李雪瑞，余隋懷，初建杰，陳登凱

(西北工業(yè)大學(xué) 陜西省工業(yè)設(shè)計(jì)工程實(shí)驗(yàn)室，陜西 西安 710021)

0 引言

目前在工業(yè)設(shè)計(jì)理論研究中，采用計(jì)算機(jī)圖形學(xué)為對(duì)象的交叉研究思維已被廣泛接受，產(chǎn)品基因和進(jìn)化設(shè)計(jì)已經(jīng)成為近幾年的研究熱點(diǎn)。隨著感性消費(fèi)與體驗(yàn)經(jīng)濟(jì)的發(fā)展，快速開(kāi)發(fā)既滿足用戶需求又能準(zhǔn)確傳達(dá)設(shè)計(jì)師意圖的新產(chǎn)品尤為關(guān)鍵。本文的研究需要多領(lǐng)域交叉協(xié)作，主要表現(xiàn)在計(jì)算機(jī)圖形學(xué)和生物信息學(xué)等學(xué)科的研究成果在產(chǎn)品設(shè)計(jì)中的應(yīng)用與拓展，涉及的研究領(lǐng)域主要有產(chǎn)品基因和復(fù)雜網(wǎng)絡(luò)。

產(chǎn)品基因的研究主要集中在機(jī)械設(shè)計(jì)領(lǐng)域，近五六年才轉(zhuǎn)移到工業(yè)設(shè)計(jì)領(lǐng)域。國(guó)外最早研究產(chǎn)品基因的有Gero[1]，Rosenman[2]等人，國(guó)內(nèi)將基因工程思想運(yùn)用于產(chǎn)品設(shè)計(jì)中的學(xué)者有馮培恩[3]、羅仕鑒[4]、郝泳濤[5]、朱上上[6]、李博[7]、劉偉[8]等。多數(shù)產(chǎn)品基因研究是作為進(jìn)化算法的輔助研究對(duì)象，其研究更傾向于單個(gè)基因個(gè)體的作用，缺少對(duì)工業(yè)設(shè)計(jì)問(wèn)題復(fù)雜性的考慮。此外，文獻(xiàn)中所涉及的進(jìn)化算法多為取代設(shè)計(jì)師的“自然進(jìn)化”算法，其創(chuàng)意過(guò)程過(guò)于機(jī)械化與程式化，無(wú)法完全模擬設(shè)計(jì)師的創(chuàng)意過(guò)程。

復(fù)雜網(wǎng)絡(luò)理論主要借助圖論和統(tǒng)計(jì)物理的一些方法，研究網(wǎng)絡(luò)的各種拓?fù)浣Y(jié)構(gòu)及其性質(zhì)[9],小世界網(wǎng)絡(luò)(small world)[10]和無(wú)標(biāo)度(scale-free)網(wǎng)絡(luò)[11]的發(fā)現(xiàn)促進(jìn)了復(fù)雜網(wǎng)絡(luò)的快速發(fā)展。目前，復(fù)雜網(wǎng)絡(luò)理論在產(chǎn)品設(shè)計(jì)中的應(yīng)用研究還不多，主要集中在復(fù)雜機(jī)械產(chǎn)品系統(tǒng)的網(wǎng)絡(luò)特征實(shí)證[12-13]、設(shè)計(jì)流程管理[14-15]、產(chǎn)品族設(shè)計(jì)[16]和模塊化設(shè)計(jì)[17-18]等方面。

國(guó)內(nèi)個(gè)別學(xué)者已經(jīng)開(kāi)始進(jìn)行產(chǎn)品基因網(wǎng)絡(luò)方面的研究，研究定位于符合Poisson分布的小世界網(wǎng)絡(luò)，例如劉肖健等[19]將基因調(diào)控網(wǎng)絡(luò)理論應(yīng)用于產(chǎn)品設(shè)計(jì)。本文前期研究發(fā)現(xiàn)，用基于冪律分布的無(wú)標(biāo)度網(wǎng)絡(luò)詮釋產(chǎn)品基因網(wǎng)絡(luò)更具客觀性。本文通過(guò)分析產(chǎn)品形態(tài)間的互作關(guān)系，有針對(duì)性地獲取用戶意象相關(guān)的隱性設(shè)計(jì)知識(shí)，以有效輔助后續(xù)產(chǎn)品創(chuàng)新設(shè)計(jì)流程，該研究定位于“輔助”設(shè)計(jì)師創(chuàng)新活動(dòng)而不是簡(jiǎn)單以“取代”設(shè)計(jì)師為目的。

1 意象驅(qū)動(dòng)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)模型構(gòu)建方法

1.1 概念引入

產(chǎn)品形態(tài)基因網(wǎng)絡(luò)是以產(chǎn)品基因理論為基礎(chǔ)衍生而來(lái)。

定義1產(chǎn)品形態(tài)基因網(wǎng)絡(luò)。是以復(fù)雜網(wǎng)絡(luò)理論為基礎(chǔ)，將產(chǎn)品的基本形態(tài)信息單元聚類所構(gòu)成的蘊(yùn)含基因之間相對(duì)關(guān)系的網(wǎng)絡(luò)形態(tài)。產(chǎn)品基因很少孤立地發(fā)揮作用，而是通過(guò)基因網(wǎng)絡(luò)中彼此互作來(lái)共同行使功能。

