CN115534319B - 一种基于hgefs算法的3d打印路径规划方法 - Google Patents
一种基于hgefs算法的3d打印路径规划方法 Download PDFInfo
- Publication number
- CN115534319B CN115534319B CN202211152841.5A CN202211152841A CN115534319B CN 115534319 B CN115534319 B CN 115534319B CN 202211152841 A CN202211152841 A CN 202211152841A CN 115534319 B CN115534319 B CN 115534319B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- feature
- features
- path
- matrix
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010146 3D printing Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005192 partition Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000007639 printing Methods 0.000 claims abstract description 10
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 23
- 238000010200 validation analysis Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的目的在于提供一种基于HGEFS算法的3D打印路径规划方法，主要由S1‑S7七步组成。其中步骤S1：输入STL模型；步骤S2：通过模型切片和分层算法进行切片；步骤S3：采用凹多边形凸分解算法对二维切片面进行分区；步骤S4：子分区内部路径最优打印角度选择；步骤S5：子分区采用HGEFS算法进行路径规划；步骤S6：输出子分区数、路径条数、空行程数量；步骤S7：输出G‑code。本发明采用HGEFS算法求解3D打印路径规划中的TSP旅行商问题，在常规遗传算法搜索策略基础上，充分利用ELM分类器训练速度快、分类准确率高、使用灵活性强的特点，进一步提升特征子集评估效率，提高了3D打印路径的规划效率。
Description
技术领域
本发明涉及3D打印控制器技术领域，特别是涉及一种基于HGEFS算法的3D打印路径规划方法。
背景技术
遗传算法是一种通过模拟达尔文进化论的自然选择以及生物进化过程来搜索最优解的计算模型。对每个特征进行编码作为遗传物质的主要载体“染色体”，产生初代“特征”种群后，按照“物竞天择，适者生存”的原理，根据每个特征的“适应度”(对环境的适应程度)选择合适的特征，并借助自然遗传学的“遗传算子”对“染色体”进行“组合交叉”和“变异”，产生新的“种群”。这个过程不断迭代，最后将末代种群中的最优个体进行编码，得到特征子集。
HGEFS算法是一种遗传算法与多个增量式ELM分类器相结合的包裹式特征选择算法。在常规搜索策略基础上，充分利用ELM分类器训练速度快、分类准确率高、使用灵活性强的特点，进一步提升特征子集评估效率。具体而言，通过为不同尺寸的特征子集自动确定ELM分类模型超参数(如隐藏层节点个数)，或者采用多ELM模型集成策略，从而提升ELM分类器对特征子集的评估能力。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于HGEFS算法的3D打印路径规划方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于HGEFS算法的3D打印路径规划方法，包括如下步骤：
S1、输入STL模型，通过模型切片和分层算法对输入的STL模型进行切片；
S2、利用凹多边型凸分解算法将步骤S1切片得到的二维切片面进行分区；
S3、对步骤S2分区后得到的子分区内进行最优打印角度选择；
S4、利用HGEFS算法求解填充之后的子分区的路径规划，包括子分区数、路径条数和空行程数量；
S5、将路径规划转化为G-code路径，输出至3D打印机打印。
进一步的，所述S1具体包括如下步骤：
S11、读取STL模型；
S12、建立数据结构，将读取的STL模型离散成二维平面，确定二维平面的最小分层厚度Zmin、最大分层厚度Zmax以及每一层的层厚ΔZ；
S13、令分层厚度Z＝Zmin，判断Z≤Zmax是否成立，若不成立则结束分层算法流程，若成立则进入步骤S14；
