一种基于偏好遗传算法的染色配比方法及系统与流程

本发明涉及纺织配色领域，特别是涉及一种基于偏好遗传算法的染色配比方法及系统。

背景技术：

目前，毛纺企业普遍采用染色后的单色毛条按一定质量比混合生产颜色各异的毛纺产品。这种生产方式主要具有以下优点：1)能在生产过程中将散毛重复利用，减少染色纤维量的使用，也对保护环境起到作用；2)能生产颜色均一的素色产品，也可以生产非均一的特效夹花产品，产品效果能够得到保障。3)由于纤维染色混合而成，避免了混纺混色(不同纤维不同颜色)期间不同纤维造成的竟染，沾色等一系列问题。然而，染整加工中最主要的配色问题还有待解决。目前企业主要依靠经验和反复试纺配色，生产周期长，效率低。专利号为cn105787559a的发明专利，基于神经网络的色纺纱配色方法，虽然能增加配色的泛化能力，修正配色色彩，但是交互性不强。为了适应“小批量，多品种，快交货”的市场特点，我们结合传统模型(stearns-noechel模型)和偏好遗传算法实现配色方案。

技术实现要素：

本发明的目的是提供一种基于偏好遗传算法的染色配比方法及系统，解决了配色不足的问题。

为实现上述目的，本发明提供了如下方案：

一种基于偏好遗传算法的染色配比方法，所述方法包括：

获取配色方案样本的反射率；

将所述反射率代入传统模型中，得到样本模型反射率；

获取第一配色方案集合，所述第一配色方案集合中配色方案的数量为n个；

采用偏好遗传算法对第一配色方案集合进行初始化，得到初始化配色方案集合；

将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合，所述第二配色方案集合中配色方案的数量为2n个；

将所述第二配色方案集合的各配色方案代入所述传统模型中，得到2n个模型反射率；

根据样本模型反射率和各所述模型反射率，确定2n个聚集距离；

根据2n个所述聚集距离，确定第三配色方案集合；

判断所述第三配色方案集合中是否存在满足客户要求的配色方案；

若是，则输出所述第三配色方案集合；

若否，则返回至将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合；

选择所述第三配色方案集合中最能满足客户要求的配色方案，将所述配色方案进行打样，得到打样配色方案集合；

获取打样配色方案集合中所有打样配色方案的反射率；

计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案，所述最小色差配色方案为最佳单色组成方案。

可选的，所述根据2n个所述聚集距离，确定第三配色方案集合，具体包括：

将2n个所述聚集距离从小到大排序，选择前n个配色方案作为第三配色方案集合。

可选的，所述计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案，具体包括：

利用色差公式计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案。

可选的，所述将所述反射率代入传统模型中，得到样本模型反射率，具体包括：

获取光谱光度仪测量配色方案时采用的波长；

将所述反射率和所述波长代入公式得到样本模型反射率；

其中，m表示可变常量，根据实验确定，r(λ)表示波长为λ时的反射率。

可选的，所述根据所述样本模型反射率和各所述模型反射率，确定2n个聚集距离，具体包括：

根据公式d＝f(rs)-f(rp)，确定聚集距离；

其中，f(rs)表示样本模型反射率，f(rp)表示各所述模型反射率，d表示聚集距离。

一种基于偏好遗传算法的染色配比系统，所述系统包括：

第一获取模块，用于获取配色方案样本的反射率；

样本模型反射率确定模块，用于将所述反射率代入传统模型中，得到样本模型反射率；

第二获取模块，用于获取第一配色方案集合，所述第一配色方案集合中配色方案的数量为n个；

初始化模块，用于采用偏好遗传算法对第一配色方案集合进行初始化，得到初始化配色方案集合；

交叉变异模块，用于将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合，所述第二配色方案集合中配色方案的数量为2n个；

模型反射率确定模块，用于将所述第二配色方案集合的各配色方案代入所述传统模型中，得到2n个模型反射率；

聚集距离确定模块，用于根据所述样本模型反射率和各所述模型反射率，确定2n个聚集距离；

第三配色方案集合确定模块，用于根据2n个所述聚集距离，确定第三配色方案集合；

判断模块，用于判断所述第三配色方案集合中是否存在满足客户要求的配色方案；

输出模块，用于若是，则输出所述第三配色方案集合；

若否，则返回至将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合；

打样配色方案集合确定模块，用于选择所述第三配色方案集合中最能满足客户要求的配色方案，将所述配色方案进行打样，得到打样配色方案集合；

第三获取模块，用于获取打样配色方案集合中所有打样配色方案的反射率；

最佳单色组成方案确定模块，用于计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案，所述最小色差配色方案为最佳单色组成方案。

