郭廣頌,李 響,郝國生

(1.鄭州航空工業(yè)管理學(xué)院 機(jī)電工程學(xué)院,鄭州 450046; 2.江蘇師范大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,江蘇 徐州 221116)

0 概述

自交互式遺傳算法概念提出以來,其作為一種情感計(jì)算的新方法獲得了廣泛關(guān)注。基于傳統(tǒng)遺傳算法的優(yōu)化流程,對于很難用顯式性能指標(biāo)表達(dá)的用戶偏好、經(jīng)驗(yàn)等隱式性能指標(biāo)優(yōu)化問題,交互式遺傳算法表現(xiàn)出算法實(shí)現(xiàn)簡單、優(yōu)化效果顯著的特點(diǎn)。因此,近年來交互式遺傳算法在圖像處理[1]、機(jī)器人控制[2]、語音合成[3]、城市景觀設(shè)計(jì)[4]等眾多領(lǐng)域獲得了成功的應(yīng)用。

由于人的主觀偏好具有波動(dòng)性,會(huì)導(dǎo)致個(gè)體的評價(jià)值與真實(shí)值之間產(chǎn)生偏差,帶來個(gè)體適應(yīng)值噪聲[5]。交互式遺傳算法適應(yīng)值噪聲會(huì)使進(jìn)化方向發(fā)生偏移;另一方面,受交互式遺傳算法進(jìn)化代數(shù)較少和種群規(guī)模不大限制,適應(yīng)值噪聲還會(huì)更容易使進(jìn)化早熟收斂。因此,提高適應(yīng)值精度與降低人的疲勞一直是交互式遺傳算法研究的主要方向。文獻(xiàn)[6]提出通過主成分分析降低優(yōu)化噪聲影響,提高了信號(hào)優(yōu)化質(zhì)量;文獻(xiàn)[7]提出稀疏表示的去噪方法,過濾信號(hào)噪聲;文獻(xiàn)[8]提出基于耦合約束的調(diào)度優(yōu)化方法用于飛機(jī)維修作業(yè)。

本文提出基于進(jìn)化個(gè)體混雜型適應(yīng)值的交互式遺傳算法IGA-IHF,根據(jù)交互式遺傳算法中偏好不確定性和適應(yīng)值噪聲特性對適應(yīng)值形態(tài)分類,設(shè)計(jì)混雜型適應(yīng)值進(jìn)化策略,通過修正不同類型適應(yīng)值提高算法性能。

1 適應(yīng)值不確定度

不失一般性,考慮優(yōu)化問題:maxf(x,t)=f(x(t)),x∈S?d,x是d維決策變量,S是其取值范圍,f(x,t)是被優(yōu)化的性能指標(biāo),且不能用顯式函數(shù)表示。記第t代進(jìn)化種群x(t)中的第i個(gè)進(jìn)化個(gè)體為xi(t),i=1,2,…,N,N為種群規(guī)模,xi(t)的適應(yīng)值為f(xi(t)),xi(t)∈x(t),則f(x(t))=(f(x1(t)),f(x2(t)),…,f(xN(t)))構(gòu)成個(gè)體適應(yīng)值數(shù)值序列。

人的主觀評價(jià)是一種具有不確定性的相對評價(jià),因此,人在不同進(jìn)化代對相同個(gè)體的評價(jià)值可能并不相同,或在不同的進(jìn)化代對不同的個(gè)體可以給出相同的評價(jià)值。這意味著人的評價(jià)結(jié)果是一個(gè)存在矛盾的數(shù)據(jù),這導(dǎo)致交互式遺傳算法進(jìn)化個(gè)體適應(yīng)值具有明顯的不確定性。根據(jù)文獻(xiàn)[9],f(xi(t))的不確定度可以表示為θ(xi(t)):

i=2,3,…,N

(1)