S14、计算STL模型三角面片与切片面线的交线获取轮廓信息，令分层厚度Z＝Z+ΔZ并判断Z≤Zmax是否成立，若是则返回步骤S13，若不成立则结束分层算法流程。
进一步的，所述S4具体包括如下步骤：
S41、随机初始化特征，在遗传算法种群中选择特征构建数据集，其中，特征子集中的元素个数等于子分区数量；
S42、使用随机生成的新特征替换S41中构建的特征子集中的特征，使特征子集具备多样性并重复直至满足停止条件，得到多个候选特征子集；
S43、基于适应度值选择一组候选特征子集，根据网络的输出权重范数选择更小的特征子集；
S44、利用EM-ELM预测测试数据集完成路径规划，并通过多数投票规划计算输出路径规划结果。
进一步的，所述S41中具体包括如下步骤：
S411、随机初始化特征并选择特征作为数据集；
S412、将数据集中的数据经过归一化后分为测试数据集和训练数据集；
S413、将训练数据集中数据的作为训练特征子集进行训练，将测试数据集中的数据作为测试特征子集进行预测和集成。
进一步的，所述S42具体包括：
S421、利用训练特征子集中的数据训练EM-ELM网络获得适应度值，并对输入的路径特征使用二进制序列对特征子集进行编码，二进制序列的长度与特征子集中的特征维度相同，其中“1”代表着路径特征被选中，而“0”则意味着该路径特征没有被选中：
θ＝[θ(1),θ(2),...,θ(n)]
其中θ为个体基因，θ(i)∈{1,0}，n是所有路径特征的数量。
S422、判断是否达到终止条件，若是，则进入步骤S43；若不是，则通过交叉、变异、选择的方式增加新特征，若增加的新特征与S41中的构建的数据集不同则添加进数据集中；若相同，则通过EI策略增加新特征并放入数据集中。
进一步的，所述S43中适应度值的计算方式为：
其中，N是验证集样本的数量，K是隐藏节点的数量，θ是对应的路径特征子集，n是所有路径特征的数量，m是需要的路径特征数量，λ是惩罚系数，tj为期望输出矩阵，g(ωixj+bi)为ELM的激活函数的线性映射表示，其中ωi是连接第i个隐含层节点与输入层的连接权值，xj为ELM神经网络的输入矩阵，bi是第i个隐含层节点的偏置，另外||·||2表示取L2范数。
进一步的，所述S43具体包括：
S431、根据适应度值对测试特征子集进行排序，并选择2M个测试特征子集，其中M为分类器数量；
S432、在S431中选择的2M个测试特征子集中，选择具有较小输出权重范数的M个子集构成集成模型；
S433、利用多数投票方式选择最优子集。
进一步的，所述S432中输出权重范数采用递归方式进行更新，具体表示为：
其中，Hj是第j次迭代后的隐藏层输出矩阵；δHj是新加入隐藏层节点的输出矩阵，并且Hj+1＝[Hj+δHj]，βj+1为输出权值矩阵，Dj为初始隐藏层节点矩阵，Uj为最大隐藏层节点矩阵，为隐藏层输出矩阵的Moore-Penrose广义逆，Dj，T为训练目标矩阵，(·)+取矩阵的Moore-Penrose广义逆。
本发明具有以下有益效果：
本发明如上所述提供了采用HGEFS算法求解TSP旅行商问题，在常规搜索策略基础上，充分利用ELM分类器训练速度快、分类准确率高、使用灵活性强的特点，进一步提升特征子集评估效率，提高了3D打印路径的规划效率。
附图说明
图1为本发明所述的一种基于HGEFS算法的3D打印路径规划方法的总流程图；
图2为本发明所述的基于HGEFS算法的3D打印路径规划方法中分层算法的流程示意图；
图3为本发明所述的基于HGEFS算法的3D打印路径规划方法中的一种HGEFS算法的完整流程结构图
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
一种基于HGEFS算法的3D打印路径规划方法，如图1所示，包括如下步骤：
S1、输入STL模型，通过模型切片和分层算法对输入的STL模型进行切片；
当前3D打印的通用格式文件为STL文件，建模之后要保存转换为STL文件格式，这种格式的文件是由大量的三角形面片组成的三维模型表面，是一种实体模型的近似处理。
在将数据文件输入3D打印机之前，要对STL文件进行处理，将其三维模型离散成二维平面，用一系列的平行平面进行切分，得到切片，每个切片的平面上就可以得到一层层的相交线，而且由于模型的完整性，所以所有的交线又是封闭的，形成一个个封闭的环，我们称为轮廓线。在分层之前，要检测STL文件的完整性，检测其有没有缺陷，在分层过程中还要检测其轮廓线是不是封闭的。在实际的打印生产中，还要根据精度的要求，对分层的厚度进行规划，精度越高，其分层厚度应该越小，以减小由于模型近似处理带来的台阶效应。
具体的切片方式如图2所示，
S11、读取STL模型；
S12、建立数据结构，将读取的STL模型离散成二维平面，确定二维平面的最小分层厚度Zmin、最大分层厚度Zmax以及每一层的层厚ΔZ；
