多意象驅(qū)動下的產(chǎn)品造型個性化定制系統(tǒng)研究

王鵬　張煒　白睿昇

摘 要：構(gòu)建了一種基于多意象驅(qū)動下的產(chǎn)品個性化定制系統(tǒng)，增加用戶對個性化定制的體驗度，從而實現(xiàn)智能的產(chǎn)品個性化定制設(shè)計。通過對當(dāng)下三種產(chǎn)品個性化定制模式的比較研究和分析，提出了個性化定制系統(tǒng)的構(gòu)架模型和系統(tǒng)流程。然后通過用戶參與模式、感性意象挖掘、關(guān)聯(lián)方法建立多意象驅(qū)動機制，并結(jié)合感性工學(xué)的相關(guān)研究方法、BP神經(jīng)網(wǎng)絡(luò)以及多目標粒子群算法構(gòu)建了面向產(chǎn)品意象造型的智能設(shè)計模型，實現(xiàn)了多意象驅(qū)動下的產(chǎn)品造型個性化定制。最后以人形卡通文具的個性化定制進行了實例驗證。結(jié)果表明多意象驅(qū)動的產(chǎn)品造型個性化定制系統(tǒng)更加豐富了消費者對產(chǎn)品造型意象風(fēng)格的體驗，滿足了消費者日益迫切的個性化設(shè)計需求，符合智能時代對產(chǎn)品設(shè)計開發(fā)的需要。

關(guān)鍵詞：多意象驅(qū)動;個性化定制;BP神經(jīng)網(wǎng)絡(luò);多目標粒子群算法

中圖分類號：TH166;TB472???? 文獻標識碼：A

Research on Product Image Personalization

Customization System Driven by Multi-image

WANG Peng，ZHANG Wei ，BAI Rui-sheng

（Art Design College of Lanzhou University of Technology，Lanzhou，Gansu 730050，China）

Abstract：Building a personalized customization system based on perceptual image-driven user participation， so as to increase the users experience of products design， finally， to realize the intelligent products customization.By researching and analysing the design custom pattern and personalization theory of the present three products， giving a architecture model of personalized system， through user participation model， perceptual intention mining， correlation method establishing a driving mechanism， in combination with research methods of Kansei engineering， BP neural network and Multi-objective particle swarm optimization， to build the intelligent design system and customization process for the products， realized the product shape customization in multi-drive image. In the end， an example verification was made with the personalized customization of humanoid cartoon stationery. The personalized system for users enrich the consumer experience about designing products，it meets the increasingly urgent individual design needs of consumerst， we consider the design and product as most suitable for the intelligent age.

Key words：multi-image driven; personalized customization; BP neural network; multi-objective particle swarm optimization

在“互聯(lián)網(wǎng)+”和“AI”技術(shù)飛速發(fā)展的當(dāng)下，人們的消費水平和消費觀念不斷提升，用戶的個性化、差異化的情感需求也日益增多，以交互體驗為主的個性化定制設(shè)計模式成為一種新的消費趨勢[1]。美國最新預(yù)測的“改變未來的十大科技”中，“個性定制”更是排在首位[2]。個性化定制模式以用戶為中心，尊重個體的自我價值，既能滿足用戶對個性化定制產(chǎn)品的需求，又能推動產(chǎn)業(yè)進步[3]。通過智能設(shè)計系統(tǒng)自主設(shè)計、預(yù)覽、評估和定制，用戶能深入?yún)⑴c到產(chǎn)品的設(shè)計環(huán)節(jié)，讓用戶與設(shè)計師形成緊密協(xié)作的關(guān)系，這種智能定制模式極大地滿足了用戶的個性化需求，符合人人都是設(shè)計師的未來設(shè)計模式[4]。個性化定制通過對用戶感性認知評判、數(shù)據(jù)挖掘分析，出現(xiàn)了從定性向定量發(fā)展的人工評判到智能匹配的趨勢，形成了多種測量歸納意象認知的方法和數(shù)理模型，這些理論基礎(chǔ)有助于結(jié)合感性需求對個性化定制進行研究。

1 個性化定制

個性化定制主要依據(jù)每個用戶不同的愛好和需求，量身制定出一個與之相符合的內(nèi)容，是一種一對一的關(guān)聯(lián)，希望在了解一類用戶的基本需求后，滿足各個用戶的不同需求[5]。目前相對成熟、應(yīng)用較廣的個性化定制模式基本可以分為以下三類：

