專利名稱：一種服裝結構設計的集成智能優(yōu)化方法
技術領域：
本發(fā)明屬紡織技術和計算機信息處理領域，特別是涉及一種服裝結構設計的集成智能 優(yōu)化方法。
背景技術：
隨著服裝業(yè)的發(fā)展和人們生活水平的不斷提高，大規(guī)模的工業(yè)生產(chǎn)方式不能滿足人們 對于個性化服裝的需求，因此對于服裝技術人員的數(shù)量和質量都逐漸提出了高要求。然而， 服裝的設計與制作，特別是服裝結構的設計，沒有成熟的精確的理論可以遵從；對于服裝 技術從業(yè)者和初學者，設計合體的服裝板型是非常困難的。另一方面，有經(jīng)驗的服裝打版 師能夠設計出既體現(xiàn)服裝設計師理念，又被客戶認可的板型。對于技術不熟練者，借助服 裝結構設計理論中的原理和經(jīng)驗公式，可以確定大部分的尺寸。
在此之前，已公開了一些關于服裝結構設計的專利。例如，專利200410060221.4公丌 了一種服裝結構智能設計方法，可以根據(jù)輸入的參數(shù)自動生成服裝板樣；專利 200510017496.4公開了一種寬松量的智能確定方法；專利01807188.0公開的是一種基于三 維虛擬模型的服裝結構生成方法；專利200410099070.3公開了一種基于風格的服裝款式數(shù) 字化方法，收集數(shù)據(jù)形成尺寸結構等級的數(shù)據(jù)庫；專利200410064740.8 、專利 200410064741.2和專利200410064759.2等公開了一些確定服裝局部尺寸的方法。然而，這 些專利中都未提及幫助服裝結構設計人員優(yōu)化服裝尺寸因子的方法。
目前，我國在服裝結構智能優(yōu)化設計的研究與應用尚未見報道。

發(fā)明內容
本發(fā)明所要解決的技術問題是提供一種服裝結構設計尺寸因子智能優(yōu)化的方法，為服 裝結構設計的教育培訓、服裝結構的數(shù)字化、智能服裝結構設計系統(tǒng)提供支持。
本發(fā)明解決其技術問題所采用的技術方案是提供一種服裝結構設計的集成智能優(yōu)化
方法，采用了基于神經(jīng)網(wǎng)絡NN與免疫協(xié)同進化算法ICEA的集成優(yōu)化算法NN-ICEA，其 特征在于所述的神經(jīng)網(wǎng)絡NN通過訓練逼近合體性函數(shù)，將其嵌入到免疫協(xié)同進化算法 ICEA作為適應度函數(shù)，并通過免疫協(xié)同進化機制尋找最優(yōu)解；所述的ICEA由克隆擴增算 子、高頻變異算子、適應度評價、協(xié)同進化算子和免疫清除算子構成；所述的集成智能優(yōu) 化方法包括下列歩驟
(1)在預處理階段，關鍵服裝尺寸因子通過因子分析獲得；人體尺寸通過尺寸標準
3尺寸因子中；
(2) 在NN的訓練階段，僅有關鍵尺寸因子作為輸入，而服裝的合體性評價作為NN 的輸出；
(3) 根據(jù)輸入的已有尺寸和缺少的尺寸，執(zhí)行NN-ICEA算法搜索缺少的尺寸因子的
最優(yōu)解。
所述的尺寸因子采用尺寸向量表示，并且區(qū)分為兩部分，即已知的和未知的，未知的 部分通過權利要求1中的歩驟得到。
所述的在預處理階段，服裝的尺寸因子通過因子分析法提取關鍵因子，用關鍵因子向
量表示服裝，其它因子采用回歸的方法與關鍵因子之間建立函數(shù)關系；人體尺寸通過尺寸
標準化過程融入到尺寸因子中，得到修正后的尺寸因子向量。
我們采用式(1)的模型表示服裝結構設計的優(yōu)化問題。
Maximize: (1) Subject to: (1) / " Sw
(2) L<g(JT)<U
