CN114722439A - 基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法 - Google Patents

Abstract

本发明公开了基于改进自适应杂交退火粒子群‑动态规划的裁剪路径优化方法，包括以下步骤：步骤一，获取裁剪文件，限定裁剪路径范围和样片数；步骤二，解析裁剪文件，获取独立样片点坐标并且计算相应样片的中心点坐标；步骤三，利用中心点坐标使用改进自适应杂交退火粒子群算法搜索最优裁剪顺序；步骤四，利用样片点坐标和动态规划方式确定每个样片的入刀点；步骤五，转化为G代码输出至裁剪机进行相应运动；本发明通过采用改进自适应杂交退火粒子群算法对排布好的裁剪图进行裁剪序列搜索，利用动态规划的方式确定每个样片的入刀点，可以提升裁剪效率，降低加工成本和裁剪走刀时间，解决了传统粒子群算法存在的早熟收敛问题，避免产生停滞状态。

Description

基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化 方法

技术领域

本发明涉及计算机辅助服装裁剪技术领域，具体为基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法。

背景技术

服装、皮革等软性材料制品与人们的日常生活紧密相关，相关产品市场销量巨大；中国作为全球最大的服装、皮革消费国和生产国，服装业与皮革业对中国经济的发展做出了巨大贡献，年纺织服装产值已占到全国总产值的10％；数控裁剪机作为软性材料自动化加工过程中的核心设备，是用于解决加工精度不足，生产效率低下等问题提供了一种良好的实现方法；在该类材料裁剪过程中，一般排料文件常常有几十个甚至几百个样片，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、裁剪刀点位置不同而发生变化，减少裁剪空行程将有效缩短走刀时间，因此，裁剪空行程将成为影响裁剪效率的重要因素；

现阶段，由于国内不少裁剪CAD/CAM软件系统的空行程路径功能并不完善，得出的空行程路径方案优化效率较低，与实际应用差异较大；因此，绝大多数企业在实际生产中都是采用贪心算法或人工描点方法获得空行程路径方案，贪心算法容易陷入局部最优，无法确保得出的裁剪路径方案为最优结果；而人工描点的方式增加企业的用人成本，对企业的长远发展极其不利。

发明内容

本发明的目的在于提供基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，以解决现有技术中存在的算法计算耗时长、效率低、损耗大的问题。

为实现上述目的，本发明提供如下技术方案：基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，包括以下步骤：步骤一，获取裁剪文件，限定裁剪路径范围和样片数；步骤二，解析裁剪文件，获取独立样片点坐标并且计算相应样片的中心点坐标；步骤三，利用中心点坐标使用改进自适应杂交退火粒子群算法搜索最优裁剪顺序；步骤四，利用样片点坐标和动态规划方式确定每个样片的入刀点；步骤五，转化为G代码输出至裁剪机进行相应运动；

其中在上述步骤一中，获取裁剪文件：根据用户自身需求对所需要的裁剪形状进行绘制，规定裁剪路径范围和样片数量；

其中在上述步骤二中，获取上述步骤一的裁剪文件原始数据：裁剪文件一般为dxf/dwg文件格式，从该文件中读取数据字符串，从原始数据字符串中读取每个样片N_i的轮廓点坐标数据(x_ij,y_ij)，并且根据每个样片的各轮廓点计算样片的中心点坐标C_i，并将原始数据分别存入样片点坐标集N_num以及中心点坐标集C_num中；

其中在上述步骤三中，将上述步骤二的裁剪文件原始数据利用改进自适应杂交退火粒子群优化算法获取裁剪路径样片走刀顺序；

其中在上述步骤四中，基于上述步骤三的流程确定裁剪序列，确定裁剪序列下的每个样片的入刀点；

其中在上述步骤五中，根据步骤四得到的入刀点集合，以此作为最终优化结果，在计算机上将次裁剪路径转化为G代码，输出至裁剪机上，以此进行裁剪动作，最终分析裁剪质量和效率。

