家居自动布局的方法与流程

本发明涉及家居布局领域，特别是涉及一种家居自动布局的方法。

背景技术：

随着互联网的飞速发展，在线的应用程序数量激增，其中以3d方式展示空间的应用，如3d游戏，场景编辑器，家居设计、汽车设计等软件应用，占不小的比例。

在家具设计布局方面，在一些应用的场景中，尤其是多场景的时候，系统就会面临一个场景布局的问题。传统的场景布局一般由人工完成，或人工完成后进行批量重复。前者虽效果较好，但工作量大，要做出规模大效果好的场景需要耗费大量的人力物力和时间成本；后者虽然工作量小，需要的人力物力资源相应少些，但产生的布局容易造成大量重复，场景单薄枯燥，千篇一律，没有特色，场景分辨度低。

随着计算机辅助设计在场景自动布局中的应用，在家居自动布局上，lap-faiyu等人在提出了基于模拟退火算法的家具自动摆放系统，该系统通过家具包围盒提出了accessiblespace的模型，从而比较现实的模拟了家具布局中家具间位置的关系。该系统用模拟退火算法迭代完成布局工作，创造性的提出了视觉中心(viewfrustum)的概念。但在模拟退火算法的迭代中，寻找解的方式都是纯随机的、没有规律的，家居自动布局效率低下，且家居自动布局后的人性化效果差。

技术实现要素：

基于此，有必要针对目前家居自动布局效率低下且人性化效果差的问题，提供一种家居自动布局的方法。

一种家居自动布局的方法，所述方法包括：

输入室内需要布局的家具；

将输入的所述家具分别归类于坐卧家具、坐卧邻接家具、视觉中心家具、舒适性家具共四类家具中其中一类；

以所述视觉中心家具为核心根据所述分类对输入的所述家具进行组合；

采用禁忌搜索算法对组合后的家具进行布局。

在其中一个实施例中，所述以所述视觉中心家具为核心根据所述分类对输入的所述家具进行组合，包括：

获取输入的所述视觉中心家具；

为每个所述视觉中心家具创建对应的功能特性；

根据每个所述视觉中心家具的功能特性匹配对应的坐卧家具；

根据所述坐卧家具的特性匹配对应的坐卧邻接家具；

建立由每个所述视觉中心家具和对应的坐卧家具及坐卧邻接家具组成的家具组合。

在其中一个实施例中，所述采用禁忌搜索算法对组合后的家具进行布局，包括：

对建立所述家具组合后的家具进行初始布局，并以所述初始布局作为初始解；

在单次迭代内根据所述初始解控制领域移动，并从领域移动中选择一个解，所述领域移动为每个家具组合中坐卧邻接家具的偏移量所组成偏移量组；

判断选择的解是否为最优解；

若是，则接收并记录该选择的解。

在其中一个实施例中，所述采用禁忌搜索算法对组合后的家具进行布局，还包括：

若选择的解为非最优解，则根据禁忌表判断选择的解是否被禁忌；

若是，则将选择的解更新至禁忌表；

若否，则接收并记录该选择的解。

在其中一个实施例中，所述采用禁忌搜索算法对组合后的家具进行布局，还包括：

若根据禁忌表判断选择的解被禁忌时，则根据评价函数计算该选择的解的评价函数值；

根据该评价函数值判断该选择的解是否需要破禁；

若是，则接收并记录该选择的解。

在其中一个实施例中，所述接收并记录该选择的解之后，还包括：

将选择的解更新至禁忌表。

在其中一个实施例中，所述对建立所述家具组合后的家具进行初始布局，包括：

将所述视觉中心家具随机摆放，将所述坐卧家具中的卧家具靠墙随机摆放，将组合后的坐卧邻接家具随机摆放，作为初始布局。

在其中一个实施例中，所述偏移量为三维变量，所述三维变量包括所述坐卧邻接家具沿所在的二维坐标x轴和y轴方向的移动和在所述二维坐标的偏移角度z。

在其中一个实施例中，所述采用禁忌搜索算法对组合后的家具进行布局，还包括：

判断当前的迭代次数是否大于允许的最大次数值；

若是，则结束领域移动。

在其中一个实施例中，所述方法还包括：

对布局后的家具进行旋转、移动，增加或删除中的一个或一个以上操作。

以上所述家居自动布局的方法将输入的家具归类后，以视觉中心家具为核心根据分类对输入的家具进行组合，并采用禁忌搜索算法对组合后的家具进行布局；其中，对家具进行归类，由于不同类家具之间的布局具有关联性，因此，可以减少家具摆放的随机性，提升后续的布局效率；家具归类后，以视觉中心家具为核心根据分类对输入的家具进行组合，可以根据视觉中心家具的功能与其他家具进行组合，使家具的布局更为人性化；采用禁忌搜索算法对组合后的家具进行布局时，可以通过禁忌准则避免迂回搜索，提升布局效率。

