本發(fā)明屬于工業(yè)數(shù)控設(shè)備自動化技術(shù)領(lǐng)域，涉及一種應(yīng)用于裁床裁剪分床的方法。

背景技術(shù)：

中國是人口大國，是世界上最大的服裝生產(chǎn)國和消費國。近年來隨著人民幣匯率的波動，企業(yè)雇用工人的成本和生產(chǎn)原材料的成本越來越高，導致企業(yè)生存越來越困難。尤其是近年來物價迅速上漲，出現(xiàn)了勞動力缺口大，招工難的問題。服裝行業(yè)是傳統(tǒng)的勞動密集型的企業(yè)，生存發(fā)展就更加的困難。因此，企業(yè)要想在激烈的市場競爭和生產(chǎn)成本上漲的環(huán)境下屹立不倒，就必須從降低生產(chǎn)成本的角度出發(fā)，提高企業(yè)的生產(chǎn)效益。伴隨著工業(yè)自動化進程的加速，服裝行業(yè)也就自然而然的融入了現(xiàn)代工業(yè)自動化生產(chǎn)技術(shù)，機器換人成為了必然的趨勢。從而裁床的應(yīng)用越來越普遍，其不僅能夠降低人工生產(chǎn)成本，而且還提高了原材料的利用率和生產(chǎn)效率。

如今，裁床系統(tǒng)的技術(shù)發(fā)展日趨成熟，從控制軟件到底層硬件控制板的技術(shù)都相當完善，各種實際應(yīng)用中的工藝難題都得到了很好地解決，實際生產(chǎn)制造中也印證了其高效的性能。目前，我國裁床在中小型企業(yè)中的銷量占有很大比重，由于一些成熟的裁床控制軟件成本高昂，保密性強，所以中小型企業(yè)只能望而卻步。針對裁床控制軟件目前遇到的種種難題，我國也研發(fā)了一些擁有自主知識產(chǎn)權(quán)的裁床控制軟件，其中也集成了分床的功能。裁剪分床主要包括以下幾個方面：(1)生產(chǎn)訂單裁剪分床床數(shù)。裁剪分床床數(shù)決定了裁剪工時的消耗；(2)每床需要鋪的號型種類，每個號型鋪布的件數(shù)。在生產(chǎn)條件允許的范圍內(nèi)，套排號型種類越多越節(jié)約原材料；(3)每床需要鋪布料的層數(shù)。在生產(chǎn)條件允許的鋪布層數(shù)范圍內(nèi)，鋪布層數(shù)越大，裁剪的效率就會越高。

但是現(xiàn)有的裁床控制軟件的分床功能大多都是基于一些人工經(jīng)驗分床的方法，效率比較低、裁剪數(shù)量誤差比較大，并不是很理想，而且針對一些復雜的訂單并不一定能得出具體的方案。針對上述問題，本發(fā)明引入現(xiàn)代智能優(yōu)化算法，設(shè)計一種基于自適應(yīng)加速因子粒子群優(yōu)化(sapso)算法的裁剪分床方法，能夠快速的求解符合要求的裁剪方案，而且誤差比較小，能夠很好地解決分床時間長，裁剪數(shù)量誤差較大的問題，具有很好的發(fā)展前景。

技術(shù)實現(xiàn)要素：

為了克服目前確定裁剪分床方式的耗時長、誤差大、效率低的不足，本發(fā)明引入現(xiàn)代智能優(yōu)化算法，提供一種基于sapso算法的裁剪分床方法，提高了分床方案確定的效率，減少了用料預算，并且減小了裁剪數(shù)量誤差。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于自適應(yīng)加速因子粒子群優(yōu)化算法的裁剪分床方法，包括以下步驟：