可选的，所述第三配色方案集合确定模块，具体包括：

第三配色方案集合确定单元，用于将2n个所述聚集距离从小到大排序，选择前n个配色方案作为第三配色方案集合。

可选的，所述最佳单色组成方案确定模块，具体包括：

最佳单色组成方案确定单元，用于利用色差公式计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案。

可选的，所述样本模型反射率确定模块，具体包括：

获取单元，用于获取光谱光度仪测量配色方案时采用的波长；

样本模型反射率确定单元，用于将所述反射率和所述波长代入公式得到样本模型反射率；

其中，m表示可变常量，根据实验确定，r(λ)表示波长为λ时的反射率。

可选的，所述聚集距离确定模块，具体包括：

聚集距离确定单元，用于根据公式d＝f(rs)-f(rp)，确定聚集距离；

其中，f(rs)表示样本模型反射率，f(rp)表示各所述模型反射率，d表示聚集距离。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种基于偏好遗传算法的染色配比方法，在传统模型的基础上，利用偏好遗传算法生成配色方案，解决了配色程序(配色解决方案)不足的问题，并且具有交互性，小批量，多品种(分布性)，快交货的特点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于偏好遗传算法的染色配比方法流程图；

图2为本发明实施例基于偏好遗传算法的染色配比系统结构图；

图3为本发明实施例1配色方案集合示意图；

图4为本发明实施例1交叉示意图；

图5为本发明实施例1变异示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于偏好遗传算法的染色配比方法及系统，解决了配色不足的问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例基于偏好遗传算法的染色配比方法流程图。如图1所示，一种基于偏好遗传算法的染色配比方法，所述方法包括：

步骤101：获取配色方案样本的反射率；

步骤102：将所述反射率代入传统模型中，得到样本模型反射率；

步骤103：获取第一配色方案集合，所述第一配色方案集合中配色方案的数量为n个；

步骤104：采用偏好遗传算法对第一配色方案集合进行初始化，得到初始化配色方案集合；

步骤105：将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合，所述第二配色方案集合中配色方案的数量为2n个；

步骤106：将所述第二配色方案集合的各配色方案代入所述传统模型中，得到2n个模型反射率；

步骤107：根据所述样本模型反射率和各所述模型反射率，确定2n个聚集距离；

步骤108：根据2n个所述聚集距离，确定第三配色方案集合；

步骤109：判断所述第三配色方案集合中是否存在满足客户要求的配色方案；

步骤110：若是，则输出所述第三配色方案集合；

若否，则返回至将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合；

步骤111：选择所述第三配色方案集合中最能满足客户要求的配色方案，将所述配色方案进行打样，得到打样配色方案集合；

步骤112：获取打样配色方案集合中所有打样配色方案的反射率；

步骤113：计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案，所述最小色差配色方案为最佳单色组成方案。

步骤108，具体包括：

将2n个所述聚集距离从小到大排序，选择前n个配色方案作为第三配色方案集合。

步骤113，具体包括：

利用色差公式计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案。

步骤102，具体包括：

获取光谱光度仪测量配色方案时采用的波长；

将所述反射率和所述波长代入公式得到样本模型反射率；

其中，m表示可变常量，根据实验确定，r(λ)表示波长为λ时的反射率。

步骤107，具体包括：

根据公式d＝f(rs)-f(rp)，确定聚集距离；

其中，f(rs)表示所述样本模型反射率，f(rp)表示各所述模型反射率，d表示聚集距离。

利用光谱光度仪测试标样的反射率rs，光谱光度仪测量波长范围为400～700nm，间隔10nm；在此采用stearns-noechel模型公式测量各个单色与配色方案的模型反射率，其表达式为：

式中m为可变常量，该值根据实验确定，r(λ)表示波长为λ时的反射率。配色方案与不同单色纤维配比公式为：

f[r]λ表示输出配色方案反射率,f[ri]λ表示单色ri在波长为λ时的反射率,xi表示单色ri的数量或者比例。

利用遗传算法求解stearns-noechel模型公式，初始化个体组成大小为n的初始种群。个体表示是各个单色在波长λ处的反射率组成的二进制编码，此编码表示一种配色方案。采用偏好遗传算法进行实施。

