CN117787526A - Pcb激光钻孔设备轨迹的优化方法、预测方法及介质 - Google Patents
Pcb激光钻孔设备轨迹的优化方法、预测方法及介质 Download PDFInfo
- Publication number
- CN117787526A CN117787526A CN202410203440.0A CN202410203440A CN117787526A CN 117787526 A CN117787526 A CN 117787526A CN 202410203440 A CN202410203440 A CN 202410203440A CN 117787526 A CN117787526 A CN 117787526A
- Authority
- CN
- China
- Prior art keywords
- value
- visual field
- transverse
- current visual
- current
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000005457 optimization Methods 0.000 title abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims description 295
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Laser Beam Processing (AREA)
Abstract
本发明公开了一种PCB激光钻孔设备轨迹的优化方法、预测方法及介质，所述PCB激光钻孔设备轨迹的优化方法包括：获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；计算所述多个子区域的中心点；根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种PCB激光钻孔设备轨迹的优化方法、预测方法及介质。
背景技术
PCB（Printed Circuit Board），中文名称为印制电路板，又称印刷线路板，是重要的电子部件，是电子元器件的支撑体，是电子元器件电气相互连接的载体。由于它是采用电子印刷术制作的，故被称为“印刷”电路板。PCB板在加工制造的过程中包括钻孔工序，即将PCB板放置在PCB激光钻孔设备上，利用设备对PCB板的相应位置进行钻孔，方便后序使用。
然而现有技术中PCB激光钻孔设备轨迹的优化方法，效果并不佳。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种PCB激光钻孔设备轨迹的优化方法、预测方法及介质，旨在解决上述问题。
为实现上述目的，本发明提供了一种PCB激光钻孔设备轨迹的优化方法，所述PCB激光钻孔设备轨迹的优化方法包括：
获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；
根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；
计算所述多个子区域的中心点；
根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；
根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；
将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹。
优选地，在所述PCB激光钻孔设备轨迹的优化方法中，所述将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹的步骤之后，所述优化方法还包括：
将所述PCB激光钻孔设备的最优轨迹按照第一算法优化，并更新所述最优轨迹；
其中，所述第一算法包括：
取当前最优轨迹T中不相连的两条边e（ci，ci+1）、e（cj，cj+1）；
判断di,i+1+dj,j+1是否大于di,j+di+1,j+1；
当判断结果为是，则删除边e（ci，ci+1）、e（cj，cj+1），添加e（ci，cj）、e（ci+1，cj+1）；
其中，di,i+1为点ci与点ci+1之间的距离；
dj,j+1为点cj与点cj+1之间的距离；
di,j为点ci与点cj之间的距离；
di+1,j+1为点ci+1与点cj+1之间的距离。
优选地，在所述PCB激光钻孔设备轨迹的优化方法中，所述根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹的步骤，包括：
计算当前CPU线程数；
根据所述当前CPU线程数以及预先训练好的带先验知识的遗传算法，对各个子区域的各路径点进行并发计算求解，得到各子区域的最优轨迹。
为了实现上述目的，本发明提供一种PCB激光钻孔设备振镜移动轨迹的预测方法，所述PCB激光钻孔设备振镜移动轨迹的预测方法包括如下步骤：
对采用权利要求1至3任意一项所述的PCB激光钻孔设备轨迹的优化方法，优化得到的最优轨迹进行预测。
优选地，在所述PCB激光钻孔设备振镜移动轨迹的预测方法中，所述预测方法包括：
按照顺序依次获取最优轨迹的序列点集中的一个序列点；
判断当前序列点是否在当前视野内，所述当前视野具有预设的视野范围；
当所述当前序列点不在当前视野内，移动当前视野以将所述当前序列点纳入视野中，更新当前视野，将当前视野的中心加入中心集；
当所有的序列点均遍历完，根据所述中心集，输出轨迹序列。
优选地，在所述PCB激光钻孔设备振镜移动轨迹的预测方法中，所述当所述当前序列点不在当前视野内，移动当前视野以将所述当前序列点纳入视野中，更新当前视野，将当前视野的中心加入中心集的步骤，包括：
当当前序列点在当前视野外右侧，计算第一横向差值，并根据所述第一横向差值更新当前视野；第一横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，更新后的当前视野的最右侧横值为当前视野最右侧横值+第一横向差值，更新后的当前视野的最左侧横值为当前视野最左侧横值+第一横向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外上侧，计算第一纵向差值，并根据所述第一纵向差值更新当前视野；第一纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最上侧纵值为当前视野最上侧纵值+第一纵向差值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值+第一纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外左侧，计算第二横向差值，并根据所述第二横向差值更新当前视野；第二横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，更新后的当前视野的最左侧横值为当前视野最左侧横值-第二横向差值，更新后的当前视野的最右侧横值为当前视野最右侧横值-第二横向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外下侧，计算第二纵向差值，并根据所述第二纵向差值更新当前视野；第二纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