其中，I是代表服裝與人體的尺寸向量，且每一個分量都有上下限，如約束(1)所示。 而約束(2)則表明，X同時也能被其他的服裝結構設計理論和經(jīng)驗法則約束。F/加'ngO是
服裝相對于人體的合體性，它是定義在尺寸向量X上的評價指標。
對于服裝制版師，主要的工作是根據(jù)已經(jīng)確定的部分尺寸，設計其它尺寸，最終獲得
合體的服裝。因而，尺寸向量可以劃分為兩部分，已知的iy和需要確定的A;。于是，式
(1)的模型可以重新設計為式(2)中的模型。
Maximize: /^力g([^ (2)
Subject to: (1) / < ^ < w
(2) 4<g(D<""
(3)
其中，約束(1~3)從式(1)中的約束(1~2)裁剪而來，A^是已經(jīng)確定的，假設其值為
向量F。因此，該模型搜索I"以獲得最大的適應度尸加/"g，但在尺寸向量與合體性之間
不存在直觀的映射函數(shù)。
為了求解以上模型(2)，本發(fā)明采用以下集成優(yōu)化算法。
模型(2)的第一個困難是沒有直觀的適應度函數(shù)，即合體性函數(shù)。假設尺寸向量與合體性評分的測試數(shù)據(jù)集是可以獲得的，那么可以通過訓練一個NN來逼近合體性函數(shù) F/衍wg(.);然后，訓練的NN嵌入到ICEA作為適應度函數(shù)。因而，NN-ICEA具有兩個階
段，其一是NN經(jīng)過訓練擬合得到F/衍"gO函數(shù)；其二是NN嵌入到ICEA，通過免疫協(xié) 同進化機制尋找最優(yōu)解。NN-ICEA的詳細模塊與過程如圖1所示。相應于上述的兩個階段， 算法被分為兩個單元 一個是NN的訓練單元獲得尺寸到合體性的擬合函數(shù)F/衍ng(.);另
一個是通過ICEA搜索最優(yōu)的X 。 ICEA的設計如下
ICEA將未知的尺寸向量Z"進行編碼生成抗體種群。免疫協(xié)同進化算子，包括克隆選 擇、克隆擴增、高頻突變、協(xié)同進化和免疫清除等，作用在抗體種群上尋找最優(yōu)的義。。在 基于NN的合體性評價過程中，Z"]是以整體作為輸入的。
ICEA的詳細描述定義在算法1. 算法l.免疫協(xié)同進化算法(ICEA)
輸入:
A:已知的尺寸向量，A =7:未知尺寸向量的上下限^
輸出
處理
步驟l
丄"*A]) I約束向
層已經(jīng)訓練好的NN，將[A
ICEA執(zhí)行的代數(shù)
拜:抗體群體的大小
克隆擴增的參照數(shù)目
最優(yōu)的未知尺寸向量
步驟2
初始化Z 編碼為實數(shù)向量，初始群體通過隨機的方式產(chǎn)生。
hj^,屈2，…,屈 J，屬(/一l,2,…，;7拜p是抗體，其第_/個分量 義 的第/個分量。
克隆選擇與擴增j 。，'緣ra'咖 >丑。根據(jù)親和度動態(tài)確定克隆系數(shù)，優(yōu)勢
5步驟3 步驟4
步驟5
步驟6
步驟7
個體被選擇出來克隆擴增。結果種群記為5。
高頻變異^ H，幽a咖>Ce通過克隆擴增生成的抗體都會經(jīng)歷一個高頻變 異以提高群體的多樣性，變異概率根據(jù)親和度動態(tài)地確定。
適應度評價F故/"g([Xv」6,])。群體通過訓練好的AW進行適應度評價，最
好的個體存儲在= "u ，它根據(jù)免疫記憶機制注冊最優(yōu)個體。
協(xié)同進化CCo-Evo'""°n >D。根據(jù)服裝結構設計的領域知識設計抗體之間的協(xié)
作與競爭的協(xié)同進化算子。在Parcto最優(yōu)集中，占優(yōu)的個體被保留，其他被耐 受。
免疫清除D^^^E。種群中的弱勢抗體通過免疫清除保持種群的穩(wěn)定。
If迭代次數(shù)超過p，，返回， Else Goto步驟2.
