一種服裝結構設計的集成智能優化方法技術

本發明專利技術涉及一種服裝結構設計的集成智能優化方法，采用基于神經網絡（ＮＮ）與免疫協同進化算法（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，采用神經網絡訓練，建立尺寸與合體性之間的函數關系；然后，對于難以確定的尺寸因子，通過免疫協同進化算法確定，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網絡進行評價。本發明專利技術可為服裝結構設計的教育培訓、服裝結構的數字化、智能服裝結構設計系統提供支持。

【技術實現步驟摘要】

本專利技術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化方法。
技術介紹
隨著服裝業的發展和人們生活水平的不斷提高，大規模的工業生產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，有經驗的服裝打版師能夠設計出既體現服裝設計師理念，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公開了一種服裝結構智能設計方法，可以根據輸入的參數自動生成服裝板樣；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字化方法，收集數據形成尺寸結構等級的數據庫；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化服裝尺寸因子的方法。目前，我國在服裝結構智能優化設計的研究與應用尚未見報道。
技術實現思路
本專利技術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化的方法，為服裝結構設計的教育培訓、服裝結構的數字化、智能服裝結構設計系統提供支持。本專利技術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化方法，采用了基于神經網絡NN與免疫協同進化算法ICEA的集成優化算法NN-ICEA，其特征在于：所述的神經網絡NN通過訓練逼近合體性函數，將其嵌入到免疫協同進化算法ICEA作為適應度函數，并通過免疫協同進化機制尋找最優解；所述的ICEA由克隆擴增算子、高頻變異算子、適應度評價、協同進化算子和免疫清除算子構成；所述的集成智能優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)根據輸入的已有尺寸和缺少的尺寸，執行NN-ICEA算法搜索缺少的尺寸因子的最優解。所述的尺寸因子采用尺寸向量表示，并且區分為兩部分，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。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化問題。Maximize：Fitting(X)(1)Subject?to：(1)l≤X≤u????????????(2)L<g(X)<U其中，X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驗法則約束。Fitting(·)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，主要的工作是根據已經確定的部分尺寸，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Xy和需要確定的Xn。于是，式(1)的模型可以重新設計為式(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，約束(1～3)從式(1)中的約束(1～2)裁剪而來，Xy是已經確定的，假設其值為向量V。因此，該模型搜索Xn以獲得最大的適應度Fitting，但在尺寸向量與合體性之間不存在直觀的映射函數Fitting。為了求解以上模型(2)，本專利技術采用以下集成優化算法。模型(2)的第一個困難是沒有直觀的適應度函數，即合體性函數。假設尺寸向量與-->合體性評分的測試數據集是可以獲得的，那么可以通過訓練一個NN來逼近合體性函數Fitting(·)；然后，訓練的NN嵌入到ICEA作為適應度函數。因而，NN-ICEA具有兩個階段，其一是NN經過訓練擬合得到Fitting(·)函數；其二是NN嵌入到ICEA，通過免疫協同進化機制尋找最優解。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Fitting(·)；另一個是通過ICEA搜索最優的Xn。ICEA的設計如下：ICEA將未知的尺寸向量Xn進行編碼生成抗體種群。免疫協同進化算子，包括克隆選擇、克隆擴增、高頻突變、協同進化和免疫清除等，作用在抗體種群上尋找最優的Xn。在基于NN的合體性評價過程中，[XyXn]是以整體作為輸入的。ICEA的詳細描述定義在算法1.算法1.免疫協同進化算法(ICEA)輸入：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]：約束向量NN：已經訓練好的NN，將[XyXn]映射到Fitting([XyXn])pgen：ICEA執行的代數ppop：抗體群體的大小pC：克隆擴增的參照數目輸出：Xn：最優的未知尺寸向量處理步驟1?初始化：Xn編碼為實數向量，初始群體通過隨機的方式產生。A={Ab1,Ab2,···,Abppop本文檔來自技高網...

【技術保護點】
一種服裝結構設計的集成智能優化方法，采用了基于神經網絡ＮＮ與免疫協同進化算法ＩＣＥＡ的集成優化算法ＮＮ－ＩＣＥＡ，其特征在于：所述的神經網絡ＮＮ通過訓練逼近合體性函數，將其嵌入到免疫協同進化算法ＩＣＥＡ作為適應度函數，并通過免疫協同進化機制尋找最優解；所述的ＩＣＥＡ由克隆擴增算子、高頻變異算子、適應度評價、協同進化算子和免疫清除算子構成；所述的集成智能優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）根據輸入的已有尺寸和缺少的尺寸，執行ＮＮ－ＩＣＥＡ算法搜索缺少的尺寸因子的最優解。

【技術特征摘要】
1.一種服裝結構設計的集成智能優化方法，采用了基于神經網絡NN與免疫協同進化算法ICEA的集成優化算法NN-ICEA，其特征在于：所述的神經網絡NN通過訓練逼近合體性函數，將其嵌入到免疫協同進化算法ICEA作為適應度函數，并通過免疫協同進化機制尋找最優解；所述的ICEA由克隆擴增算子、高頻變異算子、適應度評價、協同進化算子和免疫清除算子構成；所述的集成智能優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...

【專利技術屬性】
技術研發人員：丁永生，胡志華，
申請(專利權)人：東華大學，
類型：發明
國別省市：31[中國|上海]