一种基于深度强化学习的面料裁剪优化方法技术

本发明专利技术公开了一种基于深度强化学习的面料裁剪优化方法，包括如下步骤：步骤S1，通过神经网络感知零件在面料上的初始排布状态；步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。本发明专利技术对于面料排布优化的过程方法简单、优化速度快，并且具有良好地排布优化效果。

A fabric cutting optimization method based on deep reinforcement learning

【技术实现步骤摘要】
一种基于深度强化学习的面料裁剪优化方法
本专利技术涉及一种面料裁剪优化方法，具体涉及一种基于深度强化学习的面料裁剪优化方法。
技术介绍
面料裁剪优化是NP难问题(NP-Hard，多项式复杂程度的非确定性问题)。传统的优化方法依靠多边形计算对面料上的零件进行感知，然后通过大规模的搜索优化技术对面料排件进行优化，以将尽可能多的零件排布在面料上。但现有的这些优化方法计算复杂度高、优化速度较慢，而且对于面料剪裁利用率的提升效果并不理想。
技术实现思路
本专利技术的目的在于提供一种基于深度强化学习的面料裁剪优化方法，该方法对于排布优化的过程方法简单、优化速度快，并且具有良好地排布优化效果。为达此目的，本专利技术采用以下技术方案：提供一种基于深度强化学习的面料裁剪优化方法，包括如下步骤：步骤S1，通过神经网络感知零件在面料上的初始排布状态；步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩本文档来自技高网...

【技术保护点】
1.一种基于深度强化学习的面料裁剪优化方法，其特征在于，包括如下步骤：/n步骤S1，通过神经网络感知零件在面料上的初始排布状态；/n步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；/n步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。/n

【技术特征摘要】
1.一种基于深度强化学习的面料裁剪优化方法，其特征在于，包括如下步骤：
步骤S1，通过神经网络感知零件在面料上的初始排布状态；
步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；
步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。


2.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络为CNN卷积神经网络。


3.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络为由CNN卷积神经网络和RNN循环神经网络组成的神经网络架构。


4.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：
对所述零件在所述面料上的排布区域、所述面料上未排布所述零件的区域以及所述零件在所述面料上的排布重叠区域进行不同颜色标记。


5.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：
步骤S11，通过启发式规则对各所述零件进行排序；
步骤S12，感知所述面料上已排布有所述零件的第一区域，以及感知未排布所述零件的第二区域；
步骤S13，根据各所述零件的排序信息；截取所述第一区域的尾部区域作为可将未排布的所述零件排布于已排布的所述零件后方的第一起始位置；并截取所述第二区域的头部区域作为可将未排布的所述零件排布于所述面料上的第二起始位置；
步骤S...

【专利技术属性】
技术研发人员：张发恩，周鹏程，
申请(专利权)人：创新奇智合肥科技有限公司，
类型：发明
国别省市：安徽;34