CN109523074A - 一种基于最近邻遗传混合算法的服装裁剪路径优化方法 - Google Patents

Abstract

一种基于最近邻遗传混合算法的服装裁剪路径优化方法，包括以下步骤：1)通过裁床软件对服装样片进行排样，得到裁剪数据文件，用MATLAB解析并复现；2)将其转化为一个两级组合优化问题，用改进的遗传算法求解裁剪顺序；3)在裁剪顺序基础上用最近邻算法得到样片的入刀点；4)分析优化前后的裁剪路径数据，对比分析效果。本发明提供了一种可以有效提高裁剪效率的服装裁剪路径优化方法。

Description

一种基于最近邻遗传混合算法的服装裁剪路径优化方法

技术领域

本发明属于计算机辅助服装裁剪技术领域，涉及一种应用于服装裁剪路径优 化的方法。

背景技术

我国作为一个人口大国，纺织工业在国家工业化进程中占据着举足轻重的作 用。随着经济全球化的加速推进，客户对服装的需求越来越多样化、个性化，对 产品的质量要求也是不断提高，同时，人民币升值、劳动力成本上升等综合因素 的影响，迫使服装企业的发展面临严重的挑战，急需提升自身的生产技术。而裁 床系统的引入，使得传统服装工业发生了翻天覆地的变化，极大地提高了产品的 质量和精度，生产效率得到了飞速的提升。因此，裁床系统作为服装业生产的相 关配套设备，是我国服装加工的技术水平和生产效率的保证，也是企业实现利润 增长的重要体现。

目前，像美国、日本、英国等发达国家在裁床系统的技术研究中已经相当成 熟，由于国内在该领域的研究相对较晚，与国外产品相比存在一定的差距。而国 外的裁床系统软件价格昂贵，保密性强，且不一定适用于国内企业，大多数企业 不得不依靠牺牲密集的劳动力来弥补生产效率上的不足。与此同时，我国也研发 了一些拥有自主知识产权的裁床系统软件，所采用的服装CAD技术，取得了一 定的成绩。在服装裁剪过程中，一般一个排料文件常常有几十个甚至几百个服装 样片，其裁剪的总路径主要由样片的裁剪有效行程和在不同样片之间裁剪空行程 构成，大批量裁剪时，裁剪空行程随着样片的轮廓顺序、裁剪入刀点位置不同而 发生变化，减少裁剪空行程将有效第缩短走刀时间，因此，裁剪空行程将成为影 响裁剪效率的重要因素。

但是服装裁剪系统的各个功能还不够全面，现有的裁床控制软件的裁剪路径 功能大多是基于样片的排样顺序，且很少考虑入刀点位置，效率比较低、损耗比 较大，并不是很理想，而且针对一些复杂的排样图并不一定能得出具体的方案。 针对上述问题，本发明引入现代智能优化算法，设计一种基于最近邻遗传混合算 法的服装裁剪路径优化方法，能够快速求解出相对满意的裁剪方案，而且裁剪效 率比较高，能够很好地解决走刀时间长、裁剪损耗比较大的问题，具有很好的发 展前景。

发明内容

为了克服目前确定裁剪路径的耗时长、损耗大、效率低的不足，本发明引入 现代智能优化算法，提供一种基于最近邻遗传混合算法的裁剪路径优化方法，提 高了裁剪方案确定的效率，缩短了走刀时间，提高了加工效率。

本发明解决其技术问题所采用的技术方案是：

一种基于最近邻遗传混合算法的服装裁剪路径优化方法，包括以下步骤：

第一步，排样，获取裁剪文件：由用户选择排样软件对服装样片进行排样， 在排样结束后获得裁剪文件，设置样片数量U和排样幅宽W；

第二步，解析裁剪文件，获取样片点坐标、中心点坐标：在电脑系统中进行 数据处理，读取裁剪文件数据字符串δ和字符串总长δ_n，每个样片字符串p和字 符串长度p_n，第i个样片N_i和该样片轮廓点个数S_i，i＝1,2,…,U，第i个样片的 第j个轮廓点N_ij，N_ij的坐标记为K_ij＝(x_ij,y_ij)，j＝1,2,…,S_i，样片N_i的轮廓点 横坐标最大值x_imax和最小值x_imin，样片N_i的轮廓点纵坐标最大值y_imax和最小值 y_imin，计算样片N_i的中心点坐标C_i：

