產(chǎn)品形態(tài)多意象蛛網(wǎng)灰靶決策模型

張書濤，王世杰，劉世鋒，李偉星

產(chǎn)品形態(tài)多意象蛛網(wǎng)灰靶決策模型

張書濤，王世杰，劉世鋒，李偉星

(蘭州理工大學(xué)設(shè)計藝術(shù)學(xué)院，甘肅 蘭州 730050)

針對概念設(shè)計中多意象設(shè)計方案決策困難的現(xiàn)象，提出了一種產(chǎn)品形態(tài)多意象蛛網(wǎng)灰靶決策方法。首先，運用感性工學(xué)相關(guān)方法獲取設(shè)計主體的認(rèn)知數(shù)據(jù)，結(jié)合熵權(quán)法及博弈論思想構(gòu)建基于設(shè)計主體認(rèn)知數(shù)據(jù)的綜合評價模型，并根據(jù)各意象的設(shè)計主體綜合評價數(shù)據(jù)確定各意象的權(quán)重關(guān)系；其次，通過人工選擇的方式從產(chǎn)品形態(tài)進(jìn)化系統(tǒng)中選擇多個進(jìn)化方案，運用蛛網(wǎng)圖表征各進(jìn)化方案的意象關(guān)系，構(gòu)建多意象蛛網(wǎng)灰靶決策模型，計算決策系數(shù)，對其進(jìn)行比較排序，得到符合設(shè)計主體認(rèn)知的相對最優(yōu)方案；最后，應(yīng)用灰色關(guān)聯(lián)分析法驗證該決策模型的可行性。結(jié)果表明，該模型能夠幫助設(shè)計師在設(shè)計決策階段快速、準(zhǔn)確地確定符合多設(shè)計主體認(rèn)知的多意象方案，為產(chǎn)品方案的多意象決策提供了新的理論和方法。

感性工學(xué)；多意象決策；蛛網(wǎng)圖；灰靶決策模型；設(shè)計主體；產(chǎn)品形態(tài)

激烈的市場競爭促使產(chǎn)品設(shè)計從以設(shè)計師為導(dǎo)向轉(zhuǎn)變?yōu)橐杂脩魹閷?dǎo)向，物質(zhì)生活的提高使得用戶更加注重情感需求的滿足，逐漸成為影響用戶購買決策的重要因素[1]，即在購買產(chǎn)品時，用戶在注重其基本功能的同時，越來越重視產(chǎn)品帶來的情感體驗。但受教育背景、生活環(huán)境等復(fù)雜因素的影響，同一件產(chǎn)品為不同群體提供的情感體驗存在差異，從而產(chǎn)生不同的情感反應(yīng)?；诖?，日本學(xué)者M(jìn)itsuo Nagamachi提出“感性工學(xué)”的概念，將用戶情感需求信息化，并轉(zhuǎn)譯為產(chǎn)品的形態(tài)與功能，以提高產(chǎn)品的市場認(rèn)可度[2]。

產(chǎn)品意象是人類通過對產(chǎn)品的學(xué)習(xí)、使用而產(chǎn)生的一種深層次的心理感受[3]。隨著體驗經(jīng)濟的出現(xiàn)，用戶與設(shè)計師共同參與到產(chǎn)品開發(fā)中，運用相關(guān)設(shè)計工具對某個主要感性需求進(jìn)行針對性地求解，并以具象化的產(chǎn)品形態(tài)進(jìn)行表達(dá)[4]。但設(shè)計主體的意象認(rèn)知具有復(fù)雜性和多樣性，并且產(chǎn)品形態(tài)是多種意象綜合的結(jié)果，而傳統(tǒng)情感設(shè)計主要以單一意象為目標(biāo)，其結(jié)果難以滿足設(shè)計主體的情感需求，因此越來越多的學(xué)者關(guān)注于如何設(shè)計出融合多意象需求的產(chǎn)品形態(tài)。

針對用戶的意象需求程度的差異及單意象形態(tài)設(shè)計的缺點，蘇珂和王碩[5]運用神經(jīng)網(wǎng)絡(luò)等方法研究產(chǎn)品多意象形態(tài)設(shè)計；李孟山等[6]提出一種基于混合智能算法的多用戶色彩意象決策模型，以探究不同色彩意象與色彩需求之間的內(nèi)在聯(lián)系；程永勝等[7]運用統(tǒng)計學(xué)方法及BP神經(jīng)網(wǎng)絡(luò)建立電動汽車意象預(yù)測模型，以解決形態(tài)特征與多個感性意象之間的匹配問題；歐陽晉焱等[8]將意象認(rèn)知引入到字體研究中，通過構(gòu)建多意象預(yù)測模型，最終得到字體結(jié)構(gòu)與用戶意象之間的內(nèi)在聯(lián)系；王增等[9]提出一種基于橢圓傅里葉的產(chǎn)品意象形態(tài)設(shè)計方法，以預(yù)測多意象產(chǎn)品形態(tài)；為分析產(chǎn)品形態(tài)美度指標(biāo)與多意象之間的潛在聯(lián)系，周愛民等[10]建立了基于形態(tài)美度的產(chǎn)品多意象預(yù)測模型。上述研究大多聚焦于從多角度研究產(chǎn)品多意象形態(tài)以及產(chǎn)品形態(tài)的多意象預(yù)測，而針對多意象設(shè)計方案的選擇及多個設(shè)計主體的多意象決策的研究相對較少。

