买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：一种基于试凑粒子群混合算法的服装裁剪分床方法，旨在通过分析并建立服装剪裁生产过程的数学模型，以剪裁过程中生产误差最小为优化目标函数，利用混合算法对它进行不断寻优，确定在一定床数下的最优参数组合。基于相对固定的短区间整数配比问题，用试凑法快速选择最优配比，再结合粒子群算法使各粒子快速搜索到理想的裁剪层数和套排配比组合方案。该混合算法利用粒子群算法的快速收敛性，增强算法的全局收敛性，收敛于标准粒子群的全局最优解。再使用最小二乘法对全局最优解进行优化，减小实验误差，进而快速获得服装剪裁分床方法中的最优参数组合。本发明提供了一种能实现快速分床、有效提高精度、有效处理不同服装订单的智能服装裁剪分床方法。

主权项：1.一种基于试凑粒子群混合算法的服装裁剪分床方法，其特征在于，所述方法包括以下包括以下步骤：第一步，对裁剪分床设定初始条件由用户确定各型号样片所需的剪裁实际数量Ui，设定有N种服装型号，各服装型号允许的误差剪裁范围为δ，每床铺布层数C的上限Cmax和下限Cmin，每层布可裁剪总件数L的上限Lmax和下限Lmin，各型号样片每床铺的数量H上限Hmax，各型号样片规格配比Pb最大Pbmax；第二步，计算可能的剪裁床数Bi由各服装型号样片所需剪裁数量Ui计算出剪裁数量总和Usum，平均每床铺布层数Caver，平均每层布剪裁总件数Laver，从而计算出所需分床数量Bi的上限Bmax和下限bmin；第三步，确定剪裁分床方案参数优化的目标函数FX目标函数FX＝B，C，Pb，其中，B为当前分床床数，C为各裁床上的铺布层数，Pb为各裁床上各型号规格配比；在床数Bi确定的条件下，求目标函数FX的一个解C，Pb，在粒子群算法中，每一个粒子都对应目标函数的一个解；进行分床方案的参数优化即取分床过程中所有规格实际产量与订单误差平方和为最小时的参数，对其中参数优化的过程实际上就是求目标函数FX最小值的过程；第四步，先采用粒子群算法搜索全局最优裁剪层数再采用试凑法计算各套排规格配比，过程如下：4.1初始化粒子群参数：设定粒子群大小为M，进化代数最大值为nmax，种群粒子为Xi，Xi＝Ci，Pbi，Ci表示铺布层数，Pbi表示各规格套排配比，在床数Bi确定情况下，对各粒子Xi的速度和位置进行初始化，同时限定每个粒子位置和速度的变化范围，且初始化第0代粒子的局部最优和全局最优值分别为Gi0和Gb0，全局最优值Gb0为适应度最小的Gi0，其中适应度是指当前粒子Xi的目标函数值FXi，i＝1，2，...，M；4.2利用试凑法在各规格配比0～Pbmax内试凑出单个规格所有可能的配比方案，依次比较选出该规格的最优配比；单个规格是指一维服装订单中的某个元素；对于单个规格来说，该规格在每张裁床上的铺布件数配比与铺布层数决定了该规格的实际服装生产量，也决定了生产误差，所以以产生的误差最小为最优原则选取各规格的配比大小，直至所有规格的配比都被选出，即可得到各规格套排配比Pbi，更新Xi中的Pbi，进而计算适应度FXi；4.3当有新解集出现时，由新解集Y更新层数粒子的位置和速度，计算所有粒子新的适应度再比较各适应度值大小进行局部最优值和全局最优值的更新i＝1，2，...，M；4.4试凑粒子群混合算法迭代结束：若整个进化迭代数n＝nmax则结束迭代搜索，否则返回4.2继续执行；4.5输出全局最优值Gb，Gb表示在床数Bi条件下使参数优化目标函数FX取最小值时的解，即全局最优解，最优解即是最优裁剪层数和各套排规格配比；第五步，采用最小二乘法对第四步所得到解进行优化，若配比矩阵Pb满足Pb×Pb’非奇异条件，则利用最小二乘法进一步优化层数；若不满足非奇异条件，则不优化；第六步，判断各型号样片是否满足用户设定的初始化条件，由上述步骤可得到在床数Bi条件下全局最优解Gb，Gb对应的参数为Xi＝Ci，Pbi，判断参数组合Xi是否满足设定的初始限制条件，若满足初始限制条件，则不再去搜索床数较大的最优解的情况；否则不满足初始限制条件，则继续搜索在床数范围内，床数Bi自增1情况下的全局最优解，重复执行上述第四、五步；最终输出符合实际生产的床数B、对应各裁床铺布层数C和各型号规格的配比Pb，该参数组合即为服装剪裁分床方案中生产误差最低、生产效率最高时的最优参数组合。

