[发明专利]一种基于分件强化学习技术的家具布局方法及系统

说明书

本发明公开一种基于分件强化学习技术的家具布局方法，包括家具布局环境搭建步骤、家具布局强化学习训练步骤和利用强化学习生成家具布局的步骤。首先对于特定的家具布局方案利用人工技术进行评价打分，并对这些数据进行特征提取处理；其次利用神经网络算法进行回归学习，将训练得到的神经网络用于模拟设计师打分；然后对于特定的状态空间和行为动作空间利用强化学习技术，根据环境的反馈作为指导进行学习；最后在实际使用中利用训练完毕的强化学习模型对特定的家具进行布局。本发明的方法实施过程中适用性强，实现了家具布局的自动化，减少了设计成本，极高的提升设计效率。

技术领域

本发明涉及强化学习技术，特别涉及一种基于分件强化学习技术的家具布局方法。

背景技术

目前，强化学习技术已经在高维控制问题（诸如机器人等）、工业自动化以及金融等方面得到了广泛应用。而在家居装饰行业中，家具布局的效果严重依赖于设计师。设计师大致分为两类，一类为普通设计师，另一类为专业设计师，为了使客户能够满意，普通设计师往往需要大量的时间设计图纸，占用了大量的设计师资源，而专业设计师设计图纸往往需要高昂的价格，不具备普遍适用性。

而随着房地产行业的深入发展，家居装饰行业也得到了极大的发展，对家居的装饰需求也越来越大，供不应求。

发明内容

目前的家具布局往往依赖于设计师，占用大量资源或者不具备普适性，针对上述问题，本发明提供一种基于分件强化学习技术的家具布局方法，具体来说，首先对于特定的家具布局方案利用人工技术进行评价打分，并对这些数据进行特征提取处理，其次采用神经网络进行回归学习，然后对于特定的状态空间和行为动作空间利用强化学习技术，根据环境的反馈进行学习，最后在实际使用中利用训练完毕的强化学习模型对特定的家具进行布局。

一种基于分件强化学习技术的家具布局方法，包括家具布局环境搭建步骤、家具布局强化训练步骤和家具布局强化学习生成步骤；

其中，家具布局环境搭建步骤包括：

步骤100，获得大量装修布局方案的样本数据；

步骤101，获得对样本数据的装修布局方案的评价打分；

步骤102，将样本数据的装修布局方案转化为特征向量之后作为输入值，将样本数据的评价打分作为输出值；

步骤103，按照装修布局方案当中的家具的种类，分别针对各个家具类别构建利用神经网络模型，对输入值和输出值进行人工智能算法的回归训练，得到多个环境反馈模型M₁、M₂、……、M_n；

其中，家具布局强化训练步骤包括：

步骤200，获得大量未经布局的房间信息数据；

步骤201，获得房间内需要布局的家具信息，并对家具进行分类；

步骤202，构建强化学习Actor-Critic算法模型，模型中将步骤200中获得的房间信息和步骤201中获得的家具信息作为强化学习算法中的状态空间，将家具的空间位置参数作为强化学习中的动作空间；将房间信息和家具信息代入环境反馈模型而得到的输出值作为强化学习的动作值；

步骤203，对强化学习模型进行训练，根据网络参数更新函数，直至训练完成，得到家具布局模型N；

其中，家具布局强化学习生成步骤包括：

步骤300，获得待布局的房间信息；

步骤301，获得需要布局的家具信息；

步骤302，合并房间和家具信息，作为输入特征，输入家居布局的模型N中；

步骤303，将家具布局模型N的输出特征与房间信息结合，即为房间家具布局方案。