綜上，本文從灰色系統(tǒng)理論的角度探究產(chǎn)品形態(tài)與意象的潛在關(guān)聯(lián)，提出一種基于設(shè)計主體認(rèn)知的產(chǎn)品形態(tài)多意象蛛網(wǎng)灰靶決策方法。該方法通過對蛛網(wǎng)面積與靶心面積差異的綜合判斷，幫助設(shè)計師在設(shè)計開發(fā)中快速地篩選出相對最優(yōu)的方案，在縮短開發(fā)時間的同時，有助于提高產(chǎn)品的用戶滿意度。

1 相關(guān)理論

1.1 蛛網(wǎng)圖

蛛網(wǎng)圖(spider chart)評價法[11]，又稱為戴布拉圖或雷達(dá)圖評價法，是一種將評價指標(biāo)進(jìn)行二維圖像展示的綜合評價方法。其核心思想是以個評價指標(biāo)為基礎(chǔ)建立維坐標(biāo)系，根據(jù)無量綱化的評價結(jié)果，分別在各坐標(biāo)軸描點、連線，形成維多邊形，從而進(jìn)行綜合評價。

近年來，蛛網(wǎng)圖已在諸多領(lǐng)域得到廣泛應(yīng)用。在工程技術(shù)領(lǐng)域，ZHAO等[12]運用變速摩擦試驗(variable speed friction test，VSFT)裝置，評估自動變速器流體的基本添加劑摩擦性能，并以蛛網(wǎng)圖顯示各類添加劑的測試結(jié)果；蔡雨等[13]運用蛛網(wǎng)圖的形態(tài)相似性及結(jié)構(gòu)相似性構(gòu)建高速公路軟基決策模型，綜合評價目標(biāo)方案與參考范例之間的貼近程度。在環(huán)保領(lǐng)域，段菁春等[14]運用特征蛛網(wǎng)圖表征大氣污染成分在不同時間和空間中的變化特征，為污染成分及原因的分析提供了直觀方法。在醫(yī)療領(lǐng)域，BROOMHEAD等[15]針對非洲缺乏電子健康影響評估框架，運用評估工具對54個非洲國家的電子健康投資規(guī)劃進(jìn)行評估，并以蛛網(wǎng)圖表征其結(jié)果。在電氣工程領(lǐng)域，李海英等[16]提出一種基于蛛網(wǎng)圖的圖形評估方法，以分析電力設(shè)備各部分的健康狀態(tài)；程志友等[17]利用改進(jìn)蛛網(wǎng)圖的電力系統(tǒng)電能質(zhì)量評估方法，解決了傳統(tǒng)電能質(zhì)量評估受主觀因素影響過大的問題。在生物學(xué)領(lǐng)域，LI等[18]提出一種針對細(xì)胞相似性以及識別細(xì)胞類型的計算技術(shù)，為便于后續(xù)的分析與保存，其結(jié)果以蛛網(wǎng)圖形式表征。

綜上，蛛網(wǎng)圖主要以具象化的形式表征某個待測樣本的各評價指標(biāo)之間的關(guān)系，以便后續(xù)分析。因此，本文運用蛛網(wǎng)圖表征進(jìn)化方案的各意象的設(shè)計主體綜合評價結(jié)果，根據(jù)各意象的設(shè)計主體綜合評價結(jié)果所構(gòu)成的多邊形的面積進(jìn)行方案評判。

1.2 灰靶決策模型

灰靶決策模型[19](grey target decision-making model，GTDM)是灰色系統(tǒng)理論的重要組成部分，主要解決多屬性決策問題。其將所有無量綱化的指標(biāo)所形成的歐式空間稱為灰靶，以靶心作為最優(yōu)方案，將各待測方案與之比較，從而確定相對最優(yōu)的方案。

由于GTDM適用于解決小樣本量、多屬性的不確定性問題，因此廣泛應(yīng)用于各學(xué)科領(lǐng)域。如，張文杰和袁紅平[20]運用多目標(biāo)加權(quán)GTDM幫助用能方在數(shù)據(jù)不全的情況下，選擇相對最優(yōu)的節(jié)能服務(wù)公司；張浩等[21]結(jié)合突變級數(shù)法和GTDM及成熟度模型對生鮮農(nóng)產(chǎn)品O2O (online to offline)進(jìn)行評估，提高了生鮮農(nóng)產(chǎn)品電商經(jīng)營的成熟度；為解決風(fēng)險投資項目的屬性信息不確定的問題，F(xiàn)U等[22]提出一種基于正負(fù)影響的區(qū)間數(shù)GTDM；吳天昊等[23]基于GTDM構(gòu)建了自適應(yīng)動態(tài)指標(biāo)配置模型，以解決戰(zhàn)場電磁干擾的不確定及多維問題；周鑫隆等[24]提出了一種基于GTDM的巖爆烈度評價方法，通過比較各巖爆烈度等級與靶心的距離，判斷其等級。

