基于交互式遗传算法的三维服装款式研究

2022-07-18杨晓波

纺织学报 2022年6期

杨晓波

(浙江树人学院，浙江杭州 310015)

以往设计服装大都依靠经验，稳定性不够，现如今，随着遗传算法技术[1-2]的不断成熟，已经有学者利用其全局优化搜索能力设计服装。Sun等[3]采用传统遗传算法对服装色彩新颖性与款式协调性进行优化；Yeung等[4]在服装排料引入遗传算法；Muni等[5]在设计织物纹理时借助遗传算法实现；Ogata等[6]将服装部件进行整合并通过客户评分和遗传操作确定最佳服装；Gong等[7]通过改进传统遗传算法提升服装设计的工作效率；Kim等[8]等利用3D Max软件设计三维服装模型，款式优化亦建立在该模型之上，实用性较差。上述研究虽在服装款式设计中应用遗传算法，但有些地方还需完善，如面对平面服装设计时，没有考虑服装的立体特性；遗传操作没有与真实三维服装设计很好结合，与实际情况存在差距。鉴于此，本文拟在真实服装设计中引入交互式遗传算法，将服装设计的约束机制引入到遗传操作之中，以保证设计款式的合理性，满足用户对三维服装款式的审美需求。

1 交互式遗传模板

1.1 交互式遗传算法原理

传统遗传算法利用编码方法解决实际问题，是一种模拟进化的遍历算法[9-10]。交互式遗传算法是将遗传算法融入到主观评价之中，这样可以克服传统方法的呆板评价模式，灵活处理不同个体的设计模式。

交互式遗传算法利用交互特性为每个个体分配不同的适应度。前期操作与传统遗传算法类似，但在进化阶段引入主观评价，这样做更符合实际评估过程，因为每位专家对相同服装款式的评价会有所不同，最终计算的优化解是一个区间，而非单一解，进化结果可能存在多个解。交互式遗传算法的实现流程如图1所示。

从图1可知，交互式遗传算法与传统遗传算法相比，增加了人机交互部分，通过人工评价确定种群中是否存在最优个体，最优个体即为优化后的三维服装款式。

1.2 交互式遗传模板构建

构建交互式遗传模板需要解决服装款式的三维操作、约束性和复杂性等难题。三维操作过程中种族初始化是以款式类库为基础，因而在编码操作时，部件之间很难做到平滑拼接，运用传统的二进制编码只能实现基础数据交换，对于结构较为复杂的三维款式，遗传过程中需解决三维操作的问题；另外，款式库中的部件类型多样且结构复杂，如果操作不当，必然造成部件之间的拼接不合理等情况，因此需要建立相应的约束机制；为了充分发挥遗传算法的全局搜索能力，降低算法的复杂度，需要为种群的遗传操作提供足够的搜素空间，以确保最终操作结果的有效性。

在服装款式设计中引入交互式遗传算法，需要创建相应的遗传模板，以解决目前存在的问题。遗传模板的构建过程如图2所示。

图2 遗传模板构建过程Fig.2 Genetic template construction process

从图2可知，遗传模板的构建过程是：先创建款式类库，接着将款式进行分解，各类款式进入部件库，部件库用于创建服装款式数据结构，通过遗传算法实现款式部件与遗传操作的对接，最后利用选择、交叉、变异等遗传操作，款式部件得以更新，经过人工评价，款式得到优化，最终获得最优创意的款式。

2 三维服装款式的遗传耦合

2.1 服装款式部件库建立

服装款式的基本单元是部件，在进行选择、交叉、变异等遗传操作中，服装部件保存在部件库中，可以作为遗传操作的基础数据。为了在三维服装部件库中融入遗传操作，本文款式部件库主要包括衣身、衣袖和衣领三部分，各部分建立相应的类库，可以很好的实现款式拼接等操作。

设计服装款式部件需根据部件库的分类进行设计。衣身类数据结构包括衣身主体类、款式线类以及与衣袖、衣领的关联；衣袖类数据结构除了包含衣袖主体类等基础特征，还包含与其他类库的拼接属性；衣领类数据结构包括衣领主体类、衣领基线类和领口线类等。各个部件所建立相应的类库如图3所示。

图3 服装部件设计类库Fig.3 Clothing component design class library.(a)Sleeve body class;(b) Collar body class;(c) Garment body class

从图3可知，衣袖主体类用于保存衣袖基础数据、调整袖孔线、检测衣袖轮廓与袖孔接口，为三维拼接做准备；衣领主体类用于获取人体特征值、重建衣领轮廓、调整衣领线等，为遗传操作奠定基础；衣身主体类用于融合衣袖和衣领，方便后期的约束检测。服装部件各子类之间相互联系，同时保留与外部的接口，以便后期的部件拼接和遗传操作。同时利用约束检测等方法保证衣身的完整性。

设计服装类库的数据结构，主要目的是在遗传操作时灵活使用各类部件，更好的实现款式编码和拼接等流程。

2.2 染色体类结构建立

以往大都采用二进制编码进行遗传运算[11]，该方法具有简单、方便且编码高效等优点，但只适用于平面服装部件，在操作立体服装部件时，则暴露出编码方式单一等缺点。

为了满足复杂度较高的三维款式部件遗传操作，本文采用染色体指针对款式部件进行编码，每个染色体分配不同的指针，指向对应的款式部件或数据结构。这样在遗传操作中可通过染色体指针对三维部件进行操作。染色体指针的编码过程如图4所示。

