CN115145225A - 一种基于烟花算法的异形海绵切割路径优化方法 - Google Patents

Abstract

本发明涉及一种基于烟花算法的异形海绵切割路径优化方法，首先对排样图上的待切零件进行编号，提取待切零件的特征点并按顺时针顺序编号，然后利用上述待切零件的编号和特征点对烟花算法的相关参数进行初始化，生成初始种群。接着，运用烟花算法对切割路径进行优化，从而获得切割路径，即刀具的走刀路径。本发明能高效的获得优化过后的异形海绵切割路径，为企业提高生产效益提供方法。

Description

一种基于烟花算法的异形海绵切割路径优化方法

技术领域

本发明涉及智能制造技术领域，特别是一种基于烟花算法的异形海绵切割路径优化方法。

背景技术

随着人类社会的不断发展，人类生活水平的提高，轻工业制造业不仅是国家现代化水平的重要标志之一，同时也与人们的生活息息相关。海绵出现在国民经济建设和人民生活的各个领域中，包括汽车工业、电池工业、化妆品业及家具制造业等。由于海绵的需求量水涨船高，为满足海绵与日俱增的消费需求量，如何提高海绵的加工效率成为一个至关重要的问题。提高海绵加工效率的关键就在于减少海绵生产中切割路径中刀具空行程长度。

目前企业所采取的海绵切割路径优化方法大多数是依靠工人的经验对刀具切割路径进行优化，这种人工的方法存在着局限性，人工的方法很难选出切割的最优路径，而且优化的效果和工人的经验有很大的因果性，切割路径优化的效果无法得到保证，最终就影响生产的效率。

发明内容

有鉴于此，本发明的目的在于提供一种基于烟花算法的异形海绵切割路径优化方法，以得到最优的切割路径，减少空行程的长度，提高异形海绵的切割效率。

为实现上述目的，本发明采用如下技术方案：一种基于烟花算法的异形海绵切割路径优化方法，包括如下步骤：

步骤S1，对排样图上的待切零件进行编号，提取待切零件的特征点并按顺时针顺序编号；

步骤S2，利用上述待切零件的编号和特征点对烟花算法的参数进行初始化，生成初始种群；

步骤S3，运用烟花算法对切割路径进行优化；

步骤S4，获取最优切割路径。

在一较佳的实施例中，所述步骤S1中，提取特征点的方法为：对于多边形，将其顶点作为其特征点；对于圆、圆弧线，采用离散化的方法，将圆弧线离散成k条线段组成的多边形，多边形的顶点作为其特征点，其中k根据圆和圆弧线周长或边长大小变化；对于椭圆形，将椭圆形的长半轴、短半轴与椭圆形的交点作为其特征点。

在一较佳的实施例中，所述步骤S1中，对待切零件和特征点编号具体实现过程如下：

设共有n个待切零件，每个零件分配一个编号为C₁,…,C_i,…,C_n；若待切零件C_i的特征点数量为L_i，i∈{1,n}，则待切零件C_i的特征点按顺时针顺序编号为

在一较佳的实施例中，所述步骤S2中，生成初始种群的具体实现过程如下：

1)将待切零件编号按任意顺序排序，形成一组编码[C₁,…,C_i,…,C_n]；

2)从C₁中任意选择一个特征点

再从下一待切零件中选择一个特征点

依照编码顺序从下一待切零件选取特征点，直到所有的待切零件都被选取一个特征点，这样操作完成后会形成一个特征点编码

其中

是指零件编号为C_i的待切零件的第k_i个特征点，

是指编号为C_i的待切零件的特征点数量；将上述两种编码组合形成如下编码

3)第2)步操作重复N次，形成N组编码，并描述为

每组编码被当作算法初始种群的中一个个体，其中待切零件编号所组成的编码称为前半段编码，特征点编号所组成的编码成为后半段编码；此时设置算法当前迭代数t＝1。

在一较佳的实施例中，所述步骤S3中，算法的优化过程描述为：

烟花算法包括以下操作：初始化操作、爆炸操作、高斯变异操作以及选择操作；算法最终的优化目标是减少切割路径中刀具空行程的长度，即种群中个体的适度值越小越好；

其中爆炸操作是指：在个体中随机选择一个待切零件编号，然后随机插入到个体编码前半段中另一个位置，与该待切零件编号相对应的特征点的位置也要随之发生改变；高斯变异操作是指：随机选择个体中两个不同的待切零件编号，将这两个待切零件编号之间包含这两个待切零件编号的待切零件编号序列倒序，与这段待切零件编号序列相对于的特征点的序列也要随之发生改变。