最上侧纵值为当前视野最上侧纵值-第二纵向差值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值-第二纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外右上侧，计算第三横向差值和第三纵向差值，并根据所述第三横向差值和第三纵向差值更新当前视野；第三横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，第三纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最右侧横值为前视野的最右侧横值+第三横向差值，更新后的当前视野的最左侧横值为前视野的最左侧横值+第三横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值+第三纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值+第三纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外左上侧，计算第四横向差值和第四纵向差值，并根据所述第四横向差值和第四纵向差值更新当前视野；第四横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，第四纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值-第四横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值-第四横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值+第四纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值+第四纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外左下侧，计算第五横向差值和第五纵向差值，并根据所述第五横向差值和第五纵向差值更新当前视野；第五横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，第五纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值-第五横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值-第五横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值-第五纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值-第五纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外右下侧，计算第六横向差值和第六纵向差值，并根据所述第六横向差值和第六纵向差值更新当前视野；第六横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，第六纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值+第六横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值+第六横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值-第六纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值-第六纵向差值，将更新后的当前视野的中心加入中心集。
优选地，在所述PCB激光钻孔设备振镜移动轨迹的预测方法中，所述判断当前序列点是否在当前视野内的步骤之前，包括：
当当前序列点为第一个序列点时，根据第一个序列点对当前视野初始化，所述当前视野具有预设的视野范围。
为了实现上述目的，本发明还提供一种PCB激光钻孔设备轨迹的优化装置，所述PCB激光钻孔设备轨迹的优化装置包括：
第一计算单元，用于获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；
区域划分单元，用于根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；
第二计算单元，用于计算所述多个子区域的中心点；
排序单元，用于根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；
轨迹规划单元，用于根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；
轨迹合并单元，用于将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹。
为了实现上述目的，本发明还提供一种计算机设备，所述计算机设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的PCB激光钻孔设备轨迹的优化方法、或者上述的PCB激光钻孔设备振镜移动轨迹的预测方法。
为了实现上述目的，本发明还提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的PCB激光钻孔设备轨迹的优化方法、或者上述的PCB激光钻孔设备振镜移动轨迹的预测方法。
本发明至少具有如下有益效果：
本发明提供的PCB激光钻孔设备轨迹的优化方法，先获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；计算所述多个子区域的中心点；根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹，如此PCB激光钻孔设备轨迹的优化效果更佳；
进一步地，通过计算每一子区域的中心，这极大地改善了初始序列的质量，提高了搜索的效率，同时还降低了计算复杂性。 充分利用了计算机的多线程，极大地节省了计算时间。相较一般的基于聚类的GA算法，各个分块的计算是串行进行的，而本发明提供的算法在此部分强调了并发计算的优势，且更加适合处理大规模的问题；
进一步地，通过将所述PCB激光钻孔设备的最优轨迹按照第一算法优化，并更新所述最优轨迹；采用一种高效的局部搜索技术，能够进一步优化最优轨迹。相较一般的基于聚类的GA算法往往只能得到一个初始的解，然后再通过一些简单的优化技术如交换、移位等来改进解，而导致解的质量不是很高。本发明通过第一算法继续优化能够在此基础上更好地改进解，进一步提高了解的质量，消除了因为聚类产生的额外代价，进一步为全局最优解提供了可能；
进一步地，通过对每个子区域的各路径点分别求解，减少了运算量，也使得问题的处理更有针对性，提高了效率。避免在大规模数据中寻找全局最优解，降低了问题的复杂性，这种方式保证了优化过程的可靠性和准确性。而传统的基于聚类的GA算法可能会在寻找全局最优解时，忽视单个聚类内部的路径优化。
进一步地，本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法，视野采用固定大小的框进行迭代，能保证准确稳定地处理每个点, 避免因为框的大小不断变化而引起计算复杂度的提升；由于固定了框架的大小，该算法在处理每个点时的操作都是确定性的，可以预知和控制的，有利于预测整个运行过程和结果；
