一种基于交互遗传算法的家具个性化定制系统及方法

1.本发明涉及家具个性化定制领域，特别是涉及一种基于交互遗传算法的家具个性化定制系统及方法。


背景技术：

2.越来越多的人选择小户型家居或者loft公寓居住，用户对于家具的使用需求已不再局限于传统家具的单一功能使用，需要通过对其居家环境、生活习惯、收纳需求的了解，设计出符合其个性化与多样化的空间收纳的布局方案。定制家具也越来越成为现代家庭装修中必不可少的重要组成部分，定制家具具有可量身订做，而且环保、时尚、专业等特点；然而对于定制家具，现今家具的个性化定制方案多局限于外观审美方面，针对家具本身的储存空间的布局市场上没有制定统一标准，多依赖于用户和设计师的经验来定制，这种操作方式不仅导致家具成品与用户实际需求相脱节，同时也加大了用户与设计师的人力和物力成本。
3.交互遗传算法作为拓展传统遗传算法应用领域的一种计算机智能算法，目前主要应用在建筑、音乐、工业、服装等设计领域，将人的主观意识如心理、情感、爱好等无法编辑为具体目标函数的影响因素作为进化过程中的重要指标嵌入算法系统中，引导种群进化方向，但是在家具设计领域中还没有出现应用交互遗传算法进行家具储存功能布局的设计研究，因此，在家具储存功能布局领域设计中引入交互遗传算法具有开拓性意义。