全文数据：一种基于试凑粒子群混合算法的服装裁剪分床方法技术领域本发明属于计算机辅助服装分床技术领域，具体而言，涉及一种基于试凑粒子群混合算法的服装裁剪分床方法。背景技术服装行业是我国的传统支柱产业之一，在国民经济中处于重要地位。近年来，劳动力成本的提升使得服装生产成本越来越高。同时服装发展的个性化趋势造成服装订单规模增大的问题，给生产方案的设计提出了更高的要求。裁剪作为服装生产的头道工序，它的优劣直接影响着服装产品的质量和成本，进而影响着企业的整体经济效益。因此如何优化分配以减少分床数量和裁剪误差，从而减少人工工作量，提高原布料的利用率，降低生产成本，能够产生巨大的经济效益，具有重大的现实意义。分床是指结合我国服装工业生产的特点为服装订单设计一个高效率的生产方案，在精度和速度上都有较高的要求。目前，国内的服装剪裁分床方案还不太成熟，多数服装企业还是依靠人工经验设计分床方案，对于复杂的订单数据，人工分床不仅会耗费巨大的时间，而且达不到高效的要求；对于订单量大的企业，人工在计算能力和管理上的局限性将大大制约着生产效率。因此，迫切需要一种新的裁剪分床方法快速精确的设计出实际生产方案。发明内容为了克服现有分床方法速度慢、精确度低的缺点，改善现有分床方法对不同订单适用性低的问题，本发明提供了一种能实现快速分床、有效提高精度、有效处理不同服装订单的智能服装裁剪分床方法。本发明解决其技术问题所采用的技术方案如下：一种基于试凑粒子群混合算法的服装裁剪分床方法，包括以下步骤：第一步，对裁剪分床设定初始条件由用户确定各型号样片所需的剪裁实际数量Ui，设定有N种服装型号，各服装型号允许的误差剪裁范围为δ，每床铺布层数C的上限Cmax和下限Cmin，每层布可裁剪总件数L的上限Lmax和下限Lmin，各型号样片每床铺的数量H上限Hmax，各型号样片规格配比Pb最大Pbmax；第二步，计算可能的剪裁床数Bi由各服装型号样片所需剪裁数量Ui计算出剪裁数量总和Usum，平均每床铺布层数Caver，平均每层布剪裁总件数Laver，从而计算出所需分床数量Bi的上限Bmax和下限Bmin；在实际生产中，分床数量、铺布层数、各型号样片配比必须为正整数；第三步，确定剪裁分床方案参数优化的目标函数FX目标函数FX＝B，C，Pb，其中，B为当前分床床数，C为各裁床上的铺布层数，Pb为各裁床上各型号规格配比；在床数Bi确定的条件下，求目标函数FX的一个解C，Pb，在粒子群算法中，每一个粒子都对应目标函数的一个解；进行分床方案的参数优化即取分床过程中所有规格实际产量与订单误差平方和最小时的参数，对其中参数优化的过程实际上就是求目标函数FX最小值的过程；第四步，先采用粒子群算法搜索全局最优裁剪层数再采用试凑法计算各套排规格配比，过程如下：4.1初始化粒子群参数：设定粒子群大小为M，进化代数最大值为nmax，种群粒子为Xi，Xi＝Ci，Pbi，Ci表示铺布层数，Pbi表示各规格套排配比，在床数Bi确定情况下，对各粒子Xi的速度和位置进行初始化，同时限定每个粒子位置和速度的变化范围，且初始化第0代粒子的局部最优和全局最优值分别为Gi0和Gb0，全局最优值Gb0为适应度最小的Gi0，其中适应度是指当前粒子Xi的目标函数值FXi，i＝1，2，...，M；4.2利用试凑法在各规格配比0～Pbmax内试凑出单个规格所有可能的配比方案，依次比较选出该规格的最优配比；单个规格是指一维服装订单中的某个元素；对于单个规格来说，该规格在每张裁床上的铺布件数配比与铺布层数决定了该规格的实际服装生产量，也决定了生产误差，所以以产生的误差最小为最优原则选取各规格的配比大小，直至所有规格的配比都被选出，即可得到各规格套排配比Pbi，更新Xi中的Pbi，进而计算适应度FXi；4.3当有新解集出现时，由新解集Y更新层数粒子的位置和速度，计算所有粒子新的适应度再比较各适应度值大小进行局部最优值和全局最优值的更新i＝1，2，...