进一步地，虽然框架大小是固定的，但是通过移动中心点进行处理, 算法有效实现对各种不同形状和大小的路径的适应。由于只是移动中心并检查其他点是否在框内，这种方法在计算资源利用上非常高效，不会产生大量的计算负载。由于每一个点都被处理，而且每个点都被独立地当做候补中心来处理，因此算法一在路径形态的映射和处理上能够较为准确完整地反映原始路径的特征。实际的PCB孔位排列是更紧密连续的，本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法更能准确连续路径的处理，对密集孔位的路径形态更加敏感。
进一步地，本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法是简单而有效，稳健而高效的路径拟合算法，特别适应于处理那些需要快速实时反馈，或者无法预知详细信息的路径拟合问题。
进一步地，本发明提供的算法是一种深度优化的、并行的遗传算法，采用了初始聚类，使问题分解为更小的、更容易处理的子问题，然后运用并发计算的力量，在短时间内找到这些子问题的解，最后使第一算法对最终解进行优化，使其达到更高的优质精度。将块内的最短路径和块间路径分开处理。算法将问题分解，通过减少求解问题的复杂度和数量，降低了计算的复杂性，这在传统的基于聚类的GA算法中是无法实现的。故，本发明的算法的处理速度更快，解的质量更高，适应性更强。
附图说明
图1是本发明提供的PCB激光钻孔设备轨迹的优化方法第一实施方式的流程示意图；
图2为本发明提供的PCB激光钻孔设备轨迹的优化方法第二实施方式的流程示意图；
图3为本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法第一实施方式的流程示意图；
图4为本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法第二实施方式的流程示意图；
图5为本发明提供的PCB激光钻孔设备轨迹的优化装置的示意图；
图6为本发明计算机设备在第一实施例的示意图；
图7为本发明初始扫描序列的示意图；
图8为本发明聚类算法分割二维路径形成多个子区域的示意图；
图9为本发明一子区域的最佳路径图；
图10为本发明又一子区域的最佳路径图；
图11为本发明另一子区域的最佳路径图；
图12为图7经过优化后的路径采用本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法预测路径的示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施例中，为了使读者更好地理解本发明而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本发明所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
为了解决上述问题，本实施方式涉及一种PCB激光钻孔设备轨迹的优化方法，可以应用于计算机设备，计算机设备可以为台式机、平板电脑、笔记本等等具有数据处理能力的电子设备，在其他实施例中，也可以是其他具有数据处理能力的电子设备，在此不做具体限制。
下面对本发明第一实施方式的PCB激光钻孔设备轨迹的优化方法的实现细节进行说明，以下内容仅为方便理解而提供的实现细节，并非实施本方案的必须。
本实施方式的具体流程如图1所示，具体包括：
步骤S110，获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；
应该理解的是，PCB激光钻孔设备的二维路径即PCB激光钻孔设备在钻孔时的路径。二维路径上包括多个路径点，各路径点的距离矩阵为每个路径点与其他各路径点之间距离的矩阵。以二维路径包括路径点a1、a2、……、an为例，a1的距离矩阵包括路径点a1与路径点a2、a3、……、an的距离值。
步骤S120，根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；
应该理解的是，通过各路径点的距离矩阵来分割二维路径，如此将聚集较密的区域分割形成子区域，即每个子区域内相邻的路径点内距离较近。例如在某一区域相邻的各路径点之间的距离小于2mm，则将该区域划分形成一子区域。
需要说明的是，每个子区域内的各路径点的具体数量可以不做限制。
步骤S130，计算所述多个子区域的中心点；
应该理解的是，分别计算每个子区域的中心点，如图8所示，图8中黑圆点即为子区域的中心点。
步骤S140，根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；
应该理解的是，遗传算法（Genetic Algorithm，简称GA）起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，它模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始种群出发，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代不断繁衍进化，最后收敛到一群最适应环境的个体，从而求得问题的优质解。
本发明针对遗传算法，增加了先验知识，让遗传算法在迭代过程中拥有更强的鲁棒性，并且减少了陷入局部最优解的特征条件。
图8中黑圆点为子区域的中心点，图8示意出了采用预先训练好的带先验知识的遗传算法，对多个子区域的中心点进行排序后得到的第一序列的一实施例。在本实施例中，通过计算中心点的路径顺序，将顺序标记为队列顺序，最后得到第一序列。
步骤S150，根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；
应该理解的是，具体实现时，所述步骤S150包括：
计算当前CPU线程数；
根据所述当前CPU线程数以及预先训练好的带先验知识的遗传算法，对各个子区域的各路径点进行并发计算求解，得到各子区域的最优轨迹。
应该理解的是，利用改进的遗传算法，并发求解各个子集间的最优距离，如图9至图11，并发进行，当且仅当前子区域计算结束，才将解集写入对应的中心标志位。
步骤S160，将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹。
应该理解的是，按照第一序列中各中心点的顺序，依次将各个子区域的最优轨迹进行合并，合并后的路径即为PCB激光钻孔设备的最优轨迹。
如图2所示，图2示意出了本发明PCB激光钻孔设备轨迹的优化方法的第二实施方式，基于第一实施方式，所述步骤S160之后，所述优化方法还包括：
步骤S170，将所述PCB激光钻孔设备的最优轨迹按照第一算法优化，并更新所述最优轨迹；
其中，所述第一算法包括：
取当前最优轨迹T中不相连的两条边e（ci，ci+1）、e（cj，cj+1）；
判断di,i+1+dj,j+1是否大于di,j+di+1,j+1；
当判断结果为是，则删除边e（ci，ci+1）、e（cj，cj+1），添加e（ci，cj）、e（ci+1，cj+1）；
其中，di,i+1为点ci与点ci+1之间的距离；
dj,j+1为点cj与点cj+1之间的距离；
di,j为点ci与点cj之间的距离；
di+1,j+1为点ci+1与点cj+1之间的距离。