S13、令分层厚度Z＝Zmin，判断Z≤Zmax是否成立，若不成立则结束分层算法流程，若成立则进入步骤S14；
S14、计算STL模型三角面片与切片面线的交线获取轮廓信息，令分层厚度Z＝Z+ΔZ并判断Z≤Zmax是否成立，若是则返回步骤S13，若不成立则结束分层算法流程。
S2、利用凹多边型凸分解算法将步骤S1切片得到的二维切片面进行分区；
将3D模型切片后得到的二维切片面采用凹多边形凸分解算法进行分解得到多个子分区，其本质是消除凹点，分解成简单多边形。
S3、对步骤S2分区后得到的子分区内进行最优打印角度选择；
在分层求交得到的截面信息之后，还要对这些采用Z字形扫描方式对内部进行填充，其优点在于减少空行程、节省时间
S4、利用HGEFS算法求解填充之后的子分区的路径规划，包括子分区数、路径条数和空行程数量；
通过凹多边形凸分解算法对切片面进行分区后，需要做的就是对每个封闭子分区进行逐个打印。实质上就是通过求解TSP旅行商问题解决子分区的路径规划，本发明中提出了采用HGEFS算法求解TSP旅行商问题，具体而言，如图3所示，其中，虚线框内第1部分为遗传算法(GA)的特征子集搜索过程，第2部分为特征子集选择与生成过程，第3部分为集成的ELM分类算法。具体分析如下：
S41、随机初始化特征，在遗传算法种群中选择特征构建数据集，其中，特征子集中的元素个数等于子分区数量；
首先随机初始化特征，在遗传算法种群中每一个候选特征均被编码成染色体。采用最短路径构建遗传算法(GA)的特征子集。基于染色体修剪数据集，训练不同的集成ELM分类模型评估每个生成的特征子集对应的适应度值。最后，通过使用遗传算子产生新的特征子集。特征子集的元素个数即为TSP城市的数量。即二维切片面子分区的数量，特征子集中存储各个城市的编号，从下标为0开始逐个遍历特征子集元素形成的一个序列即为路径。
S42、使用随机生成的新特征替换S41中构建的特征子集中的特征，利用训练特征子集中的数据训练EM-ELM网络获得适应度值，并对输入的路径特征使用二进制序列对特征子集进行编码，二进制序列的长度与特征子集中的特征维度相同，其中“1”代表着路径特征被选中，而“0”则意味着该路径特征没有被选中：
θ＝[θ(1),θ(2),...,θ(n)]
其中θ为个体基因，θ(i)∈{1,0}，n是所有路径特征的数量。例如个体基因1101010表示第一个、第二个、第四个和第六个路径特征被保留下来作为特征子集。使特征子集具备多样性并重复直至满足停止条件，得到多个候选特征子集；经过几代迭代后，为了避免陷入局部最优，使用EI(Extinction and Immigration)策略，即用随机生成的新特征来替换原子集中的特征，以改善整个特征子集的多样性。重复该过程直到满足停止条件。
S43、基于适应度值选择一组候选特征子集，根据网络的输出权重范数选择更小的特征子集；
S431、根据适应度值对测试特征子集进行排序，并选择2M个测试特征子集，其中M为分类器数量；
在EM-ELM中，需要预设隐藏层节点的初始数量、隐藏层节点的最大数量以及预期的训练准确度。隐藏层节点可以通过迭代计算从初始值开始增加，直到满足预期的训练准确度或达到隐藏层节点的最大数量。
S432、在S431中选择的2M个测试特征子集中，选择具有较小输出权重范数的M个子集构成集成模型；
输出权重可以通过递归的方式快速更新，更新方式为：
其中，Hj是第j次迭代后的隐藏层输出矩阵；δHj是新加入隐藏层节点的输出矩阵，并且Hj+1＝[Hj+δHj]，βj+1为输出权值矩阵，Dj为初始隐藏层节点矩阵，Uj为最大隐藏层节点矩阵，为隐藏层输出矩阵的Moore-Penrose广义逆，Dj，T为训练目标矩阵，(·)+取矩阵的Moore-Penrose广义逆。
S433、利用多数投票方式选择最优子集。
在遗传算法(GA)的演化过程中，具有较高预测准确率的子集更有可能存活到下一代。换句话说，遗传算法(GA)试图最大化子集相应的准确率。为了最小化特征子集以满足给定的子集大小要求，这里添加了一个惩罚项来定义适应度函数。
其中，N是验证集样本的数量，K是隐藏节点的数量，θ是对应的路径特征子集，n是所有路径特征的数量，m是需要的路径特征数量，tj为期望输出矩阵，g(ωixj+bi)为ELM的激活函数的线性映射表示，其中ωi是连接第i个隐含层节点与输入层的连接权值，xj为ELM神经网络的输入矩阵，bi是第i个隐含层节点的偏置，另外‖·‖2表示取L2范数。λ是惩罚系数，用于折中所获得的路径特征子集的准确度与路径特征子集的大小。当计算accuracy(θ)时，将训练集划分为用来训练相应EM-ELM的训练数据集以及用来评估预测准确率的验证集。
根据ELM的泛化理论，在训练误差和输出权重同时较小时，ELM网络往往表现出更好的泛化性能。根据以上分析结果，在GA的搜索之后，具有高适应度值的特征子集将被保留。从这些保留的特征子集中进行选择可以保证较小的训练误差。为了满足ELM的泛化理论，需要进一步选择输出权重较小的特征子集。
