基于小世界网络搜索的孔群加工路径优化方法

摘要

本发明公开了基于小世界网络搜索的孔群加工路径优化方法，包括：对孔群加工时，随机产生初始抗体群A，初始抗体群A中每个抗体均对应孔群的一种加工顺序；根据优化条件对初始抗体群A评估，保留初始抗体群A中的精英抗体，构成抗体群B；对抗体群B中的每个精英抗体进行克隆复制，得到抗体群C；对抗体群C中的精英抗体进行小世界网络搜索操作，包括短程优化算子和长程优化算子，得到抗体群D；对抗体群B中每个精英抗体进行量子交叉，得抗体群E；从抗体群D和抗体群E中的精英抗体中选择优质抗体，构成抗体群F；判断是否终止。该方法将小世界网络搜索模型与克隆选择方法进行结合，能够缩短加工路径长度，提高加工速度，减少刀具逆向变换次数。

说明书

技术领域

本发明涉及机械工程中的数控加工控制领域。更具体地说，本发明涉及一种基于小世界网络搜索的孔群加工路径优化方法。

背景技术

小世界现象源于社会心理学家Milgram在20世纪60年代有关追踪美国社交网络中最短路径的研究。研究表明，社会关系网络中存在着大量的最短路径，通过这些最短路径，信息可以很快传递到任何目的地，这就是著名的六度分离推断。这之后，复杂网络研究进入了新纪元，涌现出大量研究成果，在互联网控制，生物学蛋白质网络动力学研究等许多领域成功地应用。已有学者提出利用小世界网络的传输特性进行优化算法的构建，但已提出算法中短程连接算子与长程连接算子都是针对当前解的封闭操作，并没有吸收来自其他解任何信息，这与复杂网络中节点间相互关联的现象并不吻合。

孔群加工作为数控加工中的典型过程，加工路径选择的合理性将直接影响加工效率和加工成本。以缩短刀具移动距离、减少刀具更换次数和刀具逆向变换次数为目标的孔群加工路径优化问题(HMPOP)成为孔群加工的关键问题。应用于孔群加工路径优化的方法也已有学者提出，但是该方法是利用经典的进化蚁群算法，算法复杂，求解的质量有待进一步提高。

发明内容

为了克服现有技术的不足，本发明提供了一种基于小世界网络搜索的孔群加工路径优化方法，该方法将小世界网络搜索模型与克隆选择方法进行结合，能够提升孔群加工路径优化的效果，缩短加工路径的长度，提高加工速度，同时减少刀具逆向变换的次数。

本发明提供的技术方案为：

本发明提供的基于小世界网络搜索的孔群加工路径优化方法，包括：

步骤一、对孔群进行加工时，随机产生初始抗体群A，所述初始抗体群A中的每个抗体均对应孔群的一种加工顺序；

步骤二、根据孔群加工路径自适应优化条件：刀具逆向变换次数值和刀具行进距离值均为最小值作为标准评估步骤一中产生的初始抗体群A，保留初始抗体群A中的精英抗体，构成抗体群B；

步骤三、对所述抗体群B中的每个精英抗体进行克隆复制，得到抗体群C，所述抗体群C＝(S1，S2，…，SX)，S1，S2，…，SX为所述抗体群C中的经过克隆复制后的精英抗体，X为所述抗体群C中的精英抗体的个数；

步骤四、对执行克隆复制操作后得到的抗体群C中的精英抗体进行小世界网络搜索操作，得到抗体群D，所述小世界网络搜索操作的算子包括短程优化算子和长程优化算子，所述长程优化算子的过程为：选定所述抗体群C中的一个精英抗体SU，其中，U<＝X，随机选择所述精英抗体SU中的两个节点sx和sy，然后随机在所述抗体群C中选择另外一个精英抗体SV，其中V≠U，V<＝X，找出所述精英抗体SU随机选中的第二个节点sy在所述精英抗体SV中的右侧相邻节点sz，此时翻转所述精英抗体SU中的sy节点与sz节点之间的片段，x，y和z为1～n的整数，且x≠y≠z，n表示孔群有n个孔；

