協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)中基于層次知識(shí)匹配的沖突消解研究

王小磊 楊 育 楊 潔，3 曾 強(qiáng) 程 博

1．重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)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(dāng)今客戶需求持續(xù)向個(gè)性化和多樣化發(fā)展，大批量的生產(chǎn)方式越來(lái)越難以適應(yīng)客戶個(gè)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(jì)成為企業(yè)提高客戶滿意度、縮短產(chǎn)品開(kāi)發(fā)周期、降低成本和提高企業(yè)自身競(jìng)爭(zhēng)力的重要產(chǎn)品設(shè)計(jì)方法。然而，多主體參與的協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)中，活動(dòng)和任務(wù)的并行性與復(fù)雜性，設(shè)計(jì)主體與設(shè)計(jì)資源的多樣性，設(shè)計(jì)知識(shí)的多樣性及知識(shí)－信息多向流動(dòng)、傳遞和變化性，使得創(chuàng)新過(guò)程變得更加復(fù)雜，導(dǎo)致各種設(shè)計(jì)沖突不斷出現(xiàn)。有效解決沖突是協(xié)同創(chuàng)新設(shè)計(jì)順利實(shí)施的關(guān)鍵。統(tǒng)計(jì)表明，75%的產(chǎn)品創(chuàng)新設(shè)計(jì)活動(dòng)是在已有產(chǎn)品設(shè)計(jì)的基礎(chǔ)上進(jìn)行的變動(dòng)或擴(kuò)充［2］。因此，基于規(guī)則推理（rule based reasoning，RBR）、基于實(shí)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(jì)沖突消解的重要方法［3－4］。

目前，在利用已有實(shí)例和規(guī)則消解產(chǎn)品創(chuàng)新設(shè)計(jì)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(shí)推理、實(shí)例檢索與匹配方法上。雖然這些方法利用知識(shí)的推理和共享可為設(shè)計(jì)人員提供有效的建議和參考，但對(duì)檢索不到有效參考實(shí)例時(shí)如何進(jìn)行沖突消解的研究還比較少。同時(shí)，設(shè)計(jì)產(chǎn)品和協(xié)同創(chuàng)新設(shè)計(jì)過(guò)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(shí)別對(duì)產(chǎn)品設(shè)計(jì)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(shí)例進(jìn)行優(yōu)化改進(jìn)是協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)中的一個(gè)關(guān)鍵問(wèn)題。

針對(duì)上述問(wèn)題，本文提出一種基于層級(jí)知識(shí)匹配的協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)沖突消解方法，并通過(guò)某摩托車的協(xié)同設(shè)計(jì)實(shí)例對(duì)模型與方法的有效性進(jìn)行了驗(yàn)證。

1 協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)沖突消解過(guò)程模型

1．1 客戶需求－功能分析與映射

在實(shí)際的產(chǎn)品創(chuàng)新設(shè)計(jì)過(guò)程中，越來(lái)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(jìn)行創(chuàng)新設(shè)計(jì)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(biāo)、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(jià)格、環(huán)境等其他方面要求。對(duì)于上述需求，可通過(guò)“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(jì)（AD）等方法［10－11］，把它們轉(zhuǎn)換為設(shè)計(jì)人員能夠理解的產(chǎn)品功能模塊，進(jìn)一步映射為產(chǎn)品設(shè)計(jì)特征，逐步分解和落實(shí)到產(chǎn)品設(shè)計(jì)的各個(gè)階段，從而保證客戶需求的實(shí)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(jì)的最終目標(biāo)，第二層中，矩形表示功能分解后產(chǎn)品設(shè)計(jì)中與已有功能相同的部分，橢圓表示需要擴(kuò)充或者改進(jìn)的模塊，各個(gè)模塊可以根據(jù)產(chǎn)品設(shè)計(jì)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(jì)中的沖突描述

