基于遺傳算法的產(chǎn)品基因重組設(shè)計(jì)

黃菊

（南通科技職業(yè)學(xué)院，江蘇 南通 226007）

基于遺傳算法的產(chǎn)品基因重組設(shè)計(jì)

黃菊

（南通科技職業(yè)學(xué)院，江蘇 南通 226007）

針對(duì)客戶(hù)定制產(chǎn)品設(shè)計(jì)靈活性差的問(wèn)題，提出一種基于遺傳算法的產(chǎn)品基因重組的設(shè)計(jì)方法。在產(chǎn)品的重組設(shè)計(jì)中引入基因工程，利用遺傳算法對(duì)現(xiàn)有的產(chǎn)品設(shè)計(jì)方案進(jìn)行優(yōu)化，以滿(mǎn)足制造業(yè)客戶(hù)定制產(chǎn)品的多樣化需求，實(shí)現(xiàn)客戶(hù)定制產(chǎn)品的智能設(shè)計(jì)。以某機(jī)械制造企業(yè)的數(shù)控機(jī)床為例，完成了遺傳算法的關(guān)鍵技術(shù)：適應(yīng)度函數(shù)、選擇算子、交叉算子的設(shè)計(jì)開(kāi)發(fā)，驗(yàn)證了該方法的可行性和有效性。

遺傳算法；基因重組；智能設(shè)計(jì)

1 引言

隨著經(jīng)濟(jì)全球化和產(chǎn)品多樣化的發(fā)展，客戶(hù)需求呈現(xiàn)出多樣化和個(gè)性化的特點(diǎn)。設(shè)計(jì)一種有效、科學(xué)的產(chǎn)品設(shè)計(jì)方法，既能降低產(chǎn)品的生產(chǎn)成本，又能實(shí)現(xiàn)客戶(hù)定制產(chǎn)品的快速開(kāi)發(fā)，成為智能制造領(lǐng)域研究的熱點(diǎn)問(wèn)題[1]。

客戶(hù)定制產(chǎn)品的概念最初提出于20世紀(jì)50年代，當(dāng)時(shí)的客戶(hù)定制產(chǎn)品僅針對(duì)相同類(lèi)型的產(chǎn)品，遠(yuǎn)不能達(dá)到設(shè)計(jì)不同類(lèi)型產(chǎn)品的需求。隨著信息技術(shù)的發(fā)展和各類(lèi)新技術(shù)的應(yīng)用，推動(dòng)了客戶(hù)定制產(chǎn)品設(shè)計(jì)的進(jìn)一步發(fā)展[2]。許多學(xué)者圍繞客戶(hù)定制產(chǎn)品的設(shè)計(jì)與優(yōu)化，進(jìn)行了大量的研究，常見(jiàn)的客戶(hù)定制產(chǎn)品快速開(kāi)發(fā)方法主要有產(chǎn)品族設(shè)計(jì)、適應(yīng)性設(shè)計(jì)、模塊化設(shè)計(jì)、變型設(shè)計(jì)等方法。對(duì)產(chǎn)品的功能及設(shè)計(jì)知識(shí)的建模卻并不多見(jiàn)。而產(chǎn)品設(shè)計(jì)的復(fù)雜性和相關(guān)創(chuàng)意性設(shè)計(jì)知識(shí)難以總結(jié)正是復(fù)雜產(chǎn)品設(shè)計(jì)方案的難點(diǎn)所在。

