施亞洲,李文強(qiáng),李 彥
(四川大學(xué) 制造科學(xué)與工程學(xué)院,成都 610065)
基于改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方案評(píng)價(jià)方法*
施亞洲,李文強(qiáng),李 彥
(四川大學(xué) 制造科學(xué)與工程學(xué)院,成都 610065)
產(chǎn)品概念設(shè)計(jì)方案的準(zhǔn)確評(píng)價(jià)是產(chǎn)品設(shè)計(jì)開發(fā)成敗的重要因素。針對(duì)當(dāng)前產(chǎn)品概念設(shè)計(jì)方案評(píng)價(jià)方法的不足,結(jié)合模糊神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法,提出了一種基于改進(jìn)遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)方法。通過(guò)建立模糊評(píng)價(jià)模型完成網(wǎng)絡(luò)訓(xùn)練,并采用將遺傳算法與BP算法相結(jié)合的多子群自適應(yīng)遺傳BP算法優(yōu)化,在全局范圍內(nèi)快速找到最優(yōu)解。并通過(guò)Matalab實(shí)現(xiàn)了對(duì)迷你型冰箱概念設(shè)計(jì)方案數(shù)據(jù)的訓(xùn)練和樣本測(cè)試,預(yù)測(cè)結(jié)果驗(yàn)證了該方法的準(zhǔn)確性和實(shí)用性。
方案評(píng)價(jià);模糊神經(jīng)網(wǎng)絡(luò);模糊評(píng)價(jià)模型;多子群自適應(yīng)遺傳BP算法
產(chǎn)品的概念設(shè)計(jì)處于新產(chǎn)品開發(fā)的初級(jí)階段,對(duì)新產(chǎn)品的功能、性能等重要因素具有決定性作用。產(chǎn)品概念設(shè)計(jì)的優(yōu)劣將直接影響后續(xù)的產(chǎn)品詳細(xì)設(shè)計(jì)、產(chǎn)品生產(chǎn)制造、產(chǎn)品功能的實(shí)現(xiàn)等。一旦概念設(shè)計(jì)方案確定,產(chǎn)品設(shè)計(jì)的60%~70%也就確定了,而概念設(shè)計(jì)階段所花費(fèi)的成本和時(shí)間在總的開發(fā)成本和設(shè)計(jì)周期中占的比例通常卻在20%以下,并且詳細(xì)設(shè)計(jì)階段很難或不能糾正概念設(shè)計(jì)產(chǎn)品的缺陷[1]。因此,產(chǎn)品概念設(shè)計(jì)評(píng)價(jià)在新產(chǎn)品概念設(shè)計(jì)中是必不可少的重要環(huán)節(jié)。
目前,評(píng)價(jià)方法很多:Vanegas[2]對(duì)工程設(shè)計(jì)評(píng)價(jià)中的模糊數(shù)學(xué)方法進(jìn)行了概括;Ayagas[3]把模糊層次分析法運(yùn)用到新產(chǎn)品開發(fā)環(huán)境下的概念設(shè)計(jì)評(píng)價(jià)中;盧卓[4]提出了通過(guò)價(jià)值工程的方法進(jìn)行機(jī)械產(chǎn)品設(shè)計(jì)方案評(píng)價(jià);林曉華等[5]通過(guò)引入直覺(jué)模糊理論表達(dá)信息的不確定性,建立改進(jìn)DEMATEL-VIKOR混合模型進(jìn)行產(chǎn)品概念設(shè)計(jì)方案的評(píng)估;王海偉等[6]通過(guò)信息熵描述指標(biāo)權(quán)重的不確定性,并根據(jù)極大熵原理建立評(píng)價(jià)模型進(jìn)行設(shè)計(jì)方案的評(píng)價(jià);劉明周等[7]通過(guò)模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了汽車變速桿操縱適應(yīng)性評(píng)價(jià)。其中,模糊評(píng)價(jià)法、價(jià)值工程法、熵值法等在指標(biāo)權(quán)重的確定中存在較強(qiáng)的主觀性,而模糊神經(jīng)網(wǎng)絡(luò)可以有效的避免這一問(wèn)題。但是,模糊神經(jīng)網(wǎng)絡(luò)在評(píng)價(jià)過(guò)程中存在尋優(yōu)速度慢、最優(yōu)解誤差較大等問(wèn)題。