在完成對(duì)產(chǎn)品功能模塊分解后，對(duì)需要進(jìn)行擴(kuò)充或改進(jìn)的模塊進(jìn)行優(yōu)化設(shè)計(jì)以獲得整體最優(yōu)的設(shè)計(jì)方案。在對(duì)設(shè)計(jì)方案整體優(yōu)化的過(guò)程中，由于各設(shè)計(jì)主體希望達(dá)到的目標(biāo)、專業(yè)知識(shí)背景和評(píng)價(jià)標(biāo)準(zhǔn)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(wèn)題，因此，不可避免地會(huì)產(chǎn)生大量的沖突。

沖突是設(shè)計(jì)過(guò)程中相互對(duì)立、相互矛盾的關(guān)系。協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)中的沖突主要分為資源沖突、過(guò)程沖突和設(shè)計(jì)沖突，本文主要研究設(shè)計(jì)沖突的消解。設(shè)計(jì)沖突主要包括設(shè)計(jì)結(jié)果和設(shè)計(jì)目標(biāo)沖突。設(shè)計(jì)結(jié)果沖突表現(xiàn)為設(shè)計(jì)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(jì)目標(biāo)沖突則表現(xiàn)在設(shè)計(jì)方案無(wú)法同時(shí)滿足一定的功能目標(biāo)（性能要求）、可制造性目標(biāo)或可裝配性目標(biāo)等的要求。

協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)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(duì)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(jì)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(qiáng)度，即沖突導(dǎo)致后果對(duì)產(chǎn)品設(shè)計(jì)的負(fù)面影響程度。

1．3 協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)沖突消解的工作過(guò)程

協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)過(guò)程本質(zhì)上是多種設(shè)計(jì)主體利用各種經(jīng)驗(yàn)、知識(shí)、規(guī)則，并通過(guò)它們相互之間的協(xié)同工作來(lái)消除設(shè)計(jì)過(guò)程中出現(xiàn)的沖突，獲得最優(yōu)產(chǎn)品設(shè)計(jì)方案的過(guò)程。為反映上述整個(gè)過(guò)程，我們建立了協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)沖突消解過(guò)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(jì)沖突消解過(guò)程如下：將客戶需求轉(zhuǎn)換為具體的設(shè)計(jì)目標(biāo)，并將設(shè)計(jì)目標(biāo)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(shí)別并選擇其中具有重要影響的沖突；設(shè)計(jì)主體根據(jù)協(xié)議庫(kù)中定義的工作機(jī)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(duì)象和技術(shù)資源，并對(duì)資源沖突等情況進(jìn)行處理和協(xié)調(diào)；為解決設(shè)計(jì)工作過(guò)程中的創(chuàng)新型沖突，通過(guò)創(chuàng)成、吸納環(huán)境支持層提供的各種知識(shí)，實(shí)現(xiàn)知識(shí)的重組與創(chuàng)新，達(dá)到消除沖突的目的；當(dāng)識(shí)別出的沖突狀態(tài)為空時(shí)，即意味著沖突得到了解決。

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

沖突消解子模型是過(guò)程模型的核心，它反映了設(shè)計(jì)主體利用知識(shí)消解沖突的過(guò)程。沖突消解子模型由匹配層、進(jìn)化層兩層行為結(jié)構(gòu)和相應(yīng)的支撐知識(shí)組成。其工作機(jī)理如下：當(dāng)設(shè)計(jì)過(guò)程中出現(xiàn)沖突時(shí)，沖突被識(shí)別并對(duì)其進(jìn)行分類、重要性排序，從產(chǎn)品各種知識(shí)庫(kù)中選擇合適的案例進(jìn)行匹配。若從知識(shí)庫(kù)中檢索到的知識(shí)和案例能夠與沖突問(wèn)題完全匹配，意味沖突得到解決；當(dāng)知識(shí)庫(kù)中的實(shí)例不能解決目標(biāo)沖突時(shí)，則提交到進(jìn)化層次進(jìn)行處理，通過(guò)知識(shí)重組、創(chuàng)成和吸納，產(chǎn)生新的規(guī)則以解決沖突。進(jìn)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(kuò)充自己的知識(shí)庫(kù)，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(jì)是一種知識(shí)高度集中的系統(tǒng)。在設(shè)計(jì)沖突消解的過(guò)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(shí)和規(guī)則等來(lái)確定，或者通過(guò)檢索歷史實(shí)例來(lái)提供參考。因此，依據(jù)沖突消解工作機(jī)理，我們建立了基于層次知識(shí)匹配的產(chǎn)品創(chuàng)新協(xié)同設(shè)計(jì)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(jì)優(yōu)化與沖突消解過(guò)程主要通過(guò)以下幾個(gè)階段（步驟）來(lái)完成：