綜上，GTDM主要應(yīng)用于不確定性、多指標(biāo)問題，而人類受自身知識水平等復(fù)雜因素的影響，其認(rèn)知具有模糊性、復(fù)雜性的特點，因此認(rèn)知過程也屬于一種灰色系統(tǒng)。但傳統(tǒng)的GTDM主要通過歐氏距離、馬氏距離等方法計算各方案與靶心的距離，其結(jié)果會因計算方式的原因而極端化，即重要指標(biāo)變小，次要指標(biāo)變大，從而造成最終結(jié)果的不準(zhǔn)確[25]。因此，本文將結(jié)合蛛網(wǎng)圖與GTDM，運用蛛網(wǎng)圖表征產(chǎn)品方案的多意象關(guān)系，利用蛛網(wǎng)面積與靶心面積的差異對進(jìn)化方案進(jìn)行綜合評價，從而幫助設(shè)計師遴選出滿足多個設(shè)計主體意象認(rèn)知的相對最優(yōu)方案，提高設(shè)計決策的準(zhǔn)確性。

2 研究流程

2.1 確定代表性樣本與意象詞匯

在確定目標(biāo)產(chǎn)品的基礎(chǔ)上，通過期刊、書籍、網(wǎng)站等途徑收集樣本圖片，運用專家討論法剔除形態(tài)相近且不符合要求的樣本圖片。為避免色彩、紋理、表面處理等因素的影響，僅提取樣本輪廓，以此作為代表性樣本。并邀請設(shè)計師進(jìn)行語義相似度調(diào)查，根據(jù)定量分析確定代表性感性詞匯。

2.2 構(gòu)建多意象蛛網(wǎng)灰靶決策模型

2.2.1 確定各意象的設(shè)計主體權(quán)重

為量化設(shè)計主體的意象認(rèn)知，將代表性樣本和感性詞匯結(jié)合，并運用語義差分法(semantic difference，SD)分別針對用戶和設(shè)計師開展問卷調(diào)查，得到設(shè)計主體意象評價矩陣，即

近年來，信息熵被引入到設(shè)計領(lǐng)域且得到了廣泛應(yīng)用[26-27]。本文運用信息熵分析各意象下設(shè)計主體的意象不確定性，從而確定2個設(shè)計主體的權(quán)重關(guān)系，即

其中，為設(shè)計主體的種類數(shù)，=2。

2.2.2 設(shè)計主體綜合評價模型確定

由于各意象中的設(shè)計主體的評價存在差異，在構(gòu)建設(shè)計主體的多意象蛛網(wǎng)GTDM時，需構(gòu)建設(shè)計主體綜合評價模型，即

從而確定待定系數(shù)為

歸一化后，得到優(yōu)化待定系數(shù)

結(jié)合上述步驟得到的各意象下設(shè)計主體綜合評價矩陣，運用熵權(quán)法確定各意象的權(quán)重。

2.2.3 多意象蛛網(wǎng)灰靶決策模型

多意象蛛網(wǎng)GTDM是以蛛網(wǎng)圖為基礎(chǔ)，將坐標(biāo)軸定義為感性意象，且各坐標(biāo)軸間的夾角相等，通過比較各意象的無綱化綜合評價結(jié)果所圍成的多邊形面積與靶心面積的差異性，從而對進(jìn)化方案進(jìn)行判斷，如圖1所示。

圖1 多意象蛛網(wǎng)灰靶決策模型

類似于射擊活動使用的標(biāo)靶，多意象蛛網(wǎng)GTDM的靶心為各意象的最理想結(jié)果，靶心面積代表各意象均為最優(yōu)的多意象綜合評價結(jié)果，進(jìn)化方案的各意象值越靠近靶心，其綜合評價越高。由于多意象決策時難以找到全部符合設(shè)計主體意象需求的產(chǎn)品形態(tài)，因此本文僅需從中確定相對最優(yōu)的產(chǎn)品方案。假設(shè)靶心的意象向量為理想方案的意象最優(yōu)向量，即=(11,22,···,wo)，從而構(gòu)建基于設(shè)計主體的產(chǎn)品多意象蛛網(wǎng)灰靶決策模型

其中，T,j為第個進(jìn)化方案的第個意象的綜合評價結(jié)果；w為第個意象的權(quán)重。

分析比較所有決策系數(shù)S，即S越小，與靶心越接近，該方案越優(yōu)。

2.3 建立產(chǎn)品意象形態(tài)進(jìn)化系統(tǒng)

在產(chǎn)品設(shè)計中，設(shè)計師通過設(shè)計活動產(chǎn)生大量設(shè)計方案，并從中選擇出最優(yōu)方案滿足用戶需求。而遺傳算法能夠通過遺傳操作(選擇、交叉和變異)擴大目標(biāo)問題的解空間，快速產(chǎn)生大量的目標(biāo)解[28]。因此，本文利用遺傳算法模擬設(shè)計師產(chǎn)出大量設(shè)計方案的過程。