下面解釋算法l的主要過程
(1) 在步驟1中，初始種群^通過隨機的方式生成，并且滿足式(2)中的約束。只
對未知的尺寸向量^;進行編碼。
(2) 在歩驟2中，優(yōu)勢抗體根據(jù)克隆擴增系數(shù)/^"。/進行擴增，它是由抗體之間的親 和度4^,w、抗體與抗原之間的親和度4/^^々共同確定?？乖莾?yōu)化目標的隱喻。兩個 親和度準則通過式(3)和式(4)定義。合體性的程度可以通過4#^~々度量。而結構設計 方案之間的相似性通過4^^^度量。
mm
二 (4)
屈.一嚴
max.
應 一我
此處，|—-6|是兩個向量之間的歐氏距離，衡量它們之間的相似性，S代表抗體群體。
在式(3)中，4〖r^g表示抗體相對于抗原，即目標的親和度；式(4)中4力V^類似于 進化算法中的"擁擠"策略。 一個好的分布意味著較高的4^,y ?；赹^u和4lwg， 抗體的A,。"。,通過式(5)決定。種群中的每一個抗體J6,都有機會被選擇擴增A.,(^(J&) 副本。(A) = . L一 (屈,) (屈,)] (5 )
(3) 在步驟3中，每一個擴增產(chǎn)生的抗體都會經(jīng)歷一個高頻變異的過程。根據(jù)克隆 選擇理論，擴增接著高頻突變以保持多樣性和局部搜索能力。然而，式(6)中的變異率
(pm ,)也是由親和度動態(tài)地確定?？贵w的4#^^低，則在搜索空間中更為擁擠，因此應
該賦予更高的概率變異。
KA) = 1-U屈,) (6)
(4) 在歩驟4中，所有抗體都通過AW進行評價。最優(yōu)的個體存儲到/M。作為適應 度評價，是以整個尺寸向量作為輸入的，即通過F/衍"g([^; J6,])計算。
(5) 在步驟5中，在抗體種群C之上，引入?yún)f(xié)作與競爭策略實現(xiàn)種群的協(xié)同進化。 為了建立服裝與人體之間的"包容"關系，弓l入多屬性決策中的Pareto占優(yōu)的概念。如果一 個尺寸向量"={"1,"2,'''," }被另一個6 =化,62廣'》 }占優(yōu)，貝U記錄為"一6。更強的條件
定義在式(7)。
("6)。((V/)(a,《6,)a(3f)(a, ",)) (7)
否則，""或"6。算符"V"代表非占優(yōu)關系。并且，另一個概念"Paretoset" (P)
在式(8)中引入，表示抗體之間根據(jù)占優(yōu)關系形成的聚類。
i5: (a ") a ((" " v ("")卜("e尸,6 e " (8)
在種群C上，可能不止一個P。從服裝結構設計的角度，在一個集合尸中的服裝在任 意兩個之間存在"包容"的關系。在同一個集合中的服裝之間存在競爭，較低合體性的服裝 將被拋棄。這種類型的協(xié)同進化是基于競爭的協(xié)同進化。根據(jù)Pareto Set的定義，不同Pareto set中的服裝之間不能直接根據(jù)尺寸進行比較。在整個進化過程中，它們是共存的。進化算 法中的"crossover"也是一種一般的協(xié)作協(xié)同進化。使用一種簡單的單點交叉，交叉概率通 過式(9)確定。
) = Lg ), [LA ) +1] (9)
以上協(xié)同進化算子在算法2中進一歩闡述。
算法2.協(xié)同進化算子 輸入 C:抗體種群
輸出 D:進化后的種群處理
步驟1 競爭協(xié)同進化
步驟l.l 拋棄C中的重復個體，C — D
步驟1.2 生成ParetoSet: " — {尸}
步驟1.3 For集合{"中的每個尸，拋棄合體性較低的非占優(yōu)個體
獲得P中適應度高的個體存儲在，拋棄其它個體 步驟2 協(xié)作協(xié)同進化謹，>Z)
在競爭協(xié)同進化中，群體的規(guī)模減少，然后通過協(xié)作協(xié)同進化，規(guī)模又增大。因此，
