CN113914055A - 一种洗涤参数的优化方法、装置及衣物处理装置 - Google Patents
一种洗涤参数的优化方法、装置及衣物处理装置 Download PDFInfo
- Publication number
- CN113914055A CN113914055A CN202111368204.7A CN202111368204A CN113914055A CN 113914055 A CN113914055 A CN 113914055A CN 202111368204 A CN202111368204 A CN 202111368204A CN 113914055 A CN113914055 A CN 113914055A
- Authority
- CN
- China
- Prior art keywords
- washing
- parameters
- population
- current
- optimized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005406 washing Methods 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 108090000623 proteins and genes Proteins 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 11
- 108700028369 Alleles Proteins 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 238000010438 heat treatment Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003749 cleanliness Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
- D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/04—Signal transfer or data transmission arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Control Of Washing Machine And Dryer (AREA)
Abstract
本发明公开了一种洗涤参数的优化方法、装置及衣物处理装置,其中洗涤参数的优化方法包括:获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价;根据多个洗涤过程的洗涤参数和洗涤评价得到当前原始种群;利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数。由于采用了遗传算法,使得洗涤参数可以采用概率化的寻优方法,因为遗传算法中用到了洗涤评价,所以可以根据洗涤评价逐渐往适应度高的方向去调整参数,因此不需要确定的规则就能知道后续要优化的参数的搜索空间,并调整搜索方向,并且该算法对硬件算力要求不高,可以很好的在不增加硬件成本的同时持续优化洗涤参数,增强产品的舒适性和用户体验。
Description
技术领域
本发明涉及电器设备技术领域,具体涉及一种洗涤参数的优化方法、装置及衣物处理装置。
背景技术
目前虽然洗衣机提供了多种洗涤过程,但是洗衣机提供的洗涤参数是制造商根据实验环境测试而设定的,这些参数在使用者的实际使用环境下很难做到最佳。如果仅凭洗衣机制造商去测试更多的实验环境,会导致产品开发成本增加等一系列问题,另一方面制造商很难全面模拟实际的使用环境。
公开号为CN111321550A的专利提出了一种基于人工神经网络来推荐符合用户习惯的洗涤模式和洗涤参数的洗衣机。该专利通过对洗衣机收集参数、环境和用户反馈等信息进行强化学习建模训练,运行训练后的模型洗衣机即可给推荐最适合使用者的洗涤模式和状况信息。但是由于强化学习建模需要巨额的算力,如果将建模步骤放在洗衣机内,会导致洗衣机成本巨额增加。
公开号为CN109112774A的专利公开了一种洗衣机的控制方法、装置、存储介质及洗衣机,该专利根据衣物种类和衣物肮脏等级,并结合重量信息和/或体积信息,调整洗衣机在洗衣物的洗涤参数。但是该专利是根据衣物种类和衣物肮脏等级等条件生成的洗涤参数,为实验所测得且较为固定,很难完美的贴合实际洗涤环境。
发明内容
有鉴于此,本发明实施例提供了一种洗涤参数的优化方法、装置及衣物处理装置,以使得洗涤参数能够符合实际环境。
根据第一方面,本发明实施例提供了一种洗涤参数的优化方法,包括以下步骤:获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价;根据多个洗涤过程的洗涤参数和洗涤评价得到当前原始种群;利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数。
本发明实施例提供的洗涤参数优化方法,由于采用了遗传算法,使得洗涤参数可以采用概率化的寻优方法,因为遗传算法中用到了洗涤评价,所以可以根据洗涤评价逐渐往适应度高的方向去调整参数,因此不需要确定的规则,就能知道后续要优化的参数的搜索空间,并调整搜索方向,并且该算法对硬件算力要求不高,可以很好的在不增加硬件成本的同时持续优化洗涤参数,增强产品的舒适性和用户体验。