优选的，所述步骤三中，具体过程包括以下步骤：

1)设置算法初始参数，如惯性权重最大值和最小值w_max、w_min，自身加速系数的最大值和最小值c_1max、c_1min，社会加速系数的最大值和最小值c_2max、c_2min，阈值系数γ，杂交概率P_c，杂交比例P_h，最大迭代次数g_max，当前迭代次数g，粒子数目M，裁剪系统原点坐标E，sigmoid函数控制参数K_max；

2)随机生成M个粒子，初始化粒子个体最优适应度pbest_fitness、个体极值pbest、群体最优适应度gbest_fitness和群体极值gbest，计算所有粒子的平均值适应值为

3)根据粒子群自适应参数规则调整w，c₁，c₂，调整规则如下：

其中：

f_i为当前迭代次数下的每个粒子的适应度值；

4)根据粒子群算法规则调整M个粒子的位置x_ij和速度v_ij，应用在裁剪路径优化问题上，位置即表示为裁剪序列N＝[N₁,N₂,N₃…N_n]；速度即表示为对裁剪序列的交换序N_ij＝[N₁,N₂]表示为裁剪序列中为N₁和N₂的样片顺序进行交换，更新规则如下：

5)更新个体极值pbest：根据粒子更新后的位置计算每个粒子当前迭代次序的适应度值F_i，在所提方法中适应度值为裁剪序列的路径总长度，将每个粒子每次迭代后寻找到的最短路径的裁剪序列作为个体极值pbest；

6)更新群体极值

引入模拟退火算子，在每次迭代后根据蒙特卡洛准则更新群体极值，模拟退火算子的初始温度

后续每次迭代温度用降序系数μ线性递减，即T(k)＝T(k-1)*μ，然后根据概率公式P选择更新群体极值gbest的方式，更新准则如下：

7)判断杂交条件，若粒子趋同性过强，则引入杂交变异算子增加种群多样性，利用Div判断粒子聚集程度，Div值越小，表明种群在中心周围聚集程度越高，若当Div值衰减至一定阈值，且满足杂交概率时，进行杂交算子对粒子进行更新：

8)满足上述7)杂交条件时执行杂交变异算子，产生新的种群：

9)根据新种群记录本次迭代的群体最优适应度gbest_fitness和群体极值gbest，并且同当前迭代次数之前的群体极值进行比较，若优于之前群体极值，则更新群体极值；

10)判断算法是否达到最大迭代次数或者退火温度是否低于预设值，若未达到，则返回步骤3)，且迭代次数g＝g+1；若达到，则输出群体最优适应度和群体极值，作为最佳裁剪顺序N_best＝[N₁,N₂,N₃…N_n]，结束搜索。

优选的，所述步骤6)中，概率公式P为：

优选的，所述步骤8)中，p_b为均匀分布的[0,1]间的随机数，

和

分别为子代位置及速度，

和

分别为父代位置和速度。

优选的，所述步骤四中，采用禁忌搜索-动态规划算法确定裁剪序列下的每个样片的入刀点。

优选的，所述步骤四中，具体过程包括以下步骤：

1)设置禁忌表，将步骤三得到的裁剪序列放入该表，若下次迭代中获得的裁剪序列已存在于禁忌表中，则不执行动态规划算法，转而继续进行步骤三；

2)初始化动态规划算法，由于裁剪序列是一个封闭路径，需要利用最近邻原则选择第一个样片中距离裁剪系统原点E最近的入刀点N_1j；

3)执行动态规划算法，利用步骤三得到的裁剪序列N_best＝[N₁,N₂,N₃…N_n]，首先确定第n个样片中所有轮廓点到达第1个样片的最短空行程长度；其次，确定第n-1个样片中所有轮廓点到第1个样片的最短空行程长度，该步骤需要用到步骤1所形成的信息；以此反复执行直到确定所有样片到第1个样片的最短空行程长度；

4)确定入刀点，根据步骤2)中的最短空行程长度从而确定每个样片的入刀点，形成入刀点集合R＝[R₁,R,R₃…R_n]。

与现有技术相比，本发明的有益效果是：本发明通过采用改进自适应杂交退火粒子群算法对排布好的裁剪图进行裁剪序列搜索，利用动态规划的方式确定每个样片的入刀点，可以提升裁剪效率，降低加工成本和裁剪走刀时间，解决了传统粒子群算法存在的早熟收敛问题，避免产生停滞状态。

