用于室内挂钟设计的模糊适应值交互式进化优化方法与流程

本发明属于挂钟设计领域，贴别是涉及一种用于室内挂钟设计的交互式进化优化方法，可用于引导用户进行室内挂钟外观方案的设计。

背景技术：

室内挂钟是重要的生活家居类产品，除了计时功能外，它还是一道空间装饰。好的挂钟外观设计不仅能给人视觉享受，还对家居氛围起到烘托作用。由于室内挂钟外观设计元素丰富，艺术性较强，无法采用定量的目标函数衡量评价方案，而基于交互式进化方法可以增强用户搜索能力，启发用户设计灵感，帮助用户找到满意的设计方案。

目前，已经公布的应用交互式进化优化方法进行产品外观设计策略大致分为两种类型。其一是可以采用多种形式的个体适应值机器赋值，改善人机交互环境：如中国发明专利“用于窗帘设计的交互式进化优化方法”(公开号：cn10263249a，公开日：2011.08.24)给出的多集势模糊评价、精确值评价与自动评价；2009年出版的会议论文“classificationandregression-basedsurrogatemodel-assistedinteractivegeneticalgorithmwithindividual’sfuzzyfitness”将支持向量机代理模型用于计算个体模糊适应值；2011年出版的期刊《appliedsoftcomputing》第11期“largepopulationsizeigawithindividuals’fitnessnotassignedbyuser”将非用户赋适应值也用于大规模种群进化。上述大规模种群个体适应值赋值方法，扩展了用户评价个体适应值的能力，但尚存在如下问题：首先，上述方法对用户评价过程的疲劳问题考虑不够，为获得区间适应值和模糊适应值，用户仍需增加操作量；其次，受评价方法限制，代理模型只能逼近有限数量的语气词，对偏好表达仍然不足；而对非用户赋适应值的估计，则模型误差较大。其二是对个体适应值进行机器估计：如2010年出版的期刊《控制理论与应用》第6期“混合性能指标优化问题的大种群规模进化算法”按个体基因型相似性采用k-均值对种群划分计算适应值；2015年出版的期刊《控制与决策》第7期“基于cp-nets的偏好感知交互式遗传算法及其个性化搜索”采用代理模型进行适应值估计。上述个体适应值估计方法为大规模种群的进化提供了导向,但是尚存在如下问题:首先，这些适应值估计方法需要个体的距离或者个体基因模式的可分性作为估计的依据，但是通常交互式遗传算法中适应值函数是未知的，而且对于搜索空间较复杂的情况很难确定个体基因型和表现型之间的映射关系，基因型的微小差别往往会导致表现型的明显差异，所以基于基因距离的适应值估计与个体表现型存在误差。其次，采用代理模型方法估计适应值提高了算法优化效率，但个体相似度的计算仍基于基因型，所以模型误差依然存在。这说明,发明新的个体适应值估计方法是非常必要的。

技术实现要素：

本发明所要解决的技术问题是：克服现有技术的不足，提供一种减少设计人员负担、增强算法的搜索能力且提高进化优化质量的用于室内挂钟设计的模糊适应值交互式进化优化方法。

本发明的技术方案是：

一种用于室内挂钟设计的模糊适应值交互式进化优化方法，采用大规模进化种群和个体模糊适应值估计策略的交互式遗传算法作为优化算法，它包括参数设置界面、交互界面和结果输出界面，系统划分为载入模块、处理模块和交互式遗传算法模块三个功能模块，三个功能模块通过一个交互界面融合为整体，共同完成交互式进化设计；室内挂钟各属性样本以.bmp格式储存在数据库中，载入模块将挂钟属性模型文件读入内存并在窗口界面中显示；处理模块实现对模型的贴图，时针与分针统一固定在10:10；交互式遗传算法模块则将交互式遗传算法整合到系统中。系统运行时，用户首先设置遗传参数，进入交互界面后点击“初始化”按钮，系统初始化并运行载入模块和处理模块，生成6个样本，用户通过样本下方滑动条对个体进行单一数值评价，系统在后台实现大规模种群个体模糊适应值估计；