将样片N_i所有轮廓点坐标存入样片点坐标集N_num，N_num＝{N₁；N₂；…；N_U}； 将样片中心点坐标C_i存入样片中心点坐标集C_num＝{C₁；C₂；…；C_U}；

第三步，解析后的裁剪文件以矢量图的形式绘制出来，采用遗传算法获取走 刀顺序，过程如下：

3.1)对裁剪路径设定初始限制条件和遗传算法的参数设定：裁剪原点坐标 e＝(0,W)；最大迭代次数g_max和当前迭代数g，每次迭代中，以样片数量U作 为个体的基因数，G个个体构成初始种群Ω_n，编码长度L，交叉概率p_c，交叉 常数c₁、c₂，变异概率p_m，变异常数m₁、m₂；

3.2)在种群Ω_n内随机初始化一个样片序列Clo＝{1,2,…,U}，初始化G个个 体{Clo₁,Clo₂,…,Clo_G}；

3.3)每个个体中，第i个样片N_i与第j个样片N_j距离记为D(C_i,C_j),样片N_i、 N_j的中心点坐标分别为(α_i,β_i)、(α_j,β_j)，计算样片中心点间的距离：

通过D(C_i,C_j)可以计算出个体裁剪路径长度f(i)：

f(i)＝D(C_j,C_j+1)+D(C₁,C_U),i＝1,2…,G (3)

3.4)样片裁剪路径长度的倒数作为每个个体的适应值F(i)：

根据个体的适应度F(i)计算其被选中的概率R(i)：

通过R(i)来计算每个个体的累积概率W(i)：

设当前个体序号n＝1，个体总和为G，进行个体的选择、交叉、变异操作， 搜索过程为：

3.4.1)产生一个[0,1]范围内的随机数R,使得概率pr(i)＝W(i)-R,i＝1,2,…,G,设置初始个体索引j＝1，若pr(j)＜0，则j＝j+1，直到pr(j)≥0，选中该个体 索引j；

3.4.2)重复步骤3.4.1)，选出两个不相同的个体索引j记为η、μ，两个个 体为Clo_η、Clo_μ,适应值为F(μ)、F(η)；

3.4.3)计算种群中适应值最大值F_max：

F_max＝max{F(1),F(2),…,F(G)} (7)

计算种群中适应值平均值F_avg：

其中，max表示取集合元素的最大值，两个适应值F(μ)、F(η)较大值为 F＝max{F(μ)、F(η)}，计算交叉概率p_c：

在[0,1]范围内的产生一随机数R_c，若R_c≤p_c，则进行个体的交叉操作，否 则不进行交叉操作；若进行交叉操作，在[1,U-1]范围内随机产生2个交叉位 u₁、u₂，交换个体Clo_η,Clo_μ中[u₁,u₂]范围内的样片序号，交叉操作结束后更新 Clo_n＝Clo_η,Clo_n+1＝Clo_μ；

3.4.4)在[n,n+1]范围内的产生一随机整数m，要变异的个体Clo_m适应值为 F(m),计算个体的变异概率p_m：

在[0,1]范围内的产生一个随机数R_m，若R_m≤p_m，则进行变异操作，否则不 进行变异操作；若进行变异操作，在[1,U-1]范围内随机产生2个变异位ρ、θ， 将第ρ个的样片序号插入到第θ个样片序号前面；

3.4.5)更新样片种群Ω_n和当前个体序号n＝n+2；

3.4.6)判断当前个体序号n是否超过设定值G,若超过设定值G，则给出当 前代的种群Ω_n和适应值最大值F_max，结束搜索；否则转至步骤3.4.1)继续搜索。

3.5)计算第g次迭代时，裁剪路径长度最小值

3.6)判断迭代次数g是否超过设定值g_max，若迭代次数超过设定值g_max，计 算g_max次迭代中裁剪路径最小值min表示取集合 元素的最小值，从而得出裁剪路径最小值f_best对应的个体索引k，最佳裁剪顺序 H_k＝Clo_k，k∈{1,2,…,G}，结束搜索；否则迭代次数g＝g+1，转到步骤3.4) 继续搜索；