其中,min(f(xi-1(t)),f(xi(t)))表示相鄰個(gè)體f(xi-1(t)),f(xi(t))中的較小值,max(f(xi-1(t)),f(xi(t)))表示f(xi-1(t)),f(xi(t))中的較大值。

式(1)的意義是:在進(jìn)化初期,由于人對產(chǎn)品的偏好具有模糊性,因此對系統(tǒng)呈現(xiàn)的樣本款式的認(rèn)知程度比較低,對樣本個(gè)體評價(jià)差異很大,評價(jià)的不確定性較大,θ(xi(t))也較大。隨著種群的進(jìn)化,個(gè)體差異逐漸減小,適應(yīng)值趨于一致,適應(yīng)值不確定度相應(yīng)變小。進(jìn)一步地,有:

(2)

式(2)的意義[9]是:同一進(jìn)化代的樣本評價(jià)不確定度小于個(gè)體適應(yīng)值信息的最大差異,即在每一進(jìn)化代中,偏好對適應(yīng)值不確定性的影響主要體現(xiàn)在相鄰個(gè)體的評價(jià)上。

2 適應(yīng)值噪聲特性

在交互式遺傳算法中,用戶期望的進(jìn)化目標(biāo)是最能滿足自身偏好的個(gè)體,即滿足maxf(x,t)的個(gè)體。而實(shí)際進(jìn)化的結(jié)果則是用戶賦予的適應(yīng)值為f(x(t))的個(gè)體。在數(shù)值優(yōu)化中maxf(x,t)和f(x(t))是相等的,但在交互式進(jìn)化優(yōu)化中由于人的偏好原因,進(jìn)化目標(biāo)與進(jìn)化結(jié)果之間會(huì)存在差異,即maxf(x,t)和f(x(t))并不相等,這便是評價(jià)噪聲的體現(xiàn)。

假設(shè)第t代進(jìn)化個(gè)體xi(t)的真實(shí)適應(yīng)值為F(xi(t)),人給出的評價(jià)值為f(xi(t)),噪聲函數(shù)為δ(t)。噪聲可以表示為個(gè)體量測值與真實(shí)值之間的偏差,記為δ(t)=f(xi(t))-F(xi(t))。交互式遺傳算法的進(jìn)化過程可以按人對被優(yōu)化問題的認(rèn)知程度劃分為初始、穩(wěn)定和疲勞3個(gè)階段[10]。在進(jìn)化初期,人對被優(yōu)化問題的認(rèn)識(shí)比較模糊,給出的評價(jià)可信度較低,性能指標(biāo)受到的噪聲影響較大,評價(jià)不確定性比較大;隨著種群的進(jìn)化,人對被優(yōu)化問題的認(rèn)識(shí)相對清晰,給出的評價(jià)相對可靠,性能指標(biāo)受到的噪聲影響較小,評價(jià)不確定性較小;當(dāng)進(jìn)化代數(shù)太多人疲勞時(shí),給出的評價(jià)又變得不可靠,性能指標(biāo)受到的噪聲影響變大,評價(jià)不確定性又較大(該階段并非進(jìn)化后期認(rèn)知已達(dá)成熟和收斂趨勢下的適應(yīng)值精確評價(jià),該階段生理疲勞會(huì)導(dǎo)致適應(yīng)值噪聲迅速增加)。這些帶有噪聲的評價(jià)結(jié)果將使個(gè)體適應(yīng)值變得不客觀,影響算法性能。

由此可知,適應(yīng)值噪聲主要由偏好的不確定性造成,在不同進(jìn)化階段,偏好不確定性決定了噪聲不同的特性,這為分析噪聲特性提供了依據(jù),具體如下:

(3)