此外，產(chǎn)品形態(tài)包含多種意象，且多意象產(chǎn)品形態(tài)的設(shè)計是一個典型的多目標(biāo)尋優(yōu)過程。同時，產(chǎn)品的各意象間不存在優(yōu)劣關(guān)系，即任何意象都不優(yōu)于其他意象，各意象間為非支配關(guān)系。因此本文借鑒非支配排序遺傳算法(non-dominated sorting genetic algorithms-II，NSGA-II)的理論框架，運用Matlab軟件建立產(chǎn)品形態(tài)進(jìn)化系統(tǒng)，并以BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的設(shè)計主體意象評價系統(tǒng)預(yù)測所有子代方案的設(shè)計主體認(rèn)知評價。為模擬實際生活中用戶接觸產(chǎn)品過程的隨機性，提高方案選擇過程的真實性，本文通過人工選擇的方式從進(jìn)化系統(tǒng)選擇若干個設(shè)計方案，并運用多意象蛛網(wǎng)GTDM從中選擇出最符合設(shè)計主體意象需求的進(jìn)化方案，即相對最優(yōu)方案。

2.4 對比驗證

為了驗證所構(gòu)建的多意象蛛網(wǎng)GTDM的有效性，需將該模型與其他決策方法進(jìn)行對比分析。由于設(shè)計主體的意象認(rèn)知過程屬于一種灰色系統(tǒng)，而GTDM與灰色關(guān)聯(lián)分析法均屬于灰色系統(tǒng)理論范疇，且灰色關(guān)聯(lián)分析法[29]主要用于分析子系統(tǒng)間的關(guān)聯(lián)強弱。其作為驗證方法能夠驗證產(chǎn)品形態(tài)與設(shè)計主體意象認(rèn)知間的模糊性關(guān)系。因此，本文引入灰色關(guān)聯(lián)分析法對多意象產(chǎn)品方案進(jìn)行決策。其步驟如下：

(1) 確定多意象下的設(shè)計主體綜合評價的決策矩陣=[t()]，即

其中，=0, 1, 2,···,；=1, 2,···,；0()為最優(yōu)序列，即理想方案的各意象最優(yōu)評價值；其他組序列為比較序列。

(2) 計算各方案的設(shè)計主體綜合評價與最優(yōu)序列的關(guān)聯(lián)系數(shù)，即

其中，為辨識系數(shù)，∈[0,1]。

(3) 計算各方案與最優(yōu)序列的灰色關(guān)聯(lián)度，即

根據(jù)計算結(jié)果，對進(jìn)化方案進(jìn)行排序，即關(guān)聯(lián)度越大，方案越優(yōu)。將灰色關(guān)聯(lián)分析的結(jié)果與多意象蛛網(wǎng)GTDM的結(jié)果進(jìn)行對比分析，以驗證多意象蛛網(wǎng)GTDM的可行性。

3 實例研究

本文選取飲料瓶作為研究案例，建立關(guān)于飲料瓶的多意象蛛網(wǎng)GTDM。首先，根據(jù)飲料瓶樣本的意象調(diào)研結(jié)果確定各意象下各設(shè)計主體的權(quán)重，借鑒博弈論思想，確定設(shè)計主體綜合評價模型系數(shù)，進(jìn)而計算各意象下設(shè)計主體綜合評價；其次，結(jié)合設(shè)計主體綜合評價獲得各意象的權(quán)重關(guān)系，以此確定多意象蛛網(wǎng)GTDM的相關(guān)系數(shù)；然后，通過產(chǎn)品意象形態(tài)進(jìn)化系統(tǒng)，獲得多個進(jìn)化形態(tài)，并將各進(jìn)化形態(tài)的各意象設(shè)計主體綜合評價分別結(jié)合多意象蛛網(wǎng)GTDM進(jìn)行綜合分析，得到相對最優(yōu)的進(jìn)化方案；最后，通過對比探究，驗證該方法的可行性。

3.1 代表性樣本和感性詞匯的獲取

首先，通過期刊、書籍、網(wǎng)站等途徑共收集130張飲料瓶正視圖，并邀請5名設(shè)計師以專家討論的形式篩選樣本。其次，為避免色彩、紋理、表面處理等因素的干擾，提取飲料瓶輪廓，最終得到65張代表性樣本，部分樣本見表1。

表1 部分飲料瓶樣本

根據(jù)代表性樣本確定15個感性詞匯：簡潔感、輕巧感、流線感、肌理感、美觀感、舒適感、趣味感、圓潤感、運動感、協(xié)調(diào)感、個性感、親和感、新奇感、精致感、時尚感。并對20名專家進(jìn)行語義相似度調(diào)研，將其結(jié)果輸入到SPSS中進(jìn)行聚類分析，聚類結(jié)果見表2。從每一類中分別選擇1個距離中心最近的感性詞匯，從而確定代表性感性詞匯為：簡潔感、舒適感、流線感、精致感和新奇感。

表2 感性詞匯聚類結(jié)果

3.2 設(shè)計主體意象數(shù)據(jù)的獲取

結(jié)合代表性樣本和感性詞匯制作5級SD調(diào)查問卷，調(diào)研對象為47名用戶與44名設(shè)計師，并對結(jié)果進(jìn)行歸一化處理。為減小極端值0對實驗結(jié)果的影響，故當(dāng)歸一化結(jié)果為0時，使其約等于0.001，部分結(jié)果見表3。