应该理解的是，当全部解算出后，合并全部解后输出PCB激光钻孔设备的最优轨迹，此时，由于启发式算法的局限性，当前算法仍然停留在遗传算法设定的局部最优解内，此时，采用步骤S170最优轨迹进一步优化，如此可以对各个子区域进一步优化，减少整体区域内部的局部最优解。
需要说明的是，di,i+1实际上为边e（ci，ci+1）的长度，dj,j+1实际上为边e（cj，cj+1）的长度，di,j实际上为边e（ci，cj）的长度，di+1,j+1实际上为边e（ci+1，cj+1）的长度。
本发明提供的PCB激光钻孔设备轨迹的优化方法，先获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；计算所述多个子区域的中心点；根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹，如此PCB激光钻孔设备轨迹的优化效果更佳；
进一步地，通过计算每一子区域的中心，这极大地改善了初始序列的质量，提高了搜索的效率，同时还降低了计算复杂性；充分利用了计算机的多线程，极大地节省了计算时间；相较一般的基于聚类的GA算法，各个分块的计算是串行进行的，而本发明提供的算法在此部分强调了并发计算的优势，且更加适合处理大规模的问题；
进一步地，通过将所述PCB激光钻孔设备的最优轨迹按照第一算法优化，并更新所述最优轨迹；采用一种高效的局部搜索技术，能够进一步优化最优轨迹。相较一般的基于聚类的GA算法往往只能得到一个初始的解，然后再通过一些简单的优化技术如交换、移位等来改进解，而导致解的质量不是很高。本发明通过第一算法继续优化能够在此基础上更好地改进解，进一步提高了解的质量，消除了因为聚类产生的额外代价，进一步为全局最优解提供了可能；
进一步地，通过对每个子区域的各路径点分别求解，减少了运算量，也使得问题的处理更有针对性，提高了效率。避免在大规模数据中寻找全局最优解，降低了问题的复杂性，这种方式保证了优化过程的可靠性和准确性。而传统的基于聚类的GA算法可能会在寻找全局最优解时，忽视单个聚类内部的路径优化。
进一步地，本发明提供的算法是一种深度优化的、并行的遗传算法，采用了初始聚类，使问题分解为更小的、更容易处理的子问题，然后运用并发计算的力量，在短时间内找到这些子问题的解，最后使第一算法对最终解进行优化，使其达到更高的优质精度。将块内的最短路径和块间路径分开处理。算法将问题分解，通过减少求解问题的复杂度和数量，降低了计算的复杂性，这在传统的基于聚类的GA算法中是无法实现的；故，本发明的算法的处理速度更快，解的质量更高，适应性更强。
为了解决上述问题，本实施方式涉及一种PCB激光钻孔设备振镜移动轨迹的预测方法， 可以应用于计算机设备，计算机设备可以为台式机、平板电脑、笔记本等等具有数据处理能力的电子设备，在其他实施例中，也可以是其他具有数据处理能力的电子设备，在此不做具体限制。
下面对本发明第一实施方式的PCB激光钻孔设备振镜移动轨迹的预测方法的实现细节进行说明，以下内容仅为方便理解而提供的实现细节，并非实施本方案的必须。
本实施方式的具体流程如图3所示，具体包括：
步骤S200，对采用上述的PCB激光钻孔设备轨迹的优化方法，优化得到的最优轨迹进行预测。
应该理解的是，该PCB激光钻孔设备振镜移动轨迹的预测方法的实施例包括上述PCB激光钻孔设备轨迹的优化方法的实施例，上述PCB激光钻孔设备轨迹的优化方法的有益效果可以应用于上述PCB激光钻孔设备振镜移动轨迹的预测方法。
具体地，所述预测方法包括：
步骤S210，按照顺序依次获取最优轨迹的序列点集中的一个序列点；
应该理解的是，序列点包括横坐标和纵坐标，例如序列点a（x1，y1）。
步骤S220，判断当前序列点是否在当前视野内，所述当前视野具有预设的视野范围；
需要说明的是，视野范围为一固定值，可以是根据用户精度要求进行设定，也可以采用一固定值。
视野可以为长方形、正方形等等，在此不做具体限制，以视野为正方形为例，横向视野值和纵向视野值相同，均为正方形的边长。
具体地，所述步骤S220之前，包括：
当当前序列点为第一个序列点时，根据第一个序列点对当前视野初始化，所述当前视野具有预设的视野范围。
应该理解的是，在遍历第一个序列点时，根据第一个序列点对当前视野进行初始化，例如可以是将第一个序列点作为当前视野的中心，也可以是将第一序列点作为当前视野的左下角，在此不做具体限制。在本实施例中将第一个序列点作为当前视野的中心。
以第一个序列点为a1（x1，y1），纵向视野值和横向视野值均为L为例，此时当前视野的最左侧为x1-L/2，当前视野的最右侧为x1+L/2，当前视野的最上侧为y1+L/2，当前视野的最下侧为y1-L/2。在其他实施例中，还可以采用其他方式进行初始化，例如可以将第一个序列点置于当前视野的最左侧，在此不做具体限制。另外，还可以设置计数器，初值为0，如此可以对未纳入视野内的序列点进行侦测，若成功纳入视野内，计数器则加1，否则清零。当当前序列点刚好在当前视野内，计数器加1，遍历下一个点，否则清零。
步骤S230，当所述当前序列点不在当前视野内，移动当前视野以将所述当前序列点纳入视野中，更新当前视野，将当前视野的中心加入中心集；
应该理解的是，当当前序列点不在当前视野内，移动当前视野以将当前序列点正好纳入视野中，更新当前视野，形成新的视野。通过中心集存储振镜移动轨迹的横轴坐标值与纵轴坐标值。在本实施例中，通过center_x={}和center_y={}分别存储振镜移动轨迹的横轴坐标值与纵轴坐标值。
步骤S240，当所有的序列点均遍历完，根据所述中心集，输出轨迹序列。
图12示意出了图7经过本发明上述优化方法优化后，并采用本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法预测出来的路径图。
如图4所示，图4示意出了本发明PCB激光钻孔设备振镜移动轨迹的预测方法的第二实施方式，基于第一实施方式，所述步骤S230包括：
步骤S231，当当前序列点在当前视野外右侧，计算第一横向差值，并根据所述第一横向差值更新当前视野；第一横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，更新后的当前视野的最右侧横值为当前视野最右侧横值+第一横向差值，更新后的当前视野的最左侧横值为当前视野最左侧横值+第一横向差值，将更新后的当前视野的中心加入中心集；
需要说明的是，当当前序列点在当前视野外右侧时，当前视野与更新后的当前视野相比较，最上侧纵值和最下侧纵值不变，即更新后的当前视野的最上侧纵值为当前视野最上侧纵值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值。
步骤S232，当当前序列点在当前视野外上侧，计算第一纵向差值，并根据所述第一纵向差值更新当前视野；第一纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最上侧纵值为当前视野最上侧纵值+第一纵向差值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值+第一纵向差值，将更新后的当前视野的中心加入中心集；
需要说明的是，当当前序列点在当前视野外上侧时，当前视野与更新后的当前视野相比较，最左侧横值和最右侧横值不变，即更新后的当前视野的最左侧横值为当前视野最左侧横值，更新后的当前视野的最右侧横值为当前视野最右侧横值。
