王小磊 楊 育 楊 潔，3 曾 強 程 博

1．重慶大學(xué)機械傳動國家重點實驗室，重慶，400030

2．華北電力大學(xué)，保定，071003 3．重慶通信學(xué)院，重慶，400035

0 引言

當今客戶需求持續(xù)向個性化和多樣化發(fā)展，大批量的生產(chǎn)方式越來越難以適應(yīng)客戶個性化和多樣化的需求［1］。因此，有客戶參與的協(xié)同產(chǎn)品創(chuàng)新設(shè)計成為企業(yè)提高客戶滿意度、縮短產(chǎn)品開發(fā)周期、降低成本和提高企業(yè)自身競爭力的重要產(chǎn)品設(shè)計方法。然而，多主體參與的協(xié)同產(chǎn)品創(chuàng)新設(shè)計中，活動和任務(wù)的并行性與復(fù)雜性，設(shè)計主體與設(shè)計資源的多樣性，設(shè)計知識的多樣性及知識－信息多向流動、傳遞和變化性，使得創(chuàng)新過程變得更加復(fù)雜，導(dǎo)致各種設(shè)計沖突不斷出現(xiàn)。有效解決沖突是協(xié)同創(chuàng)新設(shè)計順利實施的關(guān)鍵。統(tǒng)計表明，75%的產(chǎn)品創(chuàng)新設(shè)計活動是在已有產(chǎn)品設(shè)計的基礎(chǔ)上進行的變動或擴充［2］。因此，基于規(guī)則推理（rule based reasoning，RBR）、基于實例推理（case based reasoning，CBR）的沖突消解技術(shù)等成為協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解的重要方法［3－4］。

目前，在利用已有實例和規(guī)則消解產(chǎn)品創(chuàng)新設(shè)計沖突方面，已取得了較多的研究成果［5－9］。目前的研究較多集中在知識推理、實例檢索與匹配方法上。雖然這些方法利用知識的推理和共享可為設(shè)計人員提供有效的建議和參考，但對檢索不到有效參考實例時如何進行沖突消解的研究還比較少。同時，設(shè)計產(chǎn)品和協(xié)同創(chuàng)新設(shè)計過程復(fù)雜程度的提高使得沖突呈現(xiàn)多樣性，因此，如何快速識別對產(chǎn)品設(shè)計效果具有重要影響的沖突，在沖突的不同層次分別檢索相似實例進行優(yōu)化改進是協(xié)同產(chǎn)品創(chuàng)新設(shè)計中的一個關(guān)鍵問題。

針對上述問題，本文提出一種基于層級知識匹配的協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解方法，并通過某摩托車的協(xié)同設(shè)計實例對模型與方法的有效性進行了驗證。

1 協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解過程模型

1．1 客戶需求－功能分析與映射

在實際的產(chǎn)品創(chuàng)新設(shè)計過程中，越來越多的企業(yè)創(chuàng)新策略已經(jīng)逐漸轉(zhuǎn)向“以客戶為中心”。因此，在進行創(chuàng)新設(shè)計的初期，需要獲取并明確客戶的需求?？蛻粜枨蟛粌H包括產(chǎn)品使用功能、外觀審美等功能型要求，還包括技術(shù)指標、性能參數(shù)和產(chǎn)品結(jié)構(gòu)參數(shù)等技術(shù)型要求，以及價格、環(huán)境等其他方面要求。對于上述需求，可通過“功能－原理－結(jié)構(gòu)”SBF映射模型和質(zhì)量功能配置（QFD）、公理設(shè)計（AD）等方法［10－11］，把它們轉(zhuǎn)換為設(shè)計人員能夠理解的產(chǎn)品功能模塊，進一步映射為產(chǎn)品設(shè)計特征，逐步分解和落實到產(chǎn)品設(shè)計的各個階段，從而保證客戶需求的實現(xiàn)，圖1所示為客戶需求－產(chǎn)品功能映射圖。

圖1 客戶需求－產(chǎn)品功能映射圖

圖1 中的功能模塊層次結(jié)構(gòu)中，最上層矩形表示期望得到產(chǎn)品創(chuàng)新設(shè)計的最終目標，第二層中，矩形表示功能分解后產(chǎn)品設(shè)計中與已有功能相同的部分，橢圓表示需要擴充或者改進的模塊，各個模塊可以根據(jù)產(chǎn)品設(shè)計的要求分解為更小的模塊。