隨著認(rèn)知程度的成熟,評價(jià)的穩(wěn)定期很快到來。在這一階段內(nèi),對于不同進(jìn)化代內(nèi)出現(xiàn)的相同個(gè)體,評價(jià)結(jié)果差異較小,即有θ(xi(t))<ε。此時(shí)噪聲較小,這也是評價(jià)的主要階段。這一時(shí)期噪聲主要是隨機(jī)噪聲,因此,噪聲仍可看成是加性。在偏好穩(wěn)定階段可近似認(rèn)為噪聲強(qiáng)度不變。此時(shí)適應(yīng)值表達(dá)式為:

f(x(t))=F(x(t))+δ2(t)·N(0,1)

(4)

其中,δ2(t)是噪聲強(qiáng)度。

隨著進(jìn)化過程不斷深入,在進(jìn)化后期,不同個(gè)體之間差異越來越小,對這些個(gè)體做相對優(yōu)劣的評價(jià)會(huì)越來越困難,此時(shí)心理壓力加大,疲勞開始上升,直至明顯疲勞狀態(tài)出現(xiàn)。由于疲勞增強(qiáng),此時(shí)噪聲對評價(jià)的影響程度變大,因此評價(jià)偏差程度較前兩個(gè)階段大幅增加,即θ(xi(t))>>ε。用戶疲勞是這一時(shí)期影響噪聲的主要原因,因此,噪聲性質(zhì)為乘性,適應(yīng)值表達(dá)式為:

(5)

閾值ε主要反映每一進(jìn)化代中相似個(gè)體的平均距離[11]:

(6)

在進(jìn)化初期,個(gè)體適應(yīng)值差異較大,ε較小;隨著進(jìn)化不斷深入,不同個(gè)體的適應(yīng)值會(huì)逐漸接近,個(gè)體間的差異將逐漸減小,ε較大?？梢钥吹?ε刻畫的種群特性與適應(yīng)值噪聲模型的形態(tài)是一致的,因此,可以將ε作為適應(yīng)值不確定度閾值。

3 進(jìn)化個(gè)體混雜型適應(yīng)值

根據(jù)以上對偏好不確定和適應(yīng)值噪聲的分析可以看到,進(jìn)化過程中個(gè)體適應(yīng)值[9]采用單一形態(tài)表示不能全面反映評價(jià)的客觀性。采用適應(yīng)值估計(jì)策略是解決適應(yīng)值不確定性的代表性策略:文獻(xiàn)[12]采用遞歸神經(jīng)網(wǎng)絡(luò)估計(jì)個(gè)體適應(yīng)值;文獻(xiàn)[13]根據(jù)個(gè)體與上代最優(yōu)個(gè)體相似度估計(jì)個(gè)體適應(yīng)值;文獻(xiàn)[14]根據(jù)決策者偏好估計(jì)區(qū)間多目標(biāo)優(yōu)化問題中的個(gè)體適應(yīng)值;文獻(xiàn)[15-16]提出適應(yīng)值加權(quán)多輸出高斯過程代理模型和適應(yīng)值CP-nets估計(jì)模型?；诖?本文提出擬合噪聲的進(jìn)化個(gè)體混雜型適應(yīng)值形態(tài):如果個(gè)體評價(jià)不確定度較大,噪聲較強(qiáng),個(gè)體適應(yīng)值表現(xiàn)為區(qū)間數(shù)值類型;如果個(gè)體評價(jià)不確定度較小,噪聲較弱,個(gè)體適應(yīng)值表現(xiàn)為單一數(shù)值類型。其中,適應(yīng)值區(qū)間數(shù)值類型可由單一數(shù)值類型擴(kuò)展得到。

當(dāng)θ(xi(t))>ε或θ(xi(t))>>ε時(shí),定義σ(xi(t))為個(gè)體單一數(shù)值適應(yīng)值f(xi(t))擴(kuò)展成區(qū)間適應(yīng)值f′(xi(t))的區(qū)間半徑。由于θ(xi(t))反映了評價(jià)不確定性,因此本文在θ(xi(t))和σ(xi(t))之間用函數(shù)關(guān)系σ=g(θ)映射,函數(shù)擬合式如下:

σ(xi(t))=K(1-e-λθ(xi(t)))

(7)

其中,K、λ為調(diào)節(jié)系數(shù)。

式(7)的函數(shù)形式通過“置信法”樣本評價(jià)統(tǒng)計(jì)獲得,并且σ(xi(t))與噪聲δ(t)分布相同,即σ(xi(t))～N(0,δ(t))。據(jù)此,根據(jù)式(7)可將單一評價(jià)值f(xi(t))擴(kuò)張成區(qū)間數(shù)值f′(xi(t)),表示如下:

[f(xi(t))-σ(xi(t)),f(xi(t))+

σ(xi(t))]

(8)

進(jìn)一步對區(qū)間適應(yīng)值進(jìn)行估計(jì),令:

(9)

(10)

其中,θ表示對設(shè)計(jì)人員滿意程度的點(diǎn)估計(jì)值,m表示點(diǎn)估計(jì)的盲度,m越小,估計(jì)的把握越大,m=0意味著對滿意程度絕對有把握。

當(dāng)θ(xi(t))<ε時(shí),適應(yīng)值表現(xiàn)為單一數(shù)值。此時(shí),為進(jìn)一步降低噪聲影響,采用灰Verhulst模型對適應(yīng)值建模,通過對適應(yīng)值修正,降低噪聲。假設(shè)個(gè)體的單一數(shù)值評價(jià)值f(x(t))構(gòu)成原始序列f(0)(x(t))=(f(0)(x1(t)),f(0)(x2(t)),…,f(0)(xN(t)))。在每一進(jìn)化代內(nèi),個(gè)體評價(jià)值序列先進(jìn)行灰生成序列和平均值序列的轉(zhuǎn)化,灰生成序列為f(1)(xi(t))=AGOf(0)(xi(t)),平均值序列為F(1)(xi(t))=MEANf(1)(xi(t)),再構(gòu)建進(jìn)化個(gè)體適應(yīng)值灰Verhulst模型GM(1,1,V)為:

f(0)(xi(t))+aF(1)(xi(t))=b(F(1)(xi(t)))2

(11)

GM(1,1,V)的白化響應(yīng)式為:

(12)

(13)

由于進(jìn)化個(gè)體適應(yīng)值序列是偏好環(huán)境下各種因素作用的結(jié)果,因此可以通過灰模型滾動(dòng)檢驗(yàn)預(yù)測偏好分布。個(gè)體適應(yīng)值的滾動(dòng)殘差ε(i+1)為:

(14)

根據(jù)滾動(dòng)殘差,可得個(gè)體xi(t)的適應(yīng)值可信度pr(xi(t))為:

pr(xi(t))=[100-|ε(i)|]×100%

(15)

通過適應(yīng)值可信度對評價(jià)后的進(jìn)化個(gè)體適應(yīng)值進(jìn)行修正:

f′(xi(t))=pr(xi(t))·f(xi(t))

(16)

其中,f′(xi(t))為進(jìn)化個(gè)體xi(t)修正后的適應(yīng)值。

混雜型適應(yīng)值的特點(diǎn)是:在進(jìn)化過程中,用戶通過操作界面采用單一數(shù)值對個(gè)體評價(jià),通過將適應(yīng)值轉(zhuǎn)化為區(qū)間數(shù)值或進(jìn)行修正,實(shí)現(xiàn)對噪聲的擬合。在每一進(jìn)化代內(nèi),區(qū)間數(shù)適應(yīng)值與單一數(shù)值適應(yīng)值共存,再通過遺傳操作進(jìn)化優(yōu)化,從而獲得用戶滿意的滿意解。這種方法相比直接區(qū)間適應(yīng)值賦值或模糊適應(yīng)值賦值,可以在只有一半操作工作量的前提下,獲得與區(qū)間適應(yīng)值賦值相同的評價(jià)信息量,為進(jìn)化優(yōu)化提供更大的進(jìn)化數(shù)據(jù)和優(yōu)化空間。本文算法流程如圖1所示,其中,對于擴(kuò)展成區(qū)間數(shù)的區(qū)間適應(yīng)值,可以按區(qū)間占優(yōu)進(jìn)行個(gè)體選擇;對于通過灰模型預(yù)測的修正后的單一數(shù)值適應(yīng)值,可以按輪賭法進(jìn)行個(gè)體選擇。