，M；4.4试凑粒子群混合算法迭代结束：若整个进化迭代数n＝nmax则结束迭代搜索，否则返回4.2继续执行；4.5输出全局最优值Gb，Gb表示在床数Bi条件下使参数优化目标函数FX取最小值时的解，即全局最优解，最优解即是最优裁剪层数和各套排规格配比；第五步，采用最小二乘法对第四步所得到解进行优化，若配比矩阵Pb满足Pb×Pb’非奇异条件，则利用最小二乘法进一步优化层数；若不满足非奇异条件，则不优化；第六步，判断各型号样片是否满足用户设定的初始化条件，由上述步骤可得到在床数Bi条件下全局最优解Gb，Gb对应的参数为Xi＝Ci，Pbi，判断参数组合Xi是否满足设定的初始限制条件，若满足初始限制条件，则不再去搜索床数较大的最优解的情况；否则不满足初始限制条件，则继续搜索在床数范围内，床数Bi自增1情况下的全局最优解，重复执行上述第四、五步；最终输出符合实际生产的床数B、对应各裁床铺布层数C和各型号规格的配比Pb，该参数组合即为服装剪裁分床方案中生产误差最低、生产效率最高时的最优参数组合。本发明提出一种基于试凑粒子群混合算法的服装裁剪分床方法，旨在通过分析并建立服装剪裁生产过程的数学模型，以剪裁过程中生产误差最小为优化目标函数，利用混合算法对它进行不断寻优，确定在一定床数下的最优参数组合。基于相对固定的短区间整数配比问题，用试凑法快速选择最优配比，再结合粒子群算法使各粒子快速搜索到理想的裁剪层数和套排配比组合方案。该混合算法利用粒子群算法的快速收敛性，增强算法的全局收敛性，收敛于标准粒子群的全局最优解。再使用最小二乘法对全局最优解进行优化，减小实验误差，进而快速获得服装剪裁分床方法中的最优参数组合。本发明的有益效果表现在：在服装剪裁分床方案中提出用试凑法解决短区间整数配比问题，结合粒子群算法搜索最优解，搜索完毕后利用最小二乘法再次优化的方法。该方法利用粒子群算法本身具有快速收敛性的同时又结合试凑法去寻找最优配比矩阵，可明显提高了实验搜索效率，较快的收敛到最优解，在全局最优的基础上又利用最小二乘法再次优化最优解，进一步减小了服装的生产误差，最终获得全局最优解。本发明方法克服了分床效率较低、裁剪数量误差较大、分床订单普遍适用性等不足，对降低服装行业的生产误差和提高生产效益具有重要的现实意义。附图说明图1为本发明的求解流程图。图2为本发明的混合算法流程图。具体实施方式下面参照附图以及结合具体事例对本发明进行详细的描述。参照图1和图2，一种基于试凑粒子群混合算法的服装裁剪分床方法，包括以下步骤：第一步，对剪裁分床设定初始化限制条件由用户确定各型号样片所需的剪裁数量Ui，设定有M种号型，各型号样片允许的误差范围为δ，每床铺布层数C的上限Cmax和下限Cmin，每层布可裁剪总件数L的上限Lmax和下限Lmin，各型号样片每床铺的数量H上限Hmax，各型号样片规格配比Pb最大Pbmax；第二步，计算出可能的裁剪床数Bi由各型号样片所需剪裁数量Ui计算出剪裁数量总和Usum，平均每床铺布层数Caver，平均每层布剪裁总件数Laver，从而计算出所需分床数量Bi的上限Bmax和下限Bmin。在实际生产中，分床数量、铺布层数、各型号样片配比必须为正整数；如下公式12345是求床数Bi上下限值的计算过程：各号型样片所需裁剪件数的总和：Usum＝∑Si，i＝1，2，...，M1平均每床铺布层数：平均每层布裁剪的件数：根据上述公式23计算出所需分床数量Bi的上限值：所需的分床数量Bi的下限值：其中，ceil表示床数向上取整，floor表示床数向下取整。第三步，确定剪裁分床方案参数优化的目标函数FX设定该分床方案生产效率的参数模型为FX＝B，C，Pb，其中影响生产效率因素是：当前服装分床床数B，各裁床的铺布层数C以及各裁床上各套排规格配比Pb。