從種群C到D，種群規(guī)模的變化不能確定。
(6) 步驟6保持種群規(guī)模的穩(wěn)定。如果l^l〉p，則弱勢抗體就會被清除，直到
ID卜/V^。如果|/)|<;7卿，通過隨機生成的方式招募新的抗體。
(7) 如果迭代超過p，次，則算法終止，否則轉到歩驟2。
如上所論，ICEA是一個具有動態(tài)種群的進化算法，其進化過程以及種群規(guī)模的變化 分別如式(10)和式(11)所示
j Clonal Proliferation > p p Hyper Mutation > c
(10)
C Co-Evolution > ^ D Elimination >五
^| = |^<|5| = |C| (11)
在圖2中，是該算法應用的框圖。1)在預處理階段，關鍵尺寸因子通過因子分析獲 得；然后，人體尺寸可以通過尺寸標準化的方式融入到服裝關鍵尺寸因子中。2)在NN的 訓練階段，僅有關鍵尺寸因子作為輸入，而服裝的合體性評價作為NN的輸出。3)根據(jù)輸 入的已有尺寸和缺少的尺寸，執(zhí)行NN-ICEA算法搜索缺少的尺寸因子的最優(yōu)解。
下面說明尺寸標準化的原則與過程對于人體尺寸A，如果它與服裝尺寸B直接對應， 則將B標準化為^二^/^;否則，尋找與人體尺寸部位最近的，并且同樣屬于經(jīng)度或緯度 方向的服裝尺寸C，將C標準化為C二C/J。
如圖2所示的服裝結構設計優(yōu)化的流程示意圖，根據(jù)圖中的設計歩驟
8(1) 采集服裝尺寸數(shù)據(jù)、人體數(shù)據(jù)和合體性評價數(shù)據(jù)。服裝的尺寸因子的定義根據(jù) 相應的服裝款式進行設計，人體數(shù)據(jù)的尺寸因子的設計同樣考慮特定服裝款式。對于該類 服裝，通過對服裝進行試穿，采取在不同的人體活動姿態(tài)下不同人體部位的舒適感進行主 觀評價打分確定合體性的評價值。如設計褲子時，對于每一條褲子，試穿者都經(jīng)過試穿5~10 次，給出評價分數(shù)，最后，求取平均的分數(shù)。打分是通過評價在5種人體姿態(tài)，即站立、 行走、抬腿、正座和蹲下情況下獲得的。5個人體部位分別是腰部、臀部、襠部、大腿 與膝部。因此，總共有25個分數(shù)，每個分數(shù)都約束在[-3， +3]。最后將總分除以75規(guī)范 化到[-l， +1]。
(2) 對服裝的尺寸因子應用因子分析法提取關鍵因子。因為服裝的結構尺寸因子通 常數(shù)量很大， 一般在20個以上。 一方面，因子之間存在相關關系；另一方面，太多的因 子，對于服裝與人體的尺寸數(shù)據(jù)采集量要求就火。采用因子分析法可以發(fā)現(xiàn)較少的關鍵因 子，例如本實施例中，輸入30個因子，最后縮減到6個關鍵因子。其它因子與關鍵因子 之間的函數(shù)關系通過回歸分析建立。
(3) 尺寸因子標準化。根據(jù)上文的原則，對于人體尺寸A，如果它與服裝尺寸B直 接對應，則將B標準化為3 = ^/^4;否則，尋找與人體尺寸部位最近的，并且同樣屬于經(jīng) 度或緯度方向的服裝尺寸C，將C標準化為C-C/X。
(4) 根據(jù)標準化后的尺寸因子和合體性評價數(shù)據(jù)，訓練NN。調整NN的參數(shù)，直到 達到優(yōu)化。訓練完畢的NN，作為ICEA算法中個體的評價函數(shù)。
(5) 設計師可以確定自己能夠確定的尺寸因子，和難以確定的尺寸因子，分別編碼 成為向量[J^ 1 ]的兩個部分，設置ICEA的參數(shù)，通過ICEA求解最優(yōu)的尺寸因子向量
JT 。
有益效果
(1) 采用因子分析法減少因子數(shù)目。對于其它非主因子，則通過回歸分析的方式確 定?？紤]人體尺寸影響的方法，簡化為通過"標準化"融入服裝尺寸中。這些策略'可解 決服裝領域知識平衡數(shù)據(jù)集的不充分。