圖1 本文算法流程

4 應(yīng)用結(jié)果與分析

4.1 染色體編碼

便攜式酒壺是一種流行的戶外消費(fèi)品,它具有高雅精致、美觀小巧、便于隨身攜帶的特點(diǎn)。隨著白酒市場小瓶化趨勢增強(qiáng),酒壺外觀對產(chǎn)品價(jià)格的影響日益增大。為了增強(qiáng)市場競爭力,便攜式酒壺的外觀設(shè)計(jì)逐漸趨向個(gè)性化,這使得酒壺的外觀設(shè)計(jì)成為提高市場占有率的重要因素?；诖?筆者借助遺傳算法的優(yōu)化能力開發(fā)便攜式酒壺外觀設(shè)計(jì)系統(tǒng),幫助用戶獲得符合偏好的設(shè)計(jì)方案。由于目前針對便攜式酒壺設(shè)計(jì)尚無應(yīng)用交互式遺傳算法的報(bào)道,因此本文同時(shí)為便攜式酒壺企業(yè)提供了一種新的設(shè)計(jì)思路。

鑒于酒壺貼皮紋樣與酒壺材質(zhì)造型無關(guān),所以將酒壺外觀分為壺口(帶壺蓋)和壺身兩部分討論,這樣個(gè)體的染色體編碼便由壺口和壺身編碼構(gòu)成。壺口類型分為圓型、柱型、方型、異型、不對稱和帶連桿6類;壺身類型分為圓型、柱型、方型、異型、不對稱和壺型6類。壺口和壺身的三維結(jié)構(gòu)模型以bmp格式儲(chǔ)存在圖片庫中。編碼過程是將壺口和壺身分別在[0,1 023]內(nèi)取整數(shù)值,然后再分別將整數(shù)值轉(zhuǎn)化為10位二進(jìn)制編碼,兩者共同構(gòu)成酒壺個(gè)體的20位染色體。酒壺壺口和酒壺壺身的類型及編碼段如表1所示。圖2給出了個(gè)體編碼過程,其中FS和FB分別為壺口和壺身的十進(jìn)制編碼,該個(gè)體記為(880,343),染色體編碼為1101110000 0101010111,這是一種壺口為帶連桿型、壺身為方型的酒壺類型。

