混合K-均值聚类算法和遗传算法的机械加工路径规划方法与流程

本发明涉及机械加工，更具体地说，涉及混合k-均值聚类算法和遗传算法的机械加工路径规划方法。

背景技术：

1、通过数控机床加工复杂对象或物体时，若采用合理、较短的加工路径，可以有效减少末端执行器的多余行程，对于提升加工效率具有重要意义。加工效率的提升可以更好地适应行业需求，例如，近年来飞速发展的3c(即计算机、通信和消费电子产品)行业，产品更新迭代速度快、加工速度要求高。然而，在很长一段时间里，大多数螺丝或螺栓锁付、点胶、打孔等工序的加工路径规划，都是基于工程师的以往经验，该方式虽然能够简化工作流程，方便工程师编写数控机床的移动程序，但也意味着凭经验设计的路径通常也不是最优路径。而产线的加工任务是长期持续运行的，多余行程的积累效应会明显降低生产产能。

2、而随着人工智能的飞速发展，智能算法逐渐被应用于各行业。其中，遗传算法是一种被用来寻找最优路径的概率性算法，能够用于求解旅行商问题，它具有分布性的特点，鲁棒性强并且容易与其它算法结合等优点。因此，遗传算法很适合应用在3c加工中的锁付、点胶、打孔路径规划等场景。但是，遗传算法作为启发式算法，在求解大规模加工路径规划时容易陷入局部最优解，造成求解精度较低，不能很好地进行路径规划。

3、因此，仍需对现有加工路径规划方法做改进，以解决求解精度低的问题。

技术实现思路

1、本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供混合k-均值聚类算法和遗传算法的机械加工路径规划方法。

2、本发明解决其技术问题所采用的技术方案是：

3、提供一种混合k-均值聚类算法和遗传算法的机械加工路径规划方法，包括如下步骤：

4、s1，获取预设的第一数据集；其中，所述第一数据集为待加工点的坐标数据集合；

5、s2，对所述第一数据集进行模型转换，得到第二数据集，以将机械加工路径规划问题转换为旅行商问题；

6、s3，基于划分式聚类算法对所述第二数据集进行聚类，得到多个簇；其中，将各个簇所形成的区域均作为子区域；

7、s4，基于遗传算法对各个子区域进行求解，得到各个子区域的最优路径；

8、s5，对各个子区域的最优路径进行类间拼接，得到总体最优路径，作为机械加工最优路径。

9、可选的，步骤s1中，所述第一数据集为g＝(v,e)，其中，v＝(1,2,…,n),n为待加工点的数量，e为任意两个待加工点所连成的边的集合；

10、步骤s2中，所述第二数据集为dijxij+lstart+lend，其中，f(x)为总体路径长度，i,j∈v,i≠j，dij为边对应的权重，xij为集合e中边的长度，lstart为末端执行器距离起始加工点的欧式距离，lend为末端执行器距离最终加工点的欧式距离。

11、可选的，步骤s3中，所采用的划分式聚类算法为k-均值聚类算法。

12、可选的，步骤s3中，根据以下公式计算簇个数k：

13、

14、其中，sk为总体平均轮廓系数，-1≤sk≤1，si为第i个样本的轮廓系数，bi为第i个待加工点与最近簇中所有样本点之间的平均距离，ai表示第i个待加工点与同簇内其他样本点的平均距离。

15、可选的，步骤s5包括：

16、类间拼接方法为子区域最近领域类间连接，且总体最优路径的求解公式为

17、minz＝∑zk-∑si+∑sj

18、其中，z为总体路径长度，zk为子区域的最优路径长度，si为子区域连接时的断开链长度，sj为子区域之间的连接链长度。

19、可选的，步骤s3中，根据以下公式计算待加工点到簇中心的距离：

20、

21、其中，c(i)为第i个待加工点到第j个簇中心的距离，x(i)为第i个待加工点的坐标，uj为第j个簇的质心坐标。

22、可选的，步骤s3中，根据以下公式计算各个簇的质心：

23、

24、可选的，步骤s3中，聚类终止条件为以下的一种或任意组合：

25、所有簇中心移动均小于第一预设值、迭代次数大于第二预设值、不再重新分配簇中心。

26、可选的，步骤s4中，适应度函数为其中，distance为子区域的路径长度。

27、可选的，步骤s4中，迭代终止条件为适应度大于第三预设值和/或迭代次数大于第四预设值。

28、本发明的有益效果在于：在路径加工时，读取预先录入的待加工点的坐标数据，即可实现最优路径的自动规划，进而应用最优路径进行加工，有效提高加工效率。例如，首先对锁付路径进行模型转换(也可称为优化)，将其锁付路径规划问题求解转换为求解tsp问题，接着利用k-均值聚类方法，将数据进行分组，再利用遗传算法分别对子问题进行路径优化求解，并进行子问题的类间连接，得出最终优化路径，很好地解决了传统路径规划算法在求解大规模tsp问题时收敛速度慢、求解时间长、精度低等问题，在3c加工中的锁付、点胶、打孔路径规划具有显著优势。

技术特征：

1.一种混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于：

3.根据权利要求2所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s3中，所采用的划分式聚类算法为k-均值聚类算法。

4.根据权利要求3所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s3中，根据以下公式计算簇个数k：

5.根据权利要求4所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s5包括：

6.根据权利要求3所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s3中，根据以下公式计算待加工点到簇中心的距离：

7.根据权利要求6所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s3中，根据以下公式计算各个簇的质心：

8.根据权利要求3所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s3中，聚类终止条件为以下的一种或任意组合：

9.根据权利要求1所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s4中，适应度函数为其中，distance为子区域的路径长度。

10.根据权利要求8所述的混合k-均值聚类算法和遗传算法的机械加工路径规划方法，其特征在于，步骤s4中，迭代终止条件为适应度大于第三预设值和/或迭代次数大于第四预设值。

技术总结本发明涉及机械加工技术领域，更具体地涉及混合K‑均值聚类算法和遗传算法的机械加工路径规划方法。通过先获取预设的第一数据集，进而，对第一数据集进行模型转换，得到第二数据集，进而，基于划分式聚类算法对第二数据集进行聚类，得到多个簇，进而，基于遗传算法对各个子区域进行求解，得到各个子区域的最优路径，进而，对各个子区域的最优路径进行类间拼接，得到总体最优路径，作为机械加工最优路径。采用前述方法，在路径加工时，读取预先录入的待加工点的坐标数据，即可实现最优路径的自动规划，进而应用最优路径进行加工，有效提高加工效率。技术研发人员：王怀智,王靖东受保护的技术使用者：南通市普蓝机器人有限公司技术研发日：技术公布日：2024/8/16