產(chǎn)品形態(tài)是體現(xiàn)感性因素最直接的方式，產(chǎn)品意象造型設(shè)計(jì)已經(jīng)成為許多企業(yè)重要的競(jìng)爭(zhēng)力之一[20]。構(gòu)建意象驅(qū)動(dòng)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)(product Form Gene Network driven by Kansei, K-FGN)，將有助于從心理學(xué)角度理解產(chǎn)品形態(tài)的作用機(jī)制，但目前少有研究對(duì)意象相關(guān)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)中的拓?fù)涮匦越o予具體的分析和描述。本文借鑒生物信息學(xué)領(lǐng)域中基因療法的靶基因概念，引入意象靶基因的定義。

定義2意象靶基因。即意象目的基因，指編碼特定意象的產(chǎn)品形態(tài)基因。意象靶基因理論上不會(huì)孤立存在，特定意象靶基因之間具有很高的連通性，以及通過(guò)一定的拓?fù)涮卣餮杆俦磉_(dá)所對(duì)應(yīng)意象的作用。

本文從生物信息學(xué)的角度引入意象靶基因概念，分析意象靶基因在產(chǎn)品形態(tài)結(jié)構(gòu)中的作用機(jī)制，構(gòu)建由若干意象靶基因互作而成的K-FGN網(wǎng)絡(luò)模型，理解產(chǎn)品形態(tài)基因網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，識(shí)別并預(yù)測(cè)K-FGN網(wǎng)絡(luò)模型中的Hub基因與優(yōu)選基因組合，為后續(xù)的產(chǎn)品設(shè)計(jì)階段提供具體建議。其中，意象靶基因的篩選和鑒定是K-FGN網(wǎng)絡(luò)研究的核心。

1.2 產(chǎn)品形態(tài)基因編碼

目前，較常用的產(chǎn)品形態(tài)基因編碼技術(shù)有曲線控制法、參數(shù)模型法、產(chǎn)品特征法與頻譜分析法，本文采用改進(jìn)型的曲線控制法對(duì)目標(biāo)形態(tài)進(jìn)行基因編碼。首先，采用特征綜合的Canny算子對(duì)目標(biāo)產(chǎn)品進(jìn)行形態(tài)特征邊緣提取，該步驟基于MATLAB中的編程實(shí)現(xiàn)，運(yùn)用GUI(graphical User interface)工具制作的程序插件如圖1所示。

目前的CAD軟件多以3次方貝塞爾曲線為基礎(chǔ)建立平滑曲線模型[21]，故本文采用3次方貝塞爾曲線對(duì)產(chǎn)品形態(tài)基因進(jìn)行編碼，將產(chǎn)品形態(tài)特征線分割為若干線段共同組成的集合，其中每條曲線段L可由兩個(gè)曲線端點(diǎn)P(Pi,i=1,2,…,n)和一個(gè)錨點(diǎn)C(Ci,i=1,2,…,n)準(zhǔn)確表達(dá)：

l(Li)=(Pi,Pj,Ci),j=i+1,1≤i≤n。

(1)

3次方貝塞爾曲線的數(shù)學(xué)表達(dá)式為

B(t)=P0(1-t)3+3P1t(1-t)2+

(2)

式中P0，P1，P2，P3分別定義為3次方貝塞爾曲線的4個(gè)節(jié)點(diǎn)。通過(guò)將產(chǎn)品基因進(jìn)行形態(tài)擬合編碼，獲取產(chǎn)品形態(tài)基因的函數(shù)表達(dá)式，有助于研究基因的圖形學(xué)特性，并為從圖形學(xué)角度對(duì)產(chǎn)品基因進(jìn)行操作提供了更為有效的手段。最終，經(jīng)過(guò)編碼的基因包含有良好的幾何信息。

1.3 K-FGN網(wǎng)絡(luò)模型構(gòu)建方法

借鑒圖論的相關(guān)理論，將產(chǎn)品形態(tài)基因網(wǎng)絡(luò)抽象成一個(gè)圖M，如圖2所示。其中，每一個(gè)節(jié)點(diǎn)vi表示一個(gè)產(chǎn)品形態(tài)基因，節(jié)點(diǎn)之間的連線(邊)表示產(chǎn)品形態(tài)基因之間的相互作用關(guān)系ei，即ei=(vi,vi+1)表示節(jié)點(diǎn)vi與vi+1之間的相互作用。

記任一感性意象D={d1,d2,d3,…,dk}，與任意感性意象D相關(guān)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)是M的一個(gè)子圖，記為Gd(Vd,Vd)。其中，vdi是Gd中的任一節(jié)點(diǎn)，表示任意一個(gè)與感性意象相關(guān)的產(chǎn)品形態(tài)基因；edi(vdi,vdi+1)是圖Gd中的任意一條邊，表示節(jié)點(diǎn)vdi與vdi+1之間的相互作用關(guān)系。K-FGN網(wǎng)絡(luò)模型的構(gòu)建步驟如下：