第四步，使用最近邻算法获取每个样片的入刀点，过程如下：

4.1)根据第二步得到的参数，计算样片总轮廓点数为：

第i个样片落刀点坐标E_i,E_i∈{K_i1,K_i2,…,K_iSi}和所有落刀点坐标集 E＝{E₁,…,E_U}，则最终访问顺序h＝{e,E₁,…,E_U,e},计算裁剪路径总长：

初始化访问顺序h中的落刀点坐标E_i＝(0,0),i＝1,2,…,U，裁剪原点中间变 量w＝e，设置当前最佳裁剪顺序数组H_k的数组索t＝1，其搜索过程为：

4.2)获取最佳裁剪顺序数组H_k中第t个样片与裁剪原点中间变量w距离最近 的轮廓点坐标，作为访问顺序h中的落刀点坐标E_t，更新裁剪原点中间变量 w＝E_t，数组H_k的索引t＝t+1；

4.3)判断数组H_k的索引t是否超过设定值U，若数组H_k的索引t超过设定 值U，给出访问顺序h＝{e,E₁,…,E_U,e}，结束搜索；否则转到步骤4.2)继续搜 索；

第五步，根据第二步获取的裁剪数据绘制裁剪路径，得到优化前走刀空行程 总和，根据第四步计算出优化后走刀空行程总和，绘制仿真图；通过对比，得出 走刀空行程总和缩短百分比，分析优化效果。

本发明的技术构思为：首先，通过裁床软件对服装样片进行排样，得到裁剪 数据文件，用MATLAB解析并复现；然后，将其转化为一个两级组合优化问题， 用改进的遗传算法求解裁剪顺序；接着，在裁剪顺序基础上用最近邻算法得到样 片的入刀点；最后，分析优化前后的裁剪路径数据，对比分析效果。

本发明的有益效果体现在：在对初始限制参数设定后，采用改进的遗传算法 来搜索裁剪顺序，搜索速度快，效率高，误差小；在实际裁剪问题中，必须考虑 入刀点的位置，在确定裁剪顺序的基础上，采用最近邻算法获取每个样片的入刀 点，为了保证能够得出裁剪方案，而且误差尽可能小，本发明设计了一种解决方 法，很好地解决了这个问题。

附图说明

图1为本发明的求解流程图。

图2为搜索裁剪顺序的算法流程图。

图3为搜索入刀点的算法流程图。

图4为待解析的裁剪数据图。

图5为最近邻遗传混合算法求解结果示意图。

图6为同一排样图多次裁剪结果。

图7为不同排样图裁剪结果。

具体实施方案

下面结合附图以及具体实例对本发明作进一步描述。

参照图1～图7,一种基于最近邻遗传混合算法的服装裁剪路径优化方法，包 括以下步骤：

第一步，排样，获取裁剪文件：由用户选择排样软件对服装样片进行排样， 本发明选择博克智能服装CAD系统对服装样片进行排样；在排样结束后获得裁 剪文件clo.dat，设置样片数量U＝40和排样幅宽W＝1450mm；

第二步，解析裁剪文件，获取样片点坐标、中心点坐标：参照图4，根据 MATLAB程序读取裁剪文件数据字符串δ：

δ＝H1*G71*ZX16549*N1*…N40*M15*…M0*

字符串总长δ_n＝12475；搜索过程中，当前样片字符串p：

p＝N1*M15*X2Y4547*…M15*

字符串长度p_n＝63，第i个样片N_i和该样片轮廓点个数S_i，i＝1,2,…,40， 第i个样片的第j个轮廓点N_ij，N_ij的坐标记为K_ij＝(x_ij,y_ij)，j＝1,2,…,S_i，样 片N_i的轮廓点横坐标最大值x_imax和最小值x_imin，样片N_i的轮廓点纵坐标最大值 y_imax和最小值y_imin，计算样片N₁的中心点坐标C₁：