1．2 協(xié)同產(chǎn)品創(chuàng)新設(shè)計中的沖突描述

在完成對產(chǎn)品功能模塊分解后，對需要進行擴充或改進的模塊進行優(yōu)化設(shè)計以獲得整體最優(yōu)的設(shè)計方案。在對設(shè)計方案整體優(yōu)化的過程中，由于各設(shè)計主體希望達到的目標、專業(yè)知識背景和評價標準等方面存在差異，產(chǎn)品不同屬性之間存在著各種復(fù)雜的相互影響、相互依賴的關(guān)系，另外，還存在資源有限性的問題，因此，不可避免地會產(chǎn)生大量的沖突。

沖突是設(shè)計過程中相互對立、相互矛盾的關(guān)系。協(xié)同產(chǎn)品創(chuàng)新設(shè)計中的沖突主要分為資源沖突、過程沖突和設(shè)計沖突，本文主要研究設(shè)計沖突的消解。設(shè)計沖突主要包括設(shè)計結(jié)果和設(shè)計目標沖突。設(shè)計結(jié)果沖突表現(xiàn)為設(shè)計方案不能滿足產(chǎn)品功能約束、制造約束或裝配約束等約束關(guān)系。設(shè)計目標沖突則表現(xiàn)在設(shè)計方案無法同時滿足一定的功能目標（性能要求）、可制造性目標或可裝配性目標等的要求。

協(xié)同產(chǎn)品創(chuàng)新設(shè)計中沖突可被描述為六元組的形式：Cn F＝（Cn F－Obj ect，Cn F－Ty pe，Cn F－Rel ation，Cn F－Content，Cn F－Feature，Cn FStrength）。其中，Cn F－Obj ect表示沖突對象，如產(chǎn)品零部件名稱、形狀特征、結(jié)構(gòu)參數(shù)等；Cn FType表示沖突所屬的類型；Cn F－Rel ation表示沖突間的關(guān)系，協(xié)同設(shè)計中的沖突主要存在因果、平行、耦合三種關(guān)系；Cn F－Content為沖突發(fā)生的背景；Cn F－Feature表示沖突性質(zhì)，即沖突屬于硬沖突還是軟沖突；Cn F－Strength表示沖突強度，即沖突導(dǎo)致后果對產(chǎn)品設(shè)計的負面影響程度。

1．3 協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解的工作過程

協(xié)同產(chǎn)品創(chuàng)新設(shè)計過程本質(zhì)上是多種設(shè)計主體利用各種經(jīng)驗、知識、規(guī)則，并通過它們相互之間的協(xié)同工作來消除設(shè)計過程中出現(xiàn)的沖突，獲得最優(yōu)產(chǎn)品設(shè)計方案的過程。為反映上述整個過程，我們建立了協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解過程模型，如圖2所示。

模型中，定義協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解過程如下：將客戶需求轉(zhuǎn)換為具體的設(shè)計目標，并將設(shè)計目標分解為具體的產(chǎn)品功能要求和工作任務(wù)，定義產(chǎn)品功能－任務(wù)－信息之間的約束關(guān)系矩陣，識別并選擇其中具有重要影響的沖突；設(shè)計主體根據(jù)協(xié)議庫中定義的工作機制和環(huán)境的狀態(tài)確定沖突消解的次序，判斷是否需要協(xié)同工作，選擇協(xié)同對象和技術(shù)資源，并對資源沖突等情況進行處理和協(xié)調(diào)；為解決設(shè)計工作過程中的創(chuàng)新型沖突，通過創(chuàng)成、吸納環(huán)境支持層提供的各種知識，實現(xiàn)知識的重組與創(chuàng)新，達到消除沖突的目的；當識別出的沖突狀態(tài)為空時，即意味著沖突得到了解決。

圖3 基于層次知識匹配的協(xié)同創(chuàng)新設(shè)計沖突消解流程圖

沖突消解子模型是過程模型的核心，它反映了設(shè)計主體利用知識消解沖突的過程。沖突消解子模型由匹配層、進化層兩層行為結(jié)構(gòu)和相應(yīng)的支撐知識組成。其工作機理如下：當設(shè)計過程中出現(xiàn)沖突時，沖突被識別并對其進行分類、重要性排序，從產(chǎn)品各種知識庫中選擇合適的案例進行匹配。若從知識庫中檢索到的知識和案例能夠與沖突問題完全匹配，意味沖突得到解決；當知識庫中的實例不能解決目標沖突時，則提交到進化層次進行處理，通過知識重組、創(chuàng)成和吸納，產(chǎn)生新的規(guī)則以解決沖突。進一步，主體根據(jù)應(yīng)用結(jié)果修改規(guī)則的適應(yīng)度，不斷擴充自己的知識庫，提高自身適應(yīng)環(huán)境的能力。