该优化算法具体实现为：

(1)根据用户评价时间与单一数值适应值估计用户评价个体模糊适应值

式中，d(ci(t))表示的中心，是隶属度为1的适应值；σ(ci(t))表示的宽度，该量主要反映评价的不确定性，且与不确定性呈正向变化；

(2)根据个体表现型属性与参照个体模糊适应值宽度计算个体表现型相似度：

式中，σ(xj(t))是参照个体xj(t)的模糊适应值宽度。

则xi(t)与xj(t)的表现型相似度为μij(xir)的平均值，记为μ(xi(t),xj(t))：

(3)利用个体表现型相似度对种群聚类并估计未评价个体模糊适应值：

剩余个体xj(t)的模糊适应值中心值d(xj(t))计算公式为：

式中，k是个体表现型相似度μ(xj(t),ci(t))最大值大于阈值θ(t)时的聚类中心：

阈值θ(t)由前一代个体适应值中心值刻划：

式中，α是反映评价性能的参数。可以看出，阈值θ(t)随进化代内最大适应值增加而增加，利用前一进化代的信息计算阈值，可以为下一代估计d(xj(t))提供依据；

(4)基于个体模糊适应值和表现型相似性构造个体选择适应值，实现个体相似性选择。

比较个体为xa(t),xb(t)，则个体选择适应值分别为f(xa(t)),f(xb(t))：

f(xa(t))＝d(xa(t))·μ(xb(t),xa(t))

f(xb(t))＝d(xb(t))·μ(xa(t),xb(t))

式中，d(xa(t))，d(xb(t))分别是个体xa(t),xb(t)的模糊适应值中心值；μ(xa(t),xb(t))，μ(xb(t),xa(t))分别是以个体xb(t)和xa(t)为参照个体，以xa(t)和xb(t)为比较个体的相似度。

优选地：将t(ci(t))与当前进化代内个体最长评价时间比值作为个体ci(t)的满意度，记为hi：

个体ci(t)的模糊适应值的宽度σ(ci(t))可以表示为：

式中，d(ci(t))是用户对个体ci(t)的评价值。

优选地：记第t-1代用户评价值最高个体为xb(t-1)，当前代t的个体cp(t)，p＝1,2,…,n与xb(t-1)的相似度为：

用户评价个体数目nc:

nc的意义是依据相似度的数值大小，选择最靠前的nc个个体推荐给用户评价。

本发明的优点和积极效果是：

1、本发明有效降低设计人员的操作负担，设计人员只需按单一数值评价少量产品款式即可，系统在后台自动实现用户评价个体模糊适应值估计。与传统模糊适应值赋值相比，不需要输入语气词，节省了一半的操作量。

2、本发明提出了一套完整的室内挂钟外观样本生成、交互及进化设计方法，其特点在于采用了大规模进化种群的个体模糊适应值估计策略的交互式遗传算法，根据用户评价时间与单一数值适应值估计用户评价个体模糊适应值；根据个体表现型属性与参照个体模糊适应值宽度计算个体表现型相似度；利用个体表现型相似度对种群聚类并估计未评价个体模糊适应值；基于个体模糊适应值和表现型相似性构造个体选择适应值，实现个体相似性选择；与同类方法比较，本发明的设计结果明显占有优势。

3、本发明通过大规模种群进化，增强了算法的搜索能力；能够对所有个体实现模糊适应值赋值，偏好信息量更加丰富，个体评价更准确，提高了进化优化质量。

附图说明

图1为本发明的总体流程图；

图2为本发明的系统交互界面图。

具体实施方式

参照附图，对本发明实施做以下进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种用于室内挂钟设计的模糊适应值交互式进化优化方法流程如图1所示。其中,斜体字部分为用户参与遗传进化过程的交互环节；阴影部分为本发明的创新之处。