S44、利用EM-ELM预测测试数据集完成路径规划，并通过多数投票规划计算输出路径规划结果。
根据适应度值对特征子集排序，并选择2M个(其中M是集成中分类器的数量)最合适的特征子集。然后从这2M个子集中选择具有较小输出权重范数的M个子集，以构成最终的集成模型。最后使用“多数投票”的方式选择出最优子集，对于每一个测试样本xtest，可以由剩余的各自独立的EM-ELM网络得到M个预测结果。然后用一个维度数等于类标签数量的矢量(C是类标签的数量)来存储xtest的所有M个结果。如果第m个ELM的预测结果是第i类标签，则向量/>中相应条目i的值将增加1，即令
在将所有M个结果分配给后，根据“多数投票”规则，对于给定测试样本xtest的EM-ELM集成最终结果由下式决定。
S5、将路径规划转化为G-code路径，输出至3D打印机打印。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
综上所述，本发明提供了一种基于HGEFS算法的3D打印路径规划方法。3D打印过程需要对各分区实现最短时间的遍历以提高效率，其核心在于TSP旅行商问题的求解。传统方法一般采用传统的遗传算法求解TSP问题，其特征子集评估效率较低，且算法内包含的交叉率、变异率等参数的设定需要依靠经验确定，另外对于初始种群的优劣依赖性较强。本发明如上所述提供了采用HGEFS算法求解TSP旅行商问题，在常规搜索策略基础上，充分利用ELM分类器训练速度快、分类准确率高、使用灵活性强的特点，进一步提升特征子集评估效率，提高了3D打印路径的规划效率。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种基于HGEFS算法的3D打印路径规划方法，其特征在于，包括如下步骤：
S1、输入STL模型，通过模型切片和分层算法对输入的STL模型进行切片；
S2、利用凹多边型凸分解算法将步骤S1切片得到的二维切片面进行分区；
S3、对步骤S2分区后得到的子分区内进行最优打印角度选择；
S4、利用HGEFS算法求解填充之后的子分区的路径规划，包括子分区数、路径条数和空行程数量，具体包括如下步骤：
S41、随机初始化特征，在遗传算法种群中选择特征构建数据集，其中，特征子集中的元素个数等于子分区数量，具体包括如下步骤：
S411、随机初始化特征并选择特征作为数据集；
S412、将数据集中的数据经过归一化后分为测试数据集和训练数据集；
S413、将训练数据集中数据的作为训练特征子集进行训练，将测试数据集中的数据作为测试特征子集进行预测和集成；
S42、使用随机生成的新特征替换S41中构建的特征子集中的特征，使特征子集具备多样性并重复直至满足停止条件，得到多个候选特征子集，具体包括：
S421、利用训练特征子集中的数据训练EM-ELM网络获得适应度值，并对输入的路径特征使用二进制序列对特征子集进行编码，二进制序列的长度与特征子集中的特征维度相同：
其中为个体基因，/>，/>是所有路径特征的数量；
S422、判断是否达到终止条件，若是，则进入步骤S43；若不是，则通过交叉、变异、选择的方式增加新特征，若增加的新特征与S41中的构建的数据集不同则添加进数据集中；若相同，则通过EI策略增加新特征并放入数据集中；
S43、基于适应度值选择一组候选特征子集，根据网络的输出权重范数选择更小的特征子集，其中，适应度值的计算方式为：
其中，是验证集样本的数量，/>是隐藏节点的数量，/>是对应的路径特征子集，/>是所有路径特征的数量，/>是需要的路径特征数量，/>是惩罚系数，/>为期望输出矩阵，为ELM的激活函数的线性映射表示，其中/>是连接第i个隐含层节点与输入层的连接权值，/>为ELM神经网络的输入矩阵，/>是第i个隐含层节点的偏置，另外/>表示取L2范数；
所述S43具体包括：
S431、根据适应度值对测试特征子集进行排序，并选择2M个测试特征子集，其中M为分类器数量；
S432、在S431中选择的2M个测试特征子集中，选择具有较小输出权重范数的M个子集构成集成模型，输出权重范数采用递归方式进行更新，具体表示为：
其中，是第/>次迭代后的隐藏层输出矩阵；/> 是新加入隐藏层节点的输出矩阵，并且/>；/>为输出权值矩阵，/>为初始隐藏层节点矩阵，/>为最大隐藏层节点矩阵，/>为隐藏层输出矩阵的Moore-Penrose广义逆，/>，/>为训练目标矩阵，/>取矩阵的Moore-Penrose广义逆；
S433、利用多数投票方式选择最优子集；
S44、利用EM-ELM预测测试数据集完成路径规划，并通过多数投票规划计算输出路径规划结果；
S5、将路径规划转化为G-code路径，输出至3D打印机打印。
2.根据权利要求1所述的基于HGEFS算法的3D打印路径规划方法，其特征在于，所述S1具体包括如下步骤：