由上述分析可知，協(xié)同產(chǎn)品創(chuàng)新設(shè)計是一種知識高度集中的系統(tǒng)。在設(shè)計沖突消解的過程中，沖突消解決策如產(chǎn)品的結(jié)構(gòu)參數(shù)、性能參數(shù)選擇等決策均可依據(jù)相應(yīng)的知識和規(guī)則等來確定，或者通過檢索歷史實例來提供參考。因此，依據(jù)沖突消解工作機理，我們建立了基于層次知識匹配的產(chǎn)品創(chuàng)新協(xié)同設(shè)計沖突消解流程，如圖3所示。

多主體參與的協(xié)同創(chuàng)新設(shè)計優(yōu)化與沖突消解過程主要通過以下幾個階段（步驟）來完成：

（1）沖突識別及分類，分析沖突涉及的對象及沖突的特征屬性。

（2）應(yīng)用粗糙集中知識約簡的理論與方法，對沖突進行約簡；應(yīng)用粗糙集中屬性重要度的理論和方法，在以往產(chǎn)品設(shè)計數(shù)據(jù)的基礎(chǔ)上，計算沖突對產(chǎn)品整體設(shè)計效果的影響重要度權(quán)重，確定亟需解決的關(guān)鍵沖突及沖突消解順序。

（3）以沖突關(guān)鍵特征為索引，進行相似實例匹配。

（4）判斷匹配相似度最大的實例能否解決沖突，如果可以，轉(zhuǎn)步驟（6）；否則，轉(zhuǎn)步驟（5）。

（5）確定沖突－功能－零部件之間的映射關(guān)系，選擇相似度較大的實例作為初始優(yōu)化方案，進行知識的重組、變異，產(chǎn)生新的創(chuàng)新設(shè)計方案；同時，補充產(chǎn)品實例知識庫，并轉(zhuǎn)步驟（6）。

（6）判斷是否仍有沖突，如果有，轉(zhuǎn)步驟（3）；否則，轉(zhuǎn)步驟（7）。

（7）輸出產(chǎn)品協(xié)同設(shè)計優(yōu)化方案，完成沖突消解過程。

2 基于粗糙集的關(guān)鍵沖突識別

在協(xié)同產(chǎn)品創(chuàng)新設(shè)計中，沖突具有多樣性、關(guān)聯(lián)性和難以避免等特點，因此依據(jù)沖突的相關(guān)信息合理安排沖突的消解順序，是快速、有效消除設(shè)計沖突的重要前提。如果處理不合理，將阻礙產(chǎn)品協(xié)同設(shè)計的高效完成。粗糙集理論是一種新的處理模糊和不確定性知識的數(shù)學(xué)工具，在知識發(fā)現(xiàn)、不確定性推理和決策分析等領(lǐng)域都有著重要的應(yīng)用［12］。它的主要思想是在保持分類能力不變的情況下，通過知識約簡，導(dǎo)出問題的決策或分類規(guī)則。它不需要借助任何外界信息，克服了傳統(tǒng)的處理不確定性信息的方法往往需要先驗知識或附加數(shù)據(jù)的缺陷［13］。與現(xiàn)有的層次分析法、模糊評判及神經(jīng)網(wǎng)絡(luò)等方法相比，粗糙集理論能更有效地處理關(guān)鍵沖突識別過程中沖突信息模糊和不確定的問題。

2．1 基于粗糙集的沖突約簡

協(xié)同產(chǎn)品創(chuàng)新設(shè)計中，由于設(shè)計任務(wù)的多層次性、并行性和協(xié)同性以及設(shè)計過程的迭代性，設(shè)計沖突呈現(xiàn)出數(shù)量種類多、發(fā)生頻率高、相互關(guān)系復(fù)雜等特征。因此，必須對沖突進行約簡，提取影響程度較大的沖突，在不影響沖突識別結(jié)果的同時，提高沖突識別效率。因此，利用粗糙集在知識約簡方面的優(yōu)勢，首先采用粗糙集中的知識約簡理論和方法對各種沖突進行約簡、篩選。