在一较佳的实施例中，所述步骤S3中，算法的具体实现过程为：

1)计算第t代中每个个体的适应度值，其中适应度函数为：

其中，f(X_a)代表个体X_a的适应度值，

代表特征点

和特征点

之间路径的长度；适应度最小的个体为最优个体；

2)计算第t代中每个个体的爆炸火花数和爆炸半径，公式如下：

其中R_a表示个体X_a的爆炸火花数，D_a表示的是个体X_a的爆炸半径，爆炸半径是指一个个体生成一个爆炸火花所需的爆炸次数；R和D为预设置的爆炸火花数和爆炸半径；f_max为种群中最大适应度值，f_min为种群中最小适应度值；ε为任意小的数值；

3)每个个体进行爆炸操作生成爆炸火花，具体过程如下：个体X_a爆炸D_a次产生一个爆炸火花，然后重复R_a次，共爆炸(D_a×R_a)次，生成R_a个爆炸火花；每个个体都需进行此步操作，共生成

个爆炸火花；

4)计算第t代中每个个体的高斯变异数，公式如下：

g_a＝min(1,[|e|])

其中，g_a是个体X_a的高斯变异数，高斯变异数是指一个个体生成一个高斯变异火花所高斯变异的次数，e～N(1,1)，N(1,1)为均值方差均为1的高斯分布；

5)每个个体进行高斯变异生成高斯火花，具体过程如下：个体X_a高斯变异g_a次产生一个高斯火花，然后重复GM次，共爆炸(g_a×GM)次，生成GM个高斯火花；每个个体都需进行此步操作，共生成(GM×N)个高斯火花，其中GM是预先设置好的高斯火花数；

6)对种群进行选择，具体操作方式为：在第t代烟花种群以及爆炸火花、高斯火花中选出1个最优个体作为第t+1代中烟花种群中的一个个体，剩余N-1个烟花个体则根据轮盘赌方法选择；当前迭代次数加1，即t＝t+1；

7)通过上述方式不断更新种群直至当前迭代次数达到最大迭代次数，输出最优个体。

在一较佳的实施例中，所述步骤S4中，获取最优切割路径的方式如下：

每个个体的编码是由零件切割顺序和零件切入点组成的一个排列，所以获取最优切割路径的方式就是将种群中最优个体解码；解码的过程是将个体编码分解，前半段编码代表刀具切割零件的编号顺序，后半段编码代表刀具切入零件时的切入点，将这些切入点相连即可获得最优切割路径。

与现有技术相比，本发明具有以下有益效果：能够快速有效的获得较优的切割方案。

附图说明

图1为本发明优选实施例的算法流程图；

图2为本发明优选实施例的算法中爆炸操作图；

图3为本发明优选实施例的算法中变异操作图。

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。

一种基于烟花算法的异形海绵切割路径优化方法，参考图1，具体安装一下步骤实施：

步骤S1，对排样图上的待切零件进行编号，提取待切零件的特征点并按顺时针顺序编号；

步骤S2，利用上述待切零件的编号和特征点对烟花算法的参数进行初始化，生成初始种群；

步骤S3，运用烟花算法对切割路径进行优化；

步骤S4，获取最优切割路径。

所述步骤S1中，提取特征点的方法为：对于多边形，将其顶点作为其特征点；对于圆、圆弧线，采用离散化的方法，将圆弧线离散成k条线段，多边形的顶点作为其特征点，其中k根据圆和圆弧线周长或边长大小变化；对于椭圆形，将椭圆形的长半轴、短半轴与椭圆形的交点作为其特征点。

