本发明涉及点胶的路径优化，尤其涉及一种基于TSP分析对点胶路径优化的方法。
背景技术：
点胶系统是一种广泛应用在产品生产领域的工艺设备，其使用范围覆盖了产品的粘接、灌封、涂层、密封、填充、点滴、划线涂胶等工艺。在进行涂胶过程中，有两种方式进行对涂胶轨迹的编程：1、采用人工教导的方式；2、采用CAD文件导入的方式。现在方法1直接采用人工教导的方式进行编程，但这种方式效率低，精度差；方法2虽然采用了CAD文件进行工件轨迹导入，但其涂胶顺序仍然是无序的，即没有针对特定的涂胶轨迹进行优化计算以得到最短的涂胶路径。
综上，现有技术中的点胶路径规划方法存在以下缺陷：涂胶顺序无序，点胶效率低。
技术实现要素：
本发明要解决的技术问题在于，针对现有技术中的上述缺陷，提供一种可以对点胶路径进行优化、找到最优点胶路径、可以提高点胶效率的基于TSP分析对点胶路径优化的方法。
本发明解决其技术问题所采用的技术方案是提供一种基于TSP分析对点胶路径优化的方法，包括以下步骤：
S1：获取CAD文件的图元数据；
S2：以步骤S1中获取的图元数据作为TSP的输入参数，采用遗传算法进行迭代计算，遗传算法根据图元数据形成有序图元序列；
S3：在S2的迭代计算中，比较有序图元序列的本次距离E和历史最短距离F的大小:若E＜F，则跳至步骤S4；若E≥F，则返回步骤S2；
S4：保存E，形成新的历史最短距离，返回步骤S2；
S5：E始终为同一值且持续常数N代后未变化，则迭代计算终止；
S6：步骤S5中的E为优化后的点胶路径。
在本发明所述的基于TSP分析对点胶路径优化的方法中，所述步骤S1中，图元数据包括点、直线、圆、弧和/或多义线对应的坐标数据，其中，直线坐标数据时取直线的中点作为图元数据，圆坐标数据时取圆心作为图元数据，弧坐标数据时取弧的起点和终点所构成的线段的中点作为图元数据，多义线坐标数据时取多义线的起点和终点所构成的线段的中点作为图元数据。
在本发明所述的基于TSP分析对点胶路径优化的方法中，所述步骤S2中，有序图元序列包括若干图元组，每一图元组包含步骤S1中的图元数据；迭代计算包括分析每一图元组中连接各个图元数据的距离，以形成有序图元序列的距离。
在本发明所述的基于TSP分析对点胶路径优化的方法中，所述步骤S5中，常数N≥10。
在本发明所述的基于TSP分析对点胶路径优化的方法中，所述步骤S6之后还包括步骤S7：以坐标原点为起始点，然后分两次针对优化后的点胶路径计算顺时针和逆时针两个距离值H和M，取H和M中小值为最优路径距离值。
在本发明所述的基于TSP分析对点胶路径优化的方法中，所述步骤S7之后还包括步骤S8：输出最优路径距离值。
实施本发明的基于TSP分析对点胶路径优化的方法，有益效果是：可以对点胶路径进行优化、找到最优点胶路径、可以提高点胶效率。
附图说明
图1是本发明基于TSP分析对点胶路径优化的方法实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下文将要描述的各种实施例将要参考相应的附图，这些附图构成了实施例的一部分，其中描述了实现本发明可能采用的各种实施例。应明白，还可使用其他的实施例，或者对本文列举的实施例进行结构和功能上的修改，而不会脱离本发明的范围和实质。
如图1所示，本实施例的基于TSP分析对点胶路径优化的方法，包括以下步骤：
S1：获取CAD文件的图元数据；
S2：以步骤S1中获取的图元数据作为TSP的输入参数，采用遗传算法进行迭代计算，遗传算法根据图元数据形成有序图元序列；
S3：在S2的迭代计算中，比较有序图元序列的本次距离E和历史最短距离F的大小:若E＜F，则跳至步骤S4；若E≥F，则返回步骤S2；
S4：保存E，形成新的历史最短距离，返回步骤S2；
S5：E始终为同一值且持续常数N代后未变化，则迭代计算终止；
S6：步骤S5中的E为优化后的点胶路径。
步骤S1中，图元数据包括点、直线、圆、弧和/或多义线对应的坐标数据，其中，直线坐标数据时取直线的中点作为图元数据，圆坐标数据时取圆心作为图元数据，弧坐标数据时取弧的起点和终点所构成的线段的中点作为图元数据，多义线坐标数据时取多义线的起点和终点所构成的线段的中点作为图元数据。
进一步讲，本实施例的图元数据包括三个点(P1,P2,P3),一条直线(L1),一条多义线(PL1)，取直线L1的中点P4为图元数据，取多义线PL1的起点和终点所构成的线段的中点P5作为图元数据.因此，本实施例的图元数据包括P1、P2、P3、P4和P5总计5个点。
