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技术

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。本发明专利技术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。

A method of cutting bed separation based on adaptive acceleration factor particle swarm optimization algorithm

An adaptive particle swarm optimization algorithm acceleration factor cutting method based on the bed, which comprises the following steps: the first step, the parameters of cutting bed to set the initial constraints and SAPSO algorithm; the second step, according to the initial conditions set by the user, calculate the number of beds: according to the sample size may be needed to cut the number of to calculate the sum of the number of cutting, the average bed cloth layer, average layer cloth cutting pieces, to calculate the upper and lower bounds for the number of beds; the third step, first search scheme of small bed bed number, if the number of small programs to meet the requirements of the bed, is no longer to search a large number of bed the. If the number of beds is small and does not meet the requirements, then search for a bed with a large number of beds. In the case of a certain number of beds, the SAPSO algorithm is used to search the number of plies. The invention improves the efficiency of the determination of the bed scheme, reduces the material budget, and reduces the number error of the cutting.

【技术实现步骤摘要】
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
本专利技术属于工业数控设备自动化
，涉及一种应用于裁床裁剪分床的方法。
技术介绍
中国是人口大国，是世界上最大的服装生产国和消费国。近年来随着人民币汇率的波动，企业雇用工人的成本和生产原材料的成本越来越高，导致企业生存越来越困难。尤其是近年来物价迅速上涨，出现了劳动力缺口大，招工难的问题。服装行业是传统的劳动密集型的企业，生存发展就更加的困难。因此，企业要想在激烈的市场竞争和生产成本上涨的环境下屹立不倒，就必须从降低生产成本的角度出发，提高企业的生产效益。伴随着工业自动化进程的加速，服装行业也就自然而然的融入了现代工业自动化生产技术，机器换人成为了必然的趋势。从而裁床的应用越来越普遍，其不仅能够降低人工生产成本，而且还提高了原材料的利用率和生产效率。如今，裁床系统的技术发展日趋成熟，从控制软件到底层硬件控制板的技术都相当完善，各种实际应用中的工艺难题都得到了很好地解决，实际生产制造中也印证了其高效的性能。目前，我国裁床在中小型企业中的销量占有很大比重，由于一些成熟的裁床控制软件成本高昂，保密性强，所以中小型企业只能望而却步。针对裁床控制软件目前遇到的种种难题，我国也研发了一些拥有自主知识产权的裁床控制软件，其中也集成了分床的功能。裁剪分床主要包括以下几个方面：(1)生产订单裁剪分床床数。裁剪分床床数决定了裁剪工时的消耗；(2)每床需要铺的号型种类，每个号型铺布的件数。在生产条件允许的范围内，套排号型种类越多越节约原材料；(3)每床需要铺布料的层数。在生产条件允许的铺布层数范围内，铺布层数越大，裁剪的效率就会越高。但是现有的裁床控制软件的分床功能大多都是基于一些人工经验分床的方法，效率比较低、裁剪数量误差比较大，并不是很理想，而且针对一些复杂的订单并不一定能得出具体的方案。针对上述问题，本专利技术引入现代智能优化算法，设计一种基于自适应加速因子粒子群优化(SAPSO)算法的裁剪分床方法，能够快速的求解符合要求的裁剪方案，而且误差比较小，能够很好地解决分床时间长，裁剪数量误差较大的问题，具有很好的发展前景。
技术实现思路
为了克服目前确定裁剪分床方式的耗时长、误差大、效率低的不足，本专利技术引入现代智能优化算法，提供一种基于SAPSO算法的裁剪分床方法，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。本专利技术解决其技术问题所采用的技术方案是：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：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，采用SAPSO化算法搜索，过程如下：由于确定出来的分床床数Bed是在一个有限的范围内，所以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。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,vb2···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：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：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。进一步，所述第二步中，根据各号型样片所需裁剪的件数计算出各号型样片所需裁剪件数的总和：S＝∑Si平均每床铺布层数：平均每层布裁剪的件数：根据以上结果计算出所需分床数量Bedi的上限：所需的分床数量下限：其中ceil和floor分别表示向上取整和向下取整。再进一步，所述第三步中，自适应加速因子粒子群优化算法的速度更新公式中，自适应加速因子γ为正整数参数，n为当前迭代次数，N为总的迭代次数。再进一步，在步骤3.2.4)中，由于实际分床中，配比值必须是整数，所以需要将配比值Pb向上取整后再求对应适应值Fvalue1i＝[ceil(Pbi)×Cnti-Dj]以更新各粒子的历史最优Pbest1i，以及全局最优解Gbest1i。本专利技术的有益效果主要表现在：在对初始限制参数设定后，采用SAPSO算法来搜索最优解，搜索速度快，效率高，误差小，用料预算更少；在实际分床问题中，铺布层数和配比都必须是整数，为了保证能够得出分床方案，而且误差尽可能小，本专利技术设计了一种解决方法，很好地解决了这个问题。附图说明图1为本专利技术的求解流程图。图2为搜索层数的算法流程图。图3为搜索配比的算法流程图。图4为等量优化分床方法求解结果示意图。图5为SAPSO算法求解结果本文档来自技高网...

【技术保护点】
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：...

【技术特征摘要】
1.一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：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：

【专利技术属性】
技术研发人员：董辉，江丽林，刘家林，康磊，童辉，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33