（1）沖突識(shí)別及分類，分析沖突涉及的對(duì)象及沖突的特征屬性。

（2）應(yīng)用粗糙集中知識(shí)約簡(jiǎn)的理論與方法，對(duì)沖突進(jìn)行約簡(jiǎn)；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(jì)數(shù)據(jù)的基礎(chǔ)上，計(jì)算沖突對(duì)產(chǎn)品整體設(shè)計(jì)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(jìn)行相似實(shí)例匹配。

（4）判斷匹配相似度最大的實(shí)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(shí)例作為初始優(yōu)化方案，進(jìn)行知識(shí)的重組、變異，產(chǎn)生新的創(chuàng)新設(shè)計(jì)方案；同時(shí)，補(bǔ)充產(chǎn)品實(shí)例知識(shí)庫(kù)，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(jì)優(yōu)化方案，完成沖突消解過(guò)程。

2 基于粗糙集的關(guān)鍵沖突識(shí)別

在協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)中，沖突具有多樣性、關(guān)聯(lián)性和難以避免等特點(diǎn)，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(jì)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(jì)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(shí)的數(shù)學(xué)工具，在知識(shí)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(guò)知識(shí)約簡(jiǎn)，導(dǎo)出問(wèn)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(yàn)知識(shí)或附加數(shù)據(jù)的缺陷［13］。與現(xiàn)有的層次分析法、模糊評(píng)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(shí)別過(guò)程中沖突信息模糊和不確定的問(wèn)題。

2．1 基于粗糙集的沖突約簡(jiǎn)

協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)中，由于設(shè)計(jì)任務(wù)的多層次性、并行性和協(xié)同性以及設(shè)計(jì)過(guò)程的迭代性，設(shè)計(jì)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(duì)沖突進(jìn)行約簡(jiǎn)，提取影響程度較大的沖突，在不影響沖突識(shí)別結(jié)果的同時(shí)，提高沖突識(shí)別效率。因此，利用粗糙集在知識(shí)約簡(jiǎn)方面的優(yōu)勢(shì)，首先采用粗糙集中的知識(shí)約簡(jiǎn)理論和方法對(duì)各種沖突進(jìn)行約簡(jiǎn)、篩選。

定義1 四元組S＝（U，A，V，f）是一個(gè)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(gè)信息函數(shù)，它為每個(gè)對(duì)象的每個(gè)屬性賦予一個(gè)信息值。

定義2 每個(gè)屬性子集P?A決定了一個(gè)二元等價(jià)關(guān)系IND（P）：

定義3 等價(jià)關(guān)系IND（P），P?A構(gòu)成了U的一個(gè)劃分，用U／IND（P）＝｛X1，X2，…，Xn｝表示，其中，Xi表示不同的等價(jià)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(dāng)IA（a）＞0時(shí)，稱a∈A在A中是必要的；當(dāng)IA（a）＝0，則a是冗余的。

在以上粗糙集理論的基礎(chǔ)上，對(duì)沖突進(jìn)行約簡(jiǎn)的步驟如下：

（1）按式（2）計(jì)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(jì)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(jì)算沖突集B中各種沖突的重要程度IB（bj）（bj∈B）；

（4）計(jì)算B中各種沖突的重要性，按其重要程度，將重要性相對(duì)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(shí)別