定義1 四元組S＝（U，A，V，f）是一個決策信息系統(tǒng)，其中，U≠?稱為論域；A表示所有屬性的非空有限集合，由條件屬性C和決策屬性D組成，一般地，C∩D＝?；V為屬性a的值域Va的集合，a∈A；f表示U×A→V的一個信息函數(shù)，它為每個對象的每個屬性賦予一個信息值。

定義2 每個屬性子集P?A決定了一個二元等價關(guān)系IND（P）：

定義3 等價關(guān)系IND（P），P?A構(gòu)成了U的一個劃分，用U／IND（P）＝｛X1，X2，…，Xn｝表示，其中，Xi表示不同的等價類。

定義4 屬性子集P?A的信息熵H（P）為

定義5 屬性a∈A的重要性為

當IA（a）＞0時，稱a∈A在A中是必要的；當IA（a）＝0，則a是冗余的。

在以上粗糙集理論的基礎(chǔ)上，對沖突進行約簡的步驟如下：

（1）按式（2）計算沖突集A的信息熵H（A）和H（A－｛a｝），其中，A為初始沖突的集合，A＝ ｛a1，a2，…，an｝；

（2）按式（3）計算IA（ai）（i＝1，2，…，n），刪去IA（ai）＝0的沖突，保留IA（ai）＞0的沖突，記為B ＝ ｛b1，b2，…，bl｝（l≤n）；

（3）再次計算沖突集B中各種沖突的重要程度IB（bj）（bj∈B）；

（4）計算B中各種沖突的重要性，按其重要程度，將重要性相對較小的沖突去掉，得到影響程度比較高的沖突的集合K＝｛k1，k2，…，kr｝（r≤l≤n）。

2．2 關(guān)鍵沖突識別

經(jīng)過約簡后的沖突集包含了對設(shè)計效果影響程度比較大的設(shè)計沖突。但是在協(xié)同設(shè)計過程中，這些沖突一般不能夠同時解決，因此，需要計算沖突對協(xié)同設(shè)計效果的影響重要度，識別關(guān)鍵沖突，以提高設(shè)計沖突消解的效率和效果。

在這里，定義1中條件屬性集C＝｛C1，C2，…，Cm｝包括了約簡后的協(xié)同設(shè)計沖突，D＝｛D1，D2，…，Dn｝為設(shè)計效果決策屬性集合。

利用粗糙集中屬性重要度理論和方法識別關(guān)鍵沖突的具體步驟描述如下：

（1）確定決策屬性D對條件屬性Ci的依賴度γCi（D）。γCi（D）表示D 與Ci間的依賴度，其計算式為

其中，pos Ci（D）為D 關(guān)于Ci的正域，car d（·）表示集合的基數(shù)。依賴度γCi（D）的值越大，表示依賴程度越強。

（2）求屬性Ci的重要度。屬性Ci（Ci∈C）的重要度可以理解為從條件屬性中去掉屬性Ci，然后考慮決策結(jié)果大小變化的程度，變化越大說明屬性越重要。屬性Ci的重要度計算公式為

（3）求屬性Ci的歸一化權(quán)重wi，其公式為

在識別出關(guān)鍵沖突后，以目標沖突關(guān)鍵特征為索引，在實例知識庫中檢索出與目標沖突事例相關(guān)的源實例。當未檢索到匹配性較好的實例時，則進一步考慮沖突－功能－零部件之間的映射關(guān)系，選取與目標沖突具有一定相似度的實例知識進行組合、匹配，以產(chǎn)生沖突消解的備選方案并對其進行優(yōu)化。

3 基于層次知識匹配的協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解

沖突與產(chǎn)品功能、產(chǎn)品零部件之間存在一種潛在的映射關(guān)系。在確定關(guān)鍵沖突后，通常情況下，為了快速消除沖突，進行實例檢索，以相似度最大的實例作為沖突消解的參考。本文針對未檢索到匹配性較好的實例的情況，提出將沖突映射到產(chǎn)品功能，進一步映射到具體的產(chǎn)品零部件上，以便從產(chǎn)品實例庫中選擇相似系列零部件進行組合優(yōu)化及改進的沖突消解解決思路。

