一种服装结构设计的集成智能优化方法技术

本发明专利技术涉及一种服装结构设计的集成智能优化方法，采用基于神经网络（ＮＮ）与免疫协同进化算法（ＩＣＥＡ）的混合算法（ＮＮ－ＩＣＥＡ），将服装和人体的尺寸因子与合体性之间的关系，通过评分的方式量化，采用神经网络训练，建立尺寸与合体性之间的函数关系；然后，对于难以确定的尺寸因子，通过免疫协同进化算法确定，它可以在复杂的搜索空间中完成群体进化；最后，服装的合体性通过训练好的神经网络进行评价。本发明专利技术可为服装结构设计的教育培训、服装结构的数字化、智能服装结构设计系统提供支持。

【技术实现步骤摘要】

本专利技术属纺织技术和计算机信息处理领域，特别是涉及一种服装结构设计的集成智能优化方法。
技术介绍
随着服装业的发展和人们生活水平的不断提高，大规模的工业生产方式不能满足人们对于个性化服装的需求，因此对于服装技术人员的数量和质量都逐渐提出了高要求。然而，服装的设计与制作，特别是服装结构的设计，没有成熟的精确的理论可以遵从；对于服装技术从业者和初学者，设计合体的服装板型是非常困难的。另一方面，有经验的服装打版师能够设计出既体现服装设计师理念，又被客户认可的板型。对于技术不熟练者，借助服装结构设计理论中的原理和经验公式，可以确定大部分的尺寸。在此之前，已公开了一些关于服装结构设计的专利。例如，专利200410060221.4公开了一种服装结构智能设计方法，可以根据输入的参数自动生成服装板样；专利200510017496.4公开了一种宽松量的智能确定方法；专利01807188.0公开的是一种基于三维虚拟模型的服装结构生成方法；专利200410099070.3公开了一种基于风格的服装款式数字化方法，收集数据形成尺寸结构等级的数据库；专利200410064740.8、专利200410064741.2和专利200410064759.2等公开了一些确定服装局部尺寸的方法。然而，这些专利中都未提及帮助服装结构设计人员优化服装尺寸因子的方法。目前，我国在服装结构智能优化设计的研究与应用尚未见报道。
技术实现思路
本专利技术所要解决的技术问题是提供一种服装结构设计尺寸因子智能优化的方法，为服装结构设计的教育培训、服装结构的数字化、智能服装结构设计系统提供支持。本专利技术解决其技术问题所采用的技术方案是：提供一种服装结构设计的集成智能优化方法，采用了基于神经网络NN与免疫协同进化算法ICEA的集成优化算法NN-ICEA，其特征在于：所述的神经网络NN通过训练逼近合体性函数，将其嵌入到免疫协同进化算法ICEA作为适应度函数，并通过免疫协同进化机制寻找最优解；所述的ICEA由克隆扩增算子、高频变异算子、适应度评价、协同进化算子和免疫清除算子构成；所述的集成智能优化方法包括下列步骤：(1)在预处理阶段，关键服装尺寸因子通过因子分析获得；人体尺寸通过尺寸标准-->化的方式融入到服装关键尺寸因子中；(2)在NN的训练阶段，仅有关键尺寸因子作为输入，而服装的合体性评价作为NN的输出；(3)根据输入的已有尺寸和缺少的尺寸，执行NN-ICEA算法搜索缺少的尺寸因子的最优解。所述的尺寸因子采用尺寸向量表示，并且区分为两部分，即已知的和未知的，未知的部分通过权利要求1中的步骤得到。所述的在预处理阶段，服装的尺寸因子通过因子分析法提取关键因子，用关键因子向量表示服装，其它因子采用回归的方法与关键因子之间建立函数关系；人体尺寸通过尺寸标准化过程融入到尺寸因子中，得到修正后的尺寸因子向量。我们采用式(1)的模型表示服装结构设计的优化问题。Maximize：Fitting(X)(1)Subject to：(1)l≤X≤u            (2)L<g(X)<U其中，X是代表服装与人体的尺寸向量，且每一个分量都有上下限，如约束(1)所示。而约束(2)则表明，X同时也能被其他的服装结构设计理论和经验法则约束。Fitting(·)是服装相对于人体的合体性，它是定义在尺寸向量X上的评价指标。对于服装制版师，主要的工作是根据已经确定的部分尺寸，设计其它尺寸，最终获得合体的服装。因而，尺寸向量可以划分为两部分，已知的Xy和需要确定的Xn。于是，式(1)的模型可以重新设计为式(2)中的模型。Maximize：Fitting([Xy Xn])(2)Subject to：(1)ln<Xn<un(2)Ln<g(Xn)<Un(3)Xy＝V其中，约束(1～3)从式(1)中的约束(1～2)裁剪而来，Xy是已经确定的，假设其值为向量V。因此，该模型搜索Xn以获得最大的适应度Fitting，但在尺寸向量与合体性之间不存在直观的映射函数Fitting。为了求解以上模型(2)，本专利技术采用以下集成优化算法。模型(2)的第一个困难是没有直观的适应度函数，即合体性函数。假设尺寸向量与-->合体性评分的测试数据集是可以获得的，那么可以通过训练一个NN来逼近合体性函数Fitting(·)；然后，训练的NN嵌入到ICEA作为适应度函数。因而，NN-ICEA具有两个阶段，其一是NN经过训练拟合得到Fitting(·)函数；其二是NN嵌入到ICEA，通过免疫协同进化机制寻找最优解。NN-ICEA的详细模块与过程如图1所示。相应于上述的两个阶段，算法被分为两个单元：一个是NN的训练单元获得尺寸到合体性的拟合函数Fitting(·)；另一个是通过ICEA搜索最优的Xn。ICEA的设计如下：ICEA将未知的尺寸向量Xn进行编码生成抗体种群。免疫协同进化算子，包括克隆选择、克隆扩增、高频突变、协同进化和免疫清除等，作用在抗体种群上寻找最优的Xn。在基于NN的合体性评价过程中，[XyXn]是以整体作为输入的。ICEA的详细描述定义在算法1.算法1.免疫协同进化算法(ICEA)输入：Xy：已知的尺寸向量，Xy＝V[lnun]：未知尺寸向量的上下限Xn[Ln g([XyXn])Un]：约束向量NN：已经训练好的NN，将[XyXn]映射到Fitting([XyXn])pgen：ICEA执行的代数ppop：抗体群体的大小pC：克隆扩增的参照数目输出：Xn：最优的未知尺寸向量处理步骤1 初始化：Xn编码为实数向量，初始群体通过随机的方式产生。A={Ab1,Ab2,···,Abppop本文档来自技高网...