在设定分床床数Bi确定的条件下，求目标函数FX的一个解C，Pb。在粒子群算法中，每一个粒子都对应目标函数的一个解。初始化粒子为Xi＝Ci，Pbi，i＝1，2，...，M其中，Ci表示分床的层数，Pbi表示各规格套排配比。进行分床方案的参数优化即取分床过程中生产效率最高值时的参数组合，对其中参数优化的过程实际上就是求目标函数FX最小值的过程。第四步，利用粒子群算法搜索全局最优裁剪层数再采用试凑法计算各套排规格配比，进而对目标函数进行优化，输出最优参数组合，参照附图2，优化过程如下：4.1初始化粒子速度和位置及其他参数设定粒子群大小为M，进化代数最大为nmax，对各个粒子Xi进行位置和速度初始化，初始化第0代粒子位置和速度分别为和i＝1，2，...，M。为保证每个粒子在进化过程中位置和速度均在变量范围内需限定每个粒子位置和速度的变量范围。如每个位置Xi均在[Xmin，Xmax]变量范围内，每个粒子的速度Vi均在[Vmin，Vmax]变量范围内，设定Vmin＝0.15Xmin，Vmax＝0.15Xmax。粒子在更新过程中，如果粒子速度或位置超出设定范围，则将边界值赋给当前粒子。初始化粒子群参数，ωmax＝0.9，ωmin＝0.5，ωstart＝0.9，c1＝2，c2＝2，ω为粒子群速度公式中的惯性权重，c1和c2为加速因子，分别代表粒子群速度公式中的认知因子和社会因子；4.2对初始化的粒子用试凑法寻找最优配比并计算适应度假定当前裁床数为Bi，各型号样片每床铺的数量H上限Hmax，对各个规格的配比Pb依次枚举比较，共执行T次，选择出生产误差平方和最小的最优配比方案T＝N×Hmax+1^B，其中N表示规格数，Hmax表示单个规格套排的最大配比，B表示裁床数，Hmax+1^B表示单个规格利用试凑法搜索所需的迭代次数。由初始化粒子的层数Ci0和最优配比Pbi0计算适应度，其中适应度指当前粒子的目标函数值FXi，根据适应度大小关系，记录初始化粒子的局部最优和全局最优值分别为Gi0和Gb0，其中Gb0表示适应度最小的Gi0，表示第0代的最优裁剪层数和最优配比；4.3更新粒子群的解设第n代粒子的位置值为速度值为设定ωn＝ωmax-ωmin*nnmax，由ωn公式可看出，ω越大，粒子的搜索速度越大，可使粒子能够快速的进行全局搜索；随着迭代次数n的增加，ω变小，粒子搜索速度变慢，趋向于局部搜索。粒子按如下公式6更新粒子群算法的位置和速度：式中，n代表当前粒子的进化次数，nmax为设定的最大进化次数，r1和r2为0，1之间的随机数，表示粒子i的第n代局部最好位置，表示粒子i第n代的全局最好位置。然后，再计算所有粒子的适应度值FXin+1，i＝1，2，...，M，再将计算得到的适应度值按照以下公式78进行比较更新，得到局部最优值和全局最优值4.4判断迭代结束条件当前迭代次数n等于最大迭代次数nmax时，则结束优化搜索，否则转到第二步4.2继续执行。4.5输出全局最优位置GbGb表示在床数Bi条件下使参数优化目标函数FX取最小值时的最优解，即最优裁剪层数和各套排规格配比；第五步，根据最优配比求出层数的最小二乘解若最优配比满足矩阵Pbbest×Pbbest′非奇异的条件，按照公式9更新解X中的层数解C，非奇异是指若n阶方阵A的行列式不为零，即|A|≠0，当|A|≠0时，称A为非奇异矩阵或满秩矩阵，否则称A为奇异矩阵或降秩矩阵，C＝roundPbbest×pbbest′-1×Pbbest×order9式中，order表示一维的待产生服装订单，round表示对最小二乘的解进行四舍五入。第六步，判断各型号样片是否满足用户设定的初始化条件由第四步得到在床数Bi条件下，使参数优化目标函数FX取最小值时的最优解Gb，Gb对应的参数Xi＝Ci，Pbi；Ci对应裁剪层数，Pbi对应各套排规格配比，判断参数组合Xi是否满足设定的初始限制条件。在床数Bi条件下，若参数Xi满足上述所述初始限制条件，则不再去搜索床数较大的最优解情况；否则不满足初始限制条件，则继续搜索在床数范围内，床数Bi自增1情况下全局最优解，重复第四步继续执行。最终输出的符合实际生产的床数Bi、对应各裁床铺布层数C和各型号规格的配比Pb，该参数组合即为服装剪裁分床方案中生产误差最低、生产效率最高的最优参数组合。