基于該思路，為提高知識匹配效率，我們提出了基于層次知識匹配的沖突消解方法，如圖4所示。該方法中，將產(chǎn)品設(shè)計沖突涉及的對象分為產(chǎn)品、部件、底層部件和零件四層，因設(shè)計沖突的約束條件、沖突類型及沖突強度等不同，沖突可在不同層次上得以消除。產(chǎn)品實例庫也可分為多層實例與產(chǎn)品結(jié)構(gòu)層級相對應(yīng)。利用該方法消解設(shè)計沖突時，首先，確定沖突－功能－零部件的映射關(guān)系，明確沖突涉及的功能模塊及相應(yīng)的最高產(chǎn)品層次范圍。其次，按照產(chǎn)品－部件－底層部件－零件的層次順序關(guān)系，從頂至底逐層匹配，實現(xiàn)多層次的知識匹配與組合設(shè)計。如果在上一層已經(jīng)完成了知識匹配與設(shè)計沖突的消解，則不再進行下一層次的分解與匹配，以此類推。最后，通過設(shè)計層次知識與設(shè)計過程的集成，實現(xiàn)設(shè)計過程中的沖突解決及設(shè)計方案的優(yōu)化。

然而，在層次知識匹配即對產(chǎn)品零部件進行分解、組合與優(yōu)化的過程中，會產(chǎn)生眾多的設(shè)計備選方案。同時，產(chǎn)品設(shè)計是一個不斷反復(fù)的過程，需要多方設(shè)計人員參與進行多次修改才能得到最終優(yōu)化結(jié)果，優(yōu)化搜索算法是提高知識搜索與匹配效率的一種重要途徑。

禁忌搜索算法（tabu search，TS）同遺傳算法、蟻群算法一樣，也是一種智能搜索算法，它具有避免陷入局部最優(yōu)并最終收斂于全局最優(yōu)（次優(yōu)）的能力，目前已在組合優(yōu)化、設(shè)計優(yōu)化等領(lǐng)域得到成功應(yīng)用［14－15］?？紤]到設(shè)計的迭代性，與其他算法相比，TS算法更適合求解協(xié)同創(chuàng)新設(shè)計中的沖突消解與方案優(yōu)化問題。因此，本文采用TS算法中Tabu表的記憶功能和特赦準則策略，同時，針對TS算法在求解優(yōu)化問題時存在的“停滯”現(xiàn)象，模擬生物基因重組進化過程產(chǎn)生新的方案［16］，提出一種改進的禁忌搜索方法——ERTS（elite reco mbinant tabu search）來解決創(chuàng)新設(shè)計沖突并獲得最優(yōu)產(chǎn)品設(shè)計方案。

3．1 基于ERTS的協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解

依據(jù)ERTS算法的核心思想，在產(chǎn)品設(shè)計中引入一個靈活的存儲結(jié)構(gòu)和相應(yīng)的準則來避免迂回設(shè)計，采用生物進化中的精英基因重組策略使TS盡早跳出“停滯”階段以產(chǎn)生新的方案，進而保證設(shè)計的多樣化并最終實現(xiàn)快速全局優(yōu)化。基于ERTS的協(xié)同設(shè)計沖突消解與方案優(yōu)化的基本步驟如下：

（1）初始化。針對TS算法對初始解有較強依賴性的特點，為保證初始解的高質(zhì)量，提高搜索效率，隨機從產(chǎn)品實例庫中挑選出與設(shè)計目標相似度大于閾值ξ的實例作為設(shè)計的初始解，并置“設(shè)計避免表”為空。同時定義適應(yīng)值函數(shù)，確定完成最終設(shè)計要求的評價標準。初始化變量當前迭代次數(shù) （Tcurr）、最大迭代次數(shù)（Tmax）、當前連續(xù)未找到更好解的次數(shù)（Tunchange）、最大連續(xù)未找到更好解次數(shù)（Tmaxunchange）及局部最優(yōu)解重組次數(shù)（R）及其最大值（Rmax）等。

（2）以其他相似度大于ξ的實例集作為備選解集N（X），計算各備選解的目標函數(shù)值f（X）。根據(jù)目標函數(shù)值、禁忌狀態(tài)和特赦條件選擇一個備選解，從當前解移動到該備選解，作為新的當前解，將新的當前解裝入禁忌表中，使其保持一個禁忌周期的禁忌狀態(tài)。重復(fù)上述迭代搜索過程，并不斷更新禁忌表。將歷次搜索過程中獲得的l個最佳局部最優(yōu)解存儲在滿意表S中。