(1)根據(jù)特定感性意象D，采用實(shí)驗(yàn)結(jié)合量表法進(jìn)行調(diào)研分析，找出其模糊意象基因集合Geneset={g1,g2,g3,…,gm}，主要方式為：組織用戶對(duì)若干個(gè)目標(biāo)產(chǎn)品形態(tài)進(jìn)行意象調(diào)研，根據(jù)權(quán)重獲取若干特定感性意象對(duì)應(yīng)的產(chǎn)品形態(tài)，通過(guò)分解獲取特定感性意象對(duì)應(yīng)的產(chǎn)品形態(tài)基因。

(2)找出Geneset中每個(gè)元素gi在產(chǎn)品形態(tài)結(jié)構(gòu)中的鄰居集合Gi={gi1,gi2,gi3,…,gik}。具體算法為：對(duì)于每一個(gè)gi,初始化gi=gi0;對(duì)于產(chǎn)品形態(tài)基因網(wǎng)絡(luò)圖M中的任意一條邊ei=(vi,vi+1)，若gi=vi則Gi=Gi∪{vi+1},若gi=vi+1則Gi=Gi∪{vi+1}，否則Gi不變，如此重復(fù)，直至M中的所有邊都檢查完畢。

(3)計(jì)算意象D可能的基因集合Vd′,Vd′=Geneset∪G1∪G2∪G3∪…∪Gn。

(4)構(gòu)建意象D相關(guān)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)的邊集合Ed。具體算法為：初始Ed=e0，對(duì)于產(chǎn)品形態(tài)基因網(wǎng)絡(luò)圖M中的任意一條邊ei=(vi,vi+1)，檢查vi與vi+1是否同時(shí)屬于Vd，是則Ed=Ed∪{ei}，否則Ed不變,如此重復(fù)，直至M中的所有邊都檢查完畢。

圖3所示為意象相關(guān)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)構(gòu)建過(guò)程示意圖。其中：圖3a為已經(jīng)確認(rèn)的意象D的模糊意象基因集合Geneset，包括產(chǎn)品形態(tài)基因1和基因7；圖3b為意象D可能的基因集合；圖3c為最終生成的意象相關(guān)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)Gd(Vd,Ed)。

2 拓?fù)浞治黾盎蚪M合優(yōu)選方法

本研究借鑒蛋白質(zhì)互作網(wǎng)絡(luò)(Protein-Protein Interaction networks, PPI)的拓?fù)浞治鏊季S，對(duì)意象相關(guān)的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)進(jìn)行拓?fù)浞治?，挖掘重要度高的形態(tài)基因組合，完成產(chǎn)品形態(tài)基因的組合優(yōu)選，為后續(xù)創(chuàng)新設(shè)計(jì)提供良好的供體。

2.1 意象靶基因的挖掘

本研究擬采用復(fù)雜網(wǎng)絡(luò)中的度及度分布的概念作為分析對(duì)象來(lái)挖掘基因中最為聯(lián)系緊密的Hub節(jié)點(diǎn)。

根據(jù)圖論概念，產(chǎn)品形態(tài)基因網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)都通過(guò)節(jié)點(diǎn)之間的連線與若干個(gè)其他節(jié)點(diǎn)相連接，該節(jié)點(diǎn)連線的條數(shù)即為節(jié)點(diǎn)vi的度，記為ki，網(wǎng)絡(luò)中節(jié)點(diǎn)的度的分布情況用分布函數(shù)P(k)描述，P(k)表示一個(gè)隨機(jī)選定的節(jié)點(diǎn)的度恰好為K時(shí)的概率。網(wǎng)絡(luò)模型中的累積度分布函數(shù)

(3)

若累積度分布函數(shù)符合冪指數(shù)為γ-1的冪律分布，即

(4)

則度分布符合冪律分布特征，即上述構(gòu)建的K-FGN網(wǎng)絡(luò)為無(wú)標(biāo)度網(wǎng)絡(luò)。其中網(wǎng)絡(luò)中的大部分節(jié)點(diǎn)的度相對(duì)較低，但存在少量的度相對(duì)很高的Hub節(jié)點(diǎn)，即本研究的意象靶基因。

2.2 靶基因組的優(yōu)選

本研究擬采用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的集群系數(shù)CC作為分析對(duì)象進(jìn)行靶基因組優(yōu)選。

集群系數(shù)描述網(wǎng)絡(luò)中節(jié)點(diǎn)的鄰點(diǎn)之間也互為鄰點(diǎn)的比例，即小集團(tuán)結(jié)構(gòu)的完美程度。上述K-FGN網(wǎng)絡(luò)模型中節(jié)點(diǎn)的集群系數(shù)定義為

(5)

式中：NΔ(i)表示網(wǎng)絡(luò)中包含節(jié)點(diǎn)i的三角形的總數(shù),

(6)

N3(i)表示網(wǎng)絡(luò)中包含節(jié)點(diǎn)i的三元組的總數(shù),

(7)

其中，任意節(jié)點(diǎn)的聚類系數(shù)CCi的取值區(qū)間為[0,1]，若CCi=0，則表示該節(jié)點(diǎn)只有一個(gè)鄰居節(jié)點(diǎn)或其鄰居節(jié)點(diǎn)之間無(wú)相互作用關(guān)系。