权利要求：1.一种基于试凑粒子群混合算法的服装裁剪分床方法，其特征在于，所述方法包括以下包括以下步骤：第一步，对裁剪分床设定初始条件由用户确定各型号样片所需的剪裁实际数量Ui，设定有N种服装型号，各服装型号允许的误差剪裁范围为δ，每床铺布层数C的上限Cmax和下限Cmin，每层布可裁剪总件数L的上限Lmax和下限Lmin，各型号样片每床铺的数量H上限Hmax，各型号样片规格配比Pb最大Pbmax；第二步，计算可能的剪裁床数Bi由各服装型号样片所需剪裁数量Ui计算出剪裁数量总和Usum，平均每床铺布层数Caver，平均每层布剪裁总件数Laver，从而计算出所需分床数量Bi的上限Bmax和下限bmin；第三步，确定剪裁分床方案参数优化的目标函数FX目标函数FX＝B，C，Pb，其中，B为当前分床床数，C为各裁床上的铺布层数，Pb为各裁床上各型号规格配比；在床数Bi确定的条件下，求目标函数FX的一个解C，Pb，在粒子群算法中，每一个粒子都对应目标函数的一个解；进行分床方案的参数优化即取分床过程中所有规格实际产量与订单误差平方和为最小时的参数，对其中参数优化的过程实际上就是求目标函数FX最小值的过程；第四步，先采用粒子群算法搜索全局最优裁剪层数再采用试凑法计算各套排规格配比，过程如下：4.1初始化粒子群参数：设定粒子群大小为M，进化代数最大值为nmax，种群粒子为Xi，Xi＝Ci，Pbi，Ci表示铺布层数，Pbi表示各规格套排配比，在床数Bi确定情况下，对各粒子Xi的速度和位置进行初始化，同时限定每个粒子位置和速度的变化范围，且初始化第0代粒子的局部最优和全局最优值分别为Gi0和Gb0，全局最优值Gb0为适应度最小的Gi0，其中适应度是指当前粒子Xi的目标函数值FXi，i＝1，2，...，M；4.2利用试凑法在各规格配比0～Pbmax内试凑出单个规格所有可能的配比方案，依次比较选出该规格的最优配比；单个规格是指一维服装订单中的某个元素；对于单个规格来说，该规格在每张裁床上的铺布件数配比与铺布层数决定了该规格的实际服装生产量，也决定了生产误差，所以以产生的误差最小为最优原则选取各规格的配比大小，直至所有规格的配比都被选出，即可得到各规格套排配比Pbi，更新Xi中的Pbi，进而计算适应度FXi；4.3当有新解集出现时，由新解集Y更新层数粒子的位置和速度，计算所有粒子新的适应度再比较各适应度值大小进行局部最优值和全局最优值的更新i＝1，2，...，M；4.4试凑粒子群混合算法迭代结束：若整个进化迭代数n＝nmax则结束迭代搜索，否则返回4.2继续执行；4.5输出全局最优值Gb，Gb表示在床数Bi条件下使参数优化目标函数FX取最小值时的解，即全局最优解，最优解即是最优裁剪层数和各套排规格配比；第五步，采用最小二乘法对第四步所得到解进行优化，若配比矩阵Pb满足Pb×Pb’非奇异条件，则利用最小二乘法进一步优化层数；若不满足非奇异条件，则不优化；第六步，判断各型号样片是否满足用户设定的初始化条件，由上述步骤可得到在床数Bi条件下全局最优解Gb，Gb对应的参数为Xi＝Ci，Pbi，判断参数组合Xi是否满足设定的初始限制条件，若满足初始限制条件，则不再去搜索床数较大的最优解的情况；否则不满足初始限制条件，则继续搜索在床数范围内，床数Bi自增1情况下的全局最优解，重复执行上述第四、五步；最终输出符合实际生产的床数B、对应各裁床铺布层数C和各型号规格的配比Pb，该参数组合即为服装剪裁分床方案中生产误差最低、生产效率最高时的最优参数组合。

百度查询： 浙江工业大学 一种基于试凑粒子群混合算法的服装裁剪分床方法