第一步，對裁剪分床設(shè)定初始限制條件和sapso算法的參數(shù)：首先由用戶設(shè)定每床鋪布層數(shù)cnt的上限cntmax和下限cntmin，每層布可裁剪總件數(shù)t的上限tmax和下限tmin，每個號型樣片每床排的數(shù)量pb的上限pbmax，各號型樣片所需裁剪的數(shù)量si；算法的自適應(yīng)加速因子正整數(shù)參數(shù)γ，認知因子c1，社會因子c2，算法迭代過程中層數(shù)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，根據(jù)用戶設(shè)定的初始限制條件，計算出可能的分床數(shù)量：根據(jù)各號型樣片所需裁剪數(shù)量計算出所需裁剪數(shù)量總和s，平均每床鋪布層數(shù)laver，平均每層布裁剪件數(shù)taver，從而計算出所需分床數(shù)量bed的上限bedmax和下限bedmin；

第三步，采用sapso化算法搜索，過程如下：

由于確定出來的分床床數(shù)bed是在一個有限的范圍內(nèi)，所以先搜索床數(shù)小的分床方案，如果床數(shù)小的方案符合要求，則不再去搜索床數(shù)大的情況。如果床數(shù)小的方案不符合要求，再去搜索床數(shù)大的分床方案。在某一分床床數(shù)情況下，采用sapso算法搜索鋪布層數(shù)。

3.1)以各床上的鋪布層數(shù)作為粒子的位置，給各床在搜索空間ωk內(nèi)隨機初始化一個層數(shù)，同理初始化m個粒子{cnt1,cnt2···cntm}，以及速度向量值{v1,v2···vm}，以各號型樣片誤差平方和為適應(yīng)值fvalue。令各個粒子的個體歷史最優(yōu)pbesti＝cnti，i＝1,2,···,m，粒子的全局最優(yōu)gbest＝cnt1；

3.2)再采用sapso算法搜索在對應(yīng)鋪布層數(shù)下，使fvalue最小的配比pb：其搜索過程為：

3.2.1)將第j種號型樣片在各床上的配比作為粒子的位置pbi，在搜索空間ψk內(nèi)，給該號型樣片在各床上的配比隨機初始化一個值，同理初始化m個粒子{pb1,pb2···pbm}，速度向量值{vb1,vb2···vbm}，令每個粒子的個體歷史最優(yōu)pbest1i＝pbi，粒子的全局最優(yōu)gbest1＝ceil(pb1)；

3.2.2)根據(jù)速度更新公式：

來計算粒子尋優(yōu)的速度向量值，判斷速度絕對值是否小于等于最大速度值vbmax，如果超過了，則令

3.2.3)再根據(jù)位置更新公式：

計算粒子下一次尋優(yōu)的位置然后判斷是否在搜索空間ψk內(nèi)，若超出，則重置

3.2.4)計算所有粒子的適應(yīng)值fvalue1i：

fvalue1i＝[ceil(pbi)×cnti-dj]

其中ceil表示向上取整，通過比較前后兩次適應(yīng)值的大小來更新各粒子的歷史最優(yōu)pbest1i，以及全局最優(yōu)解gbest1i。

3.2.5)繼續(xù)迭代，即迭代次數(shù)n1＝n1+1，若迭代次數(shù)達到設(shè)定值n1，給出所有號型樣片對應(yīng)鋪布層數(shù)下的最優(yōu)配比gbest1j，結(jié)束搜索；否則轉(zhuǎn)到步驟3.2.2)繼續(xù)搜索；同理搜索其他號型樣片在各床上的配比；

3.3)再根據(jù)鋪布層數(shù)粒子的速度更新公式：

來計算粒子尋優(yōu)的速度向量值，判斷速度絕對值是否小于等于最大速度值vcmax，如果超過了，則令

3.4)再根據(jù)位置更新公式：

計算粒子下一次尋優(yōu)的位置判斷粒子位置是否在搜索空間ωk內(nèi)，若超出搜索范圍，則重置

3.5)然后計算所有粒子的適應(yīng)值fvaluei：

通過比較前后兩次適應(yīng)值的大小來更新pbesti和gbest；

3.6)繼續(xù)迭代，即迭代次數(shù)n＝n+1，若迭代次數(shù)達到設(shè)定值n，則給出所有號型樣片最優(yōu)的鋪布層數(shù)gbest和對應(yīng)的所有號型的最優(yōu)配比gbest1i，結(jié)束搜索；否則轉(zhuǎn)到步驟3.2)繼續(xù)搜索。