（3）如果Tunchange＝Tmaxunchange，設(shè)計出現(xiàn)“停滯”現(xiàn)象，不能有效解決產(chǎn)品設(shè)計沖突時，采用cohesive crossover交叉對知識進行重組以產(chǎn)生新的個體xnew。具體過程為：① 在S中，隨機選擇兩個個體si和sj（i，j＝1，2，…，l；i≠j）作為父代個體。②在個體si中，隨機選擇一個節(jié)點gk∈R為交叉點，則個體si中節(jié)點gm與節(jié)點gk（不同于gk的其他任意節(jié)點）之間距離d（gkm）的最大值u＝ max（d（gkm）），gm∈si。對所有節(jié)點gm∈Q1，Q1＝ ｛gm｜d（gkm）＜ u／2｝，xnew（gm）＝si（gm）；對其余節(jié)點gb? Q1，xnew（gb）＝sj（gb）。③若xnew各模塊結(jié)構(gòu)間有某些不協(xié)調(diào)，則對xnew作進一步調(diào)整，最終得到一個新的可行解。

（4）判斷產(chǎn)生的新方案是否優(yōu)于當前最好解的禁忌解或是否滿足特赦規(guī)則，如果是，xbest＝xnew，更新禁忌表和滿意表S；Tcurr加1。

（5）如果Tcurr＝Tmax，轉(zhuǎn)步驟（6）；否則，再次判斷R是否等于Rmax，如果是，轉(zhuǎn)步驟（6），否則，轉(zhuǎn)步驟（3）的①。

（6）輸出當前最好解。

3．2 算法關(guān)鍵參數(shù)設(shè)置

（1）適應(yīng)值函數(shù)。適應(yīng)值函數(shù)用于對產(chǎn)品優(yōu)化設(shè)計方案的好壞進行評價。在評價產(chǎn)品設(shè)計時，通常從以下幾個方面考慮：①產(chǎn)品功能滿足客戶需求的程度s；②產(chǎn)品制造成本c；③產(chǎn)品設(shè)計時間t；④環(huán)境因素e，包含對自然環(huán)境產(chǎn)生的影響等。因此，定義適應(yīng)值函數(shù)f ＝f（s，c，t，e）。

（2）禁忌對象的確定。對產(chǎn)品某一功能模塊設(shè)計進行禁忌，即以設(shè)計狀態(tài)分量作為禁忌對象放入禁忌表中。

（4）特赦準則 。采用基于適應(yīng)值的準則作為特赦準則。若某個禁忌產(chǎn)品設(shè)計方案的適應(yīng)值優(yōu)于最優(yōu)適應(yīng)值，則解禁此產(chǎn)品設(shè)計方案為當前狀態(tài)和新的最優(yōu)設(shè)計適應(yīng)值。

（5）鄰域搜索結(jié)構(gòu)。解x實際上是一種系列模塊組合，所有可能的組合構(gòu)成了產(chǎn)品設(shè)計的狀態(tài)空間。定義鄰域搜索結(jié)構(gòu)為置換操作，即從數(shù)據(jù)庫中隨機選擇某一模塊或模塊組合對原組合進行置換。

（6）終止準則。采用事先指定迭代次數(shù)為終止準則。

4 應(yīng)用示例

本文以某型號摩托車的協(xié)同設(shè)計為例，對所提出模型與方法的可行性和有效性進行驗證。經(jīng)市場調(diào)研及與客戶溝通交流，按客戶需求確定了28項摩托車基本功能。經(jīng)分析，主要有支撐負載、控制方向、傳遞動力、轉(zhuǎn)換能量發(fā)出動力等15項功能在產(chǎn)品主要6個設(shè)計目標（外觀性、耐用性、動力性、舒適性、經(jīng)濟性和安全性）上發(fā)生沖突。因此，首先運用粗糙集約簡理論對這15項功能進行篩選，得到比較重要的6項存在沖突的功能：控制方向、阻止轉(zhuǎn)動、傳遞動力、轉(zhuǎn)換能量發(fā)出動力、供給可燃氣體、供給存儲電能。進一步，采用粗糙集屬性重要度理論與方法識別關(guān)鍵沖突。