本文基于上述問(wèn)題,建立了基于模糊神經(jīng)網(wǎng)絡(luò)的概念設(shè)計(jì)方案評(píng)價(jià)模型,并采用多子群自適應(yīng)遺傳BP算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)模型的參數(shù),大大提高了模型的尋優(yōu)能力,從而實(shí)現(xiàn)概念設(shè)計(jì)方案的快速、準(zhǔn)確評(píng)價(jià)。
由于概念設(shè)計(jì)方案評(píng)價(jià)指標(biāo)一般既有定量指標(biāo)也有定性指標(biāo),定量指標(biāo)又可以分為效益型(值越大越好)和價(jià)值性指標(biāo)(值越小越好)[8],對(duì)于效益型指標(biāo)可按公式(1)進(jìn)行歸一化計(jì)算,對(duì)于價(jià)值性指標(biāo)可按公式(2)進(jìn)行歸一化計(jì)算,設(shè)指標(biāo)x共有x1,x2,…,xn,n個(gè)樣本值,對(duì)于其中第i個(gè)指標(biāo)進(jìn)行歸一化處理公式如下:
(1)
(2)
其中,i=1,2,…,n,xi-one為經(jīng)過(guò)歸一化處理后的數(shù)據(jù),xmin、xmax為分別表示n個(gè)指標(biāo)量中的最小值、最大值。而定性指標(biāo)按表1轉(zhuǎn)化為其對(duì)應(yīng)的定量值。
表1 定性變量對(duì)應(yīng)定量值表
本網(wǎng)絡(luò)模型如圖1所示為四層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
圖1 概念設(shè)計(jì)方案評(píng)價(jià)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
第一層:輸入層,各節(jié)點(diǎn)的輸入、輸出為:
(3)
其中,In1(i)表示第一層輸入層的第i個(gè)節(jié)點(diǎn)的輸入,Out1(i)表示第一層輸入層第i個(gè)節(jié)點(diǎn)的輸出。
第二層:隸屬函數(shù)層,本文采用的隸屬函數(shù)為高斯函數(shù),其中μ和σ分別為隸屬函數(shù)的中心和基寬。
隸屬函數(shù):
(4)
第三層:模糊推理層,該層節(jié)點(diǎn)的輸出用模糊交(fuzzy AND)運(yùn)算得出,并采用乘積算子來(lái)計(jì)算每條規(guī)則的激勵(lì)強(qiáng)度,輸入、輸出為:
(5)
Out3k=In3k
(6)
其中,i=1,2,…,n;k=1,2,…,m;In3k、Out3k分別為第三層第k個(gè)神經(jīng)元的輸入值、輸出值。
第四層:輸出層,其輸出值是模糊評(píng)價(jià)的結(jié)果。其輸出值為:
(7)
Out4=In4
(8)
其中,k=1,2,…,m;In4為第四層輸出層的輸入;wk為第三層隱含層第k個(gè)節(jié)點(diǎn)對(duì)輸出層連接權(quán)值;Out4為第四層的輸出。
圖2 待優(yōu)化參數(shù)的實(shí)數(shù)編碼
遺傳算法是一種全局優(yōu)化算法,其宏觀搜索能力大于其局部求精能力,BP算法是一種負(fù)梯度算法,具有較強(qiáng)的局部尋優(yōu)能力。本文通過(guò)多子群自適應(yīng)遺傳BP算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)模型的權(quán)值、隸屬函數(shù)中心和寬帶等參數(shù),該算法是在多子群自適應(yīng)遺傳算法的基礎(chǔ)上引入BP算子,即在遺傳算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的過(guò)程中,嵌入一個(gè)BP算子。這樣,可以通過(guò)遺傳算法的遺傳算子—交叉算子、變異算子和選擇算子進(jìn)行宏觀搜索,處理大范圍搜索問(wèn)題,BP算子可以進(jìn)行極值局部搜索,處理小范圍搜索。融合后可以更好的搜索到參數(shù)的最優(yōu)解空間,從而快速得到最優(yōu)解。
