基于案例推理的产品设计方法与流程

本发明涉及一种基于案例推理的产品设计方法，属于产品设计技术领域。

背景技术：

案例重用可以有效地提高产品的设计效率。传统的案例重用过程通常分为案例匹配和案例修改两个环节。通常情况下，案例匹配得到的案例无法完全满足设计需求，需要根据一定的规则或者方法对匹配案例进行修改以满足设计需求。案例匹配过程中可能存在多个不完全相似案例或者空匹配的情况，案例匹配的不确定性直接影响了案例修改的进度，从而影响案例重用的效果。因此，需要综合考虑案例匹配和案例修改，针对设计需求进行案例适配。与案例匹配相比，案例适配不再局限于从案例库中检索出相似案例，而是基于检索出的相似案例，进行适应性修改，得到“满意”方案。

技术实现要素：

有鉴于此，本发明提供了一种基于案例推理的产品设计方法，针对当前案例推理过程中案例匹配度低或空匹配的问题，综合考虑案例匹配和案例修改的过程，通过引入遗传算法，实现案例的适配，以达到检索相似案例并进行适应性修改的目的。

一种基于案例推理的产品设计方法，该方法实现的步骤如下：

步骤1：根据产品设计需求确定案例特征指标，并计算各特征指标的相似度；

步骤2：综合各个特征指标相似度，计算综合相似度，生成相似案例集，作为初始种群；

步骤3：采用分层编码的方式对初始种群进行基因编码操作；

步骤4：确定适应度函数和算法的停止规则；

步骤5：采用遗传算法进行多次迭代的选择运算、交叉运算、变异运算，直至达到算法的停止规则；

步骤6：得到步骤5的运算结果后进行解码，将解码后的方案作为最佳适配案例。

进一步地，所述步骤1中的特征指标包括字符型指标、数值型指标和包含型指标。

进一步地，所述字符型指标的相似度计算方法如下：

字符串a＝{a1,a2,...,an}和b＝{b1,b2...,bm}的相似度simtext(a,b)由两者之间的最小编辑距离dm,n决定：

其中，di0＝i，d0j＝j，1≤i≤m，1≤j≤n，wins，wdel，wsub分别为“插入代价”、“删除代价”和“替换代价”。

进一步地，所述数值型指标相似度计算方法如下：

其中，vmax，vmin分别为a，b取值范围的上下限，ad是调整系数。

进一步地，所述包含型指标相似度计算方法如下：

包含型指标用于约束产品对特定对象或功能的兼容性，指标a＝{a0,a1,...,am}和b＝{b0,b1,...,bn}，其相似度simcon(a,b)定义如下：

其中，count(a→b)表示a中元素在b中出现的次数的总和，a表示当前设计问题的需求指标，b表示实例库中实例的技术指标。

进一步地，所述步骤4中适应度函数和算法的停止规则如下：

以计算目标案例c0与相似案例ci之间的相似度的值作为适应度函数，如公式8所示：

f＝s(c0,ci)(8)

停止规则：当群迭代次数达到40代时停止迭代；或当整个种群的适应度值不再进一步提升。

进一步地，所述步骤5中交叉运算的公式为：

其中中,fmax是群体中最大适应度,fa是平均适应度,f'为两个染色体中适应度值较大的那个适应度，pc1＝0.9，pc2＝0.6。

进一步地，所述步骤5中变异运算的公式为：

其中，f代表要变异个体的适应度值；pm1＝0.1,pm2＝0.001。

有益效果：

1、本发明通过应用在产品设计的案例适配方案中，使遗传算法的优势在产品设计的案例适配中都展现了出来，不仅缩短了用户寻求最优解的时间，也让用户对提供最优解的满意度有较大的提高。

2、本文通过分层编码的方式将产品的整体设计方案进行编码，进一步建立了应用于遗传算法的实例库，再根据对产品建模，完成了遗传算法的关键技术，并验证了该算法的可正确性和效率。针对于案例匹配过程中出现的空匹配等问题，通过遗传算法将案例进行修改，降低了案例重用的难度，同时也提高了产品设计中案例的获取效率，为解决案例适配中案例修改的问题提供了一种新思路。

附图说明

图1为本发明具体实施方式中遗传算法在案例适配中的流程图；

图2为本发明具体实施方式中普通运动枪结构及方案设计图；

图3为本发明具体实施方式中枪械设计的基因编码图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提出了一种基于案例推理的产品设计方法，其案例适配方法流程如图1所示。

案例适配主要分为案例检索和案例修改两个环节，本发明采用遗传算法的方式来对其进行适应性的修改，该算法具有自组织、自适应、自学习等特点，相对于其他方法来说其自由度要大很多；遗传算法的初始种群是首先是通过相似算法的计算挑选出来，一方面提高了初始种群的相似度，另一方面，提高了计算过程的效率。首先将染色体进行分层编码，通过选择、交叉、变异可得到最优的适配方案。具体包括以下步骤：