3.3 各意象的設(shè)計主體權(quán)重計算

運用式(3)～(5)計算得到各意象下用戶與設(shè)計師的權(quán)重，見表4。

3.4 設(shè)計主體綜合評價模型系數(shù)的確定

3.5 意象權(quán)重計算

再次利用熵權(quán)法確定各意象間的權(quán)重關(guān)系，結(jié)果見表7。

表3 部分歸一化的調(diào)研結(jié)果

表4 各意象下設(shè)計主體的權(quán)重

表5 各意象下設(shè)計主體綜合評價模型的優(yōu)化待定系數(shù)

表6 各意象下設(shè)計主體綜合評價的部分結(jié)果

表7 意象權(quán)重

3.6 最優(yōu)方案的生成與評價

3.6.1 產(chǎn)品形態(tài)進(jìn)化設(shè)計

對20名用戶進(jìn)行飲料瓶形態(tài)喜愛度調(diào)研，確定樣本13為最受喜愛的飲料瓶形態(tài)，如圖2所示。并從代表性樣本中隨機選擇一個樣本，即樣本55，將2個樣本作為進(jìn)化系統(tǒng)的父代樣本進(jìn)行遺傳操作。

圖2 用戶喜愛度最高的樣本形態(tài)

進(jìn)化形態(tài)及各設(shè)計主體的預(yù)測評價均顯示在人機交互界面中，如圖3所示。通過人工選擇的方式從中選擇6個進(jìn)化形態(tài)，其形態(tài)與設(shè)計主體預(yù)測評價見表8。

圖3 產(chǎn)品形態(tài)進(jìn)化系統(tǒng)人機交互界面

表8 進(jìn)化形態(tài)與設(shè)計主體預(yù)測評價值

3.6.2 方案評價

對表8中的數(shù)據(jù)進(jìn)行歸一化處理，其結(jié)果見表9。

將表4和表9中的數(shù)據(jù)分別代入式(7)中，并將其結(jié)果和表5的數(shù)據(jù)代入式(6)，得到進(jìn)化形態(tài)的各意象設(shè)計主體綜合評價，見表10。

表9 設(shè)計主體預(yù)測評價的歸一化結(jié)果

表10 進(jìn)化形態(tài)的各意象設(shè)計主體綜合評價結(jié)果

根據(jù)表10的各意象設(shè)計主體綜合評價結(jié)果繪制各進(jìn)化方案的多意象蛛網(wǎng)灰靶圖，以更清楚地表征各進(jìn)化方案的意象特征，如圖4所示。

將表7和表10的數(shù)據(jù)代入式(11)，得到各進(jìn)化方案的決策系數(shù)，即=[1,2,3,4,5,6]= [0.034, 0.064, 0.075, 0.047, 0.055, 0.041]。對其進(jìn)行比較排序，得出1<6<4<5<2<3，因此，方案1是與靶心最近的方案，即相對最優(yōu)決策方案。

3.7 對比驗證

將表10中進(jìn)化方案的各意象設(shè)計主體綜合評價值代入式(12)～(14)，通過計算得到各進(jìn)化方案與最優(yōu)序列的灰色關(guān)聯(lián)度，即(0(),t())=[0.906, 0.753, 0.716, 0.824, 0.795, 0.858]。根據(jù)灰關(guān)聯(lián)分析結(jié)果，對進(jìn)化方案進(jìn)行排序，其結(jié)果為：3<2<5<4<6<1，即方案1為最優(yōu)進(jìn)化方案。

圖4 各進(jìn)化方案的多意象蛛網(wǎng)灰靶圖

通過對比2個決策模型的評價結(jié)果，發(fā)現(xiàn)多意象蛛網(wǎng)GTDM的決策結(jié)果與灰色關(guān)聯(lián)分析的評價結(jié)果相一致，因此本文構(gòu)建的決策模型是有效的。

從圖4可以看出，1的各意象設(shè)計主體綜合評價分布較為均衡且評價結(jié)果較高，該方案為相對最優(yōu)決策方案，滿足設(shè)計主體的多意象認(rèn)知需求；相對而言，其他方案的各意象設(shè)計主體綜合評價分布均衡性較差，基本呈現(xiàn)為某一或少數(shù)幾個意象的設(shè)計主體綜合評價結(jié)果較高，其余意象的設(shè)計主體綜合評價結(jié)果較低，導(dǎo)致方案的用戶認(rèn)可度不高。由此可知：產(chǎn)品形態(tài)是多意象耦合的結(jié)果，某一個或少數(shù)幾個意象的設(shè)計主體綜合評價的突出難以滿足設(shè)計主體的意象需求；各意象之間不存在主次，某個意象權(quán)重的大幅度增減將會降低意象之間的均衡性，從而降低產(chǎn)品的認(rèn)可度；當(dāng)所有意象的設(shè)計主體綜合評價越高且保持較好的均衡性時，產(chǎn)品形態(tài)的認(rèn)可程度也就越高。因此，在產(chǎn)品開發(fā)過程中，設(shè)計師應(yīng)準(zhǔn)確掌握設(shè)計主體的多種意象需求，通過協(xié)調(diào)意象間的權(quán)重關(guān)系，設(shè)計出符合設(shè)計主體認(rèn)知的多意象產(chǎn)品，以提高產(chǎn)品開發(fā)效率。