该方法的步骤如下：

步骤1.本系统包括参数设置界面、交互界面和结果输出界面等。系统划分为载入模块、处理模块和交互式遗传算法模块等3个功能模块，三个模块通过一个交互界面融合为整体，共同完成交互式进化设计。室内挂钟各属性样本以.bmp格式储存在数据库中，载入模块将挂钟属性模型文件读入内存并在窗口界面中显示；处理模块实现对模型的贴图，时针与分针统一固定在10:10；交互式遗传算法模块则将交互式遗传算法整合到系统中。为保证系统整体的运行效率，采用按钮形式控制算法的执行，系统交互界面如图2所示。系统运行时，用户首先设置遗传参数，进入交互界面后点击“初始化”按钮，系统初始化并运行载入模块和处理模块，生成6个样本，用户通过样本下方滑动条对个体评价，滑动条的显示数值即为该个体的模糊适应值中心值，打分范围为1-100。

步骤2个体相似性计算；

记第t代种群为x(t)，种群规模为n，种群x(t)中的第i个个体为xi(t)，i＝1,2,…,n，则xi(t)的表现型可以表示为其中，xir,r＝1,2,…,ng为组成个体的r个属性，是xir的属性值。考虑两个体xi(t)和xj(t)，设xj(t)是参照个体，xi(t)是比较个体，基于认知的模糊性，采用高斯函数μij描述个体xi(t)与xj(t)的属性间相似关系：

式中，σ(xj(t))是参照个体xj(t)的模糊适应值宽度。

则xi(t)与xj(t)的表现型相似度为μij(xir)的平均值，记为μ(xi(t),xj(t))：

表现型相似度μij(xir)的特点在于：(1)个体属性间差异越小，μ(xi(t),xj(t))越大，个体表现型就越接近，这符合事物相似性规律；(2)如果参照个体xj(t)的模糊适应值宽度σ(xj(t)越小，μ(xi(t),xj(t))就越小，这与一种评价现象相对应：即将比较个体与参照个体粗略比较时(此时评价准确性低，参照个体xj(t)的模糊适应值宽度大)，两个体相似度较大，然而将比较个体与参照个体仔细比较时(此时评价准确性高，参照个体xj(t)的模糊适应值宽度小)，则两个体相似度较小，反之亦然。(3)更重要地，当参照个体与比较个体互换后，如两个体的模糊适应值宽度不相等，即σ(xj(t))≠σ(xi(t))，则μ(xi(t),xj(t))≠μ(xj(t),xi(t))。所以，式(5)刻划的个体表现型相似性特征更符合人的评价规律，于对个体表现型的比较也更恰当。

步骤3.用户评价个体选择与种群聚类；

记第t-1代用户评价值最高个体为xb(t-1)，则根据式(2)，当前代t的个体cp(t)，p＝1,2,…,n与xb(t-1)的相似度为：

用户评价个体数目nc:

该方法特点在于：依据与前代优秀个体相似度排名，利用历史信息为用户推荐个体，对于选择种群内代表性个体更有针对性。

根据个体的相似度可以将种群分成若干类。设x(t)可以被分为nc(t)个类，且nc(t)≤nmaxc(t)，其中，nmaxc(t)为第t代种群的最大分类数。具体分类方法：首先，确定一个代表个体xj(t)，然后从种群中搜索每一个个体xi(t),(i＝1,2,…,n-1)，将所有满足μ(xi(t),xj(t))≥1-min{μij(xir)|r＝1,2,…,ng}的个体作为第一类，设为c1(t)，即c1(t)＝{xi(t)|μ(xi(t),xj(t))≥1-min{μij(xir)|r＝1,2,…,ng}},xi(t)∈x(t)}。若令c1(t)表示类{c1(t)}的代表个体，可知c1(t)＝xi(t)。划分完第一类后，缩小种群空间，令x(t)←x(t)\{c1(t)}，然后从种群中确定另一个个体作为第二类的代表个体，重复如上操作获得第二类{c2(t)}。类似的，可以对种群x(t)继续分类，直到x(t)为空，或者nc(t)＝nmaxc(t)。当nc(t)＝nmaxc(t)-1时，若x(t)中还有未分类的个体，那么把x(t)中的所有个体并为最后一类，而不考虑它们是否相似。完成上述分类过程后，种群x(t)被分为nc(t)个类，分别为{c1(t)},{c2(t)},…,{cnc(t)(t)}，它们的代表个体分别为c1(t),c2(t),…,cnc(t)(t)。随着进化进行，个体间的相似度逐渐增大，聚类中心数目逐渐减少。

