[发明专利]一种基于试凑粒子群混合算法的服装裁剪分床方法

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F(X)目标函数F(X)＝(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F(X)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F(X)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Gi(0)和Gb(0)，全局最优值Gb(0)为适应度最小的Gi(0)，其中适应度是指当前粒子Xi的目标函数值F(Xi)，(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F(Xi)；(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F(X)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。