图4 染色体指针的编码过程Fig.4 Encoding process of chromosome

由图4可知，染色体定义为{X1,X2,X3,X4,X5,X6}，编码过程中，不同的部件分配不同的染色体指针，通过指针可以从类库中提取相应的部件，染色体指针指向所对应的部件类，这样就形成了完整的三维服装款式。

染色体指针存储在哈希表中，不同的id号代表不同的部件染色体指针，初始化种群时，随机选取染色体指针并进行组合，将获得的染色体与款式个体进行匹配，若满足相应的约束条件便接收，否则就放弃。

在程序中，染色体的类结构定义如下：

class Chrom

{

public:

Sleeve *m_pSleeve; //衣袖指针

Collar *m_pCollar; //衣领指针

Garment *m_pGarment; //衣身指针

STexture *m_pSTexture; //衣袖纹理指针

CTexture *m_pCTexture; //衣领纹理指针

GTexture *m_pGTexture; //衣身纹理指针

}

从染色体的类结构可以看出，部件指针指向相应的款式部件，并能从部件库中提取相应的部件数据。

2.3 款式部件的拼接

传统的服装部件拼接采用重心坐标方法来完成[12]，但该方法的前提是保持衣身网格拓扑结构不变，当进行款式部件拼接时，不同的服装款式会形成不同的网格结构，利用重心坐标法很难得到同一的拼接模式。本文采用接口提取匹配的方法进行款式部件拼接，下面以衣袖接口生成方法为例，分析接口提取匹配方法的工作流程，衣袖接口生成图自主手工绘制完成，如图5所示。

图5 衣袖接口生成图Fig.5 Sleeve interface generation diagram

由图5分析，衣袖接口的生成过程分3个步骤完成。首先，确定衣袖切割曲面的法向量，计算衣袖切割曲面法向量可采用三边面插值法[14]，切割面法向量的计算公式如下：

n=pi+1-pi,n=RotateX(n,π/2)

(1)

式中:n为切割面法向量；pi表示衣袖款式线Ls的点，pi+1表示pi的相邻点，切割法向量n的值可通过两点之间的差值获得，X轴和切割法向量n如图5所示，利用RotateX(n,π/2)将切割向量沿切割面的垂直方向绕X轴逆时针旋转90°得到法向量n。

款式部件初步拼接完毕后，还需增加相应的约束条件，目的是确保拼接的平滑过渡，本文参考徐文鹏等[15]提出的服装约束条件，并加以改进，定义约束如下：

Ci={Ti,(E1,E2)}

(2)

式中：Ti表示约束类型，如共点约束、对称约束等；(E1,E2)表示涉及约束的元素集合。

具体求解过程为：先将E1设为已知约束元素集，再根据E1,E2所需满足的条件选择合适的约束类型，依据约束条件选择对称约束较为适宜，该方法从已知约束点集E1出发，利用对称法则获得未知约束点集E2，实现全局约束。

当部件拼接的结果超过设定的约束条件时，可以调整部分约束元素，如适当改变碰撞相应值等，调整后再次进行部件拼接，当拼接结果达到设定的约束条件时，则认为此次拼接结果有效，否则，再次调整约束元素，直到满足条件为止。

3 款式优化与对比实验

款式部件完成拼接后，还需结合遗传算法，利用三维款式部件库对服装款式进行优化，生成的三维服装种群应侧重于用户的偏好，最终符合用户的需求。

3.1 交互式遗传算法的款式优化流程

利用交互式遗传算法进行款式优化，是在遗传操作过程中利用约束机制实现服装款式个体的合理性，通过不断改进以适应三维服装设计的要求。款式优化流程如图6所示。

图6 款式优化算法流程图Fig.6 Style optimization algorithm flow chart

从图6可知，款式优化的主要流程是：首先，设定初始参数，如种群数等，对种群进行初始化，然后，对初始种群进行交叉评价，如果评价结果满足种群适应度等条件，则获得最优解，反之，利用选择、交叉、变异等遗传操作对种群进行优化；最后，为了确保款式的有效性，还需利用约束条件对种群不断优化。

美观度是评价服装款式的重要指标，在遗传操作中决定个体的优胜劣汰，美观度可通过人机交互评分方式获得，这样可更加合理地体现用户对服装款式的喜好。本文采用对服装部件分别打分的方法来计算美观度，计算公式如下：

F=IgFg+IsFs+IcFc

(3)

式中：F代表美观度；Fg、Fs、Fc分别代表用户对款式个体的衣身、衣袖和衣领的评分；Ig、Is、Ic则表示衣身、衣袖和衣领的权重系数，权重系数可根据用户的喜好设定。

当用户完成款式美观度的评价后，需要在群体重选择优胜的个体，目的是将优良基因遗传到下一代，服装个体的优选采用式(4)完成。

(4)

式中：P代表获胜个体在群体中的概率；Fi表示单个个体的美观度；∑Fi表示个体美观度的总和。一般而言，个体美观度越高，获胜的概率就越大。

3.2 对比实验

实验选用的初始种群数量为8组，部件选用采取单点交叉方式，初始交叉概率Pc和初始变异概率Pm分别取值为0.7和0.9,利用本文的遗传算法进行迭代运算，迭代次数达到第10代时运算结果趋于收敛，输出运算结果，10名用户可根据自身喜好，结合部件重要程度对每种服装款式进行评分，遗传算法根据用户的评价指标不断优化种群。

系统的初始种群由各款式部件随机产生，种群序号代表用户的评价顺序，部件序号代表款式部件在款式库中的顺序，初始种群的构成如表1所示。