结合第一方面,在第一方面第一实施方式中,所述利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数包括:将所述洗涤过程作为个体,根据所述洗涤参数得到个体基因,根据所述洗涤评价作得到个体适应度;基于所述当前原始种群的个体、个体基因和个体适应度利用所述遗传算法得到所述当前优化洗涤参数。
结合第一方面第一实施方式,在第一方面第二实施方式中,基于所述当前原始种群的个体、个体基因和个体适应度利用所述遗传算法得到所述当前优化洗涤参数包括:对所述当前原始种群内的多个个体适应度进行排序,并通过选择算子淘汰掉个体适应度低于预设值的个体得到第一种群;通过交叉算子形成新的个体基因,并获取与所述新的个体基因相对应的新的个体适应度;将所述新的个体基因和所述新的个体适应度添加到所述第一种群中,得到第二种群,以使所述第二种群中个体的数量与所述当前原始种群中个体的数量相同;利用变异算子和所述第二种群得到优化后的种群;根据优化后的种群得到所述当前优化洗涤参数。
结合第一方面第二实施方式,在第一方面第三实施方式中,利用变异算子和所述第二种群得到优化后的种群包括:将所述第二种群中的个体的基因用该基因位的其他等位基因替代,在所述第二种群内形成新的个体,得到优化后的种群。
结合第一方面第二实施方式,在第一方面第四实施方式中,所述获取与所述新的个体基因相对应的新的个体适应度包括:根据所述新的个体基因得到新的洗涤参数;按照所述新的洗涤参数进行洗涤得到与所述新的个体基因相对应的新的个体适应度。
结合第一方面第二实施方式,在第一方面第五实施方式中,所述洗涤参数包括用户设定参数和***配置参数;所述当前优化洗涤参数中包括与所述用户设定参数相对应的优化后的***配置参数,根据优化后的种群得到当前优化洗涤参数包括:在所述优化后的种群中搜索与每个用户设定参数相对应的***配置参数,得到所述当前优化洗涤参数。
结合第一方面第五实施方式,在第一方面第六实施方式中,所述洗涤参数包括用户设定参数和***配置参数;所述当前优化洗涤参数中包括与每个用户设定参数相对应的优化后的***配置参数;所述获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价包括:获取接收到的当前用户设定参数;在上一优化洗涤参数中选取与所述当前用户设定参数相对应的当前***配置参数;利用所述当前用户设定参数和所述当前***配置参数进行洗涤,得到与当前洗涤过程相对应的洗涤评价。
结合第一方面第二实施方式,在第一方面第七实施方式中,所述选择算子包括以下中的一种或几种:轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、均匀排序、随机联赛选择;和/或,所述交叉算子包括以下中的一种或几种:单点交叉、两点交叉、多点交叉、均与交叉、算术交叉;和/或,所述变异算子包括以下中的一种或几种:基本位变异、均匀变异、边界变异、高斯近似变异。
根据第二方面,本发明实施例还提供了一种洗涤参数的优化装置,包括获取模块、种群准备模块和优化模块,获取模块用于获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价;种群准备模块用于根据多个洗涤过程的洗涤参数和洗涤评价得到当前原始种群;优化模块用于利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数。
根据第三方面,本发明实施例还提供了一种衣物处理装置,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的洗涤参数的优化方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的洗涤参数的优化方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1为本发明实施例1中洗涤参数优化方法的流程示意图;
图2为本发明实施例1中遗传算法的运行逻辑示意图;
图3为本发明实施例1中遗传算法与洗涤流程的结合示意图;
图4为二进制单点交叉示意图;
图5为本发明实施例2中洗涤参数优化装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作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。
实施例1
遗传算法(Genetic Algorithm)遵循适者生存、优胜劣汰的原则,是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法,其模拟一个人工种群的进化过程,通过选择(Selection)、交叉(Crossover)以及变异(Mutation)等机制,在每次迭代中都保留一组候选个体,重复此过程,种群经过若干代进化后,理想情况下其适应度达到近似最优的状态。
遗传算法(Genetic Algorithm,GA)是一种随机全局搜索算法,它对目标空间进行随机搜索,它将问题域中的可能解看作是群体的一个个体或染色体,并对每一个个体用二进制表示法或浮点数表示法进行编码,实现模型的参数化,把代表模型集参数空间中的每一点都一一映射到染色体空间的染色体上,对群体反复进行基于遗传学的操作,根据预定的目标函数对每个个体进行评价,经过基本的遗传操作过程,并反复迭代不断优化繁殖以产生新的一代,不断得到更优的群体,同时搜索优化群体中的最优个体,求得满足要求的最优解。