具體步驟如下:
(1)當(dāng)t=0時(shí),t為優(yōu)化代數(shù),隨機(jī)產(chǎn)生一個(gè)初始種群P(t)。
(2)對(duì)種群初始個(gè)體按2.1節(jié)進(jìn)行編碼。
(3)計(jì)算個(gè)體適應(yīng)度值,
(9)
(10)
其中,F(xiàn)p表示為種群中第p個(gè)個(gè)體的適應(yīng)度值,Yl、yl分別表示r個(gè)樣本中第l個(gè)樣本的網(wǎng)絡(luò)實(shí)際輸出值、期望值。
(4)按計(jì)算出的適應(yīng)度值大小進(jìn)行排序,
(11)
(12)
其中,β(ti)為選擇算子的自適應(yīng)系數(shù),0<β(ti)<1。β(ti)是時(shí)間的函數(shù),其可以為連續(xù)函數(shù),也可以是分段函數(shù)。β(ti)的值越大表示相鄰兩個(gè)個(gè)體選擇概率相差就越大。在進(jìn)化初期,為了防止不成熟的收斂現(xiàn)象,β(ti)應(yīng)該取較小值,以保持群體的多樣性;在進(jìn)化的中后期,為了防止隨機(jī)搜索趨勢(shì),β(ti)應(yīng)該取較大的值。
在實(shí)際應(yīng)用的過(guò)程中,取β(ti)為如下的有限分段函數(shù)(m為有限值)
(13)
一般情況下,自適應(yīng)系數(shù)β(ti)取單調(diào)上升函數(shù)或分段上升函數(shù)時(shí),也可根據(jù)實(shí)際需要對(duì)時(shí)間ti進(jìn)行分段。為了計(jì)算上的方便,一般將ti分為2~5個(gè)進(jìn)化時(shí)間段較為合適。
(6)交叉和變異操作
對(duì)群體的個(gè)體進(jìn)行交叉或變異操作,交叉率和變異率計(jì)算如下:
交叉率:
(14)
變異率:
(15)
其中,λc,λm,βc,βm為常數(shù),且有:0<λc、λm≤1。
(7)對(duì)種群個(gè)體重復(fù)進(jìn)行(4)、(5)、(6)步操作,當(dāng)進(jìn)行一定代數(shù)h之后,進(jìn)行步驟(8)。
(8)用BP算法對(duì)群體中的每一個(gè)個(gè)體進(jìn)行樣本學(xué)習(xí)。其目標(biāo)函數(shù)值由公式(9)可得。學(xué)習(xí)過(guò)程中,μik,σik,wkj按以下公式進(jìn)行調(diào)整:
μik(t+1)=μik(t)-
(16)
σik(t+1)=σik(t)-
(17)
ωk(t+1)=ωk(t)-
(18)
η為學(xué)習(xí)率,其中:
(19)
(20)
(21)
(9)檢驗(yàn)是否滿足終止條件。終止條件為兩個(gè):①誤差平方和MSE;②最大進(jìn)化代數(shù)M;若MSE<λ(λ為設(shè)定值)或M達(dá)到預(yù)設(shè)的進(jìn)化代數(shù)值時(shí),停止算法并將最優(yōu)個(gè)體作為輸出結(jié)果,否則,轉(zhuǎn)到第(4)步驟,直到滿足終止條件。
算法流程圖如圖3所示。
圖3 算法流程圖
采用訓(xùn)練好的網(wǎng)絡(luò),將評(píng)價(jià)指標(biāo)數(shù)據(jù)輸入網(wǎng)絡(luò)中,計(jì)算出不同方案對(duì)應(yīng)的輸出值y,對(duì)于一種方法可參考表2進(jìn)行方案整體定性評(píng)價(jià),若有n種方案其輸出值分別為y1,y2,…,yn,按y值的大小進(jìn)行排序,y值大者優(yōu)于y值相對(duì)小者,如:y1>y2>…>yn,其方案從好到劣依次為y1,y2,…,yn。其中,y1為最優(yōu)者,yn為最劣者。
文章采用文獻(xiàn)[10]中的迷你型單冷藏冰箱產(chǎn)品族為例來(lái)進(jìn)行實(shí)例驗(yàn)證:對(duì)于迷你型單冷藏冰箱產(chǎn)品質(zhì)量好壞的評(píng)價(jià)尺度,主要有以下幾個(gè)方面:①有效容積(P1,L);②耗電量(P2,kWh/24h);③輸入功率(P3,W); ④保鮮能力(P4,kg/24h);⑤重量(P5,kg);⑥噪聲(P6,db);⑦環(huán)保性(P7,以制冷劑為標(biāo)準(zhǔn));⑧造型效果(P8);⑨壽命(P9,年);⑩外形尺寸(P10,mm3)。