步骤4.系统自动记录用户对每个个体的评价时间，通过样本下方滑动块显示，该评价时间与用户评价值在系统后台用于估计个体模糊适应值；

由于评价的不确定性和认知的模糊性，个体适应值表现形式是一个以评价值为中心的模糊数。记第t代种群的用户评价进化个体为ci(t)，i＝1,2,…,nc。其适应值的论域为[fmin,fmax]，ci(t)的适应值可表示为在[fmin,fmax]上定义如下泛函：表示属于的程度，则为模糊数。的隶属函数可表示为：

式中，d(ci(t))表示的中心，是隶属度为1的适应值；σ(ci(t))表示的宽度，该量主要反映评价的不确定性，且与不确定性呈正向变化。

由于采用了大种群规模进化，用户只需要评价这些类内代表个体适应值。本发明中的中心值d(ci(t))由用户评价，宽度值则由评价信息估计，具体如下：

根据研究，人对个体评价时间越长，对该个体的满意度就越大，个体适应值越大；反之，评价时间越短，对该个体的满意度就越小，个体适应值越小。另一方面，根据认知常识，人对于满意度越大和越低的个体评价较为准确，评价不确定较小；而对于满意度适中的个体，则评价较为困难，评价不确定性较大。针对认知的这种特征，设σ(ci(t))取值范围为[σmin,σmax]，t(ci(t))为个体ci(t)被评价时间。将t(ci(t))与当前进化代内个体最长评价时间比值作为个体ci(t)的满意度，记为hi：

hi越大，的宽度越接近σmin；hi越小，的宽度越接近σmax。

个体ci(t)的模糊适应值的宽度σ(ci(t))可以表示为：

与以往研究相比，本发明的模糊适应值估计方法特点是：用户按单一数值习惯评价个体就可以获得信息含量更丰富的模糊适应值，减轻了人的操作负担；同时，因为式(5)是连续函数，所以语气词为连续数值，模糊适应值的偏好表达更为全面；另一方面，在进化过程中通过估计适应值宽度使得个体评价更加准确，会提高算法收敛性和优化质量。

步骤5.剩余个体模糊适应值估计

设个体xj(t)属于类{ci(t)}，记表示对个体xj(t)适应值f(xj(t))的估计值。当用户评价完中心个体ci(t)并赋予它适应值后，应充分利用这些信息来估计剩余个体的适应值，从而扩大种群评价规模。本小节基于个体相似度对剩余个体的模糊适应值进行估计，记剩余个体的模糊适应值中心值为d(xj(t))，宽度为σ(xj(t))，对中心值和宽度分别估计后，再构成模糊适应值。

假设是一个不精确数是合理的，当xj(t)和ci(t)的相似程度越低，则基于f(ci(t))的越不精确。为了增加估计结果的准确度，剩余个体适应值的估计不仅计算与所属类中心个体的相似性，也考虑与其他类中心个体的相似性。

剩余个体xj(t)的模糊适应值中心值d(xj(t))计算公式为：

式中，k是个体表现型相似度μ(xj(t),ci(t))最大值大于阈值θ(t)时的聚类中心：

阈值θ(t)由前一代个体适应值中心值刻划：

式中，α是反映评价性能的参数。可以看出，阈值θ(t)随进化代内最大适应值增加而增加，利用前一进化代的信息计算阈值，可以为下一代估计d(xj(t))提供依据。

d(xj(t))表明，进化初期由于个体间相似性较小，阈值θ(t)较小，剩余个体适应值中心值d(xj(t))较小；随着算法逐渐收敛，个体间相似性逐渐增大，阈值θ(t)也逐渐提高，剩余个体适应值中心值d(xj(t))逐渐增大。通过对各聚类中心相似度的加权估计中心值，提高了信息利用率，估计结果更加精确。

