本發(fā)明涉及一種基于案例推理的產(chǎn)品設(shè)計方法，屬于產(chǎn)品設(shè)計技術(shù)領(lǐng)域。

背景技術(shù)：

案例重用可以有效地提高產(chǎn)品的設(shè)計效率。傳統(tǒng)的案例重用過程通常分為案例匹配和案例修改兩個環(huán)節(jié)。通常情況下，案例匹配得到的案例無法完全滿足設(shè)計需求，需要根據(jù)一定的規(guī)則或者方法對匹配案例進(jìn)行修改以滿足設(shè)計需求。案例匹配過程中可能存在多個不完全相似案例或者空匹配的情況，案例匹配的不確定性直接影響了案例修改的進(jìn)度，從而影響案例重用的效果。因此，需要綜合考慮案例匹配和案例修改，針對設(shè)計需求進(jìn)行案例適配。與案例匹配相比，案例適配不再局限于從案例庫中檢索出相似案例，而是基于檢索出的相似案例，進(jìn)行適應(yīng)性修改，得到“滿意”方案。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種基于案例推理的產(chǎn)品設(shè)計方法，針對當(dāng)前案例推理過程中案例匹配度低或空匹配的問題，綜合考慮案例匹配和案例修改的過程，通過引入遺傳算法，實現(xiàn)案例的適配，以達(dá)到檢索相似案例并進(jìn)行適應(yīng)性修改的目的。

一種基于案例推理的產(chǎn)品設(shè)計方法，該方法實現(xiàn)的步驟如下：

步驟1：根據(jù)產(chǎn)品設(shè)計需求確定案例特征指標(biāo)，并計算各特征指標(biāo)的相似度；

步驟2：綜合各個特征指標(biāo)相似度，計算綜合相似度，生成相似案例集，作為初始種群；

步驟3：采用分層編碼的方式對初始種群進(jìn)行基因編碼操作；

步驟4：確定適應(yīng)度函數(shù)和算法的停止規(guī)則；

步驟5：采用遺傳算法進(jìn)行多次迭代的選擇運算、交叉運算、變異運算，直至達(dá)到算法的停止規(guī)則；

步驟6：得到步驟5的運算結(jié)果后進(jìn)行解碼，將解碼后的方案作為最佳適配案例。

進(jìn)一步地，所述步驟1中的特征指標(biāo)包括字符型指標(biāo)、數(shù)值型指標(biāo)和包含型指標(biāo)。

進(jìn)一步地，所述字符型指標(biāo)的相似度計算方法如下：

字符串a(chǎn)＝{a1,a2,...,an}和b＝{b1,b2...,bm}的相似度simtext(a,b)由兩者之間的最小編輯距離dm,n決定：

其中，di0＝i，d0j＝j(luò)，1≤i≤m，1≤j≤n，wins，wdel，wsub分別為“插入代價”、“刪除代價”和“替換代價”。

進(jìn)一步地，所述數(shù)值型指標(biāo)相似度計算方法如下：

其中，vmax，vmin分別為a，b取值范圍的上下限，ad是調(diào)整系數(shù)。

進(jìn)一步地，所述包含型指標(biāo)相似度計算方法如下：

包含型指標(biāo)用于約束產(chǎn)品對特定對象或功能的兼容性，指標(biāo)a＝{a0,a1,...,am}和b＝{b0,b1,...,bn}，其相似度simcon(a,b)定義如下：

其中，count(a→b)表示a中元素在b中出現(xiàn)的次數(shù)的總和，a表示當(dāng)前設(shè)計問題的需求指標(biāo)，b表示實例庫中實例的技術(shù)指標(biāo)。

進(jìn)一步地，所述步驟4中適應(yīng)度函數(shù)和算法的停止規(guī)則如下：

以計算目標(biāo)案例c0與相似案例ci之間的相似度的值作為適應(yīng)度函數(shù)，如公式8所示：

f＝s(c0,ci)(8)

停止規(guī)則：當(dāng)群迭代次數(shù)達(dá)到40代時停止迭代；或當(dāng)整個種群的適應(yīng)度值不再進(jìn)一步提升。

進(jìn)一步地，所述步驟5中交叉運算的公式為：

其中中,fmax是群體中最大適應(yīng)度,fa是平均適應(yīng)度,f'為兩個染色體中適應(yīng)度值較大的那個適應(yīng)度，pc1＝0.9，pc2＝0.6。