(2) 該發(fā)明可推廣到工業(yè)領域1)其他類型的服裝，可以通過調整服裝結構的幾何 模型予以支持；2)采用類似于合體性的方式，美觀性等其他主觀或客觀評價指標都可以 作為服裝的輸出特性予以考慮；3)服裝的面料特征，如彈性與厚度，可以通過建立模型 將其影響轉化到幾何模型上予以支持。
9(3)免疫協(xié)同進化算法引入了新的算子與概念，例如克隆擴增、高頻突變與協(xié)同進 化算子，在優(yōu)化性能上得以提高。


圖1應用于服裝結構設計優(yōu)化的NN-ICEA流程。
圖2服裝結構設計優(yōu)化方法的應用流程圖。 圖3褲子案例研究的流程圖. 圖4尺寸因子與人體或服裝部位的對應關系圖。 圖5 NN的架構示意圖。 圖6合體性NN預測的錯誤率圖。 圖7 NN-ICEA相對于專家評價的錯誤率圖。 圖中標號見表一
具體實施例方式
下面結合具體實施例，進一步闡述本發(fā)明。應理解，這些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍。此外應理解，在閱讀了本發(fā)明講授的內容之后，本領域技術 人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權利要求書所限 定的范圍。
下面以基于65件女式褲裝的細部因子對服裝合體性進行設計。在圖3的流程圖中1) 在預處理階段，6個主要的尺寸因子通過因子分析法獲得。然后，它們通過3個人體尺寸 標準化。2)在NN的訓練階段，僅有6個關鍵尺寸因子作為輸入，而褲裝的合體性評價作 為NN的輸出。3)采用ICEA進行優(yōu)化。 (1)基于因子分析法的數(shù)據(jù)預處理
本案例給出的數(shù)據(jù)集是一個有65條女式褲裝的細部結構因子與合體性評價的數(shù)據(jù)集 合。在表1中匯總了 26個尺寸因子，其中大部分因子與圖4中的服裝或人體的部位相對 應。我們應用因子分析法提取關鍵因子。關于NN的訓練，如果所有26個尺寸都作為輸入， NN中神經(jīng)元的規(guī)模會很大，其訓練也將很復雜，需要更大規(guī)模的測試數(shù)據(jù)集。另一方面， 結構因子之間存在依賴關系，例如線性相關的結構因子只需要有一個作為NN的輸入即可。 在本案例中，使用SPSS進行分析。通過因子分析可以抽取6個主因子及其因子組1)臀 圍(Hip Line, //) ， 2)褲長(Pants Length,丄)，3)總下襠角(Total Inside Seam Angle)， 4)后翹(Up of Back Waist) ， 5)前襠彎長(Front Crotch or groin thickness 〉 ， 6)后臀圍(Back width at hip line,萬H )。而主因子之外的因子，可以通過回歸的方式與主因子建 立關系。
在這26個尺寸中，人體的尺寸并沒有考慮。在服裝結構設計理論中，凈腰圍(Net Waist Line (『'))、凈臀圍(Net Hip Line (//'))和人體的下體長(low part Length of the body
(r))是三個最重要的尺寸，并且容易測量。為了簡化本案例研究的過程，引入"尺寸
標準化"("size normalization")的概念將人體尺寸融入到6個主因子中，如式(12)所示。 下文中，如無特別聲明，所有尺寸都是指標準化后的尺寸。
a=i///》=i/z:,n/(/n)
//—//.a,丄<~(12) 翅—扁 5, t/膠<~ 7曹A尸CW — FCW 3 肌—服，S