遗传算法的几个基本概念如下:
1、染色体(Chromosome):在使用遗传算法时,需要把问题解编成具有固定结构的符号串,它的每一位代表一个基因。一个染色体就代表问题的一个解,每个染色体称为一个个体。
在本实例中,将包括但不限于转速、转停比、洗涤时长、水加热温度等参数作为种群基因,一系列参数即共同构成了染色体,而染色体是个体的特征。
2、群体(Population)或称种群,即每代所产生的染色体总数。一个群体包含了该问题在这一代的一些解的集合。
在本实例中,每次洗涤过程都是不同的个体,群体为特定大小的个体集合,群体即特定大小洗涤过程的合集。每个特定大小洗涤过程的合集都包含一组当前最适的解,也即当前最适洗涤参数的集合。
3、适应度(Fitness):每个个体对应一个具体问题的解,每个解对应的函数值即为适应函数,它是衡量染色体对环境适应度的指标,也是反映实际问题的目标函数。在本实例中,可具象为包括但不限于洗涤后用户给的洗涤反馈及洗衣机识别到的衣物洗净度。
本发明实施例1提供了一种洗涤参数的优化方法。图1为本发明实施例1中洗涤参数优化方法的流程示意图,如图1所示,本发明实施例1的洗涤参数优化方法包括以下步骤:
S101:获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价。
具体的,洗涤参数包括用户设定参数和***配置参数,其中用户设定参数为洗涤开启前由用户设定的参数,***配置参数为根据用户设定参数由设备自动生成的参数。例如当洗涤参数包括转速、转停比、洗涤时长、水加热温度时,洗涤时长和水加热温度可以认为属用户设定参数;转速和转停比可以认为属于***配置参数。
具体的,洗涤评价包括但不限于:洗涤后用户反馈及衣物洗净度。
S102:根据多个洗涤过程的洗涤参数和洗涤评价得到当前原始种群。
具体的,通过每一次洗涤每个种群内的个体(单次洗涤过程)都会得到一个个体适应度(包括但不限于洗涤后用户反馈及衣物洗净度),在经过足够的累计后当前原始种群内每个个体都会有相应的个体适应度。
示例的,当前原始种群中个体(洗涤过程)的数量可以预先设定。
S103:利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数。
图2为本发明实施例1中遗传算法的运行逻辑示意图,如图2所示,基于所述当前原始种群利用遗传算法得到当前优化洗涤参数可以采用如下方案:将所述洗涤过程作为个体,根据所述洗涤参数得到个体基因,根据所述洗涤评价作得到个体适应度;基于所述当前原始种群的个体、个体基因和个体适应度利用遗传算法得到当前优化洗涤参数。
在本发明实施例1中,当前优化洗涤参数为优化后的***配置参数,对于一组用户设定参数可以得到与其对应的***配置参数,由此基于当前原始种群可以得到一组当前最优的***配置参数。进一步的,可以重复进行步骤S101~S103,即进行迭代,在迭代过程中,当接收到当前用户设定参数时,在上一优化洗涤参数(上次采用遗传算法优化时得到的优化洗涤参数)中选取与所述当前用户设定参数相对应的当前***配置参数,得到当前洗涤过程的洗涤参数;利用当前洗涤过程的洗涤参数进行洗涤,得到与当前洗涤过程相对应的洗涤评价。
当然,如果上一优化洗涤参数中不包括与当前用户设定参数相对应的优化后的***配置参数时,也可以根据设备(例如洗衣机)事先设置好的配置,得到与当前用户设定参数相对应的当前***配置参数。
在本发明实施例1中,随着迭代次数的增多,***配置参数会越来越符合用户的使用习惯及需求。
具体的,基于所述当前原始种群的个体、个体基因和个体适应度利用遗传算法得到当前优化洗涤参数可以采用如下方法:对所述当前原始种群内的多个个体适应度进行排序,并通过选择算子淘汰掉个体适应度低于预设值的个体得到第一种群;通过交叉算子形成新的个体基因,并获取与所述新的个体基因相对应的新的个体适应度;将所述新的个体基因和所述新的个体适应度添加到所述第一种群中,得到第二种群,以使所述第二种群中个体的数量与所述当前原始种群中个体的数量相同;利用变异算子和所述第二种群得到优化后的种群;根据优化后的种群得到当前优化洗涤参数。
更加具体的,所述获取与所述新的个体基因相对应的新的个体适应度可以采用如下方案:根据所述新的个体基因得到新的洗涤参数;按照所述新的洗涤参数进行洗涤得到与所述新的个体基因相对应的新的个体适应度。
更加具体的,利用变异算子和所述第二种群得到优化后的种群可以采用如下方案:将所述第二种群中的每个个体的基因用该基因位的其他等位基因替代,在所述第二种群内形成新的个体。
更加具体的,根据优化后的种群得到当前优化洗涤参数可以采用如下方案:在所述优化后的种群中搜索最优个体,得到当前优化洗涤参数。
进一步的,在得到优化后的***配置参数后,还包括获取与优化后的***配置参数相对应的个体适应度,具体的,获取与优化后的***配置参数相对应的个体适应度可以采用如下方案:基于优化后的***配置参数进行洗涤得到与优化后的***配置参数相对应的个体适应度。
本发明实施例1提供的洗涤参数优化方法,由于采用了遗传算法,使得洗涤参数可以采用概率化的寻优方法,因为遗传算法中用到了洗涤评价,所以可以根据洗涤评价逐渐往适应度高的方向去调整参数,因此不需要确定的规则,就能知道后续要优化的参数的搜索空间,并调整搜索方向,并且该算法对硬件算力要求不高,可以很好的在不增加硬件成本的同时持续优化洗涤参数,增强产品的舒适性和用户体验。