在對(duì)K-FGN網(wǎng)絡(luò)進(jìn)行拓?fù)浞治鰰r(shí)，需要統(tǒng)計(jì)網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的度與CCi的取值,由此可以確定意象相關(guān)度最高的意象靶基因和靶基因組，為后續(xù)產(chǎn)品設(shè)計(jì)提供可視化的設(shè)計(jì)輔助信息。

3 基于K-FGN網(wǎng)絡(luò)模型的產(chǎn)品創(chuàng)新設(shè)計(jì)流程

根據(jù)以上對(duì)K-FGN網(wǎng)絡(luò)模型相關(guān)理論、拓?fù)浞治黾盎蚪M合優(yōu)選算法的研究，本文提出基于K-FGN網(wǎng)絡(luò)模型的產(chǎn)品創(chuàng)新設(shè)計(jì)流程，如圖4所示。

基于K-FGN網(wǎng)絡(luò)模型的意象靶點(diǎn)優(yōu)選結(jié)果可有效指導(dǎo)后續(xù)設(shè)計(jì)過(guò)程。應(yīng)用上述優(yōu)選結(jié)果輔助的產(chǎn)品創(chuàng)新設(shè)計(jì)流程分為兩個(gè)主要方向：

(1)人工優(yōu)化設(shè)計(jì) 輔助設(shè)計(jì)師在設(shè)計(jì)過(guò)程中定位關(guān)鍵設(shè)計(jì)要素，進(jìn)而提升設(shè)計(jì)效率和感性意象傳達(dá)的準(zhǔn)確度。

(2)智能優(yōu)化設(shè)計(jì) 用于大部分規(guī)劃智能優(yōu)化算法中的搜索策略，可有效輔助編碼降維、優(yōu)化種群，進(jìn)而提升智能優(yōu)化效率。

4 應(yīng)用案例分析

4.1 案例描述

本研究使用三廂汽車的側(cè)面輪廓線作為實(shí)例對(duì)象，用于驗(yàn)證K-FGN網(wǎng)絡(luò)模型的技術(shù)實(shí)現(xiàn)與應(yīng)用。該實(shí)例有以下優(yōu)點(diǎn)：①對(duì)一般性用戶而言，汽車側(cè)面輪廓線的品牌辨識(shí)度較低，能較大程度避免用戶根據(jù)品牌形象主觀臆斷的問(wèn)題；②形態(tài)曲線較為自由，可以保證樣本的多樣性，各個(gè)參數(shù)之間的連通性更強(qiáng)，單個(gè)參數(shù)不具有特征性；③汽車側(cè)面輪廓線涵蓋的設(shè)計(jì)要素較多，屬于典型的復(fù)雜設(shè)計(jì)問(wèn)題。

經(jīng)過(guò)前期與汽車設(shè)計(jì)師溝通，確定將汽車側(cè)面輪廓線分割成互相連接的21條線段，每條線段均可由三次方貝塞爾曲線描述，由此采用21個(gè)形態(tài)基因參數(shù)來(lái)定義其形態(tài)特征，其中包括16個(gè)外輪廓參數(shù)和5個(gè)內(nèi)輪廓參數(shù)，如圖5所示。

為分析并確認(rèn)21個(gè)形態(tài)基因參數(shù)之間是否存在互作關(guān)系，對(duì)某公司10名專業(yè)汽車設(shè)計(jì)師進(jìn)行調(diào)研，調(diào)研采用專家打分法，要求10名汽車設(shè)計(jì)師依據(jù)汽車設(shè)計(jì)過(guò)程中的經(jīng)驗(yàn)對(duì)兩兩參數(shù)之間設(shè)計(jì)關(guān)系的強(qiáng)弱進(jìn)行評(píng)分，分值區(qū)間為[1-10]，然后用MATLAB對(duì)調(diào)研結(jié)構(gòu)進(jìn)行統(tǒng)計(jì)分析，歸一化處理后可得21個(gè)參數(shù)之間關(guān)系的兩兩權(quán)重系數(shù)，如表1所示。設(shè)置權(quán)重閾值，篩選出權(quán)重在0.4以上的關(guān)系參數(shù)組(如表2)，這些參數(shù)兩兩之間存在互作關(guān)系。根據(jù)上文所述的形態(tài)基因網(wǎng)絡(luò)圖的構(gòu)建方式，將上述汽車側(cè)輪廓的形態(tài)基因網(wǎng)絡(luò)抽象成一個(gè)圖M(如圖6)，其中網(wǎng)絡(luò)的節(jié)點(diǎn)表示21個(gè)汽車形態(tài)基因，各節(jié)點(diǎn)之間的連線(邊)表示產(chǎn)品形態(tài)基因之間的相互作用關(guān)系。

表1 21個(gè)參數(shù)之間關(guān)系的兩兩權(quán)重系數(shù)