步骤S2中，有序图元序列包括若干图元组，每一图元组包含步骤S1中的图元数据；迭代计算包括分析每一图元组中连接各个图元数据的距离，以形成有序图元序列的距离。
点胶路径可以是由P1至P2再至P3再至P4再至P5这样的长度，为了叙述方便，将上述P1至P2再至P3再至P4再至P5的点胶路径简称为P1-P2-P3-P4-P5。而点胶路径也可能是P1-P3-P2-P4-P5、P1-P3-P4-P2-P5等等。可以计算得知，如果是5个点，那么不同的点胶路径的数量就是5！，即120个；因此优化点胶路径，获得最短的点胶路径就显得非常必要，这可以显著提高点胶效率。
本实施例中，有序图元序列包括120个图元组，即上述的120个点胶路径；每一图元组包含步骤S1中的图元数据，即每一图元组包含P1、P2、P3、P4和P5这5个点。迭代计算包括分析每一图元组中连接各个图元数据的距离，以形成有序图元序列的距离，即迭代计算包括分析依次连接这5个点的线段的总和，例如P1与P2的线段、P2与P3的线段、P3与P4的线段、P4与P5的线段，计算上述四个线段的总和，也即上述的点胶路径P1-P2-P3-P4-P5；相应地，有序图元序列的距离指点胶路径P1-P2-P3-P4-P5。可以理解的是，点胶路径中，每个点不重复经过。
步骤S2中，
1.TSP(旅行商问题)
TSP是一个经典的优化组合问题，它可以扩展到很多问题，如电路布线、输油管路铺设等，遗传算法(GA)是求解该问题的较有效的方法之一旅行商问题可以具体描述为：已知n个城市之间的相互距离，现有一个推销员从某一个城市出发，必须遍访这n个城市，并且每个城市只能访问一次，最后又必须返回到出发城市，如何安排他对这些城市的访问次序，可使其旅行路线的总长度最短。
2.遗传算法
遗传算法的基本原理是通过作用于染色体上的基因寻找好的染色体来求解问题，它需要对算法所产生的每个染色体进行评价，并基于适应度值来选择染色体，使适应性好的染色体有更多的繁殖机会，在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初始种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗产操作后的个体集合形成下一代新的种群，对这个新的种群进行下一轮的进化。遗传算法的基本过程：
1.初始化群体。
2.计算群体上每个个体的适应度值
3.由个体适应度值所决定的某个规则选择将进入下一代个体。
4.按概率Pc进行交叉操作。
5.按概率Pm进行变异操作。
6.没有满足某种停止条件，则转第2步，否则进入第7步。
7.输出种群中适应度值最优的染色体作为问题的满意解或最优界。
停止条件有两种：一是完成了预先给定的进化代数则停止；二是种群中的最优个体在连续若干代没有改进或平均适应度在连续若干代基本没有改进时停止。
步骤S3中，例如有序图元序列的本次距离E为P1-P3-P2-P4-P5，历史最短距离F为P1-P3-P4-P2-P5；若E＜F，则跳至步骤S4；若E≥F，则返回步骤S2。
步骤S4中，E＜F，则保存P1-P3-P2-P4-P5为新的历史最短距离，返回步骤S2，继续进行迭代计算。
步骤S5：E始终为同一值且持续常数N代后未变化，则迭代计算终止。步骤S5中，常数N≥10，例如可以是10，20，30等。当然在一些实施例中，常数N也可以是2、6、8、9等数据，只是常数N≥10时，可以得到更精准的数据。假设P2-P1-P4-P3-P5经过15次迭代计算后未变化，则迭代计算终止。
步骤S6：步骤S5中的E为优化后的点胶路径。P2-P1-P4-P3-P5为优化后的点胶路径，该点胶路径为最短的点胶路径，采用该点胶路径，可以提高设备运行效率，提高设备的使用率，有助于降低生产成本。优化后的点胶路径可以进行输出，以驱动点胶机构按照优化后的点胶路径进行点胶。
在一些实施例中，步骤S6之后还包括步骤S7：以坐标原点为起始点，然后分两次针对优化后的点胶路径计算顺时针和逆时针两个距离值H和M，取H和M中小值为最优路径距离值。坐标原点也即点胶的起始点，因为点胶时，点胶机构是从坐标原点起始，点胶之后再返回坐标原点。分析上述顺时针和逆时针两个距离值，主要是要找到坐标原点到优化后的点胶路径之间的最短距离，该距离加上优化后的点胶路径，就得到最优路径距离值，该最优路径距离值是实际点胶操作中的具体最短点胶路径。
步骤S7之后还包括步骤S8：输出最优路径距离值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。