技术实现要素：

4.本发明的目的在于提出一种基于交互遗传算法的家具个性化定制系统及方法，解决上述问题。
5.本发明通过以下技术方案来实现上述目的：一种基于交互遗传算法的家具个性化定制系统及方法，一种基于交互遗传算法的家具个性化定制系统及方法，其特征在于，包括以下步骤：1）按照a1标准，将指定家具功能模块进行划分；2）对不同功能模块进行区域定位，设定尺寸范围；3）对功能模块区域采用栅格法搭建数学模型，结合字母符号法用a～y按照纵轴方向从左到右进行顺序标注；4）对家具模块本身设定单元模数、生长方向以及层级变量，分别作为家具染色体的一个基因位，控制着家具本身每个功能区域的表现型；5）遵循基因解码规则，将染色体内所包含的全部基因信息，按照a～y从小到大顺序对家具内部储存空间单元格依次解码，直到全部基因信息解码完成，整个家具储存空间布局被显性表现型铺满；6）设定四条不同功能区域的限制规则，增加对目标函数的惩罚项；7）将初始种群规模选取为m=60p55，获取初始种群p54，进行适应度评价，选取m=60
作为初始种群规模数量，对初始种群进行适应度评价。
6.8）运用单点交叉法进行基因交叉变异操作，设定种群交叉率和变异率分别为pc=0.8,pm=0.1；9）输出最优方案或者用户评价次数达四十五次时的可视化家具方案。
7.作为本发明的优选，a1标准为最优标准，所述最优标准为将家具划分为多个功能区，并对应设定好每个功能区的储存内容以及常用配件。
8.作为本发明的优选，将家具内部空间划分成五种区域（a-e）：a区域是将空间高度设定在600～1400mm范围内；b区域是将空间高度设定在1400～1800mm范围内；c区域是将空间高度设定在1800mm以上范围；第d、e区域是将空间高度设定在600mm以下范围。
9.作为本发明的优选，根据不同的功能模块设定对应的空间尺寸范围，以符合实际生活中该区域内的物品使用场景。
10.作为本发明的优选，将单元格进行编号，代码为n，其中n号单元格n=i[a≤i≤y]作为初始生长点的功能模块表现型基因信息由三元数组（ai, bi, ci）的形式来表示，其中a表示单元模数变量，b表示生长方向变量， c表示层级变量。
[0011]
作为本发明的优选，完整的染色体基因型长度是25*3=75位，获取办法是按照顺序将a～y号单元格内的基因位信息依次进行首尾相连。
[0012]
作为本发明的优选，在染色体个体基因中以三元数组的形式来表示八个功能模块的表现型，从而将功能模块转译规则制成表格。
[0013]
作为本发明的优选，表现型分为隐性或显现表现型两种，隐性表现型为在用户参与交互遗传算法的过程中，其包含的基因被隐藏不可见，显性表现型表现为可见；将解码优先级作为八个模块隐性或显性表现型的依据，在a～y号单元格内，单元格字母号在英文字母顺序表中越靠前则解码顺序越优先；这里仅将显性表现型生成的家具整体储存布局方案以视觉化的效果呈现给用户进行打分。
[0014]
作为本发明的优选，引入惩罚函数，制定惩罚机制，除了选定的一个显性表现型，系统将其余相同显性表现型染色体个体适应都设置为0并隐藏，避免参与用户交互评价过程。
[0015]
作为本发明的优选，系统筛选过程中，将与惩罚机制相符合的染色体个体设定为低分并视为无效个体，其余视为有效个体，经过对有效个体的解码将视觉化储存布局方案表现型交给用户选择评价。
[0016]
作为本发明的优选，单点交叉法的交叉率决定种群的收敛性能，而交叉率过大或者过小都会影响种群优良个体基因型，引入变异算子，即对父代染色体某一基因位随机变异操作，使其产生新个体，从而提高算法的全局搜索能力。。
[0017]
与现有技术相比，本发明的有益效果如下：本发明在家具设计领域中针对家具储存布局引入交互遗传算法进行视觉化方案设计，用户和设计师可以打破传统的交流模式进行需求直观化提取，不仅减少人力物力成本，也大大提高了设计效率和企业方定制服务体验；同时在交互遗传算法基础上引入惩罚函数，即对选定种群个体在系统操作过程中进行惩罚规则约束，保证用户参与选择以及评价的储存布局方案具有合理性与可行性。 在算法系统中引入变异算子，对父代染色体某一基因位随机变异操作，使其产生新个体，在种群迭代近乎收敛而求解空间过大，目标函数最优解仍未出现时，提高算法的全局搜索能力。
附图说明
[0018]
图1是本发明实施例的交互式交互遗传算法流程示意图；图2是本发明实施例的定制衣柜内部存储空间栅格示意图；图3是本发明实施例的染色体编码示意图；图4是本发明实施例的功能模块转译规则示意图；图5是本发明实施例的父代染色体单点交叉操作示意图；图6是本发明实施例的父代染色体变异操作示意图；图7是本发明实施例的最佳存储布局方案的最佳适应度值柱状示意图；图8是本发明实施例的最佳方案所经迭代次数及每代最佳适应度值趋势示意图。
具体实施方式
[0019]
下面结合附图对本发明作进一步说明：一种基于交互遗传算法的家具个性化定制系统及方法，如图1-8所示，包括以下步骤：1）将指定家具各按照最优标准，将指定家具功能模块进行划分。
[0020]