（1）以情感、興趣驅(qū)動為主的定制模式，即根據(jù)用戶的主觀偏好進行自由度相對較大的定制，如圖1所示。趣味十足的移動端定制產(chǎn)品—“臉萌”基于其強大的素材庫來實現(xiàn)以用戶情感為驅(qū)動的人物臉型輪廓、表情、發(fā)型、配飾等部件的簡單交換，來組合成為一個自己滿意的Q版人物面部形象，過程簡單易上手[6]。

（2）以品牌認知、個性化需求驅(qū)動為主的定制模式，即借助互聯(lián)網(wǎng)平臺，結(jié)合企業(yè)品牌文化、產(chǎn)品特點，根據(jù)用戶的款式、風(fēng)格、尺寸、規(guī)格等方面的線上個性選擇進行較大批量的定制，從而提升顧客忠誠度和服務(wù)質(zhì)量，如青島紅領(lǐng)公司結(jié)合互聯(lián)網(wǎng)技術(shù)和產(chǎn)品族理論設(shè)計了服裝定制供應(yīng)商平臺—RCMTM（Red Collar Made To Measure）[7]，如圖2所示。

（3）以技術(shù)指標、加工工藝驅(qū)動為主的定制模式，即采取整體的組合優(yōu)化，將產(chǎn)品性能配置和功能模塊相結(jié)合，以客戶的需求為生產(chǎn)的目標，根據(jù)某類產(chǎn)品統(tǒng)一或近似的加工工藝和生產(chǎn)指標，通過大批量的產(chǎn)品生產(chǎn)，達到壓縮成本，提升利潤的目的，如三菱公司與相關(guān)研究機構(gòu)聯(lián)合設(shè)計的大型智能生產(chǎn)規(guī)范實驗服務(wù)平臺—e-F@ctory系統(tǒng)[8]，如圖3所示。

個性化定制的理論研究方向主要集中在數(shù)據(jù)挖掘、模塊化、參數(shù)化定制和智能設(shè)計、優(yōu)化模型等方面。如戴佳[9]以用戶為中心，從用戶多種情感需求中分理處個性化需求來指導(dǎo)產(chǎn)品的個性化設(shè)計，并形成了情感化設(shè)計的方法論;朱天燕，周海海[10]等提出了一種基于形狀文法和交互式遺傳算法的產(chǎn)品形態(tài)推演模型，以期保持品牌風(fēng)格的延續(xù)性的同時，在產(chǎn)品造型風(fēng)格連續(xù)性和創(chuàng)新性之間取得平衡;于小利、劉詠梅[11]等提出一種在線個性化定制的模塊化設(shè)計方法，實現(xiàn)了嬰幼兒連體衣款式、尺寸的個性化定制;田巧萍，呂健[12]等人為解決現(xiàn)有產(chǎn)品個性化定制中用戶需求分析復(fù)雜、需求契合度低與用戶參與度不足的問題，通過建立用戶個性需求表達模型并結(jié)合質(zhì)量功能展開（QFD），提出一種基于用戶需求的產(chǎn)品深度個性化定制方法。上述研究主要是基于需求進行個性化定制方法的構(gòu)建，以及情感需求驅(qū)動下的個性化產(chǎn)品設(shè)計，在個性化定制與情感化需求間結(jié)合的研究還有待深入。

綜合分析目前市面上已有的個性化定制模式以及相關(guān)學(xué)術(shù)研究可以看出，目前的產(chǎn)品個性化定制或以產(chǎn)品模塊間的“優(yōu)化組合”為主，或以需求為驅(qū)動進行產(chǎn)品的深度定制，缺乏對于產(chǎn)品意象造型的關(guān)注?；诖耍紫葘Ξa(chǎn)品個性化定制的需求和模式進行了研究，并提出基于產(chǎn)品意象造型個性化定制的設(shè)計流程，然后基于感性工學(xué)提出了基于多意象驅(qū)動下的產(chǎn)品造型智能設(shè)計方法，構(gòu)建了以多目標粒子群算法（MOPSO）和BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的產(chǎn)品造型智能設(shè)計模型，實現(xiàn)了多個感性意象驅(qū)動下的產(chǎn)品造型創(chuàng)新設(shè)計，最后建立了基于多意象驅(qū)動的產(chǎn)品個性化定制系統(tǒng)[13]。