4．1 關(guān)鍵沖突的識別

在利用粗糙集理論與方法計算各沖突的重要度權(quán)重過程中，上述6項沖突對應(yīng)于決策表中的條件屬性，記作C1、C2、…、C6。條件屬性Ci的取值為｛沖突合理解決，沖突較好解決，沖突未消解｝。根據(jù)其對設(shè)計效果的影響程度，相應(yīng)的量化值取為｛2，1，0｝。Ci取值越高，表示其會促使設(shè)計效果變得越好。選擇以往設(shè)計中的50個實例，分別記作B1、B2、…、B50，來計算Ci的重要度。決策屬性D 分為設(shè)計效果好（D1）、效果較好（D2）、效果一般（D3）及效果差（D4）四個等級，記為D＝｛D1，D2，D3，D4｝＝ ｛3，2，1，0｝。由此得到表1所示決策屬性表。

表1 協(xié)同創(chuàng)新設(shè)計沖突決策屬性表

根據(jù)式（1）～式（3），計算各個沖突的重要度權(quán) 重 為 ｛0．162，0．092，0．207，0．292，0．116，0．131｝，由此確定首先解決關(guān)鍵沖突C4。

4．2 關(guān)鍵沖突的消解與求解方案的優(yōu)化

關(guān)鍵沖突C4相應(yīng)的部件為發(fā)動機，沖突內(nèi)容為“在提高產(chǎn)品動力性的同時會導(dǎo)致產(chǎn)品成本和燃油消耗的增加，經(jīng)濟性下降”，約束為各零部件之間的配置約束及成本，以關(guān)鍵沖突內(nèi)容“零件名稱和約束條件”為索引進行檢索。從產(chǎn)品實例庫中選出相似度較大的一個，經(jīng)實例分解，相應(yīng)的摩托車發(fā)動機7個主要零部件為氣缸、曲柄連桿、配氣部件、潤滑部件、冷卻部件、箱體、點火線圈部件，分別記作A、B、C、D、E、F、G，運用ERTS算法對其進行優(yōu)化。以最高滿意度、最小成本為優(yōu)化目標，因此，適應(yīng)值函數(shù)f＝f（s，c）＝0．6s＋0．4c。各分目標的權(quán)重由創(chuàng)新設(shè)計團隊群體決策確定。算法最大迭代次數(shù)Tmax＝200，局部最優(yōu)解重組次數(shù)Rmax＝10，禁忌表長度為3，圖5所示為某摩托車發(fā)動機協(xié)同設(shè)計優(yōu)化與沖突消解過程。

圖5 某摩托車發(fā)動機協(xié)同產(chǎn)品創(chuàng)新設(shè)計沖突消解過程

從圖5中可以看出，在第48次迭代中，有5個可選的優(yōu)化選項（A1B1）、（A2B2）、（C1D1）、（F1）和（F2G1）。當用（C1D1）取代原設(shè)計方案中的（C0D0）時，可使設(shè)計方案的適應(yīng)值提高得最多，達到0．70。因此，選用（C1D1）取代（C0D0），設(shè)計方案由（A0B0C0D0E0F0G0）優(yōu)化為（A0B0C1D1E0F0G0）。

在第52次迭代中，當前設(shè)計方案（A0B0C1D2E3F1G0）適應(yīng)值為0．75，進行改進后的方案適應(yīng)值最大為0．65。5個最佳候選解都不能使適應(yīng)值較前一個設(shè)計方案得到提高，但為跳出設(shè)計局部最優(yōu)，嘗試更多的改進方案，達到整個產(chǎn)品設(shè)計全局最優(yōu)而忽視這一點，選擇改進后的最佳設(shè)計方案（A1B0C2D2E3F1G1）為下一步改進對象。

在第70次迭代中，當前設(shè)計方案（A1B0C2D2E3F1G1）適應(yīng)值為0．65，在優(yōu)選的幾個方案中，此時雖然模塊C1D1被禁忌（禁忌次數(shù)已減為1），但是這個改進方案卻能夠使得設(shè)計比以前設(shè)計中任何一次改進方案得到的適應(yīng)值都大。因此，特赦這個設(shè)計方案，選擇它作為下一步改進的候選解。重置它的禁忌次數(shù)為3。這就是特赦準則保證解多樣化的作用。新的產(chǎn)品設(shè)計方案（A1B1C1D1E3F1G1）作為下一步改進對象。由于篇幅有限，不再對優(yōu)化過程一一詳述。

采用MATLAB編程實現(xiàn)了ERTS算法對該設(shè)計優(yōu)化問題的求解。最終，由ERTS算法最終獲得的優(yōu)化方案為（A5B1C2D4E9F15G8），其適應(yīng)值最高，為0．892。進一步對發(fā)動機各零部件的配置接口進行局部微調(diào)，得到最終的設(shè)計優(yōu)化方案，即采用單缸、四沖程、風(fēng)冷125式發(fā)動機，點火方式采用CDI電子點火，經(jīng)濟油耗（百公里油耗為1．7L），最高車速95k m／h，而且價格比較合理，因此獲得客戶的好評。