經(jīng)過(guò)約簡(jiǎn)后的沖突集包含了對(duì)設(shè)計(jì)效果影響程度比較大的設(shè)計(jì)沖突。但是在協(xié)同設(shè)計(jì)過(guò)程中，這些沖突一般不能夠同時(shí)解決，因此，需要計(jì)算沖突對(duì)協(xié)同設(shè)計(jì)效果的影響重要度，識(shí)別關(guān)鍵沖突，以提高設(shè)計(jì)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(jiǎn)后的協(xié)同設(shè)計(jì)沖突，D＝｛D1，D2，…，Dn｝為設(shè)計(jì)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(shí)別關(guān)鍵沖突的具體步驟描述如下：

（1）確定決策屬性D對(duì)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(jì)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(qiáng)。

（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(shuō)明屬性越重要。屬性Ci的重要度計(jì)算公式為

（3）求屬性Ci的歸一化權(quán)重wi，其公式為

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

3 基于層次知識(shí)匹配的協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)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(jìn)行實(shí)例檢索，以相似度最大的實(shí)例作為沖突消解的參考。本文針對(duì)未檢索到匹配性較好的實(shí)例的情況，提出將沖突映射到產(chǎn)品功能，進(jìn)一步映射到具體的產(chǎn)品零部件上，以便從產(chǎn)品實(shí)例庫(kù)中選擇相似系列零部件進(jìn)行組合優(yōu)化及改進(jìn)的沖突消解解決思路。

基于該思路，為提高知識(shí)匹配效率，我們提出了基于層次知識(shí)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(jì)沖突涉及的對(duì)象分為產(chǎn)品、部件、底層部件和零件四層，因設(shè)計(jì)沖突的約束條件、沖突類型及沖突強(qiáng)度等不同，沖突可在不同層次上得以消除。產(chǎn)品實(shí)例庫(kù)也可分為多層實(shí)例與產(chǎn)品結(jié)構(gòu)層級(jí)相對(duì)應(yīng)。利用該方法消解設(shè)計(jì)沖突時(shí)，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(shí)現(xiàn)多層次的知識(shí)匹配與組合設(shè)計(jì)。如果在上一層已經(jīng)完成了知識(shí)匹配與設(shè)計(jì)沖突的消解，則不再進(jìn)行下一層次的分解與匹配，以此類推。最后，通過(guò)設(shè)計(jì)層次知識(shí)與設(shè)計(jì)過(guò)程的集成，實(shí)現(xiàn)設(shè)計(jì)過(guò)程中的沖突解決及設(shè)計(jì)方案的優(yōu)化。

然而，在層次知識(shí)匹配即對(duì)產(chǎn)品零部件進(jìn)行分解、組合與優(yōu)化的過(guò)程中，會(huì)產(chǎn)生眾多的設(shè)計(jì)備選方案。同時(shí)，產(chǎn)品設(shè)計(jì)是一個(gè)不斷反復(fù)的過(guò)程，需要多方設(shè)計(jì)人員參與進(jìn)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(shí)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(jì)優(yōu)化等領(lǐng)域得到成功應(yīng)用［14－15］。考慮到設(shè)計(jì)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(jì)中的沖突消解與方案優(yōu)化問(wèn)題。因此，本文采用TS算法中Tabu表的記憶功能和特赦準(zhǔn)則策略，同時(shí)，針對(duì)TS算法在求解優(yōu)化問(wèn)題時(shí)存在的“停滯”現(xiàn)象，模擬生物基因重組進(jìn)化過(guò)程產(chǎn)生新的方案［16］，提出一種改進(jìn)的禁忌搜索方法——ERTS（elite reco mbinant tabu search）來(lái)解決創(chuàng)新設(shè)計(jì)沖突并獲得最優(yōu)產(chǎn)品設(shè)計(jì)方案。

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

依據(jù)ERTS算法的核心思想，在產(chǎn)品設(shè)計(jì)中引入一個(gè)靈活的存儲(chǔ)結(jié)構(gòu)和相應(yīng)的準(zhǔn)則來(lái)避免迂回設(shè)計(jì)，采用生物進(jìn)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(jìn)而保證設(shè)計(jì)的多樣化并最終實(shí)現(xiàn)快速全局優(yōu)化?；贓RTS的協(xié)同設(shè)計(jì)沖突消解與方案優(yōu)化的基本步驟如下：