步骤五、对所述抗体群B中的每个精英抗体进行双向量子交叉，得到抗体群E；

步骤六、从所述抗体群D中的精英抗体和所述抗体群E中的精英抗体中选择优质抗体，构成抗体群F；

步骤七、判断是否满足条件：刀具逆向变换次数值和刀具行进距离值均为最小值，若不满足，则重复步骤三至步骤七，若满足，则终止。

优选的是，所述的基于小世界网络搜索的孔群加工路径优化方法，所述步骤二中的刀具逆向变换次数目标函数为：其中，k∈{2,3,…,n-1}，j∈{1,2,…,l}，d为逆序的判断条件，n表示孔群有n个孔，每个加工孔的位置用一个向量Z＝(z₁,z₂,…,z_l)表示，l表示每个加工孔位置有l个独立的坐标，n个孔的位置用n个向量表示为i＝1,2,…,n，所述步骤二中的刀具行进距离值目标函数值为：

优选的是，所述的基于小世界网络搜索的孔群加工路径优化方法，所述步骤三中对所述抗体群B中的每个精英抗体进行克隆复制时，第I个精英抗体的复制倍数p_I表示为其中，M_c为克隆增益因子，为常数，N表示所述抗体群B中有N个精英抗体，I＝1,2,…,N。

优选的是，所述的孔群加工路径的自适应优化方法，所述步骤一具体为：对具有n个孔的孔群进行加工，随机产生包含M个抗体的初始抗体群A，每个抗体均对应一种加工顺序，每个抗体由n个1～n之间的不同的整数组成。

优选的是，所述的基于小世界网络搜索的孔群加工路径优化方法，所述步骤二具体为：根据孔群加工路径自适应优化条件：刀具逆向变换次数值和刀具行进距离值均为最小值作为标准评估步骤一中产生的初始抗体群A中的每个抗体并进行排序，保留初始抗体群A中的G个精英抗体，构成所述抗体群B，其中G＜M。

优选的是，所述的基于小世界网络搜索的孔群加工路径优化方法，所述短程优化算子的过程为：选定所述抗体群C中的一个精英抗体SF，其中，F<＝X，随机产生两个数a和b，则将所述精英抗体SF中的两个节点sa和sb进行对调，a，b为1～n的整数，且a≠b。

本发明至少包括以下有益效果：由于对执行克隆复制操作后得到的抗体群C中的精英抗体进行小世界网络搜索操作，小世界网络搜索操作的算子包括短程优化算子和长程优化算子，因此，本方法将小世界网络搜索模型与克隆选择方法进行结合，构建了短程优化算子和长程优化算子，将加工路径优化问题的解的搜索过程映射为网络空间不同顶点之间的迁移问题，利用小世界网络高效传播能力为加工路径的优化提供更加丰富的解。综上，本发明针对多目标孔群加工路径进行了优化，使得加工路径更短，提高了加工速度；同时，减少了刀具逆向变换的次数，减少了累积误差。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明实施例中的基于小世界网络搜索的孔群加工路径优化方法的流程示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

如图1所示，本发明实施例提供的孔群加工路径的自适应优化方法，包括：

步骤一S01、对孔群进行加工时，随机产生初始抗体群A，所述初始抗体群A中的每个抗体均对应孔群的一种加工顺序。

在其中一具体实施方式中，所述步骤一具体为：对具有n个孔的孔群进行加工时，随机产生包含M个抗体的初始抗体群A，每个抗体均对应一种加工顺序，每个抗体由n个1～n之间的不同的整数组成。

步骤二S02、根据孔群加工路径自适应优化条件：刀具逆向变换次数值和刀具行进距离值均为最小值作为标准评估步骤一中产生的初始抗体群A，保留初始抗体群A中的精英抗体，构成抗体群B。

其中，所述步骤二中的刀具逆向变换次数目标函数为：其中，k∈{2,3,…,n-1}，j∈{1,2,…,l}，d为逆序的判断条件，n表示孔群有n个孔，每个加工孔的位置用一个向量Z＝(z₁,z₂,…,z_l)表示，l表示每个加工孔位置有l个独立的坐标，n个孔的位置用n个向量表示为i＝1,2,…,n，所述步骤二中的刀具行进距离值目标函数值为：

在其中一具体实施方式中，所述步骤二具体为：根据孔群加工路径自适应优化条件：刀具逆向变换次数值和刀具行进距离值均为最小值作为标准评估步骤一中产生的初始抗体群A中的每个抗体并进行排序，保留初始抗体群A中的G个精英抗体，构成所述抗体群B，其中G＜M。

步骤三S03、对所述抗体群B中的每个精英抗体进行克隆复制，得到抗体群C，所述抗体群C＝(S1，S2，…，SX)，S1，S2，…，SX为所述抗体群C中的经过克隆复制后的精英抗体，X为所述抗体群C中的精英抗体的个数。