網(wǎng)絡(luò)模型的輸入值為上述影響迷你型冰箱性能的10個(gè)評(píng)價(jià)指標(biāo),模糊推理層的m取為3,其輸出即為方案評(píng)價(jià)的結(jié)果。網(wǎng)絡(luò)模型的訓(xùn)練樣本和檢查樣本主要來(lái)源于文獻(xiàn)[10],訓(xùn)練樣本為50個(gè)如表2所示,檢查樣本為8個(gè)見(jiàn)表3,其期望輸出值Y按文獻(xiàn)[10]提供的結(jié)論作為期望輸出值。
在上述數(shù)據(jù)的基礎(chǔ)上分別采用BP算法,一般遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)和本文提出的改進(jìn)遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化計(jì)算,運(yùn)用BP算法是采用10-7-1的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行運(yùn)算,訓(xùn)練次數(shù)M=200000代,網(wǎng)絡(luò)誤差設(shè)定λ=0.001。一般的遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與本文提出網(wǎng)絡(luò)模型結(jié)構(gòu)相同,并設(shè)定:訓(xùn)練次數(shù)M=20000代,網(wǎng)絡(luò)誤差設(shè)定λ=0.001。
表2 訓(xùn)練樣本數(shù)據(jù)
表3 檢查樣本數(shù)據(jù)
本文提出的方法中網(wǎng)絡(luò)訓(xùn)練過(guò)程中參數(shù)設(shè)置如下:群體的規(guī)模n=50,取λc=1,βc=5,λm=0.2,βm=10。其自適應(yīng)參數(shù)如下:
(21)
設(shè)定遺傳轉(zhuǎn)化代數(shù)h=50,η=0.06,網(wǎng)絡(luò)誤差設(shè)定為λ=0.001,每次循環(huán)學(xué)習(xí)次數(shù)為5。設(shè)定最大的訓(xùn)練次數(shù)M=20000代。按照上述方法與設(shè)定參數(shù)編程,模型的訓(xùn)練過(guò)程通過(guò)編程在Matlab R2010a軟件上實(shí)現(xiàn)(其中遺傳算法改進(jìn)和實(shí)現(xiàn)是基于英國(guó)Sheffield大學(xué)的GA工具箱)。
三種不同方法輸出結(jié)果見(jiàn)表4;三種方法結(jié)果對(duì)比見(jiàn)表5。
表4 三種不同方法輸出值
從表4、表5,可以看出本文提出的評(píng)價(jià)方法相比于BP網(wǎng)絡(luò)、一般的遺傳算法的最大相對(duì)誤差與平均相對(duì)誤差都得到了很大的改善,其迭代次數(shù)、訓(xùn)練時(shí)間也大大減少,可以有效減少評(píng)估時(shí)間,提高評(píng)估效率,而且其評(píng)估精度相對(duì)于這兩個(gè)方法要高的多。
若采用其它兩種方法進(jìn)行方案優(yōu)劣排序,其排序順序與期望值排序不同,而采用本文提出的方法,對(duì)于8個(gè)樣本由優(yōu)到劣的排序?yàn)?,8,3,5,2,6,1,4。與按期望值排序相同,也說(shuō)明了本方法的可靠性。
本文在分析了現(xiàn)階段評(píng)價(jià)過(guò)程中主觀性太強(qiáng)、神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)中收斂速度慢等問(wèn)題的基礎(chǔ)上,引入了模糊神經(jīng)網(wǎng)絡(luò),并通過(guò)改進(jìn)的遺傳算法進(jìn)行優(yōu)化,克服了上述問(wèn)題。最后,通過(guò)實(shí)例驗(yàn)證了本方法的可行性、正確性。但訓(xùn)練樣本的有限性仍是一個(gè)很大的問(wèn)題,如何盡可能地充分利用訓(xùn)練數(shù)據(jù)是一個(gè)很值得研究的課題。
[1] 鄧家褆,韓曉建.產(chǎn)品概念設(shè)計(jì)-理論、方法與技術(shù)[M].北京:機(jī)械工業(yè)出版社,2002.