记为C₁＝(α₁,β₁),同理可以获得所有样片中心点坐标C_i，将样片N_i所有轮廓 点坐标存入样片点坐标集N_num，N_num＝{N₁；N₂；…；N₄₀}；将样片中心点坐标C_i存 入样片中心点坐标集C_num＝{C₁；C₂；…；C₄₀}；

第三步，解析后的裁剪文件以矢量图的形式绘制出来，在矢量图上，采用遗 传算法获取走刀顺序，过程如下：

3.1)对裁剪路径设定初始限制条件和遗传算法的参数设定：裁剪原点坐标 e＝(0,1450)；最大迭代次数g_max＝3000和当前迭代数g＝1，每次迭代中，以样 片数量40作为个体的基因数，50个个体构成初始种群Ω_n，编码长度L＝32，交 叉概率p_c，交叉常数c₁＝0.1、c₂＝0.8，变异概率p_m，变异常数 m₁＝0.03、m₂＝0.3；

3.2)在种群Ω_n内随机初始化一个样片序列Clo＝{1,2,…,40}，同理初始化G 个个体{Clo₁,Clo₂,…,Clo₅₀}；

3.3)以各样片的中心点坐标C_i间的距离总和作为适应值，每个个体中，第i 个样片N_i与第j个样片N_j距离记为D(C_i,C_j),样片N_i、N_j的中心点坐标分别为 (α_i,β_i)、(α_j,β_j)，计算样片中心点间的距离：

通过D(C_i,C_j)可以计算出个体裁剪路径长度f(i)：

f(i)＝D(C_j,C_j+1)+D(C₁,C₄₀),i＝1,2…,50 (3)

3.4)样片裁剪路径长度的倒数作为每个个体的适应值F(i)：

根据个体的适应度F(i)计算其被选中的概率R(i)：

通过概率R(i)来计算每个个体的累积概率W(i)：

当前个体序号n＝1，个体总和为50，，进行个体的选择、交叉、变异操作， 搜索过程为：

3.4.1)产生一个[0,1]范围内的随机数R,使得概率pr(i)＝W(i)-R,i＝1,2,…,50, 设置初始个体索引j＝1，若pr(j)＜0，则j＝j+1，直到pr(j)≥0，选中该个体 索引j；

3.4.2)重复步骤3.4.1)，选出两个不相同的个体索引j记为η、μ，两个个 体为Clo_η、Clo_μ,适应值为F(μ)、F(η)；

3.4.3)计算种群中适应值最大值F_max：

F_max＝max{F(1),F(2),…,F(50)} (7)

计算种群中适应值平均值F_avg：

其中，max表示取集合元素的最大值，同理两个适应值F(μ)、F(η)较大值 为F＝max{F(μ)、F(η)}，计算交叉概率p_c：

在[0,1]范围内的产生一随机数R_c，若R_c≤p_c，则进行个体的交叉操作，否 则不进行交叉操作；若进行交叉操作，在[1,39]范围内随机产生2个交叉位u₁、u₂， 交换个体Clo_η,Clo_μ中[u₁,u₂]范围内的样片序号；

3.4.4)在[n,n+1]范围内的产生一随机整数m，要变异的个体适应值为F(m), 计算个体的变异概率p_m：

在[0,1]范围内的产生一个随机数R_m，若R_m≤p_m，则进行变异操作，否则 不进行变异操作；若进行变异操作，在[1,39]范围内随机产生2个变异位ρ、θ， 将将第ρ个的样片序号插入到第θ个样片序号前面；

3.4.5)更新样片种群Ω_n和当前个体序号n＝n+2；

3.4.6)判断当前个体序号n是否超过设定值40,若超过设定值40，则给出当 前代的种群Ω_n和适应值最大值F_max，结束搜索；否则转至步骤3.4.1)继续搜索。

3.5)计算第g次迭代时，裁剪路径长度最小值更新迭代次数 g＝g+1；

3.6)判断迭代次数g是否超过设定值3000，若迭代次数超过设定值3000， 计算3000次迭代中裁剪路径最小值min表示取 集合元素的最小值，从而得出裁剪路径最小值f_best对应的个体索引k，最佳裁剪 顺序H_k＝Clo_k，k∈{1,2,…,50}，结束搜索；否则转到步骤3.4)继续搜索；