2 個性化定制系統(tǒng)構(gòu)架

2.1 個性化定制流程構(gòu)建

傳統(tǒng)的產(chǎn)品設(shè)計模式主要是通過對同類競品、類似產(chǎn)品等進行大量市場調(diào)研，同時收集用戶反饋，綜合分析設(shè)計痛點、優(yōu)點、缺點來得到新一代的產(chǎn)品設(shè)計方案。智能時代的今天可以采用個性化定制的方式，以感性意象為驅(qū)動，結(jié)合用戶偏好，通過線上的個性化定制系統(tǒng)，實現(xiàn)在產(chǎn)品意象造型方面的自主設(shè)計和定制，更加滿足用戶日益增加的個性化消費需求。系統(tǒng)在為用戶提供個性化定制服務(wù)的同時，實時在線收集用戶的偏好數(shù)據(jù)來定期更新、完善設(shè)計知識庫。個性化定制的總體流程如圖4所示。

首先，用戶選擇定制產(chǎn)品的基本屬性、大致細節(jié)和產(chǎn)品基本原型風(fēng)格，確定初始樣本原型;然后選擇多個感性意象詞匯作為目標，同時設(shè)定相關(guān)初始參數(shù)，進行多意象驅(qū)動下的產(chǎn)品造型智能設(shè)計;若干個智能設(shè)計結(jié)果呈現(xiàn)在選擇頁面上，用戶可以根據(jù)自己的喜好自主選擇，也可以借助系統(tǒng)自動從頁面樣本中挑選出單個意象最占優(yōu)的樣本輸出;之后用戶可以選擇產(chǎn)品的不同部位進行CMF（C：顏色;M：材質(zhì);F：表面處理）風(fēng)格的自主選擇，同時選擇、添加、自主上傳不同的個性化配件;最后確認結(jié)果，生成訂單。

2.2 個性化定制系統(tǒng)通用模塊構(gòu)建

構(gòu)建個性化定制流程，需要建立以下若干模塊：交互模塊、原型構(gòu)建模塊、知識庫模塊、智能設(shè)計模塊、評判模塊、選擇模塊和定制購買模塊。每個模塊之下還劃分為若干個次級模塊，如知識庫模塊下包含有造型知識庫、意象知識庫、CMF知識庫、配飾知識庫等次級模塊。個性化定制系統(tǒng)模塊整體結(jié)構(gòu)和知識庫模塊構(gòu)建如圖5所示。

交互模塊實現(xiàn)用戶的登錄、在線留言、自主添加、系統(tǒng)推送;原型構(gòu)建模塊實現(xiàn)用戶個性化選項與產(chǎn)品基本屬性特點之間的整合統(tǒng)一;知識庫模塊由設(shè)計師提煉文化符號、提煉設(shè)計元素后統(tǒng)一編碼來構(gòu)建[14]，以及作為基本設(shè)計對象的產(chǎn)品本體原型和在用戶、設(shè)計師參與設(shè)計后的產(chǎn)品優(yōu)選原型，為用戶在定制過程中提供后臺支持和數(shù)據(jù)服務(wù)，同時知識庫允許用戶能夠自由進入知識庫中進行添加、更新個別樣本數(shù)據(jù)和參數(shù)，從而一定程度上更新、完善知識庫;智能設(shè)計模塊通過將產(chǎn)品的基本造型參數(shù)化，建立感性意象與產(chǎn)品造型間的相互關(guān)聯(lián)，在讀取用戶輸入的初始設(shè)計參數(shù)和目標意象后，以多目標粒子群算法為基礎(chǔ)，從數(shù)據(jù)庫中調(diào)用對應(yīng)初始樣本種群，進行多意象驅(qū)動下的產(chǎn)品造型智能設(shè)計;評判模塊主要實現(xiàn)定制流程中各個方案、結(jié)果的評判，分為用戶自主評判和系統(tǒng)智能評判;選擇模塊主要實現(xiàn)定制過程中各個步驟和選項的個性化選擇，如配件和CMF;定制模塊實現(xiàn)產(chǎn)品成品和定制方案的訂單確認和購買。個性化定制平臺的核心模塊是知識庫模塊和智能設(shè)計模塊。