對于每一條褲子，試穿者都經(jīng)過試穿5~10次，給出評價分數(shù)，最后，求取平均的分 數(shù)。分數(shù)通過評價在5個人體姿態(tài)下5個人體部位的舒適性給出。5個人體部位分別是， 腰部(Waist)、臀部(Hip)、襠部(Crotch)、大腿(Thigh)與膝部(Knee)。因此， 總共有25個分數(shù)，每個分數(shù)都約束在[-3， +3]。最后將總分除以75規(guī)范化到[-1,+1]。 (2) NN訓練
本案例使用的NN是一個三層的BPNN，如圖5所示。它通過Matlab根據(jù)以下參數(shù)訓 練1)輸入、隱藏與輸出層分別有6、 9和1個神經(jīng)元；2)隱藏層的傳遞函數(shù)采用"tansig"; 3)輸出層的傳遞函數(shù)(transfer function)采用"logsig"; 4)訓練代數(shù)(epoch)的限制是 4000; 5)訓練函數(shù)采用"train"; 6)網(wǎng)絡訓練誤差(network error rate)設置為0.001; 7) 其他參數(shù)使用Matlab工具箱的缺省設置。另一個策略是將輸入數(shù)據(jù)都規(guī)范化到[-1,+ 1]。
NN隱層的神經(jīng)元數(shù)目通過最大化的訓練性能下的神經(jīng)元數(shù)目確定。對于數(shù)據(jù)集中隨 機選擇的45個記錄，隱層采用6 12個神經(jīng)元的設置，結果發(fā)現(xiàn)9個神經(jīng)元的隱層，錯誤 率和性能都可以接受。
為了充分利用這個數(shù)據(jù)集合，訓練300次，隨機選擇45個記錄作為訓練數(shù)據(jù)，而另
外的20個作為測試集。用5(y^,)表示褲裝」A的評價值，而F浙"g(^6,)表示NN返回的 值。e廳(AW)通過式(13)定義，表示AW的質量。最后，保持質量最好的MV。圖6是 20條測試褲裝合體性預測的錯誤率。
11醉(履)=1 / (一 (屈,)_顯/"g (屈,)|)) (13)
(3)服裝結構設計優(yōu)化 . 對于ICEA返回的每一個"最佳"的設計樣例，都由三個專家進行評價，并給出合體性 分數(shù)，最后取平均分。設J6,.的專家評分是五x/^rt^6,)。預測錯誤率通過式(14)定義。
,jc戸,(屈,)-F浙"g(J6,)1 (14)
ICEA的參數(shù)設置如下。
(1) Z"]是六個主因子，//、丄、/w丄t/S『、FC『和S//。在每次運行測
試時，設置一個或多個因子丟失，從而對這個因子進行優(yōu)化。
(2) 、]是a;的上下限。
(3) [Zg([Zy 在本案例測試中，它們不起作用。
(4) = 100 、戶，=20 、 A. = 10 ，以及A順'附=0.9 。
通過改變IZ」e {1,2,3,4,5}進行一系列的實驗，并評價ICEA的性能。對于每個|7 |，
隨機確定Z。， ICEA執(zhí)行10次。然后，計算式(14)平均的e廳(.)。在圖7中，是ICEA
相對于專家的偏差。當只有一個因子缺失時，預測錯誤小于0.2。在|^;| = 2時，平均錯誤
"wmge(^T0)^0.3，還是可以接受的。但當|1 |>2時，預測的偏差顯著增大。因此，可
以得出結論，當IH,/3時，NN-ICEA效果良好。
至于6個主因子之外的其他因子，它們的值可以通過回歸確定。表1.服裝尺寸因子No.描述No.描述
1腰圍(Waistline)14前襠彎K; (Front crotch curve length)
2臀圍(Hip line)15前襠圍長(Front width at Crotch Line)
3褲長(Pants length)16后襠彎長(Back Crotch Curve Length)
4前臀圍(Front width at hip line)17后襠圍長(Back width at crotch line)