S11、读取STL模型；
S12、建立数据结构，将读取的STL模型离散成二维平面，确定二维平面的最小分层厚度Zmin、最大分层厚度Zmax以及每一层的层厚；
S13、令分层厚度Z=Zmin ，判断Z≤Zmax是否成立，若不成立则结束分层算法流程，若成立则进入步骤S14；
S14、计算STL模型三角面片与切片面线的交线获取轮廓信息，令分层厚度并判断Z≤Zmax是否成立，若是则返回步骤S13，若不成立则结束分层算法流程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211152841.5A CN115534319B (zh) | 2022-09-21 | 2022-09-21 | 一种基于hgefs算法的3d打印路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211152841.5A CN115534319B (zh) | 2022-09-21 | 2022-09-21 | 一种基于hgefs算法的3d打印路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115534319A CN115534319A (zh) | 2022-12-30 |
| CN115534319B true CN115534319B (zh) | 2023-08-11 |
Family
ID=84727392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211152841.5A Active CN115534319B (zh) | 2022-09-21 | 2022-09-21 | 一种基于hgefs算法的3d打印路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115534319B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116100808B (zh) * | 2023-01-05 | 2024-04-19 | 南京航空航天大学 | 一种基于动态轮廓偏置离散的空间曲面打印路径规划方法 |
| CN117087170B (zh) * | 2023-10-17 | 2024-03-12 | 西安空天机电智能制造有限公司 | 3d打印路径规划方法、装置、计算机设备及存储介质 |
| CN117532885B (zh) * | 2024-01-10 | 2024-05-07 | 成都航空职业技术学院 | 3d打印智能辅助系统、方法及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10399280B1 (en) * | 2016-04-29 | 2019-09-03 | The Administrators Of The Tulane Educational Fund | Method and system for rapid and efficient three-dimensional printing |
| CN110209363A (zh) * | 2019-05-30 | 2019-09-06 | 大连理工大学 | 基于遗传算法的智能3d打印路径规划方法 |
| WO2020095321A2 (en) * | 2018-11-06 | 2020-05-14 | Vishwajeet Singh Thakur | Dynamic structure neural machine for solving prediction problems with uses in machine learning |
-
2022
- 2022-09-21 CN CN202211152841.5A patent/CN115534319B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10399280B1 (en) * | 2016-04-29 | 2019-09-03 | The Administrators Of The Tulane Educational Fund | Method and system for rapid and efficient three-dimensional printing |
| WO2020095321A2 (en) * | 2018-11-06 | 2020-05-14 | Vishwajeet Singh Thakur | Dynamic structure neural machine for solving prediction problems with uses in machine learning |