附图说明

图1为家居自动布局的方法的流程图；

图2为图1中步骤s160的流程图；

图3为图1中步骤s180的流程图；

图4为图1中步骤s180的另一流程图。

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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本实施例的家居自动布局的方法包括步骤s120至步骤s180。

步骤s120，输入室内需要布局的家具。

在计算机系统中，通过键盘、鼠标、触摸屏等输入设备可以输入室内需要布局的家具。在网页界面或者应用程序界面可以直接输入需要布局的家具。输入的家具通常与室内相对应。例如，二室一厅、三室二厅的室内空间，要输入的家具是有差异的。

步骤s140，将输入的家具分别归类于坐卧家具、坐卧邻接家具、视觉中心家具、舒适性家具共四类家具中其中一类。

本实施例将家具分为四类，分别为坐卧家具、坐卧邻接家具、视觉中心家具和舒适性家具。

坐卧家具是指能够承载人的家具，分为坐家具和卧家具。坐家具包括沙发、椅子等；卧家具包括各种床类。坐卧家具中坐家具和卧家具的共同点是都可载人休息，在与视觉中心家具进行排列组合时有共同点，比如电视的对面既可以是一套沙发(如客厅)，也可以是一张床(如卧室)。而坐卧家具内中坐家具和卧家具的区别，主要是与坐卧邻接家具组合时的区别，如坐家具沙发椅子等旁边不适合摆放大衣柜、床头柜等。

坐卧邻接家具，就是坐家具或卧家具旁边摆放的家具。具体又分坐具邻接家具和卧具邻接家具，它们都是坐卧家具的附属家具，在属性上有着相同点。而在摆放组合方式上，它们又有较为明显的区别。卧具邻接家具如大衣柜与卧家具床的组合关系和位置关系是比较固定的，而坐具邻接家具如小茶几与坐家具沙发或椅子的组合关系和位置关系则是不固定的。

视觉中心家具是指人们一般休息或会话时人们所对应的焦点，是能够将其他家具聚合到一起的中心家具。视觉中心家具有电视、壁炉等家具。

舒适性家具是指为整个房间提供服务的家具，如空调、风扇、吊灯等家具。它们的共同点是与其他家具的组合关系较小，它们只需要考虑覆盖到的面积或人数即可。

步骤s160，以视觉中心家具为核心根据分类对输入的家具进行组合。

对家具进行组合时，由于视觉中心家具电视、壁炉等为室内的中心家具，因此，通常均以视觉中心家具为中心搭建或组合其他家具。

步骤s180，采用禁忌搜索算法对组合后的家具进行布局。

禁忌搜索(taboosearch)算法是一种亚启发式(meta-heuristic)随机搜索算法，它从一个初始可行解出发，选择一系列的特定搜索方向(移动)作为试探，选择实现让特定的目标函数值变化最多的移动。为了避免陷入局部最优解，禁忌搜索算法中采用了一种灵活的“记忆”方法，对已经优化的过程进行记录和选择，指导下一步的搜索方向，这就是禁忌表的建立。禁忌搜索是对人类思维过程本身的一种模拟，它通过对一些局部最优解的禁忌(也可以说是记忆)达到接纳一部分较差解，从而跳出局部搜索的目的，提升布局效率。

以上所述家居自动布局的方法将输入的家具归类后，以视觉中心家具为核心根据分类对输入的家具进行组合，并采用禁忌搜索算法对组合后的家具进行布局；其中，对家具进行归类，由于不同类家具之间的布局具有关联性，因此，可以减少家具摆放的随机性，提升后续的布局效率；家具归类后，以视觉中心家具为核心根据分类对输入的家具进行组合，可以根据视觉中心家具的功能与其他家具进行组合，使家具的布局更为人性化；采用禁忌搜索算法对组合后的家具进行布局时，可以通过禁忌准则避免迂回搜索，提升布局效率。