進(jìn)一步地，所述步驟5中變異運算的公式為：

其中，f代表要變異個體的適應(yīng)度值；pm1＝0.1,pm2＝0.001。

有益效果：

1、本發(fā)明通過應(yīng)用在產(chǎn)品設(shè)計的案例適配方案中，使遺傳算法的優(yōu)勢在產(chǎn)品設(shè)計的案例適配中都展現(xiàn)了出來，不僅縮短了用戶尋求最優(yōu)解的時間，也讓用戶對提供最優(yōu)解的滿意度有較大的提高。

2、本文通過分層編碼的方式將產(chǎn)品的整體設(shè)計方案進(jìn)行編碼，進(jìn)一步建立了應(yīng)用于遺傳算法的實例庫，再根據(jù)對產(chǎn)品建模，完成了遺傳算法的關(guān)鍵技術(shù)，并驗證了該算法的可正確性和效率。針對于案例匹配過程中出現(xiàn)的空匹配等問題，通過遺傳算法將案例進(jìn)行修改，降低了案例重用的難度，同時也提高了產(chǎn)品設(shè)計中案例的獲取效率，為解決案例適配中案例修改的問題提供了一種新思路。

附圖說明

圖1為本發(fā)明具體實施方式中遺傳算法在案例適配中的流程圖；

圖2為本發(fā)明具體實施方式中普通運動槍結(jié)構(gòu)及方案設(shè)計圖；

圖3為本發(fā)明具體實施方式中槍械設(shè)計的基因編碼圖。

具體實施方式

下面結(jié)合附圖并舉實施例，對本發(fā)明進(jìn)行詳細(xì)描述。

本發(fā)明提出了一種基于案例推理的產(chǎn)品設(shè)計方法，其案例適配方法流程如圖1所示。

案例適配主要分為案例檢索和案例修改兩個環(huán)節(jié)，本發(fā)明采用遺傳算法的方式來對其進(jìn)行適應(yīng)性的修改，該算法具有自組織、自適應(yīng)、自學(xué)習(xí)等特點，相對于其他方法來說其自由度要大很多；遺傳算法的初始種群是首先是通過相似算法的計算挑選出來，一方面提高了初始種群的相似度，另一方面，提高了計算過程的效率。首先將染色體進(jìn)行分層編碼，通過選擇、交叉、變異可得到最優(yōu)的適配方案。具體包括以下步驟：

步驟1：根據(jù)槍械產(chǎn)品設(shè)計需求確定案例特征指標(biāo)，并計算各特征指標(biāo)的相似度。

將需求信息轉(zhuǎn)化為三類技術(shù)指標(biāo)，分別是：字符型指標(biāo)、數(shù)值型指標(biāo)、包含型指標(biāo)。針對不同指標(biāo)類型，進(jìn)行相似度計算，方法如下：

(1)字符型指標(biāo)，字符型指標(biāo)表征了產(chǎn)品某方面的性能預(yù)期，通常為文字描述形式。如對于車床材料性能、便攜性等要求。其相似度計算方法如下：

字符串a(chǎn)＝{a1,a2,...,an}和b＝{b1,b2...,bm}的相似度simtext(a,b)由兩者之間的最小編輯距離dm,n決定：

其中，di0＝i，d0j＝j(luò)，1≤i≤m，1≤j≤n，wins，wdel，wsub分別為“插入代價”、“刪除代價”和“替換代價”。

(2)數(shù)值型指標(biāo)。數(shù)值型指標(biāo)通常是對某一指標(biāo)的定量化描述，其相似度計算如下。

其中，vmax，vmin分別為a，b取值范圍的上下限，ad是調(diào)整系數(shù)。

(3)包含型指標(biāo)。包含型指標(biāo)用于約束產(chǎn)品對特定對象或功能的兼容性，指標(biāo)a＝{a0,a1,...,am}和b＝{b0,b1,...,bn}，其相似度simcon(a,b)定義如下：

其中，count(a→b)表示a中元素在b中出現(xiàn)的次數(shù)的總和，a表示當(dāng)前設(shè)計問題的戰(zhàn)術(shù)技術(shù)需求指標(biāo)，b表示實例庫中實例的戰(zhàn)術(shù)技術(shù)指標(biāo)。