在其中一具体实施方式中，所述步骤三中对所述抗体群B中的每个精英抗体进行克隆复制时，第I个精英抗体的复制倍数p_I表示为其中，M_c为克隆增益因子，为常数，N表示所述抗体群B中有N个精英抗体，I＝1,2,…,N。

步骤四S04、对执行克隆复制操作后得到的抗体群C中的精英抗体进行小世界网络搜索操作，得到抗体群D，所述小世界网络搜索操作的算子包括短程优化算子和长程优化算子，所述长程优化算子的过程为：选定所述抗体群C中的一个精英抗体SU，其中，U<＝X，随机选择所述精英抗体SU中的两个节点sx和sy，然后随机在所述抗体群C中选择另外一个精英抗体SV，其中V≠U，V<＝X，找出所述精英抗体SU随机选中的第二个节点sy在所述精英抗体SV中的右侧相邻节点sz，此时翻转所述精英抗体SU中的sy节点与sz节点之间的片段，x，y和z为1～n的整数，且x≠y≠z，n表示孔群有n个孔。

其中，所述短程优化算子的过程为：选定所述抗体群C中的一个精英抗体SF，其中，F<＝X，随机产生两个数a和b，则将所述精英抗体SF中的两个节点sa和sb进行对调，a，b为1～n的整数，且a≠b。

对于短程优化算子和长程优化算子的实现过程，具体如下面例子所示：

短程优化算子：假设s1,s2,s3,s4,s5,s6,s1为一个解，随机产生两个数2和4，则将第2和第4位上的节点对调，短程优化算子的操作的效果为：

s1,s4,s3,s2,s5,s6,s1

长程优化算子：假设S1：s3-s5-s1-s2-s6-s4-s3为一个解，随机选择其中两个节点，假设为s2、s4。然后随机在解集合中选择另外一个解，假设为Sx:s2-s6-s4-s5-s1-s3-s2.找出解S1随机选中的第二个节点s4在Sx中的右侧相邻节点，为s5。此时翻转S1中s2节点与s5节点之间的片段，效果为：s3-s2-s1-s5-s6-s4-s3。

经过短程优化算子和长程优化算子后，得到的抗体解更为丰富。

需要说明的是，小世界网络搜索，相当于将整个抗体候选解看做社会网络的搜索空间，每个抗体相当于网络中的一个节点，最小值优化问题的求解过程就是从一个节点即初始候选解到目标节点即最优解的搜索，可视为从初始候选解到全局最优解的信息传递过程。

步骤五S05、对所述抗体群B中的每个精英抗体进行双向量子交叉，得到抗体群E。

其中，量子交叉的过程为：例如：

S1：s1-s2-s3-s4-s5-s6-s1

S2:s3-s5-s1-s2-s6-s4-s3

S3:s2-s6-s4-s3-s1-s5-s2

S4:s1-s3-s5-s6-s4-s2-s1

S5:s2-s4-s6-s5-s3-s1-s2

S6:s6-s2-s1-s3-s5-s4-s6

假设S1、S2、...、S6为六个精英抗体解，量子交叉描述如下：

从解S1中随机选择一个节点s3，在解S2中找到s3相邻的两个节点，如果dis(s3,s5)<dis(s3,s4)，则s5为优质节点；在解S3中找到s5的相邻节点s1、s2，如果dis(s5,s2)<dis(s5,s1)，则s2为优质节点；在解S4中找到s2的相邻节点s4、s1，如果dis(s2,s4)<dis(s2,s1)，则s4为优质节点；在解S5中找到s4的相邻节点s2、s6，如果dis(s4,s2)<dis(s4,s6)，则s6为优质节点；因为此时只有一个剩余节点s1，所以加入s1，由s3-s5-s2-s4-s6-s1-s3构成一个交叉产生的新解。

其具体实现过程为:

步骤六S06、从所述抗体群D中的精英抗体和所述抗体群E中的精英抗体中选择优质抗体，替换当前的精英抗体，构成抗体群F。

步骤七S07、判断抗体群F中的优质抗体是否满足条件：刀具逆向变换次数值和刀具行进距离值均为最小值，若不满足，则重复步骤三至步骤七，若满足，则终止。

如上所述，本方法将小世界网络搜索模型与克隆选择方法进行结合，构建了短程优化算子和长程优化算子，将加工路径优化问题的解的搜索过程映射为网络空间不同顶点之间的迁移问题，利用小世界网络高效传播能力为加工路径的优化提供更加丰富的解。因此，本发明针对多目标孔群加工路径进行了优化，使得加工路径更短，提高了加工速度；同时，减少了刀具逆向变换的次数，减少了累积误差。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。