在此背景下智能設(shè)計(jì)開(kāi)始逐步應(yīng)用到產(chǎn)品設(shè)計(jì)領(lǐng)域，人工智能算法也加入其中來(lái)幫助解決產(chǎn)品的智能設(shè)計(jì)問(wèn)題，比較常用的有遺傳算法，通過(guò)模擬進(jìn)化特性來(lái)解決產(chǎn)品方案的設(shè)計(jì)問(wèn)題[3]。由于產(chǎn)品基因工程中的重組操作與遺傳算法中的選擇、交叉與變異運(yùn)算類(lèi)似，因此在前人研究的基礎(chǔ)上，本文提出一種基于遺傳算法的產(chǎn)品基因重組的設(shè)計(jì)方法。借鑒基因工程思想，利用遺傳算法對(duì)現(xiàn)有產(chǎn)品基因進(jìn)行重組，通過(guò)對(duì)遺傳算法的適應(yīng)度函數(shù)、選擇算子、交叉算子的設(shè)計(jì)開(kāi)發(fā)，獲得滿(mǎn)足用戶(hù)需求的客戶(hù)定制產(chǎn)品。

2 產(chǎn)品智能設(shè)計(jì)框架的研究

2.1 產(chǎn)品智能設(shè)計(jì)工作流程

產(chǎn)品智能設(shè)計(jì)分為三個(gè)過(guò)程，首先獲取產(chǎn)品基因，這是整個(gè)設(shè)計(jì)工作的基礎(chǔ)。將機(jī)械產(chǎn)品設(shè)計(jì)任務(wù)進(jìn)行分解，對(duì)分解后的各個(gè)子任務(wù)進(jìn)行參數(shù)編碼和信息表示構(gòu)成產(chǎn)品基因，對(duì)提取出的產(chǎn)品基因編碼存儲(chǔ)建立產(chǎn)品基因庫(kù)；然后通過(guò)建立適應(yīng)度函數(shù)、選擇、交叉等遺傳算法操作對(duì)現(xiàn)有產(chǎn)品基因組進(jìn)行重組操作，以獲取新的產(chǎn)品基因組；最后根據(jù)用戶(hù)的輸入?yún)?shù)從重組操作得到的產(chǎn)品基因庫(kù)中搜索到相似匹配的產(chǎn)品設(shè)計(jì)方案，對(duì)所選方案的物理參數(shù)進(jìn)行修改后得出滿(mǎn)足客戶(hù)需求的產(chǎn)品設(shè)計(jì)方案輸出。

2.2 產(chǎn)品基因重組

產(chǎn)品基因重組是產(chǎn)品智能設(shè)計(jì)的重要環(huán)節(jié)也是最關(guān)鍵的環(huán)節(jié)。為了獲得滿(mǎn)足客戶(hù)需求的新產(chǎn)品，需要對(duì)獲取到的產(chǎn)品基因進(jìn)行重組操作。實(shí)現(xiàn)原理是根據(jù)客戶(hù)需求，對(duì)產(chǎn)品基因庫(kù)中的現(xiàn)有基因、基因組進(jìn)行子基因或子基因組的交叉，以獲得新的產(chǎn)品基因庫(kù)。

2.3 遺傳算法

遺傳算法來(lái)源于生物界的適者生存規(guī)律，是一種應(yīng)用于人工智能領(lǐng)域解決全局優(yōu)化的隨機(jī)化搜索算法。遺傳算法將要解決的問(wèn)題模擬成一個(gè)生物進(jìn)化的過(guò)程，以具有問(wèn)題可能潛在解集的一個(gè)種群為開(kāi)端。首先將種群的表現(xiàn)映射成相應(yīng)的基因。然后依據(jù)遺傳學(xué)的交叉和變異理論產(chǎn)生下一代的解，按照個(gè)體的適應(yīng)度選擇更適合問(wèn)題解的個(gè)體，不斷迭代，進(jìn)化N代后最終在整個(gè)遺傳過(guò)程結(jié)束后，得到問(wèn)題解的種群。

遺傳算法設(shè)計(jì)過(guò)程包括編碼、初始種群的選取、適應(yīng)度函數(shù)的確定、遺傳操作（選擇、交叉、變異）、設(shè)置運(yùn)行參數(shù)和算法終止規(guī)則這幾個(gè)過(guò)程。

2.4 基于遺傳算法的產(chǎn)品基因重組設(shè)計(jì)