步骤S233，当当前序列点在当前视野外左侧，计算第二横向差值，并根据所述第二横向差值更新当前视野；第二横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，更新后的当前视野的最左侧横值为当前视野最左侧横值-第二横向差值，更新后的当前视野的最右侧横值为当前视野最右侧横值-第二横向差值，将更新后的当前视野的中心加入中心集；
需要说明的是，当当前序列点在当前视野外左侧时，当前视野与更新后的当前视野相比较，最上侧纵值和最下侧纵值不变，即更新后的当前视野的最上侧纵值为当前视野最上侧纵值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值。
步骤S234，当当前序列点在当前视野外下侧，计算第二纵向差值，并根据所述第二纵向差值更新当前视野；第二纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最上侧纵值为当前视野最上侧纵值-第二纵向差值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值-第二纵向差值，将更新后的当前视野的中心加入中心集；
需要说明的是，当当前序列点在当前视野外下侧时，当前视野与更新后的当前视野相比较，最左侧横值和最右侧横值不变，即更新后的当前视野的最左侧横值为当前视野最左侧横值，更新后的当前视野的最右侧横值为当前视野最右侧横值。
步骤S235，当当前序列点在当前视野外右上侧，计算第三横向差值和第三纵向差值，并根据所述第三横向差值和第三纵向差值更新当前视野；第三横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，第三纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最右侧横值为前视野的最右侧横值+第三横向差值，更新后的当前视野的最左侧横值为前视野的最左侧横值+第三横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值+第三纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值+第三纵向差值，将更新后的当前视野的中心加入中心集。
步骤S236，当当前序列点在当前视野外左上侧，计算第四横向差值和第四纵向差值，并根据所述第四横向差值和第四纵向差值更新当前视野；第四横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，第四纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值-第四横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值-第四横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值+第四纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值+第四纵向差值，将更新后的当前视野的中心加入中心集；
步骤S237，当当前序列点在当前视野外左下侧，计算第五横向差值和第五纵向差值，并根据所述第五横向差值和第五纵向差值更新当前视野；第五横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，第五纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值-第五横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值-第五横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值-第五纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值-第五纵向差值，将更新后的当前视野的中心加入中心集；
步骤S238，当当前序列点在当前视野外右下侧，计算第六横向差值和第六纵向差值，并根据所述第六横向差值和第六纵向差值更新当前视野；第六横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，第六纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值+第六横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值+第六横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值-第六纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值-第六纵向差值，将更新后的当前视野的中心加入中心集。
需要说明的是，步骤S231至步骤S238的执行顺序可以是同时进行，也可以具有先后关系，在此不做具体限制。当将当前序列点纳入更新后的当前视野后遍历下一个点，直至所有的序列点均遍历完。
进一步地，本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法，视野采用固定大小的框进行迭代，能保证准确稳定地处理每个点, 避免因为框的大小不断变化而引起计算复杂度的提升；由于固定了框架的大小，该算法在处理每个点时的操作都是确定性的，可以预知和控制的，有利于预测整个运行过程和结果；
进一步地，虽然框架大小是固定的，但是通过移动中心点进行处理, 算法有效实现对各种不同形状和大小的路径的适应。由于只是移动中心并检查其他点是否在框内，这种方法在计算资源利用上非常高效，不会产生大量的计算负载。由于每一个点都被处理，而且每个点都被独立地当做候补中心来处理，因此算法一在路径形态的映射和处理上能够较为准确完整地反映原始路径的特征。实际的PCB孔位排列是更紧密连续的，本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法更能准确连续路径的处理，对密集孔位的路径形态更加敏感。
进一步地，本发明提供的PCB激光钻孔设备振镜移动轨迹的预测方法是简单而有效，稳健而高效的路径拟合算法，特别适应于处理那些需要快速实时反馈，或者无法预知详细信息的路径拟合问题。
如图5所示，本发明提供一种PCB激光钻孔设备轨迹的优化装置，该PCB激光钻孔设备轨迹的优化装置包括第一计算单元310、区域划分单元320、第二计算单元330、排序单元340、轨迹规划单元350、轨迹合并单元360；
第一计算单元310，用于获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；
区域划分单元320，用于根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；
第二计算单元330，用于计算所述多个子区域的中心点；
排序单元340，用于根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；
轨迹规划单元350，用于根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；
轨迹合并单元360，用于将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹。