2.3 智能設(shè)計模塊構(gòu)建

智能設(shè)計模塊主要基于感性工學(xué)、BP神經(jīng)網(wǎng)絡(luò)和多目標粒子群算法，實現(xiàn)針對產(chǎn)品多意象造型的智能設(shè)計。智能設(shè)計流程如圖6所示。首先對算法參數(shù)進行初始化，將每個粒子看做一個產(chǎn)品造型，然后借助基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的“多意象評價系統(tǒng)”對初始粒子種群（初始產(chǎn)品造型樣本）進行意象值評價，來作為擇優(yōu)篩選條件，多次迭代并更新粒子個體最優(yōu)位置（P-best）和全局最優(yōu)位置（G-best）以實現(xiàn)全局尋優(yōu)，最終得到Pareto最優(yōu)解集。

產(chǎn)品多意象智能設(shè)計的實現(xiàn)需要確定研究樣本，對其進行意象挖掘和樣本造型參數(shù)化后，建立并訓(xùn)練多意象評價系統(tǒng)，用以實現(xiàn)造型智能設(shè)計過程中的適應(yīng)度（意象評價值）計算，然后以參數(shù)化后的研究樣本作為初始種群進入到算法階段。

2.3.1 意象挖掘與研究樣本的確定

以人形卡通文具作為研究對象，通過購物網(wǎng)站、雜志刊物、宣傳廣告以及遺傳算法交叉進化等途徑收集產(chǎn)品相關(guān)樣本圖片、造型和感性意象詞匯，然后利用訪談法和KJ法篩選樣本圖片，利用口語分析法和聚類分析法篩選感性意象詞匯，最后得到50個樣本造型和6個意象詞匯，并以此制作50*6的5級SD調(diào)查問卷[15]。

收集問卷結(jié)果，從中選擇3個目標意象詞匯并分別計算均值，結(jié)果如下表1所示。在BP神經(jīng)網(wǎng)絡(luò)調(diào)用平均意象值數(shù)據(jù)作為輸出訓(xùn)練參數(shù)時依據(jù)公式（1）進行自動歸一化處理，以提升訓(xùn)練效率。

yij=xij-minxjmaxxj-minxj（1）

其中yij表示第i個樣本的第j項意象評價數(shù)據(jù)歸一化后的值;i表示研究樣本，i=1，2，…，50;j為目標意象，j=1，2，3。

2.3.2 產(chǎn)品形態(tài)描述

本研究采用曲線控制法，對產(chǎn)品整體造型進行參數(shù)化描點[16]。以樣本一為例，如圖7所示，將玩偶造型分為身體外部輪廓、頭發(fā)、表情和衣服4個部分，采用曲線控制法在Illustrator軟件中對其進行參數(shù)化處理，并將所有參數(shù)化坐標點分為若干個可變的關(guān)鍵控制點和不可變的絕對控制點，方便后續(xù)的智能設(shè)計。

依次對50個樣本進行參數(shù)化，作為BP神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練參數(shù)和產(chǎn)品多意象進化過程中的初始樣本種群[17]。

2.3.3 意象評價系統(tǒng)構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)：多層前饋網(wǎng)絡(luò)誤差反向傳播算法（Back Propagation，BP）能夠無監(jiān)督的學(xué)習(xí)和記憶數(shù)量可觀的“輸入—輸出”映射關(guān)系，并且無需具體計算、深究其內(nèi)部數(shù)學(xué)模型和原理[18]。

以BP神經(jīng)網(wǎng)絡(luò)構(gòu)建產(chǎn)品多意象造型評價系統(tǒng)以“研究樣本造型參數(shù)—樣本意象評價目標值”的正向傳播和“樣本意象評價目標值—研究樣本造型參數(shù)”的反向傳播兩個過程組成。當(dāng)實際輸出與預(yù)期造型評價參數(shù)不符時，進入誤差的反向傳播階段[18]。多次訓(xùn)練達到收斂后就可以用來評測新生成樣本造型的意象評價值，BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖8所示。

使用50個樣本參數(shù)坐標和意象評價均值對網(wǎng)絡(luò)進行訓(xùn)練。

輸入層：每個產(chǎn)品有63個造型要素，則網(wǎng)絡(luò)訓(xùn)練一個樣本需建立63個輸入神經(jīng)元。本研究從50個樣本中隨機選擇40個樣本作為輸入的訓(xùn)練樣本，10個測試樣本。