（1）初始化。針對(duì)TS算法對(duì)初始解有較強(qiáng)依賴性的特點(diǎn)，為保證初始解的高質(zhì)量，提高搜索效率，隨機(jī)從產(chǎn)品實(shí)例庫(kù)中挑選出與設(shè)計(jì)目標(biāo)相似度大于閾值ξ的實(shí)例作為設(shè)計(jì)的初始解，并置“設(shè)計(jì)避免表”為空。同時(shí)定義適應(yīng)值函數(shù)，確定完成最終設(shè)計(jì)要求的評(píng)價(jià)標(biāo)準(zhǔn)。初始化變量當(dāng)前迭代次數(shù) （Tcurr）、最大迭代次數(shù)（Tmax）、當(dāng)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(shí)例集作為備選解集N（X），計(jì)算各備選解的目標(biāo)函數(shù)值f（X）。根據(jù)目標(biāo)函數(shù)值、禁忌狀態(tài)和特赦條件選擇一個(gè)備選解，從當(dāng)前解移動(dòng)到該備選解，作為新的當(dāng)前解，將新的當(dāng)前解裝入禁忌表中，使其保持一個(gè)禁忌周期的禁忌狀態(tài)。重復(fù)上述迭代搜索過(guò)程，并不斷更新禁忌表。將歷次搜索過(guò)程中獲得的l個(gè)最佳局部最優(yōu)解存儲(chǔ)在滿意表S中。

（3）如果Tunchange＝Tmaxunchange，設(shè)計(jì)出現(xiàn)“停滯”現(xiàn)象，不能有效解決產(chǎn)品設(shè)計(jì)沖突時(shí)，采用cohesive crossover交叉對(duì)知識(shí)進(jìn)行重組以產(chǎn)生新的個(gè)體xnew。具體過(guò)程為：① 在S中，隨機(jī)選擇兩個(gè)個(gè)體si和sj（i，j＝1，2，…，l；i≠j）作為父代個(gè)體。②在個(gè)體si中，隨機(jī)選擇一個(gè)節(jié)點(diǎn)gk∈R為交叉點(diǎn)，則個(gè)體si中節(jié)點(diǎn)gm與節(jié)點(diǎn)gk（不同于gk的其他任意節(jié)點(diǎn)）之間距離d（gkm）的最大值u＝ max（d（gkm）），gm∈si。對(duì)所有節(jié)點(diǎn)gm∈Q1，Q1＝ ｛gm｜d（gkm）＜ u／2｝，xnew（gm）＝si（gm）；對(duì)其余節(jié)點(diǎn)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(duì)xnew作進(jìn)一步調(diào)整，最終得到一個(gè)新的可行解。

（4）判斷產(chǎn)生的新方案是否優(yōu)于當(dāng)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(dāng)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(duì)產(chǎn)品優(yōu)化設(shè)計(jì)方案的好壞進(jìn)行評(píng)價(jià)。在評(píng)價(jià)產(chǎn)品設(shè)計(jì)時(shí)，通常從以下幾個(gè)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(jì)時(shí)間t；④環(huán)境因素e，包含對(duì)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(duì)象的確定。對(duì)產(chǎn)品某一功能模塊設(shè)計(jì)進(jìn)行禁忌，即以設(shè)計(jì)狀態(tài)分量作為禁忌對(duì)象放入禁忌表中。

（4）特赦準(zhǔn)則 。采用基于適應(yīng)值的準(zhǔn)則作為特赦準(zhǔn)則。若某個(gè)禁忌產(chǎn)品設(shè)計(jì)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(jì)方案為當(dāng)前狀態(tài)和新的最優(yōu)設(shè)計(jì)適應(yīng)值。

（5）鄰域搜索結(jié)構(gòu)。解x實(shí)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(jì)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(kù)中隨機(jī)選擇某一模塊或模塊組合對(duì)原組合進(jìn)行置換。