進一步，所述第二步中，根據(jù)各號型樣片所需裁剪的件數(shù)計算出各號型樣片所需裁剪件數(shù)的總和：

s＝∑si

平均每床鋪布層數(shù)：

平均每層布裁剪的件數(shù)：

根據(jù)以上結(jié)果計算出所需分床數(shù)量bedi的上限：

所需的分床數(shù)量下限：

其中ceil和floor分別表示向上取整和向下取整。

再進一步，所述第三步中，自適應(yīng)加速因子粒子群優(yōu)化算法的速度更新公式中，自適應(yīng)加速因子γ為正整數(shù)參數(shù)，n為當前迭代次數(shù)，n為總的迭代次數(shù)。

再進一步，在步驟3.2.4)中，由于實際分床中，配比值必須是整數(shù)，所以需要將配比值pb向上取整后再求對應(yīng)適應(yīng)值

fvalue1i＝[ceil(pbi)×cnti-dj]

以更新各粒子的歷史最優(yōu)pbest1i，以及全局最優(yōu)解gbest1i。

本發(fā)明的有益效果主要表現(xiàn)在：在對初始限制參數(shù)設(shè)定后，采用sapso算法來搜索最優(yōu)解，搜索速度快，效率高，誤差小，用料預算更少；在實際分床問題中，鋪布層數(shù)和配比都必須是整數(shù)，為了保證能夠得出分床方案，而且誤差盡可能小，本發(fā)明設(shè)計了一種解決方法，很好地解決了這個問題。

附圖說明

圖1為本發(fā)明的求解流程圖。

圖2為搜索層數(shù)的算法流程圖。

圖3為搜索配比的算法流程圖。

圖4為等量優(yōu)化分床方法求解結(jié)果示意圖。

圖5為sapso算法求解結(jié)果的示意圖。

圖6位sapso算法和pso算法適應(yīng)度曲線(實線—sapso，虛線—pso)。

具體實施方案

下面結(jié)合附圖以及具體實例對本發(fā)明作進一步描述。

參照圖1～圖6，一種基于自適應(yīng)加速因子粒子群優(yōu)化算法的裁剪分床方法，包括以下步驟：

第一步，對裁剪分床設(shè)定初始限制條件和sapso算法的參數(shù)：如圖1所示，由用戶設(shè)定每床鋪布層數(shù)cnt的上限cntmax＝500和下限cntmin＝50，每層布可裁剪總件數(shù)t的上限tmax＝8和下限tmin＝0，每個號型樣片每床排的數(shù)量pb的上限pbmax＝2，各號型樣片所需裁剪的數(shù)量si；自適應(yīng)加速因子正整數(shù)參數(shù)γ＝100，認知因子c1＝2，社會因子c2＝2，算法迭代過程中鋪布層數(shù)粒子速度向量的最大限度vcmax＝20、配比粒子速度向量的最大限幅vbmax＝2。

第二步，根據(jù)各號型樣片所需裁剪的件數(shù)s1＝566、s2＝651、s3＝788、s4＝684、s5＝395，計算出各號型樣片所需裁剪件數(shù)的總和

s＝∑si＝566+651+788+684+395＝3084

平均每床鋪布層數(shù)

平均每層布裁剪的件數(shù)