產(chǎn)品基因工程中的重組操作與遺傳算法中的選擇、交叉與變異操作功能類(lèi)似，因此選用遺傳算法來(lái)對(duì)機(jī)械產(chǎn)品設(shè)計(jì)過(guò)程中的產(chǎn)品基因重組進(jìn)行操作，以最大化地滿(mǎn)足客戶(hù)的個(gè)性化需求?？紤]到產(chǎn)品基因的變異會(huì)導(dǎo)致結(jié)構(gòu)上的不兼容，且具體實(shí)施時(shí)操作難度較大，而實(shí)際效果較小，故本文在產(chǎn)品基因重組操作中舍棄了傳統(tǒng)遺傳算法中的變異算子，保留了選擇算子和交叉算子。

(1)選擇算子設(shè)計(jì)

在遺傳算法中，用適應(yīng)度來(lái)衡量個(gè)體的好壞，選擇操作是建立在個(gè)體的適應(yīng)度評(píng)價(jià)的基礎(chǔ)上的，是確定哪些個(gè)體被遺傳到后代的一種優(yōu)化算法。在產(chǎn)品基因的重組中，可以利用選擇算子找出適應(yīng)度高的產(chǎn)品基因就可能是最符合客戶(hù)需求的產(chǎn)品基因，將其轉(zhuǎn)化為產(chǎn)品設(shè)計(jì)方案提供給客戶(hù)，或找出多個(gè)適應(yīng)度高的產(chǎn)品基因組，經(jīng)過(guò)交叉重組得到最優(yōu)產(chǎn)品設(shè)計(jì)方案提供給客戶(hù)。

目前有多種選擇方法，各有其優(yōu)缺點(diǎn)。本文根據(jù)產(chǎn)品基因組的表達(dá)方式，選取了聯(lián)賽選擇法，其原理為：先從當(dāng)前群體中隨機(jī)選取兩個(gè)個(gè)體，再以事先定義的概率p選擇適應(yīng)度較高的個(gè)體，以概率1-p選擇適應(yīng)度較低的個(gè)體。這種選擇方法是利用個(gè)體適應(yīng)度的大小進(jìn)行選取。在選擇過(guò)程中只比較適應(yīng)度的大小并無(wú)具體的算術(shù)運(yùn)算。

(2)交叉算子設(shè)計(jì)

交叉來(lái)源于生物界的種群間的交配，被用來(lái)產(chǎn)生新個(gè)體，是遺傳算法的核心操作。產(chǎn)品基因組的交叉操作與遺傳算法類(lèi)似，按照一定的交叉原則和概率對(duì)兩個(gè)或兩個(gè)以上的父代個(gè)體的某個(gè)基因或某些基因組重組以得到新的子代基因組的過(guò)程。為了保證交叉操作后產(chǎn)生的新基因組基本不會(huì)發(fā)生結(jié)構(gòu)不兼容的問(wèn)題，交叉算子的確定與前期種群的編碼方式應(yīng)一致。

根據(jù)客戶(hù)需求與現(xiàn)有基因組功能的不同，交叉操作分為單點(diǎn)交叉和兩點(diǎn)交叉。在客戶(hù)需求與現(xiàn)有產(chǎn)品屬性相差較大時(shí),使用兩點(diǎn)交叉。兩個(gè)產(chǎn)品基因組交換一個(gè)或多個(gè)具有相同編碼方式的子基因組，以得到功能大幅度改變的新基因組。而在對(duì)現(xiàn)有產(chǎn)品基礎(chǔ)上進(jìn)行小規(guī)模改變時(shí)，使用單點(diǎn)交叉。兩個(gè)產(chǎn)品基因組交換一個(gè)或多個(gè)產(chǎn)品基因，以實(shí)現(xiàn)結(jié)構(gòu)上的小幅度改變。