[2] Vanegas L V,Labib A W.Fuzzy approaches to evaluation in engineering design [J]. ASME Journal of Mechanical Design,2005,127(1):24-33.
[3] Ayag Z.An integrated approach to evaluating conceptual design alternatives in a new development environment[J].International Journal of Production Research,2005,43(4):687-713.
[4] 盧卓.基于價(jià)值工程的機(jī)械產(chǎn)品設(shè)計(jì)方案評(píng)價(jià)的研究[D].廣州:華南理工大學(xué),2013.
[5] 林曉華,馮毅雄,譚建榮,等. 基于改進(jìn) DEMATEL-VIKOR 混合模型的產(chǎn)品概念方案評(píng)價(jià)[J] . 計(jì)算機(jī)集成制造系統(tǒng), 2011, 17(12):2552-2561.
[6] 王海偉,劉更,楊占鐸.機(jī)械產(chǎn)品設(shè)計(jì)方案多指標(biāo)綜合評(píng)價(jià)方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2014,46(3):99-103.
[7] 劉明周,阿地蘭木·斯塔洪, 扈靜,等.基于模糊神經(jīng)網(wǎng)絡(luò)的汽車變速桿操縱舒適性評(píng)價(jià)[J].中國(guó)機(jī)械工程,2016,27(17):2402-2407.
[8] 杜棟,龐慶華,吳炎.現(xiàn)代綜合評(píng)價(jià)方法與案例精選[M].北京:清華大學(xué)出版社,2014.
[9] 徐宗本,張講社.計(jì)算智能中的仿生學(xué):理論與算法[M].北京:科學(xué)出版社,2003.
[10] 王海軍.面向大規(guī)模定制的產(chǎn)品模塊化若干設(shè)計(jì)方法研究[D].大連:大連理工大學(xué),2005.
AProductEvaluationMethodBasedonImprovedFuzzyNeuralNetwork
SHI Ya-zhou,LI Wen-qiang,LI Yan
(School of Manufacturing Science & Engineering, Sichuan University, Chengdu 610065,China)
The accurate evaluation of product project are the importance factors in the design process.Through analyzing the characteristics of current evaluation methods and combining with fuzzy neural network(FNN),A fuzzy neural network evaluation method based on improved genetic algorithm is proposed。Firstly The fuzzy evaluation model is established to complete the network training, then Muti-population Adaptive Genetic BP Algorithm (MAGBPA) which combines the genetic algorithm and the BP algorithm can optimize the model to find the optimal solution quickly in the global scope.And through the Matalab to train and test the mini refrigerator conceptual design data , the accuracy and practicability of the method are verified by the prediction results.
concept design scheme;fuzzy neural network; fuzzy evaluation model;multi-population adaptive genetic BP algorithm
1001-2265(2017)11-0028-04
10.13462/j.cnki.mmtamt.2017.11.008
2016-12-23;
2017-02-17
國(guó)家自然科學(xué)基金資助項(xiàng)目(51435011);四川省科技支撐計(jì)劃資助項(xiàng)目(2014GZ0124)
施亞洲(1987—),男,河南周口人,四川大學(xué)碩士研究生,研究方向?yàn)楦拍钤O(shè)計(jì)方案評(píng)價(jià)方法,(E-mail)syz1371266944@163.com。
TH13;TG132
A
(編輯李秀敏)