附图说明

图1为本发明的方法流程图；

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为裁剪路径优化图；

图5为最终输出的G代码示例图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-5，本发明提供的一种实施例：基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，包括以下步骤：步骤一，获取裁剪文件，限定裁剪路径范围和样片数；步骤二，解析裁剪文件，获取独立样片点坐标并且计算相应样片的中心点坐标；步骤三，利用中心点坐标使用改进自适应杂交退火粒子群算法搜索最优裁剪顺序；步骤四，利用样片点坐标和动态规划方式确定每个样片的入刀点；步骤五，转化为G代码输出至裁剪机进行相应运动；

其中在上述步骤一中，获取裁剪文件：根据用户自身需求对所需要的裁剪形状进行绘制，规定裁剪路径范围和样片数量；

其中在上述步骤二中，获取上述步骤一的裁剪文件原始数据：裁剪文件一般为dxf/dwg文件格式，从该文件中读取数据字符串，从原始数据字符串中读取每个样片N_i的轮廓点坐标数据(x_ij,y_ij)，并且根据每个样片的各轮廓点计算样片的中心点坐标C_i，并将原始数据分别存入样片点坐标集N_num以及中心点坐标集C_num中；

其中在上述步骤三中，将上述步骤二的裁剪文件原始数据利用改进自适应杂交退火粒子群优化算法获取裁剪路径样片走刀顺序；具体过程包括以下步骤：

1)设置算法初始参数，如惯性权重最大值和最小值w_max、w_min，自身加速系数的最大值和最小值c_1max、c_1min，社会加速系数的最大值和最小值c_2max、c_2min，阈值系数γ，杂交概率P_c，杂交比例P_h，最大迭代次数g_max，当前迭代次数g，粒子数目M，裁剪系统原点坐标E，sigmoid函数控制参数K_max；

2)随机生成M个粒子，初始化粒子个体最优适应度pbest_fitness、个体极值pbest、群体最优适应度gbest_fitness和群体极值gbest，计算所有粒子的平均值适应值为

3)根据粒子群自适应参数规则调整w，c₁，c₂，调整规则如下：

其中：

f_i为当前迭代次数下的每个粒子的适应度值；

4)根据粒子群算法规则调整M个粒子的位置x_ij和速度v_ij，应用在裁剪路径优化问题上，位置即表示为裁剪序列N＝[N₁,N₂,N₃…N_n]；速度即表示为对裁剪序列的交换序N_ij＝[N₁,N₂]表示为裁剪序列中为N₁和N₂的样片顺序进行交换，更新规则如下：

5)更新个体极值pbest：根据粒子更新后的位置计算每个粒子当前迭代次序的适应度值F_i，在所提方法中适应度值为裁剪序列的路径总长度，将每个粒子每次迭代后寻找到的最短路径的裁剪序列作为个体极值pbest；

6)更新群体极值gbest：引入模拟退火算子，在每次迭代后根据蒙特卡洛准则更新群体极值，模拟退火算子的初始温度

后续每次迭代温度用降序系数μ线性递减，即T(k)＝T(k-1)*μ，然后根据概率公式P选择更新群体极值gbest的方式：

更新准则如下：

7)判断杂交条件，若粒子趋同性过强，则引入杂交变异算子增加种群多样性，利用Div判断粒子聚集程度，Div值越小，表明种群在中心周围聚集程度越高，若当Div值衰减至一定阈值，且满足杂交概率时，进行杂交算子对粒子进行更新：

8)满足上述7)杂交条件时执行杂交变异算子，产生新的种群：

其中，p_b为均匀分布的[0,1]间的随机数，

和

分别为子代位置及速度，

和

分别为父代位置和速度；

9)根据新种群记录本次迭代的群体最优适应度gbest_fitness和群体极值gbest，并且同当前迭代次数之前的群体极值进行比较，若优于之前群体极值，则更新群体极值；