根據(jù)以上結(jié)果計算出所需分床數(shù)量bedi的上限

所需的分床數(shù)量下限

其中ceil和floor分別表示向上取整和向下取整。

第三步，根據(jù)計算所得分床數(shù)bed，以bed＝3為例。算法流程如圖2所示，

3.1)以各床上的鋪布層數(shù)作為粒子的位置，給各床在搜索空間ωk內(nèi)隨機初始化一個層數(shù)，同理初始化20個粒子{cnt1＝{101,346,289},cnt2＝{469,89,251}···cnt20＝{207,62,258}}，以及速度向量值{v1＝{87,302,175},v2＝{402,119,290}···v20＝{208,46,140}}，以各號型樣片誤差平方和為適應(yīng)值fvalue。令每個粒子的個體歷史最優(yōu)pbest1＝{101,346,289},pbest2＝{469,89,251}······pbest20＝{207,62,258}，粒子的全局最優(yōu)gbest＝{101,346,289}。

3.2)再采用sapso算法搜索在對應(yīng)鋪布層數(shù)下，使fvalue最小的配比pb：其算法搜索過程如圖3所示，

3.2.1)將第j種號型樣片在各床上的配比作為粒子的位置pbi，在搜索空間ψk內(nèi)，給該號型樣片在各床上的配比隨機初始化一個值，同理初始化20個粒子的位置值pb1＝{1.6294,1.8116,0.2540}，pb2＝{1.8268,1.2647,0.1951}，···，pb20＝{0.6808,1.1705,0.4476}；以及速度值vb1＝{1.5025,0.5102,1.0118}，vb2＝{1.3982,1.7818,1.9186}，···，vb20＝{1.9923,0.1564,0.8854}，令每個粒子的個體歷史最優(yōu)pbest1i＝pbi，粒子的全局最優(yōu)gbest1＝ceil(pb1)。

3.2.2)根據(jù)速度更新公式：

來計算粒子尋優(yōu)的速度向量值，判斷速度絕對值是否小于等于最大速度值2，如果大于2，就令

3.2.3)再根據(jù)位置更新公式：

計算粒子下一次尋優(yōu)的位置然后判斷是否在搜索空間ψk內(nèi)，若超出，則重置

3.2.4)計算所有粒子的適應(yīng)值fvalue1i：

fvalue1i＝[ceil(pbi)×cnti-dj]

通過比較前后兩次適應(yīng)值的大小來更新各粒子的歷史最優(yōu)pbest1i，以及全局最優(yōu)解gbest1i。

3.2.5)迭代次數(shù)n1＝n1+1，若迭代次數(shù)達到設(shè)定值n1，給出所有號型樣片對應(yīng)鋪布層數(shù)下的最優(yōu)配比gbest1j，結(jié)束搜索；否則轉(zhuǎn)到步驟3.2.2)繼續(xù)搜索。同理搜索其他號型樣片在各床上的配比。

3.3)再根據(jù)鋪布層數(shù)粒子的速度更新公式：

來計算粒子尋優(yōu)的速度向量值，判斷速度絕對值是否小于等于最大速度值20，如果超過20，則令

3.4)再根據(jù)位置更新公式：

計算粒子下一次尋優(yōu)的位置判斷粒子位置是否在搜索空間ωk內(nèi)，若超出搜索范圍，則重置

3.5)然后計算所有粒子的適應(yīng)值fvaluei：

通過比較前后兩次適應(yīng)值的大小來更新pbesti和gbest。

3.6)迭代次數(shù)n＝n+1，若迭代次數(shù)達到設(shè)定值n，給出所有號型樣片輸出最優(yōu)的鋪布層數(shù)gbest和對應(yīng)的所有號型的最優(yōu)配比gbest1i，結(jié)束搜索；否則轉(zhuǎn)到步驟3.2)繼續(xù)搜索。

參照圖5，本發(fā)明的分床效果圖，與圖4的等量優(yōu)化分床方法形成對比，在相同的生產(chǎn)條件下，針對同一生產(chǎn)訂單，本發(fā)明得出的分床方案用料預算更少，裁剪的誤差更小。參照圖6可知，sapso算法搜索收斂速度更快，效率更高。