对待切零件和特征点编号具体实现过程如下：

设共有n个待切零件，每个零件分配一个编号为C₁,…,C_i,…,C_n。若待切零件C_i的特征点数量为L_i，则待切零件C_i的特征点按顺时针顺序编号为

生成初始种群的具体实现过程如下：

1)将待切零件编号按任意顺序排序，形成一组编码[C₁,…,C_i,…,C_n]。

2)从C₁中任意选择一个特征点

再从下一待切零件中选择一个特征点

依照编码顺序从下一待切零件选取特征点，直到所有的待切零件都被选取一个特征点，这样操作完成后会形成一个特征点编码

其中

是指零件编号为C_i的待切零件的第k_i个特征点，

是指编号为C_i的待切零件的特征点数量。将上述两种编码组合形成如下编码

3)第2)步操作重复N次，形成N组编码，并描述为

每组编码被当作算法初始种群的中一个个体，种群个体编码如表1所示，其中待切零件编号所组成的编码称为前半段编码，特征点编号所组成的编码成为后半段编码。此时设置算法当前迭代数t＝1。

表1：

表1中：

N表示种群规模，

C_ai：指在第a个个体中第i位的待切零件编号，

指零件编号为C_ai的待切零件的第k_i个特征点，

指编号为C_ai的待切零件的特征点数量。

算法的优化过程描述为：

烟花算法包括以下操作：初始化操作、爆炸操作、高斯变异操作以及选择操作；算法最终的优化目标是减少切割路径中刀具空行程的长度，即种群中个体的适度值越小越好。

其中爆炸操作是指：在个体中随机选择一个待切零件编号，然后随机插入到个体编码前半段中另一个位置，与该待切零件编号相对应的特征点的位置也要随之发生改变。高斯变异操作是指：随机选择个体中两个不同的待切零件编号，将这两个待切零件编号之间(包含这两个待切零件编号)的待切零件编号序列倒序，与这段待切零件编号序列相对于的特征点的序列也要随之发生改变。

1)计算第t代中每个个体的适应度值，其中适应度函数为：

其中，f(X_a)代表个体X_a的适应度值、

代表特征点

和特征点

之间路径的长度；适应度最小的个体为最优个体。

2)计算第t代中每个个体的爆炸火花数和爆炸半径，公式如下：

其中R_a表示个体X_a的爆炸火花数，D_a表示的是个体X_a的爆炸半径，爆炸半径是指一个个体生成一个爆炸火花所需的爆炸次数；R和D为预设置的爆炸火花数和爆炸半径；f_max为种群中最大适应度值，f_min为种群中最小适应度值；ε为任意小的数值。

3)每个个体进行爆炸操作生成爆炸火花，具体过程如下：个体X_a爆炸D_a次产生一个爆炸火花，然后重复R_a次，共爆炸(D_a×R_a)次，生成R_a个爆炸火花；每个个体都需进行此步操作，共生成

个爆炸火花。

4)计算第t代中每个个体的高斯变异数，公式如下：

g_a＝min (1,[|e|])

其中，g_a是个体X_a的高斯变异数，高斯变异数是指一个个体生成一个高斯变异火花所高斯变异的次数，e～N(1,1)，N(1,1)为均值方差均为1的高斯分布。

5)每个个体进行高斯变异生成高斯火花，具体过程如下：个体X_a高斯变异g_a次产生一个高斯火花，然后重复GM次，共爆炸(g_a×GM)次，生成GM个高斯火花。每个个体都需进行此步操作，共生成(GM×N)个高斯火花，其中GM是预先设置好的高斯火花数。

6)对种群进行选择，具体操作方式为：在第t代烟花种群以及爆炸火花、高斯火花中选出1个最优个体作为第t+1代中烟花种群中的一个个体，剩余N-1个烟花个体则根据轮盘赌方法选择。当前迭代次数加1，即t＝t+1。