4 結(jié)束語

復(fù)雜背景的不確定性導(dǎo)致設(shè)計主體的信息表達(dá)較為模糊，本文將蛛網(wǎng)圖與GTDM相結(jié)合，提出了一種針對設(shè)計主體認(rèn)知的產(chǎn)品形態(tài)多意象蛛網(wǎng)GTDM，以幫助設(shè)計師在設(shè)計決策階段掌握設(shè)計主體的認(rèn)知信息，從而快速確定符合設(shè)計主體認(rèn)知的多意象產(chǎn)品方案。首先，應(yīng)用定量化方法探索2個設(shè)計主體意象認(rèn)知的內(nèi)在固有規(guī)律，構(gòu)建設(shè)計主體綜合評價模型，分析各意象的權(quán)重關(guān)系；其次，基于多意象蛛網(wǎng)GTDM獲取各進(jìn)化方案的多意象蛛網(wǎng)圖及決策結(jié)果；最后，應(yīng)用灰色關(guān)聯(lián)分析驗證決策結(jié)果的正確性與方法的可行性。相較于傳統(tǒng)決策方法，該決策模型運用產(chǎn)品形態(tài)多意象蛛網(wǎng)圖的形式呈現(xiàn)產(chǎn)品方案的各意象關(guān)系，將設(shè)計主體的認(rèn)知信息進(jìn)行可視化表征，在幫助設(shè)計師解決多意象決策問題的同時，方便了設(shè)計師對設(shè)計方案的遴選，為多個設(shè)計主體的多意象決策提供了新的理論方法，有助于提高產(chǎn)品方案決策效率。但本文只考慮了設(shè)計師與用戶2個設(shè)計主體，而在實際的產(chǎn)品開發(fā)中，其他設(shè)計參與者在產(chǎn)品決策階段的評價也尤為重要。因此，在后續(xù)的研究中，將考查工程師、銷售人員等其他參與者的意象認(rèn)知，進(jìn)一步提高多意象決策模型的適用性。

[1] 陳金亮, 趙鋒. 產(chǎn)品感性意象設(shè)計研究進(jìn)展[J]. 包裝工程, 2021, 42(20): 178-187.

CHEN J L, ZHAO F. Review of product Kansei image design[J]. Packaging Engineering, 2021, 42(20): 178-187 (in Chinese).

[2] NAGAMACHI M. Kansei engineering as a powerful consumer-oriented technology for product development[J]. Applied Ergonomics, 2002, 33(3): 289-294.

[3] 林麗, 張云鹍. 感性工學(xué)中的參數(shù)化設(shè)計方法關(guān)鍵技術(shù)研究現(xiàn)狀與展望[J]. 圖學(xué)學(xué)報, 2019, 40(5): 936-944.

LIN L, ZHANG Y K. Key technologies in parametric design methods in kansei engineering: state of art and progress[J]. Journal of Graphics, 2019, 40(5): 936-944 (in Chinese).

[4] PRAHALAD C K, RAMASWAMY V. Co-creation experiences: the next practice in value creation[J]. Journal of Interactive Marketing, 2004, 18(3): 5-14.

[5] 蘇珂, 王碩. 產(chǎn)品多意象造型設(shè)計研究[J]. 機械設(shè)計, 2016, 33(3): 115-119.

SU K, WANG S. Study of product modeling design with multiple images[J]. Journal of Machine Design, 2016, 33(3): 115-119 (in Chinese).

[6] 李孟山, 徐秋瑩, 高德民, 等. 融合混合智能方法和多用戶意象的色彩決策系統(tǒng)[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2017, 29(11): 2091-2099.

LI M S, XU Q Y, GAO D M, et al. Color decision system based on hybrid intelligent method and multi-users' images[J]. Journal of Computer-Aided Design & Computer Graphics, 2017, 29(11): 2091-2099 (in Chinese).

[7] 程永勝, 徐驍琪, 陳國強, 等. 基于神經(jīng)網(wǎng)絡(luò)的電動汽車造型意象預(yù)測模型[J]. 計算機集成制造系統(tǒng), 2021, 27(4): 1135-1145.

CHENG Y S, XU X Q, CHEN G Q, et al. Image prediction model of electric vehicle based on neural network[J]. Computer Integrated Manufacturing Systems, 2021, 27(4): 1135-1145 (in Chinese).

[8] 歐陽晉焱, 盛浩涵, 周愛民, 等. 基于漢字字體結(jié)構(gòu)認(rèn)知計算的多意象預(yù)測模型[J]. 圖學(xué)學(xué)報, 2019, 40(5): 945-952.

OUYANG J Y, SHENG H H, ZHOU A M, et al. Multi-image prediction model based on cognitive computing of Chinese font structure[J]. Journal of Graphics, 2019, 40(5): 945-952 (in Chinese).

[9] 王增, 劉衛(wèi)東, 楊明朗, 等. 基于橢圓傅里葉的產(chǎn)品外形意象設(shè)計[J]. 計算機集成制造系統(tǒng), 2020, 26(2): 481-495.

WANG Z, LIU W D, YANG M L, et al. Product form image design based on elliptic Fourier[J]. Computer Integrated Manufacturing Systems, 2020, 26(2): 481-495 (in Chinese).