也就是说,将遗传算法引入洗衣机洗涤过程中,通过洗衣机的持续使用,该算法不断迭代收敛得到洗涤参数的最优解。通过将包括但不限于转速、转停比、洗涤时长、水加热温度等洗涤参数作为个体基因,每次洗涤过程作为个体,包括但不限于洗涤后用户反馈及衣物洗净度作为个体适应度。通过划定存在潜在解集的一个种群,按照适者生存和优胜劣汰的原理,根据个体适应度、交叉、选择、变异等,逐代演化产生越来越好的近似解,以此获得最优洗涤参数。因为以用户反馈及衣物洗净度作为个体适应度,因此可以根据个体适应度的高低(用户反馈的好坏情况及衣物洗净度高低),逐渐往适应度高的方向去调整参数,因此不需要确定的规则,就能知道后续要优化的参数的搜索空间,并调整搜索方向。
示例的,对个体适应度进行排序,并通过选择算子淘汰掉种群内个体适应度较低的个体,该算子包括但不限于轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、均匀排序、随机联赛选择等。再通过交叉算子形成新的个体基因(包括但不限于转速、转停比、洗涤时长、水加热温度等参数)在保持种群大小总数不变的情况下添加到种群内,该算子包括但不限于单点交叉、两点交叉、多点交叉、均与交叉、算术交叉等。最后通过变异算子将个体的基因(各种洗涤参数)用该基因位的其他等位基因替代,在种群内形成新的个体,该算子包括但不限于基本位变异、均匀变异、边界变异、高斯近似变异等。即可获得一个新的种群,一般情况下,该种群迭代过程会一直持续,其个体基因(各种洗涤参数)将会往高适应度一直收敛(用户反馈及衣物洗净度),洗衣机相应的洗涤模式的参数也将越来越优,用户将得到越来越好的洗涤体验。
图3为本发明实施例1中遗传算法与洗涤流程的结合示意图,如图3所示,在用户选择洗涤模式后,本方法会判断是否有预设种群,如果没有预设种群则会预设出厂大小为N的种群(种群即N个洗涤过程的集合或称N个个体的集合),种群含N个个体的基因(基因可转换得到洗涤参数,洗涤参数包括但不限于转速、转停比、洗涤时长、水加热温度等)。如果有预设种群,则会判断种群内的个体是否都含有个体适应度(包括但不限于洗涤后用户反馈及衣物洗净度),如果种群内个体都含有个体适应度,则表示本种群可进行迭代择优,通过选择算子,交叉算子,变异算子可产生一个新的种群,每个种群都包含一组当前最优的洗涤参数,种群内基因比前代更优也即种群内的洗涤参数比前代更适合用户使用习惯和需求,随着迭代次数增多,洗涤参数也越符合用户使用习惯及需求。如果种群内个体没有全部都得到个体适应度,则会获取洗涤过程集合中没有个体适应度的个体的基因,将其转换成洗涤参数(包括但不限于转速、转停比、洗涤时长、水加热温度等参数),并以此参数运行洗衣机,洗涤完成后,用户可对进行洗涤反馈或洗衣机自身对衣物洗净比做判定,然后反馈赋给本次个体的个体适应度。
下面对基本的遗传操作进行说明:
1、选择(Select),按一定的概率从上代群体中选择M对个体作为双亲,直接拷贝到下一代,染色体不发生变化。
一种最常用也最简单的赌盘选择,其概率算公式为:
其中f(xi)为模型xi的适值。
2、交叉(Crossover)是从旧的种群中随机选择两个个体,交换遗传信息,产生后代的过程。
3、变异(Mutation)即产生新基因的过程,对选中的群体中的个体(染色体),随机选取某一位进行取反运算。这样可以防止遗传算法收敛到局部最优解,有助于扩大寻优范围,增强搜索能力。尤其在遗传算法后期,种群中的个体和适应值都相似时,种群的进一步进化依赖于变异操作。
通过包括但不限于二进制编码、浮点编码、符号编码等为染色体做编码,本实施例使用bx位二进制做染色体编码,对包括但不限于转速、转停比、洗涤时长、水加热温度等洗涤参数进行编码,使用如下函数把二进制转换成十进制数。
使用如下公式转换成对应d实数。
通过产生N个bx位二进制染色体编码组成的种群,待洗衣机运行足够多次数,使得每个染色体个体都有对应适应度后,使用选择算法选出η作为后代种群染色体。
本发明实施例使用赌盘算子进行选择,以下为赌盘算子计算公式。
通过交叉算子,染色体会随机把其中几个位于同一位置的同源染色体进行交换,产生新的个体。
本发明实施例使用单点交叉,其中二进制单点交叉表现如图4所示。
通过变异算子,将个体染色体编码串中的某些基因座上的基因值用该基因座上的其它等位基因来替换,从而形成新的个体。
本例使用基本位变异,其过程如下所示。
例如下面这串二进制编码:
101101001011001
经过基因突变后,可能变成以下这串新的编码:
001101011011001
数量为N的种群,通过以上算子重新择优生成新的数量为N的种群,再度进入新一轮的迭代进化。
综上可知,本发明实施例1提供的洗涤参数优化方法,具有如下优点:
(1)有效解决了洗衣机制造商设定的洗涤参数不能完全符合实际环境的问题。
(2)有效解决了洗衣机制造商需要消耗大量人力物力财力进行最优洗涤参数探索的问题。
(3)有效解决了使用洗衣机进行强化学习训练需要高算力硬件,从而导致洗衣机成本居高不下无法落地应用的问题。
实施例2
与本发明实施例1相对应,本发明实施例2提供了一种洗涤参数的优化装置。图5为本发明实施例2中洗涤参数优化装置的结构示意图,如图5所示,洗涤参数优化装置包括获取模块20、种群准备模块21和优化模块22。
具体的,获取模块20,用于获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价;
种群准备模块21,用于根据多个洗涤过程的洗涤参数和洗涤评价得到当前原始种群;
优化模块22,用于利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数。