步骤1：根据枪械产品设计需求确定案例特征指标，并计算各特征指标的相似度。

将需求信息转化为三类技术指标，分别是：字符型指标、数值型指标、包含型指标。针对不同指标类型，进行相似度计算，方法如下：

(1)字符型指标，字符型指标表征了产品某方面的性能预期，通常为文字描述形式。如对于车床材料性能、便携性等要求。其相似度计算方法如下：

字符串a＝{a1,a2,...,an}和b＝{b1,b2...,bm}的相似度simtext(a,b)由两者之间的最小编辑距离dm,n决定：

其中，di0＝i，d0j＝j，1≤i≤m，1≤j≤n，wins，wdel，wsub分别为“插入代价”、“删除代价”和“替换代价”。

(2)数值型指标。数值型指标通常是对某一指标的定量化描述，其相似度计算如下。

其中，vmax，vmin分别为a，b取值范围的上下限，ad是调整系数。

(3)包含型指标。包含型指标用于约束产品对特定对象或功能的兼容性，指标a＝{a0,a1,...,am}和b＝{b0,b1,...,bn}，其相似度simcon(a,b)定义如下：

其中，count(a→b)表示a中元素在b中出现的次数的总和，a表示当前设计问题的战术技术需求指标，b表示实例库中实例的战术技术指标。

步骤2：综合各个特征指标相似度，计算综合相似度，生成相似案例集，作为初始种群。

本方法中，采用专家评价的方式对各技术指标进行评估并赋予权重值，实例c1和c2的综合相似度定义如下：

其中，wtext，wnum，wcon分别表示字符型、数值型及包含型指标的相似度权重，且其和为1。wtext,i表示第i个字符型指标的权重值，同理，wnum,j表示第j个数值型指标的权重，wcon,k表示第k个包含型指标的权重。l、m、n分别表示字符型、数值型以及包含型指标的数量。

步骤3：采用分层编码的方式对初始种群进行基因编码操作。

如图2所示，本发明采用树形编码对枪械产品的设计任务进行分解，得到枪械设计的基因编码图(如图3)。枪械设计任务按多层次结构划分为枪管模块、枪架模块、发射模块、观瞄模块、膛口模块、供弹模块、枪尾模块，每个模块都包含多个选择方案，各选择方案具有其子模块，而且这些子模块可以继续分成多种方案，这些模块主要是根据其各自的基本功能和结构来划分的。

步骤4：确定适应度函数和算法的停止规则。

适应度函数：本发明设计的适应度函数为求已知案例与相似案例的相似度的值，适应度越高，即相似度越高，该个体也就越优秀。本发明是以计算目标案例c0与相似案例ci之间的相似度的值作为适应度函数，如公式8所示：

f＝s(c0,ci)(8)

停止规则：当群迭代次数达到40代时停止迭代；或当整个种群的适应度值不再进一步提升。

步骤5：启动遗传算法，进行多次迭代的选择运算、交叉运算、变异运算，直至达到算法的停止要求。

(1)进行选择运算

选择算子是进行优胜劣汰的操作，适应度高的个体被遗传到下一代群体中的概率较大，本发明采用赌盘方法计算每个个体染色体的适应值f,用正比于染色体适应度的概率来选择染色体,经过淘汰后，种群大小仍为m，但其整体平均适应度增强，即种群朝着优化方向发展。

(2)进行交叉运算

交叉运算就是交换两个互相配对染色体的某个对应位置的二进制字串，从而形成两个新的个体，本发明采用的是单点交的方法，该过程如附图1所示。根据交叉概率pc(如公式9所示)随机设置交叉点的位置，最后在相互交换配对染色体之间的部分基因。根据交叉概率pc按照某种方式相互交换部分基因，交叉运算是遗传算法区别于其他进化算法的重要特征，在遗传算法中起关键作用，是产生新个体的主要方法；

其中中,fmax是群体中最大适应度,fa是平均适应度,f'为两个染色体中适应度值较大的那个适应度，pc1＝0.9，pc2＝0.6；

(3)进行变异运算

变异运算是指改变个体编码中的某些基因值，从而形成新的个体。本文的变异算子采用的是基本位变异，基本位变异算子是指对个体编码随机指定的某一位或某几位基因作变异运算。变异运算时产生新个体的辅助方法，决定遗传算法的局部搜索能力，保持种群多样性。

其中，f代表要变异个体的适应度值；pm1＝0.1,pm2＝0.001。

步骤6：输出运算结果，进行解码，将解码后的方案作为最佳适配案例。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。