[10] 周愛民, 蘇建寧, 閻樹田, 等. 基于形態(tài)美度的產(chǎn)品多意象預(yù)測模型[J]. 圖學(xué)學(xué)報, 2018, 39(4): 654-660.

ZHOU A M, SU J N, YAN S T, et al. Product multi-image prediction model based on aesthetic measure of form[J]. Journal of Graphics, 2018, 39(4): 654-660 (in Chinese).

[11] 劉方偉, 龍國安. 蛛網(wǎng)圖評價法在機械設(shè)備外觀設(shè)計決策中的應(yīng)用[J]. 林業(yè)機械與木工設(shè)備, 2011, 39(5): 46-48.

LIU F W, LONG G A. Application of the spider diagram evaluation method in equipment outlook design decisions[J]. Forestry Machinery & Woodworking Equipment, 2011, 39(5): 46-48 (in Chinese).

[12] ZHAO H, NEVILLE A, MORINA A, et al. A new method to evaluate the overall anti-shudder property of automatic transmission fluids–multiple parameters spider chart evaluation[J]. Proceedings of the Institution of Mechanical Engineers, Part J: Journal of Engineering Tribology, 2008, 222(3): 459-469.

[13] 蔡雨, 徐林榮, 鐘啟榮, 等. 基于蛛網(wǎng)結(jié)構(gòu)相似的高速公路軟基處理決策模型[J]. 控制與決策, 2020, 35(2): 445-452.

CAI Y, XU L R, ZHONG Q R, et al. Decision model for soft-foundation treatment of expressway based on similarity of cobweb structure[J]. Control and Decision, 2020, 35(2): 445-452 (in Chinese).

[14] 段菁春, 胡京南, 譚吉華, 等. 特征雷達(dá)圖的設(shè)計及其在大氣污染成因分析中的應(yīng)用[J]. 環(huán)境科學(xué)研究, 2018, 31(8): 1329-1336.

DUAN J C, HU J N, TAN J H, et al. Design of characteristic radar chart and its application in air pollution analysis[J]. Research of Environmental Sciences, 2018, 31(8): 1329-1336 (in Chinese).

[15] BROOMHEAD S C, MARS M, SCOTT R E, et al. Applicability of the five case model to African eHealth investment decisions[J]. BMC Health Services Research, 2020, 20(1): 666.

[16] 李海英, 馮冬, 宋建成. 中壓真空斷路器狀態(tài)的雷達(dá)圖法評估模型[J]. 電網(wǎng)技術(shù), 2013, 37(7): 2053-2059.

LI H Y, FENG D, SONG J C. Condition-based assessment model of MV vacuum circuit breaker with radar chart method[J]. Power System Technology, 2013, 37(7): 2053-2059 (in Chinese).

[17] 程志友, 朱唯韋, 陶青, 等. 基于改進(jìn)雷達(dá)圖的配電系統(tǒng)電能質(zhì)量評估方法[J]. 電測與儀表, 2019, 56(14): 34-39, 67.

CHENG Z Y, ZHU W W, TAO Q, et al. Power quality evaluation method of distribution system based on improved radar chart[J]. Electrical Measurement & Instrumentation, 2019, 56(14): 34-39, 67 (in Chinese).

[18] LI L J, CHE D X, WANG X D, et al. CellSim: a novel software to calculate cell similarity and identify their co-regulation networks[J]. BMC Bioinformatics, 2019, 20(1): 111.

[19] 王麗萍, 閻曉冉, 王渤權(quán), 等. 基于多維關(guān)聯(lián)抽樣的區(qū)間數(shù)灰靶決策模型及其應(yīng)用[J]. 系統(tǒng)工程理論與實踐, 2019, 39(6): 1610-1622.

WANG L P, YAN X R, WANG B Q, et al. Interval number grey target decision-making model based on multi-dimensional association sampling and its application[J]. Systems Engineering-Theory & Practice, 2019, 39(6): 1610-1622 (in Chinese).

[20] 張文杰, 袁紅平. 基于多目標(biāo)加權(quán)灰靶決策模型的節(jié)能服務(wù)公司選擇研究[J]. 中國管理科學(xué), 2019, 27(2): 179-186.

ZHANG W J, YUAN H P. A weighted multi-objective gray target decision model for selecting an optimum ESCO[J]. Chinese Journal of Management Science, 2019, 27(2): 179-186 (in Chinese).

[21] 張浩, 馮惠霞, 唐孟嬌. 基于突變級數(shù)-灰靶的生鮮電商O2O成熟度模型[J]. 運籌與管理, 2021, 30(4): 206-211.

ZHANG H, FENG H X, TANG M J. The O2O maturity model of fresh E-commerce based oncatastrophe progression-grey target[J]. Operations Research and Management Science, 2021, 30(4): 206-211 (in Chinese).

[22] FU S, XIAO Y Z, ZHOU H J, et al. Venture capital project selection based on interval number grey target decision model[J]. Soft Computing, 2021, 25(6): 4865-4874.

[23] 吳天昊, 王勁松, 牛侃, 等. 應(yīng)對戰(zhàn)場電磁干擾的自適應(yīng)動態(tài)指標(biāo)配置方法[J]. 兵工學(xué)報, 2019, 40(8): 1648-1657.

