一种动态自适应的众创设计方案数据寻优方法与流程

本发明涉及众创环境下机械产品设计方案的寻优方法，主要涉及一种动态自适应的众创设计方案数据寻优方法。

背景技术：

针对制造企业难以完成或解决不了的设计需求，通过互联网平台发布设计需求，利用了公共群体的智慧，与结合“互联网+”环境，可以获得一些有意义的创新方案设计与个性化产品的设计方案。在当下互联网信息时代，众创设计的方法应用在越来越多领域，机械产品或装备的众创设计有其特殊性与专业性，对其“互联网+”众创设计模式、机理、多角色协同设计机制与评价方法等方面均有相关研究。在众创设计问题发布后，众创平台收集设计方案；在问题时间截止时，如何筛选与找寻较好的众创设计方案，是本发明的内容。

目前研究存在的缺点是，通过投票的方式可以得到相应的结果，但人为因素严重影响客观判断，主观引导与恶意投票的问题无法规避；通过计算机智能算法对结果寻优，目前研究的结果效果不佳；近来研究使用机器学习方法，应用在图片标注的众包学习中，效果良好，但只适用于简单的众包任务中。对于复杂的机械产品的众创设计，对其众创结果进行筛选与寻优，目前研究较少。本发明以动态自适应的方案分类风险概率方法来进行众创设计方案自动寻优，以人工点击初始值为辅进行动态修正寻优模型以达到较优结果。本发明弥补了传统专家筛选优秀方案的不足，在复杂机械产品众创设计方案的寻优中有很好的使用空间。

技术实现要素：

为了解决现有大数据中寻找较优机械产品众创设计方案的技术问题，本发明提供一种动态自适应的众创设计方案数据寻优方法。本发明方法用于机械产品众创设计模式下，自动寻找较优的众创设计方案。

机械制造企业难以完成或解决不了的设计问题，依托互联网众创设计平台发布，利用公共群体的智慧提供创新的设计方案。通常情况将某一机械产品的结构设计众创问题发布后到收集截止之间的时间段中，会提交保存针对该机械产品的各个众创设计方案，各个众创设计方案在平台上收集获得符合和不符合的点击数据，从而进行寻优结果处理。本发明针对上述类似情况的数据进行处理寻优获得最优的数据。

本发明采用的技术方案是：

1)将众创设计方案的收集数据(即问题发布与收集截止之间的时间段)按时间顺序划分u个时间窗，第t个时间窗的收集数据共计有wt个众创设计方案，t＝1,…,u，wt会随着t的变化而变化，每个众创设计方案有两种分类点击，两种分类点击分别为符合点击与不符合点击，并且以点击次数高的作为众创设计方案的分类点击结果，第k个众创设计方案在第t个时间窗下有y^tk次符合点击与n^tk次不符合点击，k＝1,…,wt；

2)针对每个时间窗下的每个众创设计方案，构建众创设计方案的特征向量，并组成动态训练样本集；

3)利用众创设计方案的特征向量依次计算各个时间窗的分类计算结果，并且每次计算后动态修正分类计算结果，使得分类计算结果和分类点击结果匹配，直到最后的时间窗获得的分类计算结果作为众创设计方案的最终寻优分类结果。

本发明利用第t个时间窗的分类计算结果(初始时，以第1个时间窗的分类点击结果作为分类计算结果)和特征向量来代入本发明的寻优模型中计算出第t+1个时间窗的分类计算结果，然后与实际时间窗t+1处实际的分类点击结果比对，随时间动态修正模型，使得模型更加趋近真实值，不断迭代直到以最后一个时间窗的分类计算结果作为众创问题优选的众创设计方案。

随时间动态修正模型是将通过方案分类风险概率计算第t+1个时间窗下的分类计算结果，与分类点击结果进行比对，从而完成损失值λij的自适应，随时间窗的变化λij发生变化，以保证分类计算结果与分类点击结果相吻合，且保证随着时间的推移，损失值λij的变化幅度减小或保持不变，使得在最后第u个时间窗下的分类计算结果能够更加逼近未知的真实情况。