相似地，剩余个体xj(t)的模糊适应值宽度值σ(xj(t))计算公式为：

上述方法实现了对所有个体的模糊适应值估计，在大规模种群前提下，偏好信息更加丰富，更有利于进化优化。

步骤6.个体选择

为了更客观的选择模糊适应值的个体，本发明考虑规模为2的联赛选择，设比较个体为xa(t),xb(t)，则个体选择适应值分别为f(xa(t)),f(xb(t))：

f(xa(t))＝d(xa(t))·μ(xb(t),xa(t))(10)

f(xb(t))＝d(xb(t))·μ(xa(t),xb(t))(11)

式中，d(xa(t))，d(xb(t))分别是个体xa(t),xb(t)的模糊适应值中心值；μ(xa(t),xb(t))，μ(xb(t),xa(t))分别是以个体xb(t)和xa(t)为参照个体，以xa(t)和xb(t)为比较个体的相似度。

该式考虑了模糊适应值中心值和宽度对个体选择的共同影响。其中，中心值对适应值大小起主导作用，但由于认知的模糊性和不确定性，模糊适应值的比较不能完全由中心值决定，所以还要考虑宽度值的作用。这可以通过个体相似性体现，在式(10)中，μ(xb(t),xa(t))刻画了以个体xa(t)为参照的xb(t)的相似性，体现了xa(t)的评价不确定性对xb(t)的影响，与中心值d(xa(t))乘积可以更好的突出个体的选择性。所以，个体选择条件为：当f(xa(t))>f(xb(t))时，选择个体xa(t)；f(xa(t))<f(xb(t))，选择个体xb(t)；当f(xa(t))＝f(xb(t))时，随机选择xa(t),xb(t)。上述个体选择方法的特点在于：个体选择不直接采用模糊适应值，通过个体表现型相似性修正个体模糊适应值中心值实现个体比较，不仅符合评价规律，而且实现简便，

步骤7.选择操作后，经过交叉和变异，生成新一代种群。如果设计人员对新种群的款式样本满意，则保存最优设计方案，完成设计。否则，算法跳转步骤2，设计人员点击“下一代”进化按钮，继续对挂钟样本打分评价。在整个进化过程中，如果设计人员对当前的方案始终不够满意，可重新初始化种群，开始新的进化。

该算法与目前算法的比较

目前已有的应用于产品设计的算法主要有基于区间适应值的大种群规模交互式遗传算法(interactivegeneticalgorithmswithlargepopulationsize,iga-lps)和基于模糊适应值的交互式遗传算法(interactivegeneticalgorithmswithfuzzyindividuals’fitness，iga-fif)。本发明从进化代数、优化耗时和最优解适应值(中心值)等三个方面衡量方法性能。比较分为固定解优化测试(项目1)和非固定解优化测试(项目2)两个部分进行，统计结果如下表所示。

可以看出，在项目1中，在进化代数方面，本发明的所有用户均在最大进化代数内完成优化，平均进化代数为15.38，3种方法中最低，iga-fif进化代数最多。做平均值和方差双样本均值分析，t检验差异显著(p<0.05)。原因在于，本发明的适应值准确，进化方向最为明确，进化过程更为顺利。评价耗时方面，本发明每位用户平均耗时6.05分钟，仍为3种方法中最低，iga-fif耗时最多,t检验差异显著(p<0.05)。这是因为，本发明采用单一数值评价，操作量最少；iga-lps需要对适应值上限和下限取值；iga-fif需要对语气词和中心值取值，所以造成耗时增加。最优解适应值方面，本发明最高，这反映出用户对本发明优化结果最满意。由于本发明在3种算法进化代数和评价耗时均为最少，同时最优解适应值最高，所以可以明显减轻用户疲劳。

在项目2中，采用本发明，20名用户中，8名用户在最大进化代数之前，获得满意解，并给出超过95分的评价值，这表明这8名用户对优化结果十分满意。从表中数据看，本发明所有用户平均适应值为88.12，3种方法中最高。这种高评分低分布差异表明，用户可以获得满意解，并且设定20代为最大进化代数是足够的。在进化代数和优化耗时方面，本发明都是最低的，且t检验差异显著。这表明，在非固定解优化测试条件下，本发明仍可以显著降低用户操作负担，减轻疲劳。