4.2 K-FGN網(wǎng)絡(luò)模型的繪制

根據(jù)2016年上半年的汽車市場(chǎng)反饋信息，選擇市場(chǎng)銷量較好的15款中型汽車，包括大眾、寶馬、奔馳、本田、豐田、福特、吉利等國(guó)內(nèi)外不同汽車廠商，樣本具有一定的普遍性。本研究針對(duì)該案例使用MATLAB的GUI工具進(jìn)行編程，目的在于運(yùn)用Canny算子獲取汽車的側(cè)面輪廓特征。運(yùn)用Coreldraw矢量軟件對(duì)上述步驟獲取的汽車側(cè)面輪廓特征進(jìn)行修正和細(xì)化，得到如圖7所示的15個(gè)輪廓線特征樣本。

實(shí)際應(yīng)用中描述汽車造型的感性意象眾多，如蘭州理工大學(xué)的蘇建寧教授通過(guò)各種渠道手機(jī)描述汽車造型的感性意象詞匯多達(dá)48個(gè)，篩選之后確定了4個(gè)感性意象詞匯[22]。為驗(yàn)證K-FGN網(wǎng)絡(luò)模型對(duì)設(shè)計(jì)的輔助作用，本文從汽車造型的感性意象中抽取“優(yōu)雅的”感性意象指標(biāo)為例進(jìn)行實(shí)例驗(yàn)證，其他感性意象指標(biāo)可同樣應(yīng)用本文方法。

本文設(shè)置兩個(gè)對(duì)應(yīng)的意象實(shí)驗(yàn)，分別由普通用戶和專業(yè)設(shè)計(jì)師完成。其中，專業(yè)設(shè)計(jì)師(汽車設(shè)計(jì)領(lǐng)域?qū)＜?是具有汽車造型設(shè)計(jì)知識(shí)和經(jīng)驗(yàn)，并對(duì)汽車銷售和市場(chǎng)有一定見(jiàn)解的汽車設(shè)計(jì)師；普通用戶指不具備汽車造型設(shè)計(jì)知識(shí)和經(jīng)驗(yàn)的普通消費(fèi)者和使用者。

實(shí)驗(yàn)1參與者需要從15個(gè)樣本中挑選“優(yōu)雅”輪廓線樣本方案。對(duì)用戶期望值構(gòu)建“優(yōu)雅”指標(biāo)的Likert七級(jí)量表(如圖8)，走訪當(dāng)?shù)仄?S店，在選購(gòu)中型汽車的顧客中隨機(jī)抽取15名普通用戶并發(fā)放調(diào)研問(wèn)卷，對(duì)15個(gè)樣本進(jìn)行打分，最后選出得分較高的5款輪廓線樣本作為“優(yōu)雅”指標(biāo)的輪廓線樣本，選出的5款輪廓線樣本如圖9所示。

實(shí)驗(yàn)2對(duì)上海亞尚工業(yè)產(chǎn)品設(shè)計(jì)有限公司10名專業(yè)汽車設(shè)計(jì)師進(jìn)行調(diào)研，要求每位設(shè)計(jì)師對(duì)5款輪廓線樣本各自的21個(gè)形態(tài)基因進(jìn)行意象評(píng)分，評(píng)分標(biāo)準(zhǔn)采用圖8的“優(yōu)雅”指標(biāo)的Likert七級(jí)量表，根據(jù)評(píng)分結(jié)果計(jì)算21個(gè)形態(tài)基因?qū)Α皟?yōu)雅”意象的權(quán)重值，設(shè)置權(quán)重閾值，根據(jù)權(quán)重將21個(gè)形態(tài)基因分為強(qiáng)相關(guān)、弱相關(guān)、無(wú)關(guān)3種類型(如圖10)，獲取21個(gè)形態(tài)基因中最能體現(xiàn)“優(yōu)雅”意象的基因樣本。

其中，根據(jù)圖11所示的意象認(rèn)知實(shí)驗(yàn)量表，將無(wú)用節(jié)點(diǎn)7,14,15,16,17,18,21從基因網(wǎng)絡(luò)中剔除，可得針對(duì)感性意象“優(yōu)雅”的模糊意象基因集合Geneset，根據(jù)1.3節(jié)的網(wǎng)絡(luò)模型構(gòu)建算法，最終構(gòu)建出該案例的K-FGN網(wǎng)絡(luò)模型如圖11所示。

4.3 意象靶基因及靶基因組的識(shí)別

以無(wú)標(biāo)度網(wǎng)絡(luò)中的最短路徑條數(shù)(SP)作為拓?fù)浞治鰧?duì)象，采用Dijkstra算法挖掘?qū)σ庀筘暙I(xiàn)度較大的意象靶點(diǎn)基因，結(jié)果統(tǒng)計(jì)如表3所示。

表3 拓?fù)浞治鼋y(tǒng)計(jì)表

V1V2V3V4V5V6V8V9V10V11V12V13V17V19V20k242342432232232CC00171040170033033000000331

根據(jù)表3數(shù)據(jù),在MATLAB中繪制K-FGN網(wǎng)絡(luò)的累積度分布曲線,如圖12所示。

通過(guò)累積度分布曲線證明該網(wǎng)絡(luò)的度分布符合冪律分布特征，所構(gòu)建的K-FGN網(wǎng)絡(luò)為一個(gè)小型的無(wú)標(biāo)度網(wǎng)絡(luò)，可獲取少量分布度較高的Hub節(jié)點(diǎn)，即本研究的意象靶基因，繪制K-FGN網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖13所示。