2.1)针对第t个时间窗下第k个众创设计方案，其特征向量表示为：

其中，代表第t个时间窗下的第k个众创设计方案的特征向量，表示第t个时间窗下的第k个众创设计方案与其他(wt-1)个众创设计方案之间的相似度，表示第t个时间窗下的第k个众创设计方案的实施度，表示第t个时间窗下的第k个众创设计方案的符合度，表示第t个时间窗下的第k个众创设计方案的符合变化度，表示第t个时间窗下的第k个众创设计方案的不符合度，表示第t个时间窗下的第k个众创设计方案的不符合变化度。

2.2)通过时间轴线建立的动态训练样本集，最终形成第t个时间窗下的动态训练样本集

所述的众创设计方案的特征向量中，各个特征值采用以下方式计算：

a)采用以下公式计算的特征值计算如下：

式中，为第t个时间窗下的第k个众创设计方案的符合点击次数和不符合点击次数，t’表示从第1个时间窗到第t个时间窗之间的时间窗序数；

b)先计算第t个时间窗下众创设计方案的平衡度的倒数β^t：

其中，τ表示符合与不符合度的权重系数，τ∈[0,1]，表示第t个时间窗下众创设计方案平均不符合点击次数，表示第t个时间窗下众创设计方案平均符合点击次数；

再计算第t个时间窗下众创设计方案所对应众创问题的难度r^t公式如下：

其中，μ表示平衡度(β^t)^-1弥补系数，e是自然常数；

接着计算第t个时间窗下第k个众创设计方案的实施度

其中，σ表示符合与不符合度的权重分配系数，σ∈[0,1]；

c)计算第t个时间窗下第k个众创设计方案与与其他(wt-1)个众创设计方案之间的相似度

其中，k'表示第1个众创设计方案到第wt个众创设计方案窗之间的众创设计方案序数，除去k’＝k的情况。

所述步骤3)具体为：

3.1)针对第1个时间窗，以众创设计方案的分类点击结果作为分类计算结果；

3.2)针对第2个时间窗开始的每个时间窗，用第t个时间窗各个众创设计方案的分类计算结果结合众创设计方案的特征向量采用带有损失值λij的分类风险概率计算公式计算获得第t+1个时间窗各个众创设计方案的分类计算结果；

3.3)将第t+1个时间窗下众创设计方案的分类计算结果和从收集数据获得的第t+1个时间窗下众创设计方案的分类点击结果进行动态自适应处理；

3.4)重复上述步骤3.2)～3.2)按时间顺序对各个时间窗进行依次计算，直到计算获得最后一个时间窗的分类计算结果，并作为众创设计方案的最终寻优分类结果。

所述步骤3.2)具体为：

3.2.1)采用以下公式计算第t+1个时间窗下第k个众创设计方案的分类风险概率：

其中，ω1表示符合保留结果类，ω2表示不符合舍弃结果类，为将众创设计方案特征向量分类为ω2所产生的后验概率，为将众创设计方案特征向量分类为ω1所产生的后验概率；λ12为将分类点击结果为ω2的众创设计方案特征向量采用分类为ω1所产生的损失值，λ21为将分类点击结果为ω1的众创设计方案特征向量采用分类为ω2所产生的损失值；r(ω1|x)为将众创设计方案特征向量分类为ω1所产生的期望损失，r(ω2|x)为将众创设计方案特征向量分类为ω2所产生的期望损失；

3.2.2)采用以下公式计算最小分类风险概率：

将得到的分类ω作为第t+1个时间窗下第k个众创设计方案的分类计算结果

不同时间窗下的不同众创设计方案均采用相同的方式计算。第一个时间窗下的各个众创设计方案各自有对应的分类计算结果。

所述的后验概率和均采用以下公式计算获得：

式中，ωi＝ω1,ω2，p(ωi)为分类ωi的先验概率，p(ω2)＝1-p(ω1)；是众创设计方案特征向量相对于分类ωi的类条件概率，

类条件概率计算公式如下：

式中，为众创设计方案特征向量中的特征值，d表示特征值的序数，共有6个特征值；使用概率密度函数分别是属于分类ωi的众创设计方案特征向量的第d个特征值的均值与方差。

初始从t＝1开始计算，其中是t＝1时间窗下对应统计得到的均值与方差。

所述步骤3.3)动态自适应处理具体为：

初始状态，第1个时间窗下的损失值λij均设定为1，i≠j；从第2个时间窗开始的第t+1个时间窗，将第t+1个时间窗下众创设计方案的分类计算结果和分类点击结果进行比较：