如图2所示，步骤s160包括步骤s161至步骤s165。

步骤s161，获取输入的视觉中心家具。

可以根据分类获取视觉中心家具，分类可以采用标记分辩类别，不同类的标记不同，根据标记即可挑选出视觉中心家具。

步骤s162，为每个视觉中心家具创建对应的功能特性。

视觉中心家具如电视的功能是供人们坐或卧前面观看，因此，视觉中心家具的功能特性可以通过自然语言的方式描述，也可以通过某些关键词进行描述。

步骤s163，根据每个视觉中心家具的功能特性匹配对应的坐卧家具。

例如，对于电视，由于工坐或卧于前观看，因此，可以根据这种功能特性选择椅子或沙发等坐卧家具与电视进行组合。

步骤s164，根据坐卧家具的特性匹配对应的坐卧邻接家具。

例如，如果视觉中心家具电视匹配沙发作为坐卧家具，则可以与沙发匹配茶几行等坐卧邻接家具。

步骤s165，建立由每个视觉中心家具和对应的坐卧家具及坐卧邻接家具组成的家具组合。

对于由每个视觉中心家具，以及与每个视觉中心家具匹配的坐卧家具，和进一步与坐卧家具匹配的坐卧邻接家具，以每个视觉中心家具为核心可以建立家具组合。

其中，舒适性家具由于其在组合时只需要考虑到覆盖到室内面积或人数，如空调，因此，单独设置即可。

如图3所示，步骤s180包括步骤s181至步骤s184。

步骤s181，对建立家具组合后的家具进行初始布局，并以初始布局作为初始解。

在常规的家居布局中，往往对随机摆放的家具没有进行位置和角度的限制。然而在实际摆放中，床头、电视柜等家具一般是平行并贴着墙摆放的，而椅子、装饰品等家具则没有具体的常规。根据经验知识，本实施例对家居布局的初始解做了改进，将部分明显与墙有位置角度关系的家具以其与墙的关系摆放，而没有明显关系的则进行随机摆放。具体而言，将视觉中心家具随机摆放，将坐卧家具中的卧家具靠墙随机摆放，将组合后的坐卧邻接家具随机摆放，作为初始布局。

步骤s182，在单次迭代内根据初始解控制领域移动，并从领域移动中选择一个解，领域移动为每个家具组合中坐卧邻接家具的偏移量所组成偏移量组。

本实施例中，领域移动的解为所有家具组合中的坐卧邻接家具的坐标、旋转角度构成的一个解。领域移动为坐卧邻接家具的三维移动，这里的三维移动是指移动的偏移量为三维变量，包括坐卧邻接家具沿所在的二维坐标x轴和y轴方向的移动和在二维坐标的偏移角度z。

步骤s183，判断选择的解是否为最优解。

本实施例中，可以通过评价函数计算解的评价函数值，如果评价函数值为历史最好值，则选择的解即为最优解。

步骤s184，若是，则接收并记录该选择的解。

如图4所示，步骤s180还包括步骤s185和步骤s186。

步骤s185，若选择的解为非最优解，则根据禁忌表判断选择的解是否被禁忌。

禁忌表中存放的禁忌项一般为邻域的一次移动，如一次元素位置的交换，或者一个元素移动的向量。本实施例将邻域移动后取得的解放入禁忌表，该解可以将与该解临近的解禁忌。这样就可以避免搜索陷入局部最优解而增强全范围的搜寻解的能力。本实施例中，禁忌表中的禁忌项为算法的某一个解。在算法每次迭代后，将得到的解放入禁忌表。在算法的下次迭代时，若得出与禁忌表中解相近的解时，则确定其为禁忌解，计算其评价函数，若评价函数值为历史最好，则破禁将解接受。若评价函数并非历史最好，则选择本次迭代的其他解中最优解。禁忌表中的项在若干次迭代中被更新掉。

步骤s186，若是，则将选择的解更新至禁忌表。

如果选择的解被禁忌，则在禁忌表中有相近的解，则对禁忌表进行更新。若选择的解没有被禁忌，则接收并记录该选择的解。

其中，若由步骤s185根据禁忌表判断选择的解被禁忌时，本实施例则需要进一步判断该解是否需要破禁。具体的，可以根据评价函数计算该选择的解的评价函数值，根据该评价函数值判断该选择的解是否需要破禁，若是，则接收并记录该选择的解。