表1 酒壺壺口與壺身類型

圖2 個(gè)體編碼過程

4.2 交互界面設(shè)計(jì)及操作方法

系統(tǒng)采用Visual Basic 6.0、SQL Sever2005數(shù)據(jù)庫實(shí)現(xiàn),遵循Johnson2007用戶界面設(shè)計(jì)9項(xiàng)準(zhǔn)則,并充分考慮人記憶的2個(gè)功能——識(shí)別和回憶對交互系統(tǒng)設(shè)計(jì)的影響。系統(tǒng)中各任務(wù)流程采用翻頁式結(jié)構(gòu),盡可能減輕用戶短期記憶負(fù)擔(dān)。系統(tǒng)運(yùn)行時(shí),首先對種群初始化,用戶需設(shè)定交叉、變異概率等遺傳操作參數(shù)。然后,系統(tǒng)會(huì)根據(jù)壺口和壺身兩部分的二進(jìn)制編碼,啟動(dòng)模型載入模塊,輸出完整的三維酒壺模型。接著啟動(dòng)處理模塊,實(shí)現(xiàn)模型的貼皮和可旋轉(zhuǎn),增強(qiáng)樣本的真實(shí)感。重復(fù)該過程直至生成初始種群,即8個(gè)酒壺樣本。系統(tǒng)的人機(jī)交互界面如圖3所示,在每個(gè)樣本下方用戶根據(jù)偏好通過滑動(dòng)條為樣本打分,評價(jià)結(jié)果作為輸入提交給系統(tǒng),打分范圍為[1,100]。評價(jià)結(jié)束后,點(diǎn)擊“下一代”按鈕,啟動(dòng)交互式遺傳算法模塊,實(shí)現(xiàn)進(jìn)化優(yōu)化,生成新種群。循環(huán)這一過程,直至進(jìn)化收斂。最后,點(diǎn)擊“結(jié)束”按鈕,將最滿意個(gè)體作為優(yōu)化結(jié)果輸出。界面同時(shí)顯示點(diǎn)估計(jì)值、盲度值、進(jìn)化代數(shù)和耗時(shí)等信息,提示用戶修正偏好和把握操作節(jié)奏。在整個(gè)進(jìn)化過程中,如果設(shè)計(jì)人員對當(dāng)前的酒壺方案始終不夠滿意,可重新初始化酒壺種群,開始新的進(jìn)化。

圖3 系統(tǒng)交互界面

4.3 應(yīng)用結(jié)果分析

為客觀檢測本文系統(tǒng)的設(shè)計(jì)效果,以傳統(tǒng)交互式遺傳算法(Traditional Interactive Genetic Algorithm,T-IGA)和區(qū)間適應(yīng)值交互式遺傳算法(Interactive Genetic Algorithm with Individuals Interval Fitness,IGA-IIF)為比較對象,驗(yàn)證所提方法在減輕用戶疲勞、搜索效率、優(yōu)化質(zhì)量等方面的有效性。由于交互式遺傳算法不需要適應(yīng)值函數(shù),因此不能采用公測函數(shù)進(jìn)行數(shù)值優(yōu)化?；诖?本文采用固定優(yōu)化解測試數(shù)值統(tǒng)計(jì)方法與已有算法進(jìn)行對比實(shí)驗(yàn),測試實(shí)驗(yàn)有5位在校大學(xué)生參與,以圖2所示個(gè)體(880,343)為目標(biāo)樣本,在相同參數(shù)(設(shè)置變異概率0.02,交叉概率0.6;在式(6)中,參數(shù)K=20,λ=10)下每種算法每人獨(dú)立進(jìn)行6次實(shí)驗(yàn),總計(jì)進(jìn)行90人次的獨(dú)立實(shí)驗(yàn)。采用3種終止進(jìn)化條件:進(jìn)化至最大進(jìn)化代數(shù)T,系統(tǒng)收斂(相同個(gè)體占種群75%及以上),用戶對優(yōu)化結(jié)果滿意。當(dāng)任意終止條件滿足時(shí),系統(tǒng)結(jié)束進(jìn)化,并輸出進(jìn)化優(yōu)化結(jié)果。統(tǒng)計(jì)進(jìn)化代數(shù)、評價(jià)耗時(shí)、互異個(gè)體數(shù)目和搜索效率(搜索效率=評價(jià)的互異個(gè)體數(shù)/總評價(jià)個(gè)體數(shù))等性能指標(biāo),箱形圖和曲線如圖4和圖5所示;然后統(tǒng)計(jì)3種算法在不同時(shí)間內(nèi)找到互異個(gè)體數(shù)目的比例,如表2所示;最后采用Mann-Whitney U方法,對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行非參數(shù)檢驗(yàn)。取顯著性水平為0.05,漸進(jìn)顯著性水平如表3所示。

圖4 算法性能指標(biāo)箱形圖

圖5 算法性能指標(biāo)曲線

表2 算法在不同時(shí)間內(nèi)找到互異個(gè)體數(shù)目比例 %

表3 算法漸進(jìn)顯著性水平

由上述實(shí)驗(yàn)結(jié)果可知:

1)在進(jìn)化代數(shù)方面,本文算法與對比算法的漸進(jìn)顯著性水平均小于0.05,說明本文算法與對比算法存在顯著差異;再結(jié)合圖4的數(shù)據(jù)分布可知,本文算法優(yōu)于其他2種方法。原因在于:本文的適應(yīng)值表達(dá)策略在一定程度上抑制了噪聲對進(jìn)化的影響,使進(jìn)化方向更接近人的偏好,算法收斂較快。

2)在用戶評價(jià)耗時(shí)方面,與IGA-IIF和T-IGA算法相比,本文算法需要的評價(jià)時(shí)間最短,只有傳統(tǒng)交互式遺傳算法耗時(shí)的一半左右,并且本文算法與對比算法的差異顯著。原因在于:本文算法的適應(yīng)值修正策略使適應(yīng)值更為接近真實(shí)值,加快了算法收斂,用戶評價(jià)時(shí)間更短。

3)在找到互異個(gè)體數(shù)目方面,本文算法獲得的互異個(gè)體數(shù)目最多,說明其獲得的種群多樣性最好。原因在于:通過將適應(yīng)值單一數(shù)值類型擴(kuò)張為區(qū)間數(shù)值類型豐富了進(jìn)化信息,加強(qiáng)了算法搜索能力,增加了種群多樣性。

4)在搜索效率方面,由于本文算法搜索到的互異個(gè)體最多,且收斂速度最快,因此其搜索效率也顯著高于其他2種算法。

上述實(shí)驗(yàn)結(jié)果與分析表明,本文算法對個(gè)體只評價(jià)精確數(shù)值即可獲得比對個(gè)體進(jìn)行區(qū)間賦值評價(jià)更豐富的種群多樣性,并且該算法能夠以最少的進(jìn)化代數(shù)和用戶評價(jià)耗時(shí),找到最多的互異個(gè)體,提高了算法優(yōu)化效率,而耗時(shí)減少意味著縮短了人的操作時(shí)間,降低了操作負(fù)擔(dān)。

5 結(jié)束語

本文提出基于混雜型個(gè)體適應(yīng)值的交互式遺傳算法,該優(yōu)化算法分為兩部分:第一部分利用友好的人機(jī)交互平臺(tái),提取設(shè)計(jì)人員設(shè)計(jì)信息;第二部分是進(jìn)化單元。首先,算法利用適應(yīng)值的不確定度作為個(gè)體適應(yīng)值類型劃分依據(jù),保證評價(jià)值分類的合理性;然后,系統(tǒng)對適應(yīng)值的單一數(shù)值類型和區(qū)間數(shù)值類型分別構(gòu)建相應(yīng)數(shù)學(xué)模型,提高評價(jià)的準(zhǔn)確性;最后,針對不同類型的適應(yīng)值個(gè)體采取不同的進(jìn)化策略,實(shí)現(xiàn)產(chǎn)品外觀的自動(dòng)設(shè)計(jì)。

本文算法能夠有效減輕設(shè)計(jì)人員的操作負(fù)擔(dān),設(shè)計(jì)人員只需粗略評價(jià)少量個(gè)體即可,系統(tǒng)在后臺(tái)自動(dòng)完成適應(yīng)值形態(tài)轉(zhuǎn)換與修正。同時(shí)通過算法對評價(jià)結(jié)果的轉(zhuǎn)換與修正,擬合了評價(jià)噪聲,提高了個(gè)體評價(jià)準(zhǔn)確性和優(yōu)化質(zhì)量。此外,不同形態(tài)的評價(jià)結(jié)果共同參與優(yōu)化,更符合人的設(shè)計(jì)行為,優(yōu)化效率高于單一類型適應(yīng)值形態(tài)。后續(xù)將開發(fā)更合理的適應(yīng)值估計(jì)與預(yù)測方法,進(jìn)一步提高算法效率。