为了实现上述目的，本发明还提供一种计算机设备，如图6所示，该计算机设备包括至少一个处理器401；以及，与所述至少一个处理器401通信连接的存储器402；其中，所述存储器402存储有可被所述至少一个处理器401执行的指令，所述指令被所述至少一个处理器401执行，以使所述至少一个处理器401能够执行上述PCB激光钻孔设备轨迹的优化方法、或者上述的PCB激光钻孔设备振镜移动轨迹的预测方法。
其中，存储器402和处理器401采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器401和存储器402的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器401处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器401。
处理器401负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器402可以被用于存储处理器401在执行操作时所使用的数据。
为了实现上述目的，本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述PCB激光钻孔设备轨迹的优化方法、或者上述的PCB激光钻孔设备振镜移动轨迹的预测方法。
即，本领域技术人员可以理解，实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述所描述的实施例仅仅是本发明一部分的实施例，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，可以做出其它不同形式的变化或变动，都应当属于本发明保护的范围。
Claims (10)
1.一种PCB激光钻孔设备轨迹的优化方法，其特征在于，包括：
获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；
根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；
计算所述多个子区域的中心点；
根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；
根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；
将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹。
2.如权利要求1所述的PCB激光钻孔设备轨迹的优化方法，其特征在于，所述将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹的步骤之后，所述优化方法还包括：
将所述PCB激光钻孔设备的最优轨迹按照第一算法优化，并更新所述最优轨迹；
其中，所述第一算法包括：
取当前最优轨迹T中不相连的两条边e（ci，ci+1）、e（cj，cj+1）；
判断di,i+1+dj,j+1是否大于di,j+di+1,j+1；
当判断结果为是，则删除边e（ci，ci+1）、e（cj，cj+1），添加e（ci，cj）、e（ci+1，cj+1）；
其中，di,i+1为点ci与点ci+1之间的距离；
dj,j+1为点cj与点cj+1之间的距离；
di,j为点ci与点cj之间的距离；
di+1,j+1为点ci+1与点cj+1之间的距离。
3.如权利要求1所述的PCB激光钻孔设备轨迹的优化方法，其特征在于，所述根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹的步骤，包括：
计算当前CPU线程数；
根据所述当前CPU线程数以及预先训练好的带先验知识的遗传算法，对各个子区域的各路径点进行并发计算求解，得到各子区域的最优轨迹。
4.一种PCB激光钻孔设备振镜移动轨迹的预测方法，其特征在于，包括如下步骤：
对采用权利要求1至3任意一项所述的PCB激光钻孔设备轨迹的优化方法，优化得到的最优轨迹进行预测。
5.如权利要求4所述的PCB激光钻孔设备振镜移动轨迹的预测方法，其特征在于，所述预测方法包括：
按照顺序依次获取最优轨迹的序列点集中的一个序列点；
判断当前序列点是否在当前视野内，所述当前视野具有预设的视野范围；
当所述当前序列点不在当前视野内，移动当前视野以将所述当前序列点纳入视野中，更新当前视野，将当前视野的中心加入中心集；
当所有的序列点均遍历完，根据所述中心集，输出轨迹序列。
6.如权利要求5所述的PCB激光钻孔设备振镜移动轨迹的预测方法，其特征在于，所述当所述当前序列点不在当前视野内，移动当前视野以将所述当前序列点纳入视野中，更新当前视野，将当前视野的中心加入中心集的步骤，包括：
当当前序列点在当前视野外右侧，计算第一横向差值，并根据所述第一横向差值更新当前视野；第一横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，更新后的当前视野的最右侧横值为当前视野最右侧横值+第一横向差值，更新后的当前视野的最左侧横值为当前视野最左侧横值+第一横向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外上侧，计算第一纵向差值，并根据所述第一纵向差值更新当前视野；第一纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最上侧纵值为当前视野最上侧纵值+第一纵向差值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值+第一纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外左侧，计算第二横向差值，并根据所述第二横向差值更新当前视野；第二横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，更新后的当前视野的最左侧横值为当前视野最左侧横值-第二横向差值，更新后的当前视野的最右侧横值为当前视野最右侧横值-第二横向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外下侧，计算第二纵向差值，并根据所述第二纵向差值更新当前视野；第二纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最上侧纵值为当前视野最上侧纵值-第二纵向差值，更新后的当前视野的最下侧纵值为当前视野最下侧纵值-第二纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外右上侧，计算第三横向差值和第三纵向差值，并根据所述第三横向差值和第三纵向差值更新当前视野；第三横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，第三纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最右侧横值为前视野的最右侧横值+第三横向差值，更新后的当前视野的最左侧横值为前视野的最左侧横值+第三横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值+第三纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