[发明专利]一种基于自适应加速因子粒子群优化算法的裁剪分床方法

摘要

一种基于自适应加速因子粒子群优化算法的裁剪分床方法，包括以下步骤第一步，对裁剪分床设定初始限制条件和SAPSO算法的参数；第二步，根据用户设定的初始限制条件，计算出可能的分床数量根据各号型样片所需裁剪数量计算出所需裁剪数量总和，平均每床铺布层数，平均每层布裁剪件数，从而计算出所需分床数量的上限和下限；第三步，先搜索床数小的分床方案，如果床数小的方案符合要求，则不再去搜索床数大的情况。如果床数小的方案不符合要求，再去搜索床数大的分床方案。在某一分床床数情况下，采用SAPSO算法搜索铺布层数。本发明提高了分床方案确定的效率，减少了用料预算，并且减小了裁剪数量误差。

主权项

一种基于自适应加速因子粒子群优化算法的裁剪分床方法，其特征在于：包括以下步骤：第一步，对裁剪分床设定初始限制条件和SAPSO算法的参数：首先由用户设定每床铺布层数Cnt的上限Cntmax和下限Cntmin，每层布可裁剪总件数T的上限Tmax和下限Tmin，每个号型样片每床排的数量Pb的上限Pbmax，各号型样片所需裁剪的数量Si；算法的自适应加速因子正整数参数γ，认知因子c1，社会因子c2，算法迭代过程中层数粒子速度向量的最大限度Vcmax、配比粒子速度向量的最大限幅Vbmax；第二步，根据用户设定的初始限制条件，计算出可能的分床数量：根据各号型样片所需裁剪数量计算出所需裁剪数量总和S，平均每床铺布层数Laver，平均每层布裁剪件数Taver，从而计算出所需分床数量Bed的上限Bedmax和下限Bedmin；第三步，确定出来的分床床数Bed是在一个有限的范围内，在某一分床床数情况下，采用SAPSO算法搜索铺布层数，过程如下：3.1)以各床上的铺布层数作为粒子的位置，给各床在搜索空间ΩK内随机初始化一个层数，同理初始化M个粒子{Cnt1,Cnt2…CntM}，以及速度向量值{v1,v2…vM}，以各号型样片误差平方和为适应值Fvalue。令各个粒子的个体历史最优Pbesti＝Cnti，i＝1,2,…,M，粒子的全局最优Gbest＝Cnt1；3.2)再采用SAPSO算法搜索在对应铺布层数下，使Fvalue最小的配比Pb：其搜索过程为：3.2.1)将第j种号型样片在各床上的配比作为粒子的位置Pbi，在搜索空间ΨK内，给该号型样片在各床上的配比随机初始化一个值，同理初始化M个粒子{Pb1,Pb2…PbM}，速度向量值{vb1,vb1…vbM}，令每个粒子的个体历史最优Pbest1i＝Pbi，粒子的全局最优Gbest1＝ceil(Pb1)；3.2.2)根据速度更新公式：vbi(n1+1)=δ×[vbi(n1)+c1×r1×(Pbest1i(n1)-Pbi(n1))+c2×r2×(Gbest1(n1)-Pbi(n1))]]]>来计算粒子寻优的速度向量值，判断速度绝对值是否小于等于最大速度值Vbmax，如果超过了，则令3.2.3)再根据位置更新公式：计算粒子下一次寻优的位置然后判断是否在搜索空间ΨK内，若超出，则重置3.2.4)计算所有粒子的适应值Fvalue1i：Fvalue1i＝[ceil(Pbi)×Cnti‑Dj]其中ceil表示向上取整，通过比较前后两次适应值的大小来更新各粒子的历史最优Pbest1i，以及全局最优解Gbest1i。3.2.5)继续迭代，即迭代次数n1＝n1+1，若迭代次数达到设定值N1，给出所有号型样片对应铺布层数下的最优配比Gbest1j，结束搜索；否则转到步骤3.2.2)继续搜索；同理搜索其他号型样片在各床上的配比；3.3)再根据铺布层数粒子的速度更新公式：vi(n+1)=δ×[vi(n)+c1×r1×(Pbesti(n)-Cnti(n))+c2×r2×(Gbest(n)-Cnti(n))]]]>来计算粒子寻优的速度向量值，判断速度绝对值是否小于等于最大速度值Vcmax，如果超过了，则令3.4)再根据位置更新公式：计算粒子下一次寻优的位置判断粒子位置是否在搜索空间ΩK内，若超出搜索范围，则重置3.5)然后计算所有粒子的适应值Fvaluei：通过比较前后两次适应值的大小来更新Pbesti和Gbest；3.6)继续迭代，即迭代次数n＝n+1，若迭代次数达到设定值N，则给出所有号型样片最优的铺布层数Gbest和对应的所有号型的最优配比Gbest1i，结束搜索；否则转到步骤3.2)继续搜索。