第四步，使用最近邻算法获取每个样片的入刀点，过程如下：

4.1)根据第二步得到的参数，计算样片总轮廓点数为：

第i个样片落刀点坐标E_i,E_i∈{K_i1,K_i2,…,K_iSi}和所有落刀点坐标集 E＝{E₁,…,E₄₀}，则最终访问顺序h＝{e,E₁,…,E₄₀,e},计算裁剪路径总长：

初始化访问顺序h中落刀点坐标E_i＝(0,0),i＝1,2,…,40，裁剪原点中间变量 w＝(0,1450)，设置当前最佳裁剪顺序数组H_k的数组索引t＝1，搜索过程为：

4.2)获取最佳裁剪顺序数组H_k中第t个样片与裁剪原点中间变量w距离最近 的轮廓点坐标，作为访问顺序h中的落刀点坐标E_t，更新裁剪原点中间变量 w＝E_t，数组H_k的索引t＝t+1；

4.3)判断数组H_k的索引t是否超过设定值U，若数组H_k的索引t超过设定 值40，给出访问顺序h＝{e,E₁,…,E_U,e}，结束搜索；否则转到步骤4.2)继续搜 索；

第五步，根据第二步获取的裁剪数据绘制裁剪路径，得到优化前走刀空行程 总和，根据第四步计算出优化后走刀空行程总和，绘制仿真图，优化后的走到图 参照图5；本发明得出的裁剪方案，参照图6，针对同一排样图，经过多次试验， 可以得知总的空行程较小，确定方案的时间短；参照图7，最近邻遗传混合算法 针对不同排样图，裁剪路径效果明显，实用性强，裁剪效率高。

Claims (2)

1.一种基于最近邻遗传混合算法的服装裁剪路径优化方法，其特征在于，所述方法包括以下步骤：

第一步，排样，获取裁剪文件：由用户选择排样软件对服装样片进行排样，在排样结束后获得裁剪文件，设置样片数量U和排样幅宽W；

第二步，解析裁剪文件，获取样片点坐标、中心点坐标：在电脑系统中进行数据处理，读取裁剪文件数据字符串δ和字符串总长δ_n，每个样片字符串p和字符串长度p_n，第i个样片N_i和该样片轮廓点个数S_i，i＝1,2,…,U，第i个样片的第j个轮廓点N_ij，N_ij的坐标K_ij＝(x_ij,y_ij)，j＝1,2,…,S_i，样片N_i的轮廓点横坐标最大值x_imax和最小值x_imin，样片N_i的轮廓点纵坐标最大值y_imax和最小值y_imin，计算样片N_i的中心点坐标：

将样片N_i所有轮廓点坐标存入样片点坐标集N_num，N_num＝{N₁；N₂；…；N_U}；将样片中心点坐标C_i存入样片中心点坐标集C_num＝{C₁；C₂；…；C_U}；

第三步，解析后的裁剪文件以矢量图的形式绘制出来，采用遗传算法获取走刀顺序，过程如下：

3.1)对裁剪路径设定初始限制条件和遗传算法的参数设定：裁床原点坐标e＝(0,W),最大迭代次数g_max和当前迭代数g，每次迭代中，以样片数量U作为个体的基因数，G个个体构成初始种群Ω_n，编码长度L，交叉概率p_c，交叉常数c₁、c₂，变异概率p_m，变异常数m₁、m₂；

3.2)在种群Ω_n内随机初始化一个样片序列Clo＝{1,2,…,U}，初始化G个个体{Clo₁,Clo₂,…,Clo_G}；

3.3)每个个体中，第i个样片N_i与第j个样片N_j距离记D(C_i,C_j),样片N_i、N_j的中心点坐标分别为(α_i,β_i)、(α_j,β_j)，计算样片中心点间的距离：

通过样片中心点间的距离D(C_i,C_j)可以计算出个体裁剪路径长度f(i)：

f(i)＝D(C_j,C_j+1)+D(C₁,C_U),i＝1,2…,G (3)