輸出層：以50個樣本的意象評價均值為目標輸出值，即每個樣本建立3個神經(jīng)元構(gòu)成輸出層[19]。

隱含層：對于隱含層的神經(jīng)元數(shù)目并沒有統(tǒng)一的標準，于是通常采用以下的經(jīng)驗公式（2）和（3）來確定神經(jīng)元數(shù)目[20]：

n1=n+m+a（2）

n1≤m（n+3）+1（3）

其中n1為隱藏層神經(jīng)元數(shù)，n為輸入層的神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù);a為常數(shù)，取值[1，10]。通過計算，訓(xùn)練設(shè)置本次隱藏層數(shù)位9。

造型參數(shù)和意象評價值呈非線性關(guān)系，故采用Sigmoid函數(shù)作為激勵函數(shù)[21]。設(shè)置最大迭代次數(shù)為10000次，誤差精度為1*10-6，學(xué)習(xí)速率為0.01，利用訓(xùn)練集樣本和測試集樣本進行訓(xùn)練、驗證，如圖9所示。

從圖中可以看出測試整體誤差較小，故可以用來進行產(chǎn)品造型意象值的預(yù)測評判。

2.3.4 基于多目標粒子群算法的產(chǎn)品多意象造型智能設(shè)計

多目標粒子群算法：基于傳統(tǒng)的粒子群算法，結(jié)合Pareto排序規(guī)則得到了多目標粒子群算法[22]，可以根據(jù)粒子相互間的支配關(guān)系檢索歷史最優(yōu)解并保存，同時更新算法非劣解集，并具備記憶能力以掌握當(dāng)前粒子情況進而采取更加適當(dāng)?shù)臋z索策略，因而具有很好的全局收斂能力和穩(wěn)定性，可以很好的解決多目標優(yōu)化問題[23]。

對于規(guī)模為N的粒子種群，任意一個粒子i的位置向量xi和速度向量vi分別表示為：

xi=（xi，1，xi，2，…，xi，D）T∈RD（4）

vi=（vi，1，vi，2，…，vi，D）T∈RD，i=1，2，…，N（5）

D是決策變量個數(shù)，演變過程中粒子位置和速度更新方式如下：

vk+1id=ω·vkid+c1·r1·（pkid-xkid）+c2·r2·（pkgd-xkid）（6）

x（k+1）id=x（k）id+v（k+1）id（7）

式中：ω≥為慣性權(quán)重;k為演變次數(shù);c1，c2，≥0為加速系數(shù);r1，r2是（0，1）之間的隨機數(shù);p（k）id為第i個粒子在k次演變時的最優(yōu)位置的第d維分量，稱為P-best;p（k）gd為粒子群中k次演變時的最優(yōu)位置的第d維分量，稱為G-best[24]。

粒子適應(yīng)度是評價粒子優(yōu)劣的標準，本研究中有多意象造型評價系統(tǒng)預(yù)測意象評價值作為適應(yīng)度。對于多目標優(yōu)化問題，每個粒子具有多個適應(yīng)度，對應(yīng)多個目標。目標函數(shù)即為適應(yīng)度函數(shù)，同時粒子需要滿足對應(yīng)約束，數(shù)學(xué)描述如下：

yi，j=fj（x），（i，j=0，1，2，…），xmin ≤x≤xmax （8）

其中y i，j為i粒子對應(yīng)的第j個適應(yīng)度。

產(chǎn)品多意象造型的算法實現(xiàn)主要有以下步驟：

（1）以參數(shù)化的50個產(chǎn)品樣本的造型參數(shù)作為初始種群，設(shè)置初始化粒子速度為0，算法學(xué)習(xí)因子c1=c2=2，慣性權(quán)重ω為一個隨時間線性減少的函數(shù)：

ω=ωmax -ωmax -ωmin kmax ×k（9）

其中ωmax和ωmin為初始權(quán)重和最終權(quán)重，設(shè)置初始權(quán)重為1.4，最終權(quán)重為0.1;k為迭代次數(shù)，設(shè)置最大迭代次數(shù)kmax為100次;同時設(shè)置粒子最大速度vmax為5，最小速度vmin為-5。