【技术保护点】
一种服装结构设计的集成智能优化方法，采用了基于神经网络ＮＮ与免疫协同进化算法ＩＣＥＡ的集成优化算法ＮＮ－ＩＣＥＡ，其特征在于：所述的神经网络ＮＮ通过训练逼近合体性函数，将其嵌入到免疫协同进化算法ＩＣＥＡ作为适应度函数，并通过免疫协同进化机制寻找最优解；所述的ＩＣＥＡ由克隆扩增算子、高频变异算子、适应度评价、协同进化算子和免疫清除算子构成；所述的集成智能优化方法包括下列步骤：　（１）在预处理阶段，关键服装尺寸因子通过因子分析获得；人体尺寸通过尺寸标准化的方式融入到服装关键 尺寸因子中；　（２）在ＮＮ的训练阶段，仅有关键尺寸因子作为输入，而服装的合体性评价作为ＮＮ的输出；　（３）根据输入的已有尺寸和缺少的尺寸，执行ＮＮ－ＩＣＥＡ算法搜索缺少的尺寸因子的最优解。

【技术特征摘要】
1.一种服装结构设计的集成智能优化方法，采用了基于神经网络NN与免疫协同进化算法ICEA的集成优化算法NN-ICEA，其特征在于：所述的神经网络NN通过训练逼近合体性函数，将其嵌入到免疫协同进化算法ICEA作为适应度函数，并通过免疫协同进化机制寻找最优解；所述的ICEA由克隆扩增算子、高频变异算子、适应度评价、协同进化算子和免疫清除算子构成；所述的集成智能优化方法包括下列步骤：(1)在预处理阶段，关键服装尺寸因子通过因子分析获得；人体尺寸通过尺寸标准化的方式融入到服装关键尺寸因子中；(2)在NN的训练阶段，仅有关键尺寸因子作为输入，而服装的合体性评价作...

【专利技术属性】
技术研发人员：丁永生，胡志华，
申请(专利权)人：东华大学，
类型：发明
国别省市：31[中国|上海]