圖13K-FGN網(wǎng)絡(luò)的統(tǒng)計(jì)描述如下：①共析出L2,L5,L83個(gè)意象靶基因；②析出兩個(gè)較為獨(dú)立的基因集合，分別為M1{L2,L1,L3,L4,L12,L13}和M2{L5,L8,L6,L9,L19,L20,L10,L11,L17};③在兩個(gè)基因集合中存在兩個(gè)相互間關(guān)系非常緊密的靶基因組N1{L2,L3,L4}和N2{L5,L8,L9,L19,L20};④存在7個(gè)與意象靶基因有關(guān)聯(lián)的次要基因{L1,L12,L13,L6,L10,L11,L17}；⑤存在6個(gè)獨(dú)立的次要基因{L7,L14,L15,L16,L18,L21}。析出輔助設(shè)計(jì)的隱性信息如下：

(1)1個(gè)獨(dú)立的意象靶基因(L2)表示前包圍造型，其中與前包圍造型緊密相關(guān)的兩個(gè)敏感基因分別表示與其相鄰的保險(xiǎn)杠(L3)和進(jìn)氣格柵形態(tài)(L4)，這3個(gè)基因構(gòu)成一個(gè)緊密的三元基因組，屬于汽車前臉的關(guān)鍵形態(tài)因素，需要協(xié)同設(shè)計(jì)。

(2)兩個(gè)表示引擎蓋弧度(L5)和后車窗弧度(L8)的關(guān)鍵意象靶基因相互關(guān)聯(lián)度較高，同與之相關(guān)聯(lián)的3個(gè)基因(L9,L19,L20)一并屬于車上部的關(guān)鍵形態(tài)因素，需要同時(shí)進(jìn)行優(yōu)化設(shè)計(jì)。

(3)基因(L1)和表示車尾底部的基因(L12,L13)與汽車前臉的形態(tài)造型有關(guān)聯(lián)，與意象靶基因(L2)存在呼應(yīng)關(guān)系，屬于次要基因，可視情況綜合考慮；存在4個(gè)與車上部造型形態(tài)有一定關(guān)聯(lián)度的次要基因，可視情況綜合考慮。

(4)存在6個(gè)較為獨(dú)立的次要基因，在汽車側(cè)輪廓的造型設(shè)計(jì)中普適性較強(qiáng)，所代表的6段曲線在不同汽車中的區(qū)別度不大，在具體設(shè)計(jì)中可以不深入考慮。

5 析出知識(shí)在智能優(yōu)化設(shè)計(jì)中的應(yīng)用

析出的輔助設(shè)計(jì)信息可用于人工設(shè)計(jì)優(yōu)化，也可以用于規(guī)劃智能優(yōu)化設(shè)計(jì)算法中的搜索策略。本文以形狀文法為例，驗(yàn)證K-FGN網(wǎng)絡(luò)模型對(duì)智能優(yōu)化設(shè)計(jì)的輔助作用。之前的研究根據(jù)形狀文法推理規(guī)則構(gòu)建了推演引擎[23]，本文在此基礎(chǔ)上引入K-FGN網(wǎng)絡(luò)模型并進(jìn)一步優(yōu)化。

對(duì)汽車側(cè)輪廓的初始形態(tài)進(jìn)行編碼，目標(biāo)輪廓由外輪廓曲線集合{L1,L2,L3,L4,…,L16}及內(nèi)輪廓曲線集合{L17,L18,L19,L20,L21}構(gòu)成。從圖7中隨機(jī)選擇一款汽車輪廓Cx作為初始形態(tài)，依據(jù)1.2節(jié)的產(chǎn)品形態(tài)基因編碼方法,以3次貝塞爾曲線模型對(duì)選擇的初始形態(tài)進(jìn)行編碼。

5.1 編碼的優(yōu)化處理

應(yīng)用上述析出的輔助設(shè)計(jì)信息對(duì)形態(tài)編碼信息進(jìn)行簡(jiǎn)化處理。首先將7個(gè)與意象靶基因有關(guān)聯(lián)的次要基因和6個(gè)獨(dú)立的次要基因進(jìn)行尺寸約束，保證其形狀不變，不參與交互設(shè)計(jì)過(guò)程;將剩余的3個(gè)意象靶基因及5個(gè)從屬基因置于坐標(biāo)系中，并進(jìn)行規(guī)則約束，限定其變化范圍，得到汽車側(cè)輪廓形態(tài)構(gòu)成曲線與端點(diǎn)坐標(biāo)，如圖14所示。

在矢量圖形軟件CorelDRAW X6中應(yīng)用VBA語(yǔ)言進(jìn)行二次開(kāi)發(fā)，構(gòu)建智能交互設(shè)計(jì)引擎(如圖15)，形態(tài)曲線依據(jù)前15個(gè)樣本統(tǒng)計(jì)得到，限定形狀推理規(guī)則采用坐標(biāo)微調(diào)、縮放與錯(cuò)切操作，對(duì)圖14所示的初始形態(tài)進(jìn)行優(yōu)化設(shè)計(jì)。