值+第三纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外左上侧，计算第四横向差值和第四纵向差值，并根据所述第四横向差值和第四纵向差值更新当前视野；第四横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，第四纵向差值为当前序列点的纵值减去当前视野最上侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值-第四横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值-第四横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值+第四纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值+第四纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外左下侧，计算第五横向差值和第五纵向差值，并根据所述第五横向差值和第五纵向差值更新当前视野；第五横向差值为当前序列点的横值减去当前视野最左侧横值的绝对值，第五纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值-第五横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值-第五横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值-第五纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值-第五纵向差值，将更新后的当前视野的中心加入中心集；和/或，
当当前序列点在当前视野外右下侧，计算第六横向差值和第六纵向差值，并根据所述第六横向差值和第六纵向差值更新当前视野；第六横向差值为当前序列点的横值减去当前视野最右侧横值的绝对值，第六纵向差值为当前序列点的纵值减去当前视野最下侧纵值的绝对值，更新后的当前视野的最右侧横值为当前视野的最右侧横值+第六横向差值，更新后的当前视野的最左侧横值为当前视野的最左侧横值+第六横向差值；更新后的当前视野的最上侧纵值为当前视野的最上侧纵值-第六纵向差值，更新后的当前视野的最下侧纵值为当前视野的最下侧纵值-第六纵向差值，将更新后的当前视野的中心加入中心集。
7.如权利要求5所述的PCB激光钻孔设备振镜移动轨迹的预测方法，其特征在于，所述判断当前序列点是否在当前视野内的步骤之前，包括：
当当前序列点为第一个序列点时，根据第一个序列点对当前视野初始化，所述当前视野具有预设的视野范围。
8.一种PCB激光钻孔设备轨迹的优化装置，其特征在于，包括：
第一计算单元，用于获取PCB激光钻孔设备的二维路径，并计算所述二维路径上各路径点的距离矩阵；
区域划分单元，用于根据所述各路径点的距离矩阵，采用聚类算法分割所述二维路径形成多个子区域；
第二计算单元，用于计算所述多个子区域的中心点；
排序单元，用于根据预先训练好的带先验知识的遗传算法，对所述多个子区域的中心点进行排序，得到第一序列；
轨迹规划单元，用于根据预先训练好的带先验知识的遗传算法，分别对各个子区域的各路径点求解，得到各子区域的最优轨迹；
轨迹合并单元，用于将各个子区域的最优轨迹按照第一序列合并，输出PCB激光钻孔设备的最优轨迹。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至3任意一项所述的PCB激光钻孔设备轨迹的优化方法、或者权利要求4至7任意一项所述的PCB激光钻孔设备振镜移动轨迹的预测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任意一项所述的PCB激光钻孔设备轨迹的优化方法、或者权利要求4至7任意一项所述的PCB激光钻孔设备振镜移动轨迹的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410203440.0A CN117787526B (zh) | 2024-02-23 | 2024-02-23 | Pcb激光钻孔设备轨迹的优化方法、预测方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410203440.0A CN117787526B (zh) | 2024-02-23 | 2024-02-23 | Pcb激光钻孔设备轨迹的优化方法、预测方法及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787526A true CN117787526A (zh) | 2024-03-29 |
| CN117787526B CN117787526B (zh) | 2024-07-05 |
Family
ID=90383867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410203440.0A Active CN117787526B (zh) | 2024-02-23 | 2024-02-23 | Pcb激光钻孔设备轨迹的优化方法、预测方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787526B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5109584A (en) * | 1989-02-28 | 1992-05-05 | Hitachi Seiko Ltd. | Printed circuit board adapter supplying apparatus and method for use in printed circuit board drilling apparatus |
| CN106662858A (zh) * | 2014-02-19 | 2017-05-10 | 广东正业科技股份有限公司 | 一种pcb板的钻孔路径设定方法 |
| CN113567410A (zh) * | 2021-08-02 | 2021-10-29 | 华南师范大学 | 一种低光强单光束大视野的激光点扫描超分辨显微成像装置与方法 |
| CN115170580A (zh) * | 2021-04-02 | 2022-10-11 | 大族激光科技产业集团股份有限公司 | 板材加工控制方法、装置、计算机设备及存储介质 |
| CN115903818A (zh) * | 2022-11-25 | 2023-04-04 | 河海大学 | 一种变电站巡检机器人路径规划方法 |
| CN117206716A (zh) * | 2023-09-25 | 2023-12-12 | 盐城维信电子有限公司 | Pcb激光钻孔机器的xy轴移动路径的拟合方法、终端及介质 |
| CN117359135A (zh) * | 2023-12-08 | 2024-01-09 | 迈为技术(珠海)有限公司 | 振镜校正方法、装置、计算机设备、存储介质和程序产品 |
-
2024