步驟2：綜合各個特征指標(biāo)相似度，計算綜合相似度，生成相似案例集，作為初始種群。

本方法中，采用專家評價的方式對各技術(shù)指標(biāo)進(jìn)行評估并賦予權(quán)重值，實例c1和c2的綜合相似度定義如下：

其中，wtext，wnum，wcon分別表示字符型、數(shù)值型及包含型指標(biāo)的相似度權(quán)重，且其和為1。wtext,i表示第i個字符型指標(biāo)的權(quán)重值，同理，wnum,j表示第j個數(shù)值型指標(biāo)的權(quán)重，wcon,k表示第k個包含型指標(biāo)的權(quán)重。l、m、n分別表示字符型、數(shù)值型以及包含型指標(biāo)的數(shù)量。

步驟3：采用分層編碼的方式對初始種群進(jìn)行基因編碼操作。

如圖2所示，本發(fā)明采用樹形編碼對槍械產(chǎn)品的設(shè)計任務(wù)進(jìn)行分解，得到槍械設(shè)計的基因編碼圖(如圖3)。槍械設(shè)計任務(wù)按多層次結(jié)構(gòu)劃分為槍管模塊、槍架模塊、發(fā)射模塊、觀瞄模塊、膛口模塊、供彈模塊、槍尾模塊，每個模塊都包含多個選擇方案，各選擇方案具有其子模塊，而且這些子模塊可以繼續(xù)分成多種方案，這些模塊主要是根據(jù)其各自的基本功能和結(jié)構(gòu)來劃分的。

步驟4：確定適應(yīng)度函數(shù)和算法的停止規(guī)則。

適應(yīng)度函數(shù)：本發(fā)明設(shè)計的適應(yīng)度函數(shù)為求已知案例與相似案例的相似度的值，適應(yīng)度越高，即相似度越高，該個體也就越優(yōu)秀。本發(fā)明是以計算目標(biāo)案例c0與相似案例ci之間的相似度的值作為適應(yīng)度函數(shù)，如公式8所示：

f＝s(c0,ci)(8)

停止規(guī)則：當(dāng)群迭代次數(shù)達(dá)到40代時停止迭代；或當(dāng)整個種群的適應(yīng)度值不再進(jìn)一步提升。

步驟5：啟動遺傳算法，進(jìn)行多次迭代的選擇運算、交叉運算、變異運算，直至達(dá)到算法的停止要求。

(1)進(jìn)行選擇運算

選擇算子是進(jìn)行優(yōu)勝劣汰的操作，適應(yīng)度高的個體被遺傳到下一代群體中的概率較大，本發(fā)明采用賭盤方法計算每個個體染色體的適應(yīng)值f,用正比于染色體適應(yīng)度的概率來選擇染色體,經(jīng)過淘汰后，種群大小仍為m，但其整體平均適應(yīng)度增強，即種群朝著優(yōu)化方向發(fā)展。

(2)進(jìn)行交叉運算

交叉運算就是交換兩個互相配對染色體的某個對應(yīng)位置的二進(jìn)制字串，從而形成兩個新的個體，本發(fā)明采用的是單點交的方法，該過程如附圖1所示。根據(jù)交叉概率pc(如公式9所示)隨機設(shè)置交叉點的位置，最后在相互交換配對染色體之間的部分基因。根據(jù)交叉概率pc按照某種方式相互交換部分基因，交叉運算是遺傳算法區(qū)別于其他進(jìn)化算法的重要特征，在遺傳算法中起關(guān)鍵作用，是產(chǎn)生新個體的主要方法；

其中中,fmax是群體中最大適應(yīng)度,fa是平均適應(yīng)度,f'為兩個染色體中適應(yīng)度值較大的那個適應(yīng)度，pc1＝0.9，pc2＝0.6；

(3)進(jìn)行變異運算

變異運算是指改變個體編碼中的某些基因值，從而形成新的個體。本文的變異算子采用的是基本位變異，基本位變異算子是指對個體編碼隨機指定的某一位或某幾位基因作變異運算。變異運算時產(chǎn)生新個體的輔助方法，決定遺傳算法的局部搜索能力，保持種群多樣性。

其中，f代表要變異個體的適應(yīng)度值；pm1＝0.1,pm2＝0.001。

步驟6：輸出運算結(jié)果，進(jìn)行解碼，將解碼后的方案作為最佳適配案例。

綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。