5.2 交互過(guò)程的優(yōu)化處理

采用順序方式進(jìn)行求解，即先求3元組，再對(duì)第二集團(tuán)進(jìn)行求解(如圖16)。在每?jī)蓚€(gè)求解步驟之間對(duì)生成的方案進(jìn)行人工交互優(yōu)化，將優(yōu)化后的最佳結(jié)果繼續(xù)進(jìn)行下一步求解，直至4輪優(yōu)化求解完畢，最終得到的優(yōu)化結(jié)果如圖17所示。

5.3 設(shè)計(jì)方案優(yōu)化

設(shè)計(jì)師對(duì)最終優(yōu)化方案進(jìn)行二次設(shè)計(jì)加工，獲得優(yōu)化后的二維效果圖如圖18所示。

采用量表法對(duì)上述方案進(jìn)行評(píng)價(jià)，最終方案的意象滿意度達(dá)到87.25%，證明本文所提方法可以對(duì)智能優(yōu)化算法進(jìn)行合理規(guī)劃和收斂，并能獲取更加接近目標(biāo)意象的產(chǎn)品。

6 結(jié)束語(yǔ)

本文引入意象靶基因概念，以無(wú)標(biāo)度網(wǎng)絡(luò)為切入點(diǎn)提出一種K-FGN網(wǎng)絡(luò)模型的構(gòu)建方法，并采用度分布、群集系數(shù)等復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)分析理論，獲取意象相關(guān)度最高的意象靶基因和靶基因組，作為析出知識(shí)輔助人工設(shè)計(jì)優(yōu)化和智能優(yōu)化設(shè)計(jì)。該產(chǎn)品形態(tài)基因網(wǎng)絡(luò)的構(gòu)建方法更具客觀性，可有效處理產(chǎn)品形態(tài)基因之間的復(fù)雜關(guān)系并有效輔助設(shè)計(jì)師定位用戶感性意象，最后通過(guò)實(shí)例驗(yàn)證了其對(duì)產(chǎn)品創(chuàng)新過(guò)程的輔助作用。然而，在實(shí)際的設(shè)計(jì)過(guò)程中，因?yàn)檎J(rèn)知差異問(wèn)題導(dǎo)致用戶的感性需求與設(shè)計(jì)師的設(shè)計(jì)意圖之間不能完全匹配，所以下一步的重點(diǎn)工作是深入研究用戶和設(shè)計(jì)師之間的認(rèn)知差異，在此基礎(chǔ)上進(jìn)一步提升K-FGN網(wǎng)絡(luò)模型的適用性。

[1] GERO J S, KAZAKOV V A, Genetic engineering extension to genetic algorithms[J]. Evolutionary Systems,2001,9(1):71-92.

[2] ROSENMAN M A. An exploration into evolutionary models for non-routine design[J]. Artificial Intelligence in Engineering,1997,11(3):287-293.

[3] FENG Peien, CHEN Yong, ZHANG Shuai, et al. Product gene based conceptual design[J]. Chinese Journal of Mechanical Engineering,2002,38(10):1-6(in Chinese).[馮培恩,陳 泳,張 帥,等.基于產(chǎn)品基因的概念設(shè)計(jì)[J].機(jī)械工程學(xué)報(bào),2002,38(10):1-6.]

[4] LUO Shijian, ZHU Shangshang. Ontology-based product family design DNA in industrial design[J]. Computer Integrated Manufacturing Systems,2009,15(2):226-233(in Chinese).[羅仕鑒,朱上上.工業(yè)設(shè)計(jì)中基于本體的產(chǎn)品族設(shè)計(jì)DNA[J].計(jì)算機(jī)集成制造系統(tǒng),2009,15(2):226-233.]

[5] HAO Yongtao, QIN Qin. Feature-function expression model and gene coding for products[J]. Journal of Tongji University:Natural Science,2009,37(6):819-824(in Chinese).[郝泳濤,秦 琴.產(chǎn)品的特征功能表達(dá)模型及其基因編碼[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版,2009,37(6):819-824.]

[6] ZHU Shangshang, LUO Shijian, YING Fangtian, et al. Product family design DNA for product visual identity[J]. Journal of Zhejiang University:Engineering Science,2010,44(4):715-721(in Chinese).[朱上上,羅仕鑒,應(yīng)放天,等.支持產(chǎn)品視覺(jué)識(shí)別的產(chǎn)品族設(shè)計(jì)DNA[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版,2010,44(4):715-721.]

[7] LI Bo, TONG Shurong, MA Fei. Process gene model for product design[J]. Journal of Machine Design,2010,27(4):9-13(in Chinese).[李 博,同淑榮,馬 飛.產(chǎn)品設(shè)計(jì)過(guò)程的基因模型[J].機(jī)械設(shè)計(jì),2010,27(4):9-13.]

[8] LIU Wei, CAO Guozhong, TAN Runhua, et al. Variant design based on products genes and physical description[J]. Computer Integrated Manufacturing Systems,2015,21(2):381-391(in Chinese).[劉 偉,曹國(guó)忠,檀潤(rùn)華,等.基于產(chǎn)品基因與物理表達(dá)的變型設(shè)計(jì)[J].計(jì)算機(jī)集成制造系統(tǒng),2015,21(2):381-391.]