（2）然后導(dǎo)入訓(xùn)練好的多意象造型評價系統(tǒng)，計算各個樣本的意象評價值作為適應(yīng)度值;

（3）比較樣本的適應(yīng)度值，根據(jù)支配關(guān)系更新粒子個體最優(yōu)位置（P-best）和非劣解集，并從非劣解集中隨機選取粒子全局最優(yōu)位置（G-best）。

（4）按照粒子更新公式（6）、（7）更新粒子的速度和位置。

（5）判斷是否達到預(yù)先設(shè)定的最大迭代次數(shù)，是則輸出Pareto最優(yōu)解集，否則返回步驟（2）繼續(xù)迭代[25]。圖10為卡通人偶文具多意象造型優(yōu)化結(jié)果，輸出樣本從最優(yōu)解集中分布的Pareto最優(yōu)解集邊界曲面上隨機選取。

3 以人形卡通文具為例的產(chǎn)品個性化定制案例

對人形卡通文具進行了個性化定制。這款文具內(nèi)附磁鐵，可以吸附日常學(xué)習(xí)生活中的曲別針，也可粘貼便簽。

人形卡通文具的個性化定制流程主要有以下幾步：

（1）用戶進入平臺后首先選擇要定制的卡通人偶的基本屬性，包括玩偶性別、年齡段、體型、和身高選擇等;

（2）對主要造型部位—頭部細節(jié)的基本原型選擇，包括發(fā)型、眼睛風(fēng)格、嘴巴形狀等;

（3）對次級造型部位—衣服造型的基本原型選擇，包括領(lǐng)口風(fēng)格、外套風(fēng)格和下擺風(fēng)格等;

（4）對目標意象風(fēng)格進行選擇（可多選），本研究以“個性的”、“陽光的”、“可愛的”三個目標意象為例;

（5）輸入初始造型參數(shù);

（6）自主選擇滿意樣本或借助系統(tǒng)自動從頁面結(jié)果中挑選出單個意象值最優(yōu)的樣本，如從9個樣本中自動選出目標意象—“可愛的”最高的一個樣本進行輸出;

（7）選擇人偶對應(yīng)部位，進行相應(yīng)的CMF添加;

（8）選擇人偶個別部位進行配件的選擇和添加，本例中對人偶添加了眼鏡、衣紋，并自主上傳、添加了個性簽名;

（9）確認結(jié)果，提交訂單。

產(chǎn)品最終效果圖如圖11所示：

4 結(jié) 論

通過對現(xiàn)有的產(chǎn)品個性化定制模式的分析總結(jié)，基于智能設(shè)計技術(shù)，構(gòu)建出多意象驅(qū)動下的產(chǎn)品個性化定制新模式。該模式能夠讓用戶參與到產(chǎn)品個性化設(shè)計過程中，從而滿足其個性化設(shè)計的需求。構(gòu)建了以多意象驅(qū)動的產(chǎn)品個性化定制系統(tǒng)，在傳統(tǒng)的三種定制模式基礎(chǔ)上，運用意象關(guān)聯(lián)驅(qū)動、BP神經(jīng)網(wǎng)絡(luò)和多目標粒子群算法實現(xiàn)對產(chǎn)品形態(tài)、意象風(fēng)格以及產(chǎn)品CMF的個性化設(shè)計。為個性化定制系統(tǒng)提出了一套囊括智能設(shè)計、自主選擇、模塊組合、線上定制的全新的個性化定制流程，能夠更加貼合用戶的使用過程，證實了多意象驅(qū)動下的智能設(shè)計模型能夠更好的提升用戶體驗。最后，以卡通人偶玩具為例進行了個性化定制演示說明，為未來產(chǎn)品個性化定制模式的發(fā)展提供了新的方向。

參考文獻

[1] 江優(yōu)雅，劉蘇.基于批量生產(chǎn)的個性化產(chǎn)品設(shè)計研究[J].機械設(shè)計與制造工程，2018，47（01）：90-94.

[2] 解洋.互聯(lián)網(wǎng)思維下的汽車個性化定制服務(wù)初探[J].工業(yè)設(shè)計，2017，（11）：51-52.

[3] 張賢富.3D打印對首飾個性化定制過程的重塑研究[J].包裝工程，2018，39（12）：180-185.