若分类计算结果和分类点击结果匹配，则不调整损失值λij；

若分类计算结果和分类点击结果不匹配，则调整损失值λij使得分类计算结果和分类点击结果匹配，即调整两个损失值λ12和λ21使得调整后重新计算获得的分类计算结果和分类点击结果吻合。

动态自适应方式：初始条件下，λ12＝λ21＝1，若第t个时间窗下分类计算结果和分类点击结果不匹配，分别调整λ12、λ21，定义调整范围[a0,b0]，在其中遍历λij代入计算，得到满足条件的λij∈[at,bt]，随着时间窗t的变化，λij的范围不断缩小，到达一个收敛的区域，使得最后在第u个时间窗处以准确的λij值计算众创设计方案寻优结果。

本发明的有益效果是：

本发明以方案分类风险概率算法为主，通过计算方案最小分类风险概率来进行众创设计方案自动寻优，以时间为轴线，通过点击初始结果动态修正本发明提出的模型，修正相关参数，以实现动态自适应的寻优模型。

本发明节约人工成本，且能找到较优的众创设计解决方案，能有效避免人为决定众创设计方案寻优结果的不准确性，提高了众创设计方案寻优的智能性，且适用性广泛。

附图说明

下面结合附图对本发明具体实施方式进行详细说明：

图1是本发明的流程图。

具体实施方式

为了更清楚地说明本发明，下面结合附图与实施例对本发明作进一步说明。本领域技术人员应该了解，下面所具体描述的内容是说明性而非限制性的，不应该限制本发明的保护范围。

按照本发明方法完整实施的实施例如下：

如图1所示，为本发明的流程图，在发布众创问题后，进行时间窗的划分，并计算各个时间窗下的众创设计方案特征向量，形成实时训练样本集，之后使用方案分类风险概率算法进行众创设计方案的寻优，在每个时间窗下的决策结果与点击结果比对，动态修正损失函数，不断更新迭代，使得最后寻优结果更加准确。下面结合某简化的众创设计方案寻优实例对本发明内容进行说明。

1)在众创平台上众创问题发布后，设定u＝5，不同时间窗下的众创设计方案的点击数收集统计如表1所示。

将众创设计方案的收集数据按时间顺序划分5个时间窗，第t个时间窗的收集数据共计有wt个众创设计方案，t＝1,…,u，每个众创设计方案有两种分类点击，两种分类点击分别为符合点击与不符合点击，并且以点数次数高的作为众创设计方案的分类点击结果；

表1：众创设计方案点击收集数据

2)针对每个时间窗下的每个众创设计方案，构建众创设计方案的特征向量，并组成动态训练样本集；

将表1中的数据，代入上文所述步骤(2)的计算公式中，计算众创设计方案的特征向量：结果如表2所示。

表2：众创设计方案特征向量

3)利用众创设计方案的特征向量依次计算各个时间窗的分类计算结果，并且每次计算后动态修正分类计算结果，使得分类计算结果和分类点击结果匹配，直到最后的时间窗获得的分类计算结果作为众创设计方案的最终寻优分类结果。

再利用方案分类风险概率算法计算各个方案分类风险概率。χ¹为样本集，根据收集数据中的符合和不符合点击次数信息，其中属于类ω1，属于类ω2，以下的与计算为例，之后的计算方法类似。

p(ω1)＝0.5，p(ω2)＝0.5

类似的，

计算方案分类风险概率，此时损失函数为t＝1下的值代入得：

由于因此在模型计算的结果决策类别为ω1，寻优结果类。

同理，t＝2时间窗下的其他众创设计方案分类风险概率计算值如表3所示：

表3：t＝2时分类风险概率与类别

比照t＝2时间窗下的分类计算结果，其中属于类ω2，其余属于类ω1，与分类点击有差异，因此需要进行修正损失函数λij，以满足计算结果与点击结果吻合。在不断的动态修正后，使得的λij值保持不变，以满足最后的决策结果更加趋于未知的寻优结果。

在此实例中，t＝5时间窗下的模型决策结果为属于类α1，因此x2、x5为本发明提出模型的最后寻优结果，将这两个结果推送给众创问题的发布方，完成众创平台的寻优任务。