5后臀圍(Back width at hip line)18總襠長(Groin length)
126 前襠弧長(Front crotch seam length)
7 后襠弧K: (Back crotch seam length)
8 襠深(Crotch depth)
9 前襠寬(Front part of groin thickness)
10 后襠寬(Back Part of groin thickness)
11 后上襠《頃角(Center back inclination)
12 腳口 (Slacks bottom width)
13 腳口分配(Bottom width allocation)
19 人腿跟圍(Thigh girth)
20 后翹(Up of back waist)
21 上襠K增量(Crotch depth increment)
22 前'卜襠角(Front inside seam angle)
23 后.卜襠角(Back inside seam angle)
24 總下襠角(Totalinside seam angle)
25 前褲中線(Center front line)
26 后褲中線(Center back line)
1權利要求
1. 一種服裝結構設計的集成智能優(yōu)化方法，采用了基于神經(jīng)網(wǎng)絡NN與免疫協(xié)同進化算法ICEA的集成優(yōu)化算法NN-ICEA，其特征在于所述的神經(jīng)網(wǎng)絡NN通過訓練逼近合體性函數(shù)，將其嵌入到免疫協(xié)同進化算法ICEA作為適應度函數(shù)，并通過免疫協(xié)同進化機制尋找最優(yōu)解；所述的ICEA由克隆擴增算子、高頻變異算子、適應度評價、協(xié)同進化算子和免疫清除算子構成；所述的集成智能優(yōu)化方法包括下列步驟(1)在預處理階段，關鍵服裝尺寸因子通過因子分析獲得；人體尺寸通過尺寸標準化的方式融入到服裝關鍵尺寸因子中；(2)在NN的訓練階段，僅有關鍵尺寸因子作為輸入，而服裝的合體性評價作為NN的輸出；(3)根據(jù)輸入的已有尺寸和缺少的尺寸，執(zhí)行NN-ICEA算法搜索缺少的尺寸因子的最優(yōu)解。
2. 根據(jù)權利要求1所述的一種服裝結構設計的集成智能優(yōu)化方法，其特征在于所述的 尺寸因子采用尺寸向量表示，并且區(qū)分為兩部分，即已知的和未知的，未知的部分通 過權利要求1中的步驟得到。
3. 根據(jù)權利要求1所述的一種服裝結構設計的集成智能優(yōu)化方法，其特征在于所述的 在預處理階段，服裝的尺寸因子通過因子分析法提取關鍵因子，用關鍵因子向量表示 服裝，其它因子采用回歸的方法與關鍵因子之間建立函數(shù)關系；人體尺寸通過尺寸標 準化過程融入到尺寸因子中，得到修正后的尺寸因子向量。
全文摘要
本發(fā)明涉及一種服裝結構設計的集成智能優(yōu)化方法，采用基于神經(jīng)網(wǎng)絡(NN)與免疫協(xié)同進化算法(ICEA)的混合算法(NN-ICEA)，將服裝和人體的尺寸因子與合體性之間的關系，通過評分的方式量化，采用神經(jīng)網(wǎng)絡訓練，建立尺寸與合體性之間的函數(shù)關系；然后，對于難以確定的尺寸因子，通過免疫協(xié)同進化算法確定，它可以在復雜的搜索空間中完成群體進化；最后，服裝的合體性通過訓練好的神經(jīng)網(wǎng)絡進行評價。本發(fā)明可為服裝結構設計的教育培訓、服裝結構的數(shù)字化、智能服裝結構設計系統(tǒng)提供支持。
文檔編號G06F17/50GK101458733SQ20081020789
公開日2009年6月17日 申請日期2008年12月26日 優(yōu)先權日2008年12月26日
發(fā)明者丁永生, 胡志華 申請人:東華大學