5 結(jié)束語

為有效消除協(xié)同創(chuàng)新設(shè)計中的沖突以得到優(yōu)化的產(chǎn)品設(shè)計方案，本文建立了沖突消解的過程模型，系統(tǒng)地提出了基于層次知識匹配的設(shè)計沖突消解的技術(shù)方案；提出了利用粗糙集約簡沖突并識別關(guān)鍵沖突的方法；對于層次知識匹配策略產(chǎn)生的大量設(shè)計方案，提出了一種基于改進禁忌搜索算法的優(yōu)化方法。最后，將提出的設(shè)計沖突消解方法應(yīng)用于某摩托車的協(xié)同優(yōu)化設(shè)計中，驗證了所提出方法的可行性和有效性。

［1］ 劉明周，葛茂根，劉正瓊，等．基于約束的可定制產(chǎn)品配置模型［J］．計算機輔助設(shè)計與圖形學(xué)學(xué)報，2006，18（2）：225－230．

［2］ 陳宗舜．機械制造業(yè)工藝設(shè)計與CAPP技術(shù)［M］．北京：清華大學(xué)出版社，2004．

［3］ Ross S，F(xiàn)ang Liping，Hipel K W．A Case－based Reasoning System f or Conflict Resolution：Design and Implementation［J］．Engineering Applications of Artificial Intelligence，2002，15（3／4）：369－383．

［4］ Avramenko Y，Kraslawski A，Krysiak W．Casebased Reasoning Tool for the Support of Process and Product Design［J］．Computer Aided Chemical Engineering，2005，20（1）：697－702．

［5］ Park Y J，Choi E，Park S H．Two－step Filtering Datamining Met hod Integrating Case－based Reasoning and Rule Induction［J］．Expert Systems wit h Applications，2009，36（1）：861－871．

［6］ Jung Sabu m，Li m Taesoo，Ki m Dongsoo．Integrating Radial Basis Function Net wor ks with Casebased Reasoning for Product Design［J］．Expert Systems with Applications，2009，36（3）：5695－5701．

［7］ 羅杰文，施智平，何清，等．一種CBR與RBR相結(jié)合的快速預(yù)案生成系統(tǒng)［J］．計算機研究與發(fā)展，2007，44（4）：660－666．

［8］ 王忠賓，陳禹六，李清．智能CAPP系統(tǒng)沖突消解機制研究［J］．計算機集成制造系統(tǒng)，2009，15（6）：1115－1121．

［9］ 孫毅，單繼宏，孫中煒，等．基于實例與規(guī)則集成的模架配置方法［J］．中國機械工程，2009，20（4）：428－432．

［10］ 許多，嚴洪森．基于模糊度量質(zhì)量屋的產(chǎn)品特征映射及分析［J］．計算機集成制造系統(tǒng)－CI MS，2004，10（4）：693－698．

［11］ 肖人彬，蔡池蘭，劉勇．公理設(shè)計的研究現(xiàn)狀與問題分析［J］．機械工程學(xué)報，2008，44（12）：1－11．

［12］ 張文修，吳偉志，梁吉業(yè)，等．粗糙集理論與方法［M］．北京：科學(xué)出版社，2001．

［13］ Khoshgoftaar T M，Bullard L A，Gao K．Attribute Selection Using Rough Sets in Soft ware Quality Classification［J］．International Journal of Reliability，Quality and Safety Engineering，2009，16（1）：73－89．

［14］ Chelouah R，Siarry P．Tabu Search Applied to Global Opti mization［J］．Eur opean Jour nal of Operational Research，2000，123（2）：256－270．

［15］ Jaeggi D M，Par ks G T，Kipour os T，et al．The Develop ment of a Multi－objective Tabu Search Algorith m for Continuous Opti misation Problems［J］．Eur opean Jour nal of Operational Research，2008，185（3）：1192－1212．

［16］ Carlos Concei??o A．A Study on Synergy of Multiple Crossover Operators in a Hierarchical Genetic Algorith m Applied to Str uct ural Opti mization［J］．Str uctural and Multidisciplinar y Opti mization，2009，38（2）：117－135．