本实施例中，在接收并记录选择的解后，则将选择的解更新至禁忌表。

由步骤s180完成布局后，用户可以对布局进行反馈，包括对家居的旋转、移动，增加和删除中的一个或一个以上操作。其中，对家居进行增加或者删除会反馈到布局的初始解生成处，家居进行重新的组合，以便进一步形成新的布局。用户若进行旋转操作，则会重新计算评价函数；而用户对家居的移动操作，则会重新计算评价函数，之后会将其看作以被操作家具所在的模块为单位进行的一次迭代，并更新禁忌表。

其中，本实施例的禁忌搜索算法的停止条件可以包括三种。第一种是邻域移动得出的解全部在禁忌表中，且没有破禁的解。第二种是得出的解的评价函数达到用户需求。第三种是迭代次数达到最大迭代次数。

因此，在单次迭代时，可以判断当前的迭代次数是否大于允许的最大次数值，最大次数值即为允许的最大迭代次数，若是，则结束领域移动，即停止搜索。

通常禁忌搜索算法具有八个构成要素，分别是编码方式，评价函数，初始解，移动和邻域，禁忌表，选择策略，渴望水平函数，以及停止准则。在这些要素涵盖的参数中，有五个重要参数决定了禁忌搜索算法的求解效率和最优解精度，它们分别是最大迭代次数、禁忌表长度、邻域解个数、候选解集个数和集中搜索次数。目前国内外对于禁忌搜索算法理论方面的研究工作比较少，对于决定算法性能的参数设定大多是依据以往对特定问题的经验数据进行设定，而一些比较少提到的参数优化方法多是采用针对每一个参数粗鲁的枚举法进行参数优化，这种方式非但不能保证将各个参数组合到一起能否保证最优解精度，单单是优化参数所耗费的时间便是不可忽略的问题。本实施例在matlab中采取了遗传算法对禁忌搜索算法中的参数进行了优化。

具体的，本实施例从两个方面使用遗传算法对禁忌搜索算法的参数进行了优化，分别是禁忌搜索算法的最大迭代次数和邻域候选解个数。遗传算法有有很强的全局优化能力，不易在搜索过程中选择局部较优解无法跳出；并且遗传算法可将一组参数一起组合优化，而不必像传统方法一样分别优化。经过遗传算法优化后，得出适合本算法的最大迭代次数为165，邻域大小为20。

本实施例采用的评价函数为增量式的评价函数，综合了相对距离、朝向角度和对称性三部分，体现了家具间互相关系对摆放方案的评价。具体的，对于布局φ，有如下评价函数：

c(φ)＝w1·cd(φ)+w2·ca(φ)+w3·cs(φ)(1)

根据经验，取w1＝0.5，w2＝0.7，w3＝30。

其中，距离函数

距离函数用于表示坐卧邻接家具相对于坐卧家具的距离对布局的影响，其中dpij表示家具i和j之间水平距离与垂直距离之和，rdij表示家具i和j间共用空间的距离。

朝向角度函数

朝向角度函数用于表示坐卧邻接家具的角度与坐卧家具的角度对布局的影响。

对称性函数

对称性函数用于表示在同一家具组合内两个以上同类型坐卧邻接家具相对于坐卧家具的对称性对布局的影响，其中t为中心家具，一般为坐卧家具；sdtij表示i关于t相对于j的对称性距离。

在迭代过程中，若迭代中新的布局中对于当前布局只有移动操作，本实施例则采取增量式的计算方法，以加快迭代过程。在家具进行移动时，采用以下增量公式：

其中，基于本实施例以家具ij间的水平与垂直距离的和dpij模拟家具ij间的距离，可以通过加减法得出增量δdpij；而对称性距离sdtij，则可以由t与j的坐标通过加减法得出i的变化。因此δc(φ)可由加减计算得出。

在迭代过程中，若迭代中新的布局相对于当前布局只有旋转操作，则有关于旋转的增量式计算方法，公式如下：

有公式可得出增量δc(φ)。

本文提出了适合用于家居布局的禁忌搜索算法，并用遗传算法优化了其中的参数。与现存的研究相比，该算法减少了迭代次数，并缩短了运行时间，提高了效率。

本实施例还提供了一种计算机系统，包括输入设备、处理器、显示屏和存储器，存储器存储有启动程序，显示屏显示有启动程序的启动图标，处理器在接收到输入设备对启动图标的启动指令时，执行启动程序实现以上所述的方法。其中，计算机系统可以是台式机，笔记本、手机等电子设备。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。