上述洗涤参数的优化装置具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
实施例3
本发明实施例还提供了一种衣物处理装置,该衣物处理装置可以包括处理器和存储器,其中处理器和存储器可以通过总线或者其他方式连接。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的洗涤参数的优化方法对应的程序指令/模块(例如,图5所示的获取模块20、种群准备模块21和优化模块22)。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的洗涤参数的优化方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述处理器执行时,执行如图1至图4所示实施例中的洗涤参数的优化方法。
上述衣物处理装置具体细节可以对应参阅图1至图5所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种洗涤参数的优化方法,其特征在于,包括:
获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价;
根据多个洗涤过程的洗涤参数和洗涤评价得到当前原始种群;
利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数。
2.根据权利要求1所述的方法,其特征在于,所述利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数包括:
将所述洗涤过程作为个体,根据所述洗涤参数得到个体基因,根据所述洗涤评价作得到个体适应度;
基于所述当前原始种群的个体、个体基因和个体适应度利用所述遗传算法得到所述当前优化洗涤参数。
3.根据权利要求2所述的方法,其特征在于,基于所述当前原始种群的个体、个体基因和个体适应度利用所述遗传算法得到所述当前优化洗涤参数包括:
对所述当前原始种群内的多个个体适应度进行排序,并通过选择算子淘汰掉个体适应度低于预设值的个体得到第一种群;
利用所述第一种群通过交叉算子形成新的个体基因,并获取与所述新的个体基因相对应的新的个体适应度;
将所述新的个体基因和所述新的个体适应度添加到所述第一种群中,得到第二种群,以使所述第二种群中个体的数量与所述当前原始种群中个体的数量相同;
利用变异算子和所述第二种群得到优化后的种群;
根据优化后的种群得到所述当前优化洗涤参数。
4.根据权利要求3所述的方法,其特征在于,利用变异算子和所述第二种群得到优化后的种群包括:
将所述第二种群中的个体的基因用该基因位的其他等位基因替代,在所述第二种群内形成新的个体,得到优化后的种群。
5.根据权利要求3所述的方法,其特征在于,所述获取与所述新的个体基因相对应的新的个体适应度包括:
根据所述新的个体基因得到新的洗涤参数;
按照所述新的洗涤参数进行洗涤得到与所述新的个体基因相对应的新的个体适应度。
6.根据权利要求3所述的方法,其特征在于,所述洗涤参数包括用户设定参数和***配置参数;所述当前优化洗涤参数中包括与所述用户设定参数相对应的优化后的***配置参数,根据优化后的种群得到当前优化洗涤参数包括:
在所述优化后的种群中搜索与每个用户设定参数相对应的***配置参数,得到所述当前优化洗涤参数。
7.根据权利要求6所述的方法,其特征在于,所述获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价包括:
获取接收到的当前用户设定参数;
在上一优化洗涤参数中选取与所述当前用户设定参数相对应的当前***配置参数;
利用所述当前用户设定参数和所述当前***配置参数进行洗涤,得到与当前洗涤过程相对应的洗涤评价。
8.根据权利要求3所述的方法,其特征在于,所述选择算子包括以下中的一种或几种:轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、均匀排序、随机联赛选择;
和/或,所述交叉算子包括以下中的一种或几种:单点交叉、两点交叉、多点交叉、均与交叉、算术交叉;
和/或,所述变异算子包括以下中的一种或几种:基本位变异、均匀变异、边界变异、高斯近似变异。
9.一种洗涤参数的优化装置,其特征在于,包括:
获取模块,用于获取每个洗涤过程的洗涤参数和与所述每个洗涤过程相对应的洗涤评价;
种群准备模块,用于根据多个洗涤过程的洗涤参数和洗涤评价得到当前原始种群;
优化模块,用于利用遗传算法得到与所述当前原始种群相对应的当前优化洗涤参数。
10.一种衣物处理装置,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-8中任一项所述的洗涤参数的优化方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的洗涤参数的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368204.7A CN113914055A (zh) | 2021-11-18 | 2021-11-18 | 一种洗涤参数的优化方法、装置及衣物处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368204.7A CN113914055A (zh) | 2021-11-18 | 2021-11-18 | 一种洗涤参数的优化方法、装置及衣物处理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113914055A true CN113914055A (zh) | 2022-01-11 |