- 2024-02-23 CN CN202410203440.0A patent/CN117787526B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5109584A (en) * | 1989-02-28 | 1992-05-05 | Hitachi Seiko Ltd. | Printed circuit board adapter supplying apparatus and method for use in printed circuit board drilling apparatus |
| CN106662858A (zh) * | 2014-02-19 | 2017-05-10 | 广东正业科技股份有限公司 | 一种pcb板的钻孔路径设定方法 |
| CN115170580A (zh) * | 2021-04-02 | 2022-10-11 | 大族激光科技产业集团股份有限公司 | 板材加工控制方法、装置、计算机设备及存储介质 |
| CN113567410A (zh) * | 2021-08-02 | 2021-10-29 | 华南师范大学 | 一种低光强单光束大视野的激光点扫描超分辨显微成像装置与方法 |
| CN115903818A (zh) * | 2022-11-25 | 2023-04-04 | 河海大学 | 一种变电站巡检机器人路径规划方法 |
| CN117206716A (zh) * | 2023-09-25 | 2023-12-12 | 盐城维信电子有限公司 | Pcb激光钻孔机器的xy轴移动路径的拟合方法、终端及介质 |
| CN117359135A (zh) * | 2023-12-08 | 2024-01-09 | 迈为技术(珠海)有限公司 | 振镜校正方法、装置、计算机设备、存储介质和程序产品 |
Non-Patent Citations (2)
| Title |
|---|
| 赵义超，周本达: "一种求解TSP问题的均匀设计抽样混合遗传算法", 《皖西学院学报》, vol. 25, no. 2, 30 April 2009 (2009-04-30), pages 1 * |
| 郭钊: "基于PC的PCB钻孔机数控系统的研究与开发", 《中国优秀硕士学位论文全文数据库 工程科技Ι辑》, 30 April 2013 (2013-04-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787526B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11675940B2 (en) | Generating integrated circuit floorplans using neural networks | |
| US11853677B2 (en) | Generating integrated circuit placements using neural networks | |
| Kumar et al. | An efficient k-means clustering filtering algorithm using density based initial cluster centers | |
| US20070245281A1 (en) | Placement-Driven Physical-Hierarchy Generation | |
| CN112085041A (zh) | 神经网络的训练方法、训练装置和电子设备 | |
| CN113806582B (zh) | 图像检索方法、装置、电子设备和存储介质 | |
| Xiong et al. | Recursive learning for sparse Markov models | |
| CN117561514A (zh) | 用于对集成电路的宏单元进行布局的方法 | |
| Negi et al. | A review of ai and ml applications for computing systems | |
| CN117787526B (zh) | Pcb激光钻孔设备轨迹的优化方法、预测方法及介质 | |
| CN113221326A (zh) | 基于teacher-student代理模型的卫星组件温度场预测方法 | |
| Raffo et al. | The shape of chromatin: insights from computational recognition of geometric patterns in Hi-C data | |
| Qin et al. | Dynamic Detection of Topological Information from Grid‐Based Generalized Voronoi Diagrams | |
| Ye et al. | Surrogate-based Global Optimization Methods for Expensive Black-Box Problems: Recent Advances and Future Challenges | |
| Al‐Maitah | Text analytics for big data using rough–fuzzy soft computing techniques | |
| Zhan et al. | Finite mixtures of mean-parameterized Conway–Maxwell–Poisson models | |
| Lei et al. | The applications of stochastic models in network embedding: A survey | |
| Aghamolaei et al. | Approximating the p-mean curve of large data-sets | |
| Kaski | Learning metrics for exploratory data analysis | |
| Yin et al. | Incremental construction of generalized Voronoi diagrams on pointerless quadtrees | |
| CN114298203A (zh) | 数据分类的方法、装置、设备和计算机可读介质 | |
| Wu et al. | EDGE++: Improved Training and Sampling of EDGE | |
| Hsu et al. | Multivariate Beta Mixture Model: Probabilistic Clustering with Flexible Cluster Shapes | |
| Liao et al. | Hierarchical Automatic Power Plane Generation with Genetic Optimization and Multilayer Perceptron | |
| Ye et al. | Joint learning of fuzzy embedded clustering and non-negative spectral clustering |
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 |