骤：

步骤S41：根据种群规模NP参数大小，设置择优操作的次数St＝NP，初始化ids＝0；

步骤S42：准备对种群第ids个新染色体个体进行择优操作；

步骤S43：随机生成一个0-1之间的随机数P；

步骤S44：初始化i＝0，从第i个个体X_i开始，计算X_i的选择概率P_i，用公式P＝P-P_i来更新P值；判断更新后的P是否大于等于0，若是，则进入步骤S45，否则进入步骤S46；其中，P_i的计算采用下式：

式中，fitness(i)表示第i个个体的个体生存适应值；

步骤S45：令i＝i+1，返回步骤S44；

步骤S46：将当前P值所对应的第i个个体X_i作为选中的染色体，利用粒子群算法对选中的染色体的四维参数的所有方向进行预处理，计算所有方向的最佳适应值，并留取最佳适应值数值最大的方向作为新染色体X_k。令X_i＝X_k；

步骤S47：将步骤S46得到的新染色体X_k赋值给新一代种群的第ids个空值染色体；

步骤S48：令ids＝ids+1，并判断更新后的ids是否小于St，若是，则返回步骤S42，否则新一代种群染色体的赋值操作完成。

5.根据权利要求1所述的一种基于改进遗传算法的动态3D实时建模方法，其特征在于：步骤S5具体包括以下步骤：

步骤S51：随机产生P_i∈U(0,1),当P_i＞P_c，则这个染色体不满足交叉概率，不进行交叉运算，结束交叉运算操作，否则进入步骤S52；其中，P_i为第i个子代染色体的交叉概率，P_c为预设的交叉概率阈值；

步骤S52：选择父亲染色体，计算得到父亲基因数据8个向量，随机生成1-8的随机数i，设置本次交叉的基因总数为Ct,并选择第i个向量V_i作准备；

步骤S53：随机选择母亲染色体，计算得到母亲基因数据8个向量，随机生成1-8的随机数j，则选择第j个向量V_j作准备；其中向量V_i与向量V_j的计算均采用步骤S2中的公式计算；

步骤S54：随机生成3的随机数k，选择V_i的第k维分量浮点数，随机生成3的随机数m，选择V_j的第m维分量浮点数，将V_i.k与V_j.m进行交叉赋值实现向量V_i和V_j的交叉操作；

步骤S55：交叉后的基因数据映射还原成新的父亲染色体与母亲染色体，并用新的染色体替换原来的染色体数据，局部交叉成功；

步骤S56：令Ct＝Ct-1，并判断更新后的Ct是否大于1，若是则返回步骤S52，否则令Ct＝0，结束交叉操作。

6.根据权利要求1所述的一种基于改进遗传算法的动态3D实时建模方法，其特征在于：步骤S6具体包括以下步骤：

步骤S61：随机产生P_j∈U(0,1),当P_j＞P_m，则此染色体不满足变异条件，不进行变异操作运算，结束变异操作运算；否则进入步骤S62；其中，P_j为第j个子代染色体的变异概率，P_m为预设的变异概率阈值；

步骤S62：选择变异染色体X_i，并计算得到其八个向量的基因数据，其中，八个向量的计算采用步骤S2的公式；

步骤S63：随机产生ζk∈U(0,1)，令j＝(Int(ζk×8)+1),则j∈[1,8]，其中Int(*)表示取整运算，选择第j个向量V_j作准备；

步骤S64：随机生成一个符合向量取值范围内的浮点数更新替换向量V_j，实现V_j的变异；

步骤S65：变异后的基因数据映射还原成新的染色体X_i，更新染色体数据，完成第i个染色体的变异操作。