[4] 李翔，王子健.基于3D打印技術(shù)的兒童玩具定制平臺設(shè)計[J].包裝工程，2018，39（8）：211-216.

[5] 劉元寅.基于產(chǎn)品系統(tǒng)設(shè)計的自行車個性化定制設(shè)計研究[D].天津理工大學(xué)，2014，（1）：9-10.

[6] 苑馨月.基于交互技術(shù)移動端個人形象管理的應(yīng)用與研發(fā)[J].商，2016，（17）：216.

[7] 李翔，龍慧敏.面向個性化定制的工業(yè)設(shè)計方法研究[J].藝術(shù)與設(shè)計（理論），2018，2（8）：94-96.

[8] 梁秀璟.三菱電機與機械工業(yè)儀器儀表綜合技術(shù)經(jīng)濟研究所共建智能制造綜合試驗驗證平臺—e-F@ctory個性化定制示范產(chǎn)線[J].自動化博覽，2018，（5）：16-17.

[9] 戴佳.基于消費者情感需求的產(chǎn)品個性化設(shè)計研究[D].上海交通大學(xué)，2007，（2）：2-4.

[10]朱天燕，周海海，唐敦兵，等.基于形狀文法和交互式遺傳算法的產(chǎn)品形態(tài)創(chuàng)新設(shè)計[J].機械設(shè)計與制造工程，2019，48（4）：12-17.

[11]于小利，劉詠梅，黃珍珍，等.面向在線個性化定制的嬰幼兒連體衣模塊化設(shè)計[J].東華大學(xué)學(xué)報（自然科學(xué)版），2018，44（5）：734-741.

[12]田巧萍，呂健，潘偉杰，等.基于用戶需求的產(chǎn)品深度個性化定制[J].圖學(xué)學(xué)報，2018，39（5）：867-878

[13]陳登凱，吉青利，李簪.用戶期望意象驅(qū)動的產(chǎn)品造型融合創(chuàng)新設(shè)計[J].現(xiàn)代制造工程，2015，（10）：142-147.

[14]周煜嘯，羅仕鑒，陳根才.基于設(shè)計符號學(xué)的圖標設(shè)計[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2012，24（10）：1319-1328.

[15]張新新.產(chǎn)品造型意象熵評價研究[D].蘭州理工大學(xué)，2016：16-18.

[16]蘇建寧，劉婷婷，王鵬.基于樸素貝葉斯法的產(chǎn)品造型設(shè)計可用性評價研究[J].機械設(shè)計，2016，33（2）：105-108.

[17]王媛媛. 基于自適應(yīng)差分進化算法的堆石壩壩料參數(shù)反演分析及應(yīng)用[D].天津大學(xué)，2017.

[18]蘇建寧，張秦瑋，吳江華，等.產(chǎn)品多意象造型進化設(shè)計[J].計算機集成制造系統(tǒng)，2014，20（11）：2675-2682.

[19]康利靜. 轎車色彩感覺特性設(shè)計支持技術(shù)研究[D].沈陽：東北大學(xué)，2010.

[20]李守國.基于BP神經(jīng)網(wǎng)絡(luò)灰色關(guān)聯(lián)分析的煤與瓦斯突出危險性預(yù)測[J].現(xiàn)代礦業(yè)，2016，32（1）：174-177.

[21]肖俊芳 ，王耀青.一種激勵函數(shù)可調(diào)的快速BP算法[J].自動化技術(shù)與應(yīng)用，2002（6）：26-29.

[22]吳小剛，劉宗歧，田立亭，等.基于改進多目標粒子群算法的配電網(wǎng)儲能選址定容[J].電網(wǎng)技術(shù)，2014，38（12）：3405-3411.

[23]張進峰，楊濤寧，馬偉皓.基于多目標粒子群算法的船舶航速優(yōu)化[J].系統(tǒng)仿真學(xué)報，2019，31（4）：787-794.

[24]胡堂清，張旭秀，曹曉月.一種動態(tài)調(diào)整慣性權(quán)重的混合粒子群算法[J/OL].電光與控制：1-9[2020-02-24].

[25]黃霞，葉春明，曹磊.求解多目標作業(yè)車間調(diào)度問題的混合變異雜草優(yōu)化算法[J].計算機應(yīng)用研究，2017，34（12）：3623-3627.