7)通过上述方式不断更新种群直至当前迭代次数达到最大迭代次数，输出最优个体。

获取最优切割路径的方式如下：

每个个体的编码是由零件切割顺序和零件切入点组成的一个排列，所以获取最优切割路径的方式就是将种群中最优个体解码。解码的过程是将个体编码分解，前半段编码代表刀具切割零件的编号顺序，后半段编码代表刀具切入零件时的切入点，将这些切入点相连即可获得最优切割路径。

实施例

该排样图上共有三个待切零件,提取特征点并为其编号，待切零件具体情况如表2所示。

表2：

首先，建立初始化种群规模N＝50的初始群体，设置迭代的次数为100、高斯变异火花数GM＝1。初始种群的个体编码如表3所示

表3：

其次计算每个个体的适应度值，再次计算每个个体的爆炸火花数、爆炸半径和高斯变异数，然后每个个体进行爆炸操作和高斯变异操作得到爆炸火花和高斯火花，其中个体X₁具体操作如图2和3所示。

个体X₁产生爆炸火花的步骤为：个体X₁将第一位的待切零件编号插入到第二位和第三位之间，第四位的特征点编号也同样插入到第五位和第六位之间，此时第一次爆炸完成，开始进行第二次爆炸；在第二次爆炸中个体X₁将第二位的待切零件编号插入到第三位之后，第五位的特征点编号也同样插入到第六位之后，此时第二次爆炸完成，此时的编码则为个体X₁的一个爆炸火花，因X₁的爆炸火花数为1，所以X₁的爆炸操作结束。

个体X₁产生高斯变异火花的步骤为：个体X₁将第一位和第三位之间的待切零件编号序列倒序，第四位和第六位之间的待切零件编号序列也同样倒序，此时第一次高斯变异完成，开始进行第二次高斯变异；在第二次高斯变异中个体X₁将第一位和第二位之间的待切零件编号序列倒序，第四位和第五位之间的待切零件编号序列也同样倒序，此时第二次高斯变异完成，此时的编码则为个体X₁的一个高斯变异火花，因X₁的高斯火花数为1，所以X₁的高斯变异操作结束。

所有个体的爆炸和高斯变异完成后，开始选择出下一代种群。通过上述方法不断更新种群直至满足迭代终止条件，输出最优个体。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种基于烟花算法的异形海绵切割路径优化方法，其特征在于，包括如下步骤：

步骤S1，对排样图上的待切零件进行编号，提取待切零件的特征点并按顺时针顺序编号；

步骤S2，利用上述待切零件的编号和特征点对烟花算法的参数进行初始化，生成初始种群；

步骤S3，运用烟花算法对切割路径进行优化；

步骤S4，获取最优切割路径。

2.根据权利要求1所述的一种基于烟花算法的异形海绵切割路径优化方法，其特征在于，所述步骤S1中，提取特征点的方法为：对于多边形，将其顶点作为其特征点；对于圆、圆弧线，采用离散化的方法，将圆弧线离散成k条线段组成的多边形，多边形的顶点作为其特征点，其中k根据圆和圆弧线周长或边长大小变化；对于椭圆形，将椭圆形的长半轴、短半轴与椭圆形的交点作为其特征点。

3.根据权利要求1所述的一种基于烟花算法的异形海绵切割路径优化方法，其特征在于，所述步骤S1中，对待切零件和特征点编号具体实现过程如下：

设共有n个待切零件，每个零件分配一个编号为C₁,…,C_i,…,C_n；若待切零件C_i的特征点数量为L_i，i∈{1,n}，则待切零件C_i的特征点按顺时针顺序编号为

