[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

摘要

一种基于最近邻遗传混合算法的服装裁剪路径优化方法，包括以下步骤：1)通过裁床软件对服装样片进行排样，得到裁剪数据文件，用MATLAB解析并复现；2)将其转化为一个两级组合优化问题，用改进的遗传算法求解裁剪顺序；3)在裁剪顺序基础上用最近邻算法得到样片的入刀点；4)分析优化前后的裁剪路径数据，对比分析效果。本发明提供了一种可以有效提高裁剪效率的服装裁剪路径优化方法。

主权项

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δn，每个样片字符串p和字符串长度pn，第i个样片Ni和该样片轮廓点个数Si，i＝1,2,…,U，第i个样片的第j个轮廓点Nij，Nij的坐标Kij＝(xij,yij)，j＝1,2,…,Si，样片Ni的轮廓点横坐标最大值ximax和最小值ximin，样片Ni的轮廓点纵坐标最大值yimax和最小值yimin，计算样片Ni的中心点坐标：将样片Ni所有轮廓点坐标存入样片点坐标集Nnum，Nnum＝{N1；N2；…；NU}；将样片中心点坐标Ci存入样片中心点坐标集Cnum＝{C1；C2；…；CU}；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gmax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Ωn，编码长度L，交叉概率pc，交叉常数c1、c2，变异概率pm，变异常数m1、m2；3.2)在种群Ωn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,…,CloG}；3.3)每个个体中，第i个样片Ni与第j个样片Nj距离记D(Ci,Cj),样片Ni、Nj的中心点坐标分别为(αi,βi)、(αj,βj)，计算样片中心点间的距离：通过样片中心点间的距离D(Ci,Cj)可以计算出个体裁剪路径长度f(i)：f(i)＝D(Cj,Cj+1)+D(C1,CU),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E_i,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Ei＝(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Hk的数组索引t＝1，搜索过程为：4.2)获取最佳裁剪顺序数组Hk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Et，更新裁床原点中间变量w＝Et，数组Hk的索引t＝t+1；4.3)判断数组Hk的索引t是否超过设定值U，若数组Hk的索引t超过设定值U，给出入刀点坐标集h＝{e,E1,…,EU,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。