Family
ID=79247538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111368204.7A Pending CN113914055A (zh) | 2021-11-18 | 2021-11-18 | 一种洗涤参数的优化方法、装置及衣物处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113914055A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114960111A (zh) * | 2022-06-28 | 2022-08-30 | 海信冰箱有限公司 | 一种洗涤程序的确定方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1157866A (zh) * | 1995-11-21 | 1997-08-27 | 三星电子株式会社 | 用于洗衣机电机的模糊控制的从属度函数的中间变数的设定方法 |
US20050074090A1 (en) * | 2003-10-07 | 2005-04-07 | Bruker Axs Gmbh | Method of determining parameters of a sample by X-ray scattering applying an extended genetic algorithm including a movement operator |
CN104952001A (zh) * | 2015-07-02 | 2015-09-30 | 华侨大学 | 一种对包括空调负荷的可控负荷进行用电优化调度的方法 |
US20160312396A1 (en) * | 2015-04-27 | 2016-10-27 | The Procter & Gamble Company | Method for improving washing machine performance |
CN106676833A (zh) * | 2015-11-05 | 2017-05-17 | 松下家电研究开发(杭州)有限公司 | 程序可定制的洗衣机 |
EP3305961A1 (de) * | 2016-10-10 | 2018-04-11 | Miele & Cie. KG | Verfahren und informationssystem zum betreiben eines haushaltgeräts und haushaltgerät |
CN109902826A (zh) * | 2019-03-11 | 2019-06-18 | 珠海格力电器股份有限公司 | 基于遗传算法的家电节能模型构建方法、控制方法、家电 |
CN110705030A (zh) * | 2019-09-06 | 2020-01-17 | 重庆智能机器人研究院 | 一种基于遗传算法的pid控制器参数优化方法及电机 |
CN111321550A (zh) * | 2018-12-14 | 2020-06-23 | Lg电子株式会社 | 洗衣机 |
CN113123064A (zh) * | 2019-12-31 | 2021-07-16 | 海信集团有限公司 | 基于用户反馈的洗衣机控制方法、***、终端及洗衣机 |
-
2021
- 2021-11-18 CN CN202111368204.7A patent/CN113914055A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1157866A (zh) * | 1995-11-21 | 1997-08-27 | 三星电子株式会社 | 用于洗衣机电机的模糊控制的从属度函数的中间变数的设定方法 |
US5774630A (en) * | 1995-11-21 | 1998-06-30 | Samsung Electronics Co., Ltd. | Parameter set up method of membership functions for fuzzy control of washing machine motor |
US20050074090A1 (en) * | 2003-10-07 | 2005-04-07 | Bruker Axs Gmbh | Method of determining parameters of a sample by X-ray scattering applying an extended genetic algorithm including a movement operator |
US20160312396A1 (en) * | 2015-04-27 | 2016-10-27 | The Procter & Gamble Company | Method for improving washing machine performance |
CN104952001A (zh) * | 2015-07-02 | 2015-09-30 | 华侨大学 | 一种对包括空调负荷的可控负荷进行用电优化调度的方法 |