10)判断算法是否达到最大迭代次数或者退火温度是否低于预设值，若未达到，则返回步骤3)，且迭代次数g＝g+1；若达到，则输出群体最优适应度和群体极值，作为最佳裁剪顺序N_best＝[N₁,N₂,N₃…N_n]，结束搜索；

其中在上述步骤四中，基于上述步骤三的流程确定裁剪序列，采用禁忌搜索-动态规划算法确定裁剪序列下的每个样片的入刀点；具体过程包括以下步骤：

1)设置禁忌表，将步骤三得到的裁剪序列放入该表，若下次迭代中获得的裁剪序列已存在于禁忌表中，则不执行动态规划算法，转而继续进行步骤三；

2)初始化动态规划算法，由于裁剪序列是一个封闭路径，需要利用最近邻原则选择第一个样片中距离裁剪系统原点E最近的入刀点N_1j；

3)执行动态规划算法，利用步骤三得到的裁剪序列N_best＝[N₁,N₂,N₃…N_n]，首先确定第n个样片中所有轮廓点到达第1个样片的最短空行程长度；其次，确定第n-1个样片中所有轮廓点到第1个样片的最短空行程长度，该步骤需要用到步骤1所形成的信息；以此反复执行直到确定所有样片到第1个样片的最短空行程长度；

4)确定入刀点，根据步骤2)中的最短空行程长度从而确定每个样片的入刀点，形成入刀点集合R＝[R₁,R,R₃…R_n]；

其中在上述步骤五中，根据步骤四得到的入刀点集合，以此作为最终优化结果，在计算机上将次裁剪路径转化为G代码，输出至裁剪机上，以此进行裁剪动作，最终分析裁剪质量和效率。

基于上述，本发明的优点在于，该发明使用时，首先通过改进自适应杂交退火粒子群算法对排布好的裁剪图进行裁剪序列搜索，具有搜索速度快，搜索精度高的优点；其次是利用动态规划的方式确定每个样片的入刀点，规划方案简洁易实现，具有效率高，误差小的优点，对于提高裁剪行业的生产效益具有重要的现实意义。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

1.基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，包括以下步骤：步骤一，获取裁剪文件，限定裁剪路径范围和样片数；步骤二，解析裁剪文件，获取独立样片点坐标并且计算相应样片的中心点坐标；步骤三，利用中心点坐标使用改进自适应杂交退火粒子群算法搜索最优裁剪顺序；步骤四，利用样片点坐标和动态规划方式确定每个样片的入刀点；步骤五，转化为G代码输出至裁剪机进行相应运动；其特征在于：

其中在上述步骤一中，获取裁剪文件：根据用户自身需求对所需要的裁剪形状进行绘制，规定裁剪路径范围和样片数量；

其中在上述步骤二中，获取上述步骤一的裁剪文件原始数据：裁剪文件一般为dxf/dwg文件格式，从该文件中读取数据字符串，从原始数据字符串中读取每个样片N_i的轮廓点坐标数据(x_ij,y_ij)，并且根据每个样片的各轮廓点计算样片的中心点坐标C_i，并将原始数据分别存入样片点坐标集N_num以及中心点坐标集C_num中；

其中在上述步骤三中，将上述步骤二的裁剪文件原始数据利用改进自适应杂交退火粒子群优化算法获取裁剪路径样片走刀顺序；

其中在上述步骤四中，基于上述步骤三的流程确定裁剪序列，确定裁剪序列下的每个样片的入刀点；

其中在上述步骤五中，根据步骤四得到的入刀点集合，以此作为最终优化结果，在计算机上将次裁剪路径转化为G代码，输出至裁剪机上，以此进行裁剪动作，最终分析裁剪质量和效率。

2.根据权利要求1所述的基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，其特征在于：所述步骤三中，具体过程包括以下步骤：