3.4)样片裁剪路径长度f(i)的倒数作为每个个体的适应值F(i)：

根据个体的适应度F(i)计算其被选中的概率R(i)：

通过概率R(i)来计算每个个体的累积概率W(i)：

进行个体的选择、交叉、变异操作；

3.5)计算第g次迭代时，裁剪路径长度最小值更新迭代次数g＝g+1；

3.6)判断迭代次数g是否超过设定值g_max，若迭代次数g超过设定值g_max，计算g_max次迭代中裁剪路径最小值其中，min表示取集合元素的最小值，从而得出裁剪路径最小值f_best对应的个体索引k，最佳裁剪顺序H_k＝Clo_k，k∈{1,2,…,G}，结束搜索；否则转到步骤3.4)继续搜索；

第四步，使用最近邻算法获取每个样片的入刀点，过程如下：

4.1)根据第二步得到的参数，计算样片总轮廓点数为：

第i个样片入刀点坐标E_i,和所有样片入刀点坐标集E＝{E₁,…,E_U}，则最终入刀点坐标集h＝{e,E₁,…,E_U,e},计算裁剪路径总长：

初始化入刀点坐标集h中的入刀点坐标E_i＝(0,0),i＝1,2,…,U，裁床原点中间变量w＝e，设置当前最佳裁剪顺序数组H_k的数组索引t＝1，搜索过程为：

4.2)获取最佳裁剪顺序数组H_k中第t个样片与裁床原点中间变量w距离最近的轮廓点坐标，作为入刀点坐标集h中的入刀点坐标E_t，更新裁床原点中间变量w＝E_t，数组H_k的索引t＝t+1；

4.3)判断数组H_k的索引t是否超过设定值U，若数组H_k的索引t超过设定值U，给出入刀点坐标集h＝{e,E₁,…,E_U,e}，结束搜索；否则转到步骤4.2)继续搜索；

第五步，根据第二步获取的裁剪数据绘制裁剪路径，得到优化前走刀空行程总和，根据第四步计算出优化后走刀空行程总和，绘制仿真图；通过对比，得出走刀空行程总和缩短百分比，分析优化效果。

2.如权利要求1所述的一种基于最近邻遗传混合算法的服装裁剪路径优化方法，其特征在于：所述步骤3.4)中，当前个体序号n＝1，个体总和为G，进行个体的选择、交叉、变异操作，搜索过程为：

3.4.1)产生一个[0,1]范围内的随机数R,使得概率pr(i)＝W(i)-R,i＝1,2,…,G,设置初始个体索引j＝1，若pr(j)＜0，则j＝j+1，直到pr(j)≥0，选中该个体索引j；

3.4.2)重复步骤3.4.1)，选出两个不相同的个体索引j记为η、μ，两个个体为Clo_η、Clo_μ,适应值为F(μ)、F(η)；

3.4.3)计算种群中适应值最大值F_max：

F_max＝max{F(1),F(2),…,F(G)} (9)

计算种群中适应值平均值F_avg：

其中，max表示取集合元素的最大值，两个适应值F(μ)、F(η)较大值为F＝max{F(μ)、F(η)}，计算交叉概率p_c：

在[0,1]范围内的产生一随机数R_c，若R_c≤p_c，则进行个体的交叉操作，否则不进行交叉操作；若进行交叉操作，在[1,U-1]范围内随机产生2个交叉位u₁、u₂，交换个体Clo_η,Clo_μ中[u₁,u₂]范围内的样片序号，交叉操作结束后更新Clo_n＝Clo_η,Clo_n+1＝Clo_μ；

3.4.4)在[n,n+1]范围内的产生一随机整数m，要变异的个体Clo_m适应值为F(m),计算个体的变异概率p_m：

在[0,1]范围内的产生一个随机数R_m，若R_m≤p_m，则进行变异操作，否则不进行变异操作；若进行变异操作，在[1,U-1]范围内随机产生2个变异位ρ、θ，将第ρ个的样片序号插入到第θ个样片序号前面；

3.4.5)更新样片种群Ω_n和当前个体序号n＝n+2；

3.4.6)判断当前个体序号n是否超过设定值G,若超过设定值G，则给出当前代的种群Ω_n和适应值最大值F_max，结束搜索；否则转至步骤3.4.1)继续搜索。