2）对不同功能模块进行区域定位，设定尺寸范围；3）对功能模块区域采用栅格法搭建数学模型，结合字母符号法用a～y按照纵轴方向从左到右进行顺序标注；4）对家具模块本身设定单元模数、生长方向以及层级变量，分别作为家具染色体的一个基因位，控制着家具本身每个功能区域的表现型；5）遵循基因解码规则，将染色体内所包含的全部基因信息，按照a～y从小到大顺序对家具内部储存空间单元格依次解码，直到全部基因信息解码完成，整个家具储存空间布局被显性表现型铺满；6）设定四条不同功能区域的限制规则，增加对目标函数的惩罚项；7）将初始种群规模选取为m=60p55，获取初始种群p54，进行适应度评价，选取m=60作为初始种群规模数量，对初始种群进行适应度评价。
[0021]
8）运用单点交叉法进行基因交叉变异操作，设定种群交叉率和变异率分别为pc=0.8,pm=0.1；9）输出最优方案或者用户评价次数达四十五次时的可视化家具方案。
[0022]
a1标准为最优标准，所述最优标准为将家具划分为多个功能区，并对应设定好每个功能区的储存内容以及常用配件。
[0023]
将家具内部空间划分成五种区域（a-e）：a区域是将空间高度设定在600～1400mm范围内；b区域是将空间高度设定在1400～1800mm范围内；c区域是将空间高度设定在1800mm以上范围；第d、e区域是将空间高度设定在600mm以下范围。
[0024]
根据不同的功能模块设定对应的空间尺寸范围，以符合实际生活中该区域内的物品使用场景。
[0025]
将单元格进行编号，代码为n，其中n号单元格n=i[a≤i≤y]作为初始生长点的功能模块表现型基因信息由三元数组（ai, bi, ci）的形式来表示，其中a表示单元模数变量，b表示生长方向变量， c表示层级变量。完整的染色体基因型长度是25*3=75位，获取办法是
按照顺序将a～y号单元格内的基因位信息依次进行首尾相连。在染色体个体基因中以三元数组的形式来表示八个功能模块的表现型，从而将功能模块转译规则制成表格。
[0026]
表现型分为隐性或显现表现型两种，隐性表现型为在用户参与交互遗传算法的过程中，其包含的基因被隐藏不可见，显性表现型表现为可见；将解码优先级作为八个模块隐性或显性表现型的依据，在a～y号单元格内，单元格字母号在英文字母顺序表中越靠前则解码顺序越优先；这里仅将显性表现型生成的家具整体储存布局方案以视觉化的效果呈现给用户进行打分。
[0027]
引入惩罚函数，制定惩罚机制，除了选定的一个显性表现型，系统将其余相同显性表现型染色体个体适应都设置为0并隐藏，避免参与用户交互评价过程。
[0028]
系统筛选过程中，将与惩罚机制相符合的染色体个体设定为低分并视为无效个体，其余视为有效个体，经过对有效个体的解码将视觉化储存布局方案表现型交给用户选择评价。
[0029]
单点交叉法的交叉率决定种群的收敛性能，而交叉率过大或者过小都会影响种群优良个体基因型，引入变异算子，即对父代染色体某一基因位随机变异操作，使其产生新个体，从而提高算法的全局搜索能力。。
[0030]
在使用时，以衣柜为例，由于大众群体对定制衣柜的储存布局需求比较广泛，与大众群体相比老年人和儿童群体具有特殊性，其定制衣柜设计过程中也存在特殊规则限制，所以选取大众人群为主要被试群体，其年龄、性别分布均匀，即设定20岁到55岁用户为定制衣柜被试主要人群，被试人员数量为6名且进行分组与标号，具体信息如下表：年龄范围性别编号20-29岁男1号20-29岁女2号30-39岁男3号30-39岁女4号40-55岁男5号40-55岁女6号被试群体采用里克特五级量表作为评分标准：0-20分代表非常不满意，20-40分代表比较不满意，40-60分代表一般满意，60-80分代表比较满意，80-100分代表非常满意，其中当用户对于储存布局方案打分超过95分，系统则自动判定该方案为最优方案，同时终止算法并输出最优方案；当用户参与选择评价次数累计达到四十五次时，系统会根据用户评价结果筛选出当前最优方案，同时算法也会自动终止。
[0031]
在算法操作系统中采用精英选择法进行种群交互遗传进化：在用户参与选择评价过程中，评分低于20分时将自动排除此个体，当评分在20-80分之间时系统将引入变异算子进行交叉变异操作，当评分高于80分时此个体将被保留。
[0032]
选取的6名被试人员参与评价次数多集中在40次到45次左右，其中适应度最高值为95分，平均适应度值为89.7分（如图7所示），通过数据分析可知交互遗传算法在家具设计领域中针对家具内部储存布局设计具有合理性与可行性，用户可以通过算法保证在较少次数选择与评价过程中，直观且高效地获得满意方案。
[0033]
选取1号被试人员的数据进行举例分析，在选择与评价方案过程中，每一代个体的
最佳适应度值存在一定的波动，但随着评价次数越多，越往后的评价适应度值越来越稳定，这也证明了当用户选择评价的数量越来越多时，系统经过算法所输出的方案也越来越符合用户的需求。
[0034]
本发明的有益效果如下：本发明在家具设计领域中针对家具储存布局引入交互遗传算法进行视觉化方案设计，用户和设计师可以打破传统的交流模式进行需求直观化提取，不仅减少人力物力成本，也大大提高了设计效率和企业方定制服务体验；同时在交互遗传算法基础上引入惩罚函数，即对选定种群个体在系统操作过程中进行惩罚规则约束，保证用户参与选择以及评价的储存布局方案具有合理性与可行性。 在算法系统中引入变异算子，对父代染色体某一基因位随机变异操作，使其产生新个体，在种群迭代近乎收敛而求解空间过大，目标函数最优解仍未出现时，提高算法的全局搜索能力。
[0035]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。