(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210925135.3 (22)申请日 2022.08.03 (71)申请人 中国舰船研究设计中心 地址 430064 湖北省武汉市武昌区张之洞 路268号 (72)发明人 罗威　黄一学　吴盛　秦克　陶浩　 (74)专利代理 机构 湖北武汉 永嘉专利代理有限 公司 42102 专利代理师 胡建平 (51)Int.Cl. G06F 30/12(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01)G06F 111/20(2020.01) (54)发明名称 基于先验规则和深度神经网络的舰船电气 图纸布局方法 (57)摘要 本发明提供了基于先验规则和深度神经网 络的舰船电气图纸布局方法， 通过对于符合条件 的连接场景， 确定的完成布局布线任务并且不会 发生布线交叉或布线失败， 实现了在电气图纸设 计中自动化布局布线的功能。 本发 明在大部分实 际的电气布线任务中， 有效提高了电气布局布线 工作中的自动化程度， 提高了图纸的布局速度和 布局布线的可靠性； 实现了电气图纸正确、 快速、 合理的自动布线布局； 运行速度快， 源占用低， 充 分利用奇异值分解的方法提取特征， 降低了神经 网络的运 算复杂程度。 权利要求书3页 说明书10页 附图7页 CN 115329411 A 2022.11.11 CN 115329411 A 1.基于先验规则和深度神经网络的舰船电气图纸布局方法， 其特征在于： 包括以下步 骤： S1： 对电气图纸的拓扑 结构进行分类， 分析拓扑 特点， 列出树状图； S2： 结合图论中关于多叉树的性质与结构知识制定布局布线的先验规则； 通过确定的 流程和约束条件完成基础布局； 基础布局包括元件串联场景、 元件子图串联场景和元件子 图并联场景； S3： 使用神经网络对布线和布局中的布局参数进行微调和优化， 使图纸的布局合理美 观。 2.根据权利要求1所述的基于先验规则和深度神经网络的舰船电气图纸布局方法， 其 特征在于： 所述的步骤S1中， 具体步骤为： 树状图是图形内不包含回环的图； 树状图的连接方式包括串联和并联； 树状图包括元 件和子图； 元件是图中的最小的、 不可拆 分的节点； 子图用于描述经过布局后的一部 分元件 或子图形成的整体。 3.根据权利要求2所述的基于先验规则和深度神经网络的舰船电气图纸布局方法， 其 特征在于： 所述的步骤S2中， 具体步骤为： S21： 根据串联和并联的不同场合制定先验规则， 照自底向上的方法分解树状图， 套用 相应的先验规则进行布局， 然后组合形成完整的布局； 制 定布局布线的先验规则的核心原 则为： 保证线缆连接无相交； 在满足线缆无相交的情况下提高每个小结构的布局的空间利 用率； S22： 采用迭代的方法优化布局， 自底向上布置和调整布局， 在每个部分的元件布局完 成之后， 在一个子图中将子图和子图、 子图和元件、 元件和元件打包成一个整体， 进行迭代 形成新的子图， 形成包 含所有元件的子图得到最终的布局图。 4.根据权利要求2所述的基于先验规则和深度神经网络的舰船电气图纸布局方法， 其 特征在于： 所述的步骤S2中， 元件串联场景布局的单 元仅包括元件， 且元件之间为串联关系； 元件串联场景的先验规则优先考 量空间利用率； 元件串联场景的排布算法为： 首先根据设定的子 图长宽比计算长宽节点数， 对长宽节点数的浮点数向上取整； 然后 采用试探法试探是否有一个子图的大小可以缩小； 若不行则使用向上取整之后的长宽作为 所需的长 宽； 若可以则使用缩小后的长 宽； 确定好布置的长宽节点数后， 将元件按照顺序进行蛇形排列， 完成元件串联场景的布 局。 5.根据权利要求2所述的基于先验规则和深度神经网络的舰船电气图纸布局方法， 其 特征在于： 所述的步骤S2中， 元件子图串联场景为不同元件子 图的串联布局， 最后一个子 图较大， 前面的元件为标 准元件且大小相同； 元件子图串联场景的先验规则优先考 量空间利用率； 元件子图串联场景的排布算法为： 首先将最大的子图放在最上 方， 并以子图的宽度作为 新的布局的宽度；权　利　要　求　书 1/3 页 2 CN 115329411 A 2然后在最大的子 图的下方按照蛇形走线的方法布置元件； 若起点元件的起点向左， 则 将元件对应的连接点顺延 至左方； 若起点元件的起点向右， 则 在该布局下方另起一个新行， 将元件对应的连接点放置于新行 的最左边， 使布局的实际连接点保证在左下方， 完成元件 子图串联场景的布局。 6.根据权利要求2所述的基于先验规则和深度神经网络的舰船电气图纸布局方法， 其 特征在于： 所述的步骤S2中， 元件子图并联场景为 不同大小的子图和元件的并联合并场景； 元件子图并联场景的先验规则优先考 量避免线缆相交， 其次考虑布局的空间利用率； 元件子图并联场景的排布算法为： 对所有需要并联的元件和子 图进行一次排序， 将大的子 图放在前面， 小的子 图或元件 放在后面； 然后按照先大后小的顺序从左到右布置子 图和元件的位置， 直到布置完为止； 最后将 父元件放在整个布局的下方正中央， 将实际的连接点设置为下方 的正中央， 完成元件子图 并联场景的布局。 7.根据权利要求1所述的基于先验规则和深度神经网络的舰船电气图纸布局方法， 其 特征在于： 所述的步骤S2中， 引入节点迭代法， 选择深度优 先的搜索 迭代策略遍历整个多 叉 树并布局所有元件： 首先从父节点开始， 判断父节点和连接的节点是否符合基础布局场景的布局情况； 若 符合则使用相应的基础布局 场景的规则进 行布局； 若不符合则从该节点的第一个子节点开 始， 继续判断是否符合基础布局 场景， 按照 深度优先算法进 行树搜索和布局， 直至到达符合 基础布局场景的布局场景； 完成布局后将该部分元件和子图替换为布局完成的子图； 当一个节点下的所有元件都 被布局完成， 则一定符合基础布局场景， 被布局成一个完整的子图； 最终得到完整的、 包含 所有元件的图纸布局； 当完成所有的布局任务之后， 按照连接顺序进行连线， 得到没有交叉的直接连线图， 完 成布线任务， 实现整个电气布线图的绘制。 8.根据权利要求1所述的基于先验规则和深度神经网络的舰船电气图纸布局方法， 其 特征在于： 所述的步骤S3中， 具体步骤为： S31： 通过传统计算机视觉算法对现有图纸的连接关系矩阵和相应的长宽比及间距进 行统计， 得到用于训练神经网络的数据集； 使用神经网络从已有的布线数据中学习在不同 情况下的布线参数的设置； S32： 在包括元件连接关系参数的输入数据进入神经网络之前， 使用奇异值分解的方法 对输入数据进 行预处理， 过滤一部 分噪声和提取特征， 用于降低神经网络的处理难度、 提高 神经网络的处 理效率； 首先以一个连接关系矩阵描述所有元件之间的连接关系； 将由n个元件组成的图纸的 连接关系矩阵的大小设为nxn； 在矩阵中将两个具有连接关系的元件对应的行列形成的坐 标的元素置为1， 不具有连接关系的元件 对应的行列形成的坐标的元 素置0； 然后对该矩阵进行奇异值分解， 选取最大的40个奇异值作为输入参数； S33： 将图纸的相关信息作为输入向量交 由神经网络进行预测； 经过神经网络的前向传权　利　要　求　书 2/3 页 3 CN 115329411 A 3