（6）終止準(zhǔn)則。采用事先指定迭代次數(shù)為終止準(zhǔn)則。

4 應(yīng)用示例

本文以某型號(hào)摩托車的協(xié)同設(shè)計(jì)為例，對(duì)所提出模型與方法的可行性和有效性進(jìn)行驗(yàn)證。經(jīng)市場(chǎng)調(diào)研及與客戶溝通交流，按客戶需求確定了28項(xiàng)摩托車基本功能。經(jīng)分析，主要有支撐負(fù)載、控制方向、傳遞動(dòng)力、轉(zhuǎn)換能量發(fā)出動(dòng)力等15項(xiàng)功能在產(chǎn)品主要6個(gè)設(shè)計(jì)目標(biāo)（外觀性、耐用性、動(dòng)力性、舒適性、經(jīng)濟(jì)性和安全性）上發(fā)生沖突。因此，首先運(yùn)用粗糙集約簡(jiǎn)理論對(duì)這15項(xiàng)功能進(jìn)行篩選，得到比較重要的6項(xiàng)存在沖突的功能：控制方向、阻止轉(zhuǎn)動(dòng)、傳遞動(dòng)力、轉(zhuǎn)換能量發(fā)出動(dòng)力、供給可燃?xì)怏w、供給存儲(chǔ)電能。進(jìn)一步，采用粗糙集屬性重要度理論與方法識(shí)別關(guān)鍵沖突。

4．1 關(guān)鍵沖突的識(shí)別

在利用粗糙集理論與方法計(jì)算各沖突的重要度權(quán)重過(guò)程中，上述6項(xiàng)沖突對(duì)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(duì)設(shè)計(jì)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(huì)促使設(shè)計(jì)效果變得越好。選擇以往設(shè)計(jì)中的50個(gè)實(shí)例，分別記作B1、B2、…、B50，來(lái)計(jì)算Ci的重要度。決策屬性D 分為設(shè)計(jì)效果好（D1）、效果較好（D2）、效果一般（D3）及效果差（D4）四個(gè)等級(jí)，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(jì)沖突決策屬性表

根據(jù)式（1）～式（3），計(jì)算各個(gè)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(dòng)機(jī)，沖突內(nèi)容為“在提高產(chǎn)品動(dòng)力性的同時(shí)會(huì)導(dǎo)致產(chǎn)品成本和燃油消耗的增加，經(jīng)濟(jì)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(jìn)行檢索。從產(chǎn)品實(shí)例庫(kù)中選出相似度較大的一個(gè)，經(jīng)實(shí)例分解，相應(yīng)的摩托車發(fā)動(dòng)機(jī)7個(gè)主要零部件為氣缸、曲柄連桿、配氣部件、潤(rùn)滑部件、冷卻部件、箱體、點(diǎn)火線圈部件，分別記作A、B、C、D、E、F、G，運(yùn)用ERTS算法對(duì)其進(jìn)行優(yōu)化。以最高滿意度、最小成本為優(yōu)化目標(biāo)，因此，適應(yīng)值函數(shù)f＝f（s，c）＝0．6s＋0．4c。各分目標(biāo)的權(quán)重由創(chuàng)新設(shè)計(jì)團(tuán)隊(duì)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(zhǎng)度為3，圖5所示為某摩托車發(fā)動(dòng)機(jī)協(xié)同設(shè)計(jì)優(yōu)化與沖突消解過(guò)程。

圖5 某摩托車發(fā)動(dòng)機(jī)協(xié)同產(chǎn)品創(chuàng)新設(shè)計(jì)沖突消解過(guò)程

從圖5中可以看出，在第48次迭代中，有5個(gè)可選的優(yōu)化選項(xiàng)（A1B1）、（A2B2）、（C1D1）、（F1）和（F2G1）。當(dāng)用（C1D1）取代原設(shè)計(jì)方案中的（C0D0）時(shí)，可使設(shè)計(jì)方案的適應(yīng)值提高得最多，達(dá)到0．70。因此，選用（C1D1）取代（C0D0），設(shè)計(jì)方案由（A0B0C0D0E0F0G0）優(yōu)化為（A0B0C1D1E0F0G0）。