4.根据权利要求1所述的一种基于烟花算法的异形海绵切割路径优化方法，其特征在于，所述步骤S2中，生成初始种群的具体实现过程如下：

1)将待切零件编号按任意顺序排序，形成一组编码[C₁,…,C_i,…,C_n]；

2)从C₁中任意选择一个特征点

再从下一待切零件中选择一个特征点

依照编码顺序从下一待切零件选取特征点，直到所有的待切零件都被选取一个特征点，这样操作完成后会形成一个特征点编码

其中

是指零件编号为C_i的待切零件的第k_i个特征点，

是指编号为C_i的待切零件的特征点数量；将上述两种编码组合形成如下编码

3)第2)步操作重复N次，形成N组编码，并描述为

每组编码被当作算法初始种群的中一个个体，其中待切零件编号所组成的编码称为前半段编码，特征点编号所组成的编码成为后半段编码；此时设置算法当前迭代数t＝1。

5.根据权利要求1所述的一种基于烟花算法的异形海绵切割路径优化方法，其特征在于所述步骤S3中，算法的优化过程描述为：

烟花算法包括以下操作：初始化操作、爆炸操作、高斯变异操作以及选择操作；算法最终的优化目标是减少切割路径中刀具空行程的长度，即种群中个体的适度值越小越好；

其中爆炸操作是指：在个体中随机选择一个待切零件编号，然后随机插入到个体编码前半段中另一个位置，与该待切零件编号相对应的特征点的位置也要随之发生改变；高斯变异操作是指：随机选择个体中两个不同的待切零件编号，将这两个待切零件编号之间包含这两个待切零件编号的待切零件编号序列倒序，与这段待切零件编号序列相对于的特征点的序列也要随之发生改变。

6.根据权利要求5所述的一种基于烟花算法的异形海绵切割路径优化方法，其特征在于所述步骤S3中，算法的具体实现过程为：

1)计算第t代中每个个体的适应度值，其中适应度函数为：

其中，f(X_a)代表个体X_a的适应度值，

代表特征点

和特征点

之间路径的长度；适应度最小的个体为最优个体；

2)计算第t代中每个个体的爆炸火花数和爆炸半径，公式如下：

其中R_a表示个体X_a的爆炸火花数，D_a表示的是个体X_a的爆炸半径，爆炸半径是指一个个体生成一个爆炸火花所需的爆炸次数；R和D为预设置的爆炸火花数和爆炸半径；f_max为种群中最大适应度值，f_min为种群中最小适应度值；ε为任意小的数值；

3)每个个体进行爆炸操作生成爆炸火花，具体过程如下：个体X_a爆炸D_a次产生一个爆炸火花，然后重复R_a次，共爆炸(D_a×R_a)次，生成R_a个爆炸火花；每个个体都需进行此步操作，共生成

个爆炸火花；

4)计算第t代中每个个体的高斯变异数，公式如下：

g_a＝min(1,[|e|])

其中，g_a是个体X_a的高斯变异数，高斯变异数是指一个个体生成一个高斯变异火花所高斯变异的次数，e～N(1,1)，N(1,1)为均值方差均为1的高斯分布；

5)每个个体进行高斯变异生成高斯火花，具体过程如下：个体X_a高斯变异g_a次产生一个高斯火花，然后重复GM次，共爆炸(g_a×GM)次，生成GM个高斯火花；每个个体都需进行此步操作，共生成(GM×N)个高斯火花，其中GM是预先设置好的高斯火花数；

6)对种群进行选择，具体操作方式为：在第t代烟花种群以及爆炸火花、高斯火花中选出1个最优个体作为第t+1代中烟花种群中的一个个体，剩余N-1个烟花个体则根据轮盘赌方法选择；当前迭代次数加1，即t＝t+1；

7)通过上述方式不断更新种群直至当前迭代次数达到最大迭代次数，输出最优个体。

7.根据权利要求1所述的一种基于烟花算法的异形海绵切割路径优化方法，其特征在于所述步骤S4中，获取最优切割路径的方式如下：

每个个体的编码是由零件切割顺序和零件切入点组成的一个排列，所以获取最优切割路径的方式就是将种群中最优个体解码；解码的过程是将个体编码分解，前半段编码代表刀具切割零件的编号顺序，后半段编码代表刀具切入零件时的切入点，将这些切入点相连即可获得最优切割路径。

Images