| CN110209363A (zh) * | 2019-05-30 | 2019-09-06 | 大连理工大学 | 基于遗传算法的智能3d打印路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115534319A (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115534319B (zh) | 一种基于hgefs算法的3d打印路径规划方法 | |
| Zhan et al. | A fast kriging-assisted evolutionary algorithm based on incremental learning | |
| Şahman | A discrete spotted hyena optimizer for solving distributed job shop scheduling problems | |
| CN111859790B (zh) | 一种基于图像特征学习的曲线加筋结构布局智能设计方法 | |
| CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
| CN113341889B (zh) | 带装配阶段和能耗的分布式阻塞流水车间调度方法及系统 | |
| KR20210039921A (ko) | 신경망 모델을 최적화하도록 구성된 심층 신경망 시스템의 동작 방법 | |
| CN116629352A (zh) | 一种亿级参数寻优平台 | |
| Liu et al. | Deep Boltzmann machines aided design based on genetic algorithms | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
| CN116822566A (zh) | 一种短期光伏发电功率预测方法 | |
| CN112286996A (zh) | 一种基于网络链接和节点属性信息的节点嵌入方法 | |
| González et al. | An efficient inductive genetic learning algorithm for fuzzy relational rules | |
| Pelikan et al. | Getting the best of both worlds: Discrete and continuous genetic and evolutionary algorithms in concert | |
| CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
| CN113326976B (zh) | 一种基于时空关联的港口货运量在线预测方法及系统 | |
| Ibrokhimov et al. | Effective node selection technique towards sparse learning | |
| Liu | Model Optimization Techniques for Embedded Artificial Intelligence | |
| Rosato et al. | Finite precision implementation of random vector functional-link networks | |
| CN114936413A (zh) | 船体外形优化神经网络建模方法及船体外形优化方法 | |
| Erdemir | Hybrid algorithm proposal for optimizing benchmarking problems: Salp swarm algorithm enhanced by arithmetic optimization algorithm | |
| CN118568667B (zh) | 基于多模型融合的隧道围岩识别方法、系统、设备及介质 | |
| Jarraya et al. | Evolutionary multi-objective optimization for evolving hierarchical fuzzy system | |
| Párraga-Álava et al. | Multi-Objective Genetic Algorithms: are they useful for tuning parameters in Agent-Based Simulation? |
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 |