在第52次迭代中，當(dāng)前設(shè)計(jì)方案（A0B0C1D2E3F1G0）適應(yīng)值為0．75，進(jìn)行改進(jìn)后的方案適應(yīng)值最大為0．65。5個(gè)最佳候選解都不能使適應(yīng)值較前一個(gè)設(shè)計(jì)方案得到提高，但為跳出設(shè)計(jì)局部最優(yōu)，嘗試更多的改進(jìn)方案，達(dá)到整個(gè)產(chǎn)品設(shè)計(jì)全局最優(yōu)而忽視這一點(diǎn)，選擇改進(jìn)后的最佳設(shè)計(jì)方案（A1B0C2D2E3F1G1）為下一步改進(jìn)對(duì)象。

在第70次迭代中，當(dāng)前設(shè)計(jì)方案（A1B0C2D2E3F1G1）適應(yīng)值為0．65，在優(yōu)選的幾個(gè)方案中，此時(shí)雖然模塊C1D1被禁忌（禁忌次數(shù)已減為1），但是這個(gè)改進(jìn)方案卻能夠使得設(shè)計(jì)比以前設(shè)計(jì)中任何一次改進(jìn)方案得到的適應(yīng)值都大。因此，特赦這個(gè)設(shè)計(jì)方案，選擇它作為下一步改進(jìn)的候選解。重置它的禁忌次數(shù)為3。這就是特赦準(zhǔn)則保證解多樣化的作用。新的產(chǎn)品設(shè)計(jì)方案（A1B1C1D1E3F1G1）作為下一步改進(jìn)對(duì)象。由于篇幅有限，不再對(duì)優(yōu)化過(guò)程一一詳述。

采用MATLAB編程實(shí)現(xiàn)了ERTS算法對(duì)該設(shè)計(jì)優(yōu)化問(wèn)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(jìn)一步對(duì)發(fā)動(dòng)機(jī)各零部件的配置接口進(jìn)行局部微調(diào)，得到最終的設(shè)計(jì)優(yōu)化方案，即采用單缸、四沖程、風(fēng)冷125式發(fā)動(dòng)機(jī)，點(diǎn)火方式采用CDI電子點(diǎn)火，經(jīng)濟(jì)油耗（百公里油耗為1．7L），最高車速95k m／h，而且價(jià)格比較合理，因此獲得客戶的好評(píng)。

5 結(jié)束語(yǔ)

為有效消除協(xié)同創(chuàng)新設(shè)計(jì)中的沖突以得到優(yōu)化的產(chǎn)品設(shè)計(jì)方案，本文建立了沖突消解的過(guò)程模型，系統(tǒng)地提出了基于層次知識(shí)匹配的設(shè)計(jì)沖突消解的技術(shù)方案；提出了利用粗糙集約簡(jiǎn)沖突并識(shí)別關(guān)鍵沖突的方法；對(duì)于層次知識(shí)匹配策略產(chǎn)生的大量設(shè)計(jì)方案，提出了一種基于改進(jìn)禁忌搜索算法的優(yōu)化方法。最后，將提出的設(shè)計(jì)沖突消解方法應(yīng)用于某摩托車的協(xié)同優(yōu)化設(shè)計(jì)中，驗(yàn)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(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2006，18（2）：225－230．

［2］ 陳宗舜．機(jī)械制造業(yè)工藝設(shè)計(jì)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(jì)算機(jī)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(jī)制研究［J］．計(jì)算機(jī)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(shí)例與規(guī)則集成的模架配置方法［J］．中國(guó)機(jī)械工程，2009，20（4）：428－432．

［10］ 許多，嚴(yán)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(jì)算機(jī)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(jì)的研究現(xiàn)狀與問(wèn)題分析［J］．機(jī)械工程學(xué)報(bào)，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．