[发明专利]一种基于深度强化学习的面料裁剪优化方法

说明书

本发明公开了一种基于深度强化学习的面料裁剪优化方法，包括如下步骤：步骤S1，通过神经网络感知零件在面料上的初始排布状态；步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。本发明对于面料排布优化的过程方法简单、优化速度快，并且具有良好地排布优化效果。

技术领域

本发明涉及一种面料裁剪优化方法，具体涉及一种基于深度强化学习的面料裁剪优化方法。

背景技术

面料裁剪优化是NP难问题(NP-Hard，多项式复杂程度的非确定性问题)。传统的优化方法依靠多边形计算对面料上的零件进行感知，然后通过大规模的搜索优化技术对面料排件进行优化，以将尽可能多的零件排布在面料上。但现有的这些优化方法计算复杂度高、优化速度较慢，而且对于面料剪裁利用率的提升效果并不理想。

发明内容

本发明的目的在于提供一种基于深度强化学习的面料裁剪优化方法，该方法对于排布优化的过程方法简单、优化速度快，并且具有良好地排布优化效果。

为达此目的，本发明采用以下技术方案：

提供一种基于深度强化学习的面料裁剪优化方法，包括如下步骤：

步骤S1，通过神经网络感知零件在面料上的初始排布状态；

步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；

步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。

作为本发明的一种优选方案，所述步骤S1中，所述神经网络为CNN卷积神经网络。

作为本发明的一种优选方案，所述步骤S1中，所述神经网络为由CNN卷积神经网络和RNN循环神经网络组成的神经网络架构。

作为本发明的一种优选方案，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：

对所述零件在所述面料上的排布区域、所述面料上未排布所述零件的区域以及所述零件在所述面料上的排布重叠区域进行不同颜色标记。

作为本发明的一种优选方案，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：

步骤S11，通过启发式规则对各所述零件进行排序；

步骤S12，感知所述面料上已排布有所述零件的第一区域，以及感知未排布所述零件的第二区域；

步骤S13，根据各所述零件的排序信息，截取所述第一区域的尾部区域作为可将未排布的所述零件排布于已排布的所述零件后方的第一起始位置；并截取所述第二区域的头部区域作为可将未排布的所述零件排布于所述面料上的第二起始位置；

步骤S14，将所述第一起始位置及其后的面料区域以及将所述第二起始位置及其后的所述面料区域感知为可排布所述零件的区域。

作为本发明的一种优选方案，所述启发式规则包括根据各所述零件的面积大小进行排序。

作为本发明的一种优选方案，根据所述零件的面积大小，从所述面料上截取出所述第一区域的尾部区域，以及截取出所述第二区域的头部区域，以实现需要排布的所述零件大小与感知到的可排布区域的面积大小相匹配。

作为本发明的一种优选方案，所述步骤S2中，对已排布在所述面料上的各所述零件的排布方案进行优化的方法步骤为：

步骤A1，获取已排布的各所述零件的排序信息；