WU T H, WANG J S, NIU K, et al. Adaptive dynamic indicators configuration method for dealing with electromagnetic interference in battlefield[J]. Acta Armamentarii, 2019, 40(8): 1648-1657 (in Chinese).

[24] 周鑫隆, 章光, 李俊哲, 等. 灰靶決策理論在巖爆烈度等級評價中的應(yīng)用[J]. 中國安全科學(xué)學(xué)報, 2019, 29(5): 19-24.

ZHOU X L, ZHANG G, LI J Z, et al. Application of grey target decision-making theory in evaluation of rock burst intensity[J]. China Safety Science Journal, 2019, 29(5): 19-24 (in Chinese).

[25] 曾波, 劉思峰, 李川, 等. 基于蛛網(wǎng)面積的區(qū)間灰數(shù)灰靶決策模型[J]. 系統(tǒng)工程與電子技術(shù), 2013, 35(11): 2329-2334.

ZENG B, LIU S F, LI C, et al. Grey target decision-making model of interval grey number based on cobweb area[J]. Systems Engineering and Electronics, 2013, 35(11): 2329-2334 (in Chinese).

[26] 蘇建寧, 張新新, 景楠, 等. 認(rèn)知差異下的產(chǎn)品造型意象熵評價研究[J]. 機械設(shè)計, 2016, 33(3): 105-108.

SU J N, ZHANG X X, JING N, et al. Research on the entropy evaluation of product styling image under the cognitive difference[J]. Journal of Machine Design, 2016, 33(3): 105-108 (in Chinese).

[27] 張書濤, 蘇鵬飛, 楊文瑾, 等. 基于熵理論的產(chǎn)品美度綜合評價方法[J]. 包裝工程, 2021, 42(8): 79-87.

ZHANG S T, SU P F, YANG W J, et al. Integrated evaluation method of product aesthetic based on entropy theory[J]. Packaging Engineering, 2021, 42(8): 79-87 (in Chinese).

[28] PIMENTEL V, NICKERSON B G. Communicating and displaying real-time data with WebSocket[J]. IEEE Internet Computing, 2012, 16(4): 45-53.

[29] 李雪瑞, 侯幸剛, 楊梅, 等. 基于多層次灰色綜合評價法的工業(yè)設(shè)計方案優(yōu)選決策模型及其應(yīng)用[J]. 圖學(xué)學(xué)報, 2021, 42(4): 670-679.

LI X R, HOU X G, YANG M, et al. The optimal decision-making model of industrial design scheme based on multi-level grey comprehensive evaluation method and its application[J]. Journal of Graphics, 2021, 42(4): 670-679 (in Chinese).

Cobweb grey target decision-making model of multi-Kansei image in product form

ZHANG Shu-tao, WANG Shi-jie, LIU Shi-feng, LI Wei-xing

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

In view of the difficulty in decision-making for multi-Kansei image design scheme in concept design, a cobweb grey target decision-making method was proposed for multi-Kansei image in product form. Firstly, the cognitive data of the design subjects was obtained by Kansei engineering, and the comprehensive evaluation model based on the cognitive data of the design subjects was constructed using the entropy weight method and game theory. Meanwhile, the weight relationship of each Kansei image was determined based on the comprehensive evaluation data of the design subjects of each image. Secondly, multiple evolution schemes were artificially selected from the product form evolution system, and the spider chart was used to represent the Kansei image relationship of each evolution scheme. A cobweb grey target decision-making model of multi-Kansei image was constructed to calculate the decision-making coefficient, and the relative optimal scheme that conformed to the cognition of the design subjects was obtained by comparing and sorting them. Finally, the feasibility of the decision-making model was verified by applying the grey correlation analysis method. The model can help designers quickly and accurately determine the multi-Kansei image scheme in the design decision-making stage, which provides a new theory and method for the multi-Kansei image decision-making of product scheme.

Kansei engineering; multi-Kansei image decision-making; spider chart; grey target decision-making model; design subject; product form

TP 472

10.11996/JG.j.2095-302X.2022030548

A

2095-302X(2022)03-0548-10

2021-09-14；

2021-12-09

14 September，2021；

9 December，2021

國家自然科學(xué)基金項目(51705226)；甘肅省自然科學(xué)基金項目(20JR10RA168)；甘肅省教育廳：優(yōu)秀研究生“創(chuàng)新之星”項目(2021CXZX-524)

National Natural Science Foundation of China (51705226);Natural Science Foundation of Gansu Province (20JR10RA168); Gansu Provincial Department of Education: Outstanding Postgraduate “Innovation Star” Project (2021CXZX-524)

張書濤(1982-)，男，副教授，博士。主要研究方向為感性工學(xué)、數(shù)字設(shè)計理論及方法、設(shè)計認(rèn)知、產(chǎn)品創(chuàng)新設(shè)計。E-mail：zhangsht@lut.edu.cn

ZHANG Shu-tao (1982-), associate professor, Ph.D. His main research interests cover Kansei engineering, theory and method of digital design, design cognition, innovative design, etc. E-mail：zhangsht@lut.edu.cn