[9] CHEN Guanrong, WANG Xiaofan, LI Xiang. Introduction to complex networks:models, structures and dynamics[M]. Beijing:Higher Education Press,2012:5-13(in Chinese).[陳關(guān)榮,汪小帆,李 翔.復(fù)雜網(wǎng)絡(luò)引論—模型、結(jié)構(gòu)與動(dòng)力學(xué)[M].北京：高等教育出版社，2012:5-13.]

[10] WATTS D J, STROGATZ S H. Collective dynamics of ‘small-world’ networks[J].Nature,1998,393(6684):440-442.

[11] BARABASI A L, ALBERT R. Emergence of scaling in random networks[J]. Science,1999,286(5439):509-512.

[12] YASSINE A, DAN B. Complex concurrent engineering and the design structure matrix method.[J]. Concurrent Engineering Research & Applications,2003,11(3):165-176.

[13] MEIER C, YASSINE A, BROWNING T R. Design process sequencing with competent genetic algorithms[J]. Journal of Mechanical Design,2007,129(6):566-585.

[14] BRAHA D, BAR-YAM Y. The statistical mechanics of complex product development: empirical and analytical results[J]. Management Science,2007,53(7):1127-1145.

[15] DAN B, YANEER B Y. The Topology of large-scale engineering problem-solving networks[J]. Social Science Electronic Publishing,2004,69(1):383-391.

[16] FAN Beibei, QI Guoning, YU Tao. Network analysis method for commonality analysis of parts modules in modular product platform[J]. Computer Integrated Manufacturing Systems,2013,19(5):918-925(in Chinese).[樊蓓蓓,祁國(guó)寧,俞 濤.基于網(wǎng)絡(luò)分析法的模塊化產(chǎn)品平臺(tái)中零部件模塊通用性分析[J].計(jì)算機(jī)集成制造系統(tǒng),2013,19(5):918-925.]

[17] LIU Xize. Research on design methodology of modular product platform oriented to complex mechantronic products[D]. Hangzhou:Zhejiang University,2012(in Chinese).[劉曦澤.面向復(fù)雜機(jī)電產(chǎn)品的模塊化產(chǎn)品平臺(tái)設(shè)計(jì)方法學(xué)研究[D].杭州：浙江大學(xué),2012.]

[18] CHEN Mengjiang, JI Yangjian, QI Guoning. Parameter network modeling and application of design changes for ETO product[J]. Manufacturing Automation,2010,32(2):10-14(in Chinese).[陳孟江,紀(jì)楊建,祁國(guó)寧.面向ETO產(chǎn)品設(shè)計(jì)更改的參數(shù)網(wǎng)絡(luò)建模及應(yīng)用研究[J].制造業(yè)自動(dòng)化,2010,32(2):10-14.]

[19] LIU Xiaojian, SUN Yan, WU Jianfeng, et al. Product’s gene regulatory network model and its aiding to design process[J]. Computer Integrated Manufacturing Systems,2013,19(7):1463-1471(in Chinese).[劉肖健,孫 艷,吳劍鋒,等.產(chǎn)品基因調(diào)控網(wǎng)絡(luò)模型及其對(duì)設(shè)計(jì)過(guò)程的輔助[J].計(jì)算機(jī)集成制造系統(tǒng),2013,19(7):1463-1471.]

[20] SU Jianning, WANG Peng, ZHANG Shutao, et al. Review of key technologies of product image styling design[J]. Journal of Machine Design,2013,30(1):97-100(in Chinese).[蘇建寧,王 鵬,張書(shū)濤,等.產(chǎn)品意象造型設(shè)計(jì)關(guān)鍵技術(shù)研究進(jìn)展[J].機(jī)械設(shè)計(jì),2013,30(1):97-100.]

[21] LU Zhaolin, TANG Wencheng, XUE Chengqi. Method of design DNA reasoning based on shape grammar[J]. Journal of Southeast University:Natural Science Edition,2010,40(4):704-711(in Chinese).[盧兆麟,湯文成,薛澄岐.一種基于形狀文法的產(chǎn)品設(shè)計(jì)DNA推理方法[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2010,40(4):704-711.]

[22] SU Jianning, ZHANG Qinwei, WU Jianghua, et al. Evolutionary design of product multi-image styling[J]. Computer Integrated Manufacturing Systems,2014,20(11):2675-2682(in Chinese).[蘇建寧,張秦瑋,吳江華,等.產(chǎn)品多意象造型進(jìn)化設(shè)計(jì)[J].計(jì)算機(jī)集成制造系統(tǒng),2014,20(11):2675-2682.]

[23] YANG Yanpu, CHEN Dengkai, YU Suihuai, et al. Pan-ethnic-group product form design based on shape grammar[J]. Computer Integrated Manufacturing Systems,2013,19(9):2107-2115(in Chinese).[楊延璞,陳登凱,余隋懷,等.基于形狀文法的泛族群產(chǎn)品形態(tài)設(shè)計(jì)[J].計(jì)算機(jī)集成制造系統(tǒng),2013,19(9):2107-2115.]