1)设置算法初始参数，如惯性权重最大值和最小值w_max、w_min，自身加速系数的最大值和最小值c_1max、c_1min，社会加速系数的最大值和最小值C_2max、c_2min，阈值系数γ，杂交概率P_c，杂交比例P_h，最大迭代次数g_max，当前迭代次数g，粒子数目M，裁剪系统原点坐标E，sigmoid函数控制参数K_ma_x；

2)随机生成M个粒子，初始化粒子个体最优适应度pbest_fitness、个体极值pbest、群体最优适应度gbest_fitness和群体极值gbest，计算所有粒子的平均值适应值为

3)根据粒子群自适应参数规则调整w，c₁，c₂，调整规则如下：

其中：

f_i为当前迭代次数下的每个粒子的适应度值；

4)根据粒子群算法规则调整M个粒子的位置x_ij和速度v_ij，应用在裁剪路径优化问题上，位置即表示为裁剪序列N＝[N₁，N₂，N₃...N_n]；速度即表示为对裁剪序列的交换序N_ij＝[N₁，N₂]表示为裁剪序列中为N₁和N₂的样片顺序进行交换，更新规则如下：

5)更新个体极值pbest：根据粒子更新后的位置计算每个粒子当前迭代次序的适应度值F_i，在所提方法中适应度值为裁剪序列的路径总长度，将每个粒子每次迭代后寻找到的最短路径的裁剪序列作为个体极值pbest；

6)更新群体极值gbest：引入模拟退火算子，在每次迭代后根据蒙特卡洛准则更新群体极值，模拟退火算子的初始温度

后续每次迭代温度用降序系数μ线性递减，即T(k)＝T(k-1)*μ，然后根据概率公式P选择更新群体极值gbest的方式，更新准则如下：

7)判断杂交条件，若粒子趋同性过强，则引入杂交变异算子增加种群多样性，利用Div判断粒子聚集程度，Div值越小，表明种群在中心周围聚集程度越高，若当Div值衰减至一定阈值，且满足杂交概率时，进行杂交算子对粒子进行更新：

8)满足上述7)杂交条件时执行杂交变异算子，产生新的种群：

9)根据新种群记录本次迭代的群体最优适应度gbest_fitness和群体极值gbest，并且同当前迭代次数之前的群体极值进行比较，若优于之前群体极值，则更新群体极值；

10)判断算法是否达到最大迭代次数或者退火温度是否低于预设值，若未达到，则返回步骤3)，且迭代次数g＝g+1；若达到，则输出群体最优适应度和群体极值，作为最佳裁剪顺序N_best＝[N₁，N₂，N₃...N_n]，结束搜索。

3.根据权利要求2所述的基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，其特征在于：所述步骤6)中，概率公式P为：

4.根据权利要求2所述的基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，其特征在于：所述步骤8)中，p_b为均匀分布的[0，1]间的随机数，

和

分别为子代位置及速度，

和

分别为父代位置和速度。

5.根据权利要求1所述的基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，其特征在于：所述步骤四中，采用禁忌搜索-动态规划算法确定裁剪序列下的每个样片的入刀点。

6.根据权利要求1所述的基于改进自适应杂交退火粒子群-动态规划的裁剪路径优化方法，其特征在于：所述步骤四中，具体过程包括以下步骤：

1)设置禁忌表，将步骤三得到的裁剪序列放入该表，若下次迭代中获得的裁剪序列已存在于禁忌表中，则不执行动态规划算法，转而继续进行步骤三；

2)初始化动态规划算法，由于裁剪序列是一个封闭路径，需要利用最近邻原则选择第一个样片中距离裁剪系统原点E最近的入刀点N_1j；

3)执行动态规划算法，利用步骤三得到的裁剪序列N_best＝[N₁，N₂，N₃...N_n]，首先确定第n个样片中所有轮廓点到达第1个样片的最短空行程长度；其次，确定第n-1个样片中所有轮廓点到第1个样片的最短空行程长度，该步骤需要用到步骤1所形成的信息；以此反复执行直到确定所有样片到第1个样片的最短空行程长度；

4)确定入刀点，根据步骤2)中的最短空行程长度从而确定每个样片的入刀点，形成入刀点集合R＝[R₁，R，R₃...R_n]。

Images