从初始化种群中随机选择两个个体，进行交叉，变异生成两个新个体，重复此过程，生成相同个数的新种群，把新种群加入到初始种群中，形成2倍种群。

2倍种群中的每个个体都是一种配色方案,记为rp，新生成的个体没有经过精英选择，个体与目标色相差较大，因此为了选择优秀个体(配色方案)，需要计算2倍种群中的每个个体与目标的函数值差值。在这里，模型公式函数值差值记为聚集距离。每个个体都具有一个聚集距离(函数值差值)，共2n个个体。

聚集距离值越小，说明个体(配色方案)越与标色接近，匹配程度越高，配色越好。为了对分布性(配色多样性)和极值(配色方案与标色差异最小)，经过从小到大排序后，前n个个体具有最好的分布性与极值，因此选择前n个个体作为新种群，此种群是一下代交叉变异的父亲种群。

在新种群内，个体是具有最佳配色的方案，可以从中判断是否满足配色达到输出要求，更重要的是用户可以根据方案进行进一步的调整，用户偏好哪一部分解集，则算法就在用户偏好区域大量生成个体，挑选最佳值。

种群中的个体(配色方案)具有最能满足用户需求的配色方案，根据方案，打样，重新测试打样后的反射率rp。

利用色差公式cmc2:1或cie1976*a*b*计算打样色rp和标样反射率之间的色差，输出最小色差的配色方案，即为最佳单色组成方案。

本发明在传统模型的基础上，利用偏好遗传算法生成配色方案，解决了配色程序(配色解决方案)不足的问题，并且具有交互性，小批量，多品种(分布性)，快交货的特点。

图2为本发明实施例基于偏好遗传算法的染色配比系统结构图。如图2所示，一种基于偏好遗传算法的染色配比系统，所述系统包括：

第一获取模块201，用于获取配色方案样本的反射率；

样本模型反射率确定模块202，用于将所述反射率代入传统模型中，得到样本模型反射率；

第二获取模块203，用于获取第一配色方案集合，所述第一配色方案集合中配色方案的数量为n个；

初始化模块204，用于采用偏好遗传算法对第一配色方案集合进行初始化，得到初始化配色方案集合；

交叉变异模块205，用于将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合，所述第二配色方案集合中配色方案的数量为2n个；

模型反射率确定模块206，用于将所述第二配色方案集合的各配色方案代入所述传统模型中，得到2n个模型反射率；

聚集距离确定模块207，用于根据所述样本模型反射率和各所述模型反射率，确定2n个聚集距离；

第三配色方案集合确定模块208，用于根据2n个所述聚集距离，确定第三配色方案集合；

判断模块209，用于判断所述第三配色方案集合中是否存在满足客户要求的配色方案；

输出模块210，用于若是，则输出所述第三配色方案集合；

若否，则返回至将所述初始化配色方案集合中的任意两个配色方案进行交叉变异，得到第二配色方案集合；

打样配色方案集合确定模块211，用于选择所述第三配色方案集合中最能满足客户要求的配色方案，将所述配色方案进行打样，得到打样配色方案集合；

第三获取模块212，用于获取打样配色方案集合中所有打样配色方案的反射率；

最佳单色组成方案确定模块213，用于计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案，所述最小色差配色方案为最佳单色组成方案。

所述第三配色方案集合确定模块208，具体包括：

第三配色方案集合确定单元，用于将2n个所述聚集距离从小到大排序，选择前n个配色方案作为第三配色方案集合。

所述最佳单色组成方案确定模块213，具体包括：

最佳单色组成方案确定单元，用于利用色差公式计算所述打样配色方案的反射率与所述样本模型反射率之间的色差，得到最小色差配色方案。

所述样本模型反射率确定模块202，具体包括：

获取单元，用于获取光谱光度仪测量配色方案时采用的波长；

样本模型反射率确定单元，用于将所述反射率和所述波长代入公式得到样本模型反射率；

其中，m表示可变常量，根据实验确定，r(λ)表示波长为λ时的反射率。

所述聚集距离确定模块207，具体包括：

聚集距离确定单元，用于根据公式d＝f(rs)-f(rp)，确定聚集距离；

其中，f(rs)表示所述样本模型反射率，f(rp)表示各所述模型反射率，d表示聚集距离。

具体实施例1：

在本实施例中，使用了6种单色r,b,w,y,g,d(红,蓝,白,黄,绿,黑)作为基本单色，单色配比组成各个不同的配色方案，配方y60b35d5表示由黄60％，蓝35％，黑5％组成。光谱仪测试各个单色纤维织片后的反射率ri和标色的反射率rs,仪器测试波长为400～700，间隔10nm。将ri和rs带入stearns-noechel模型公式(1)，获得f(ri)和f(rs)。