CN106676833A (zh) * | 2015-11-05 | 2017-05-17 | 松下家电研究开发(杭州)有限公司 | 程序可定制的洗衣机 |
EP3305961A1 (de) * | 2016-10-10 | 2018-04-11 | Miele & Cie. KG | Verfahren und informationssystem zum betreiben eines haushaltgeräts und haushaltgerät |
CN111321550A (zh) * | 2018-12-14 | 2020-06-23 | Lg电子株式会社 | 洗衣机 |
CN109902826A (zh) * | 2019-03-11 | 2019-06-18 | 珠海格力电器股份有限公司 | 基于遗传算法的家电节能模型构建方法、控制方法、家电 |
CN110705030A (zh) * | 2019-09-06 | 2020-01-17 | 重庆智能机器人研究院 | 一种基于遗传算法的pid控制器参数优化方法及电机 |
CN113123064A (zh) * | 2019-12-31 | 2021-07-16 | 海信集团有限公司 | 基于用户反馈的洗衣机控制方法、***、终端及洗衣机 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114960111A (zh) * | 2022-06-28 | 2022-08-30 | 海信冰箱有限公司 | 一种洗涤程序的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20120123980A1 (en) | Optimization technique using evolutionary algorithms | |
CN112270398B (zh) | 一种基于基因编程的集群行为学习方法 | |
CN112734014A (zh) | 基于置信上界思想的经验回放采样强化学习方法及*** | |
CN108038538A (zh) | 基于强化学习的多目标进化算法 | |
CN113914055A (zh) | 一种洗涤参数的优化方法、装置及衣物处理装置 | |
CN108053032A (zh) | 一种基于遗传算法的数据模型训练样本的选取方法 | |
CN114328048A (zh) | 一种磁盘故障预测方法及装置 | |
CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
CN115965169A (zh) | 路径规划方法、智能设备及计算机可读存储介质 | |
CN114118369A (zh) | 一种基于群智能优化的图像分类卷积神经网络设计方法 | |
JP7137074B2 (ja) | 最適化計算方法、最適化計算装置及び最適化計算プログラム | |
Sun et al. | Solving interval multi-objective optimization problems using evolutionary algorithms with preference polyhedron | |
CN110070104B (zh) | 一种用户推荐方法、装置及服务器 | |
Robbins et al. | Use of genetic algorithms for optimal topology determination in back propagation neural networks | |
CN112132259B (zh) | 神经网络模型输入参量降维方法及计算机可读存储介质 | |
CN114219605A (zh) | 一种风控方法、装置及存储介质 | |
CN113962386A (zh) | 一种模型参数优化选择方法、***、计算机设备和存储介质 | |
Bashir | Solve simple linear equation using evolutionary algorithm | |
CN107480768A (zh) | 贝叶斯网络结构自适应学习方法和装置、存储设备以及终端设备 | |
CN114565242A (zh) | 一种综合低碳能源基地选址智能优化方法及装置 | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
Eiben et al. | Evolutionary algorithms | |
Saraçoglu et al. | Developing an adaptation process for real-coded genetic algorithms | |
Dudek | Tournament searching method to feature selection problem | |
Tran | An improved multi-objective evolutionary algorithm with adaptable parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220111 |
|
RJ01 | Rejection of invention patent application after publication |