[发明专利]一种基于最近邻遗传混合算法的服装裁剪路径优化方法

权利要求书

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；

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。