用遗传算法初始化个体，每个个体代表一种配色方案。图3为本发明实施例1配色方案集合示意图。

图4为本发明实施例1交叉示意图。在初始化中的100个个体与标色相差较大，不满足配色条件，则进行交叉和变异操作，产生新个体。若个体1，个体2被选中作为父代个体，则交叉结果如图4所示。

图5为本发明实施例1变异示意图。相对而言，变异是指在个体中的某一位数值随机发生变化，改变其值。例如，在新个体2’中发生变异，变异位置为蓝色位置，数值由13％变成25％，则对应各个的占比将重新计算，变异结果如图5所示。

在新个体中，个体1’没有发生变异，只有个体2’发生了变异。在交叉变异中，交叉的作用是为了满足生产新解(新的配色方案)，显而易见的是，两个优秀的个体会有极大的比例，将会产生两个优秀的新个体。然后，只是简单的交叉，无法跳出局部解。这时，变异将起到作用，变异使一个个体跳出局部区域，寻找全局最优解。在寻找解集的过程中，变异总是以一定概率存在的，满足了自然选择的条件。在实验中，变异概率设置为0.5。当个体满足变异条件时(概率满足)，将产生变异位置，此位置数据将会重新随机赋值，因此各个单色比例需要重新计算。变异后，产生的新个体是新个体1”，新个体2”。此时，新个体具有极大的可能性比父代个体优秀。当然，新个体也许比父代个体差，但是在精英选择过程中，非精英个体将会被舍弃。之后，把新个体带入到公式(2)中，根据公式(2)中的结果与标色f(rs)比对，差值越小越优秀，则这个个体成为精英个体。精英个体将被保留，成为下一代的父代。重复迭代后将产生最佳个体，输出最佳个体(配色方案)。需要注意的是：在交叉和变异中，交叉位置和变异位置都是随机产生的，交叉概率为100％，变异概率为5％。

实施例2：

本实施例涉及一种基于偏好遗传算法的配色方案，主要步骤包括：(1)测量标样(y60b35d5)的反射率，并且带入stearns-noechel模型公式，用rs表示，f(rs)表示模型反射率。(2)用偏好遗传算法生成初始种群，进行迭代选择。依据每个个体(配色方案)f(ri)带入配色公式所得数值，对比f(rs),挑选精英个体。(3)在最终迭代中，输出配方(y59.89b34.88d5.23)，打样，测试样品反射率。利用cmc色差公式计算色差为0.19，满足色差要求，配色方案完成。实施例3：

本实施例涉及一种基于偏好遗传算法的配色方案，主要步骤包括：(1)测量标样(r42b58)的反射率，并且带入stearns-noechel模型公式，用rs表示，f(rs)表示模型反射率。(2)用偏好遗传算法生成初始种群，进行迭代选择。依据每个个体(配色方案)f(ri)带入配色公式所得数值，对比f(rs),挑选精英个体。(3)在最终迭代中，输出配方(r41.24b58.76)，打样，测试样品反射率。利用cmc色差公式计算色差为0.34，满足色差要求，配色方案完成。

实施例4：

本实施例涉及一种基于偏好遗传算法的配色方案，主要步骤包括：(1)测量标样(w37d63)的反射率，并且带入stearns-noechel模型公式，用rs表示，f(rs)表示模型反射率。(2)用偏好遗传算法生成初始种群，进行迭代选择。依据每个个体(配色方案)f(ri)带入配色公式所得数值，对比f(rs),挑选精英个体。(3)在最终迭代中，输出配方(w38.60d59.7y0.17)，打样，测试样品反射率。利用cmc色差公式计算色差过大，不符合cmc色差<1的要求，因此进入配方修正选择程序。根据其色差，矫正最后一代个体解集(配色方案集)，输出满足条件个体(w36.60d62.7y0.07)。再次打样，计算色差为0.27，满足色差要求，配色方案完成。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。