交叉操作執(zhí)行的次數(shù)受交叉概率pc的影響，當(dāng)交叉概率pc設(shè)定較大時(shí)，遺傳算法在區(qū)域的搜索能力會(huì)變強(qiáng)，但是群體里的優(yōu)秀基因也可能會(huì)隨時(shí)被破壞。當(dāng)交叉概率pc取值很小時(shí)，遺傳算法搜索速度又會(huì)變慢。權(quán)衡利弊，本文中交叉概率pc的取值范圍在0.3～0.8之間。

(3)適應(yīng)度函數(shù)的確定

遺傳算法中，用適應(yīng)度函數(shù)值來(lái)評(píng)價(jià)個(gè)體對(duì)環(huán)境的適應(yīng)程度。適應(yīng)度高的個(gè)體遺傳到子代的概率就更大，相反具有較低適應(yīng)度的個(gè)體被遺傳的概率也相對(duì)更小?？蛻?hù)定制產(chǎn)品的設(shè)計(jì)過(guò)程是一個(gè)多目標(biāo)優(yōu)化的過(guò)程，設(shè)計(jì)者既要考慮如何設(shè)計(jì)出令用戶(hù)滿(mǎn)意的產(chǎn)品，又要盡可能降低制造成本。運(yùn)用適應(yīng)度函數(shù)值來(lái)評(píng)價(jià)產(chǎn)品設(shè)計(jì)方案。將評(píng)價(jià)標(biāo)準(zhǔn)作為適應(yīng)度函數(shù)，評(píng)估方案的優(yōu)良。從技術(shù)指標(biāo)和經(jīng)濟(jì)指標(biāo)兩個(gè)方面，按照客戶(hù)所選擇的設(shè)計(jì)要求對(duì)設(shè)計(jì)出的產(chǎn)品方案進(jìn)行整體評(píng)價(jià)。

3 實(shí)例驗(yàn)證

本文在進(jìn)行機(jī)械產(chǎn)品的智能化設(shè)計(jì)時(shí)，在產(chǎn)品基因重組操作中，提出用遺傳算法對(duì)設(shè)計(jì)方案進(jìn)行優(yōu)化。下面以數(shù)控機(jī)床為例，說(shuō)明具體實(shí)現(xiàn)方式。

3.1 產(chǎn)品基因重組過(guò)程模型

使用遺傳算法對(duì)產(chǎn)品基因進(jìn)行智能重組的過(guò)程模型，如下圖1所示。

圖1 產(chǎn)品基因重組過(guò)程模型

3.2 產(chǎn)品基因重組設(shè)計(jì)過(guò)程

前面分析了通過(guò)遺傳算法進(jìn)行客戶(hù)定制產(chǎn)品重組所需的不同操作和適應(yīng)度函數(shù)的建立，下面將給出使用遺傳算法對(duì)產(chǎn)品基因進(jìn)行智能重組的設(shè)計(jì)過(guò)程。

（1）適應(yīng)度函數(shù)的確定

將評(píng)價(jià)標(biāo)準(zhǔn)作為適應(yīng)度函數(shù)，從技術(shù)指標(biāo)和經(jīng)濟(jì)指標(biāo)兩個(gè)方面對(duì)設(shè)計(jì)方案進(jìn)行評(píng)價(jià)。經(jīng)濟(jì)指標(biāo)主要考慮價(jià)格要求，技術(shù)指標(biāo)主要從占地面積、功率大小、精確度和功能復(fù)雜性這幾個(gè)方面進(jìn)行評(píng)價(jià)。

對(duì)技術(shù)評(píng)價(jià)和經(jīng)濟(jì)評(píng)價(jià)兩方面采取權(quán)重系數(shù)法對(duì)產(chǎn)品的設(shè)計(jì)方案進(jìn)行優(yōu)化，分別給予不同的權(quán)重系數(shù)，累加起來(lái)形成一個(gè)總的適應(yīng)度作為產(chǎn)品基因組的最終適應(yīng)度。

定義產(chǎn)品方案集合A，A={a1,a2,a3,…,an}，其中設(shè)計(jì)方案評(píng)價(jià)參數(shù)包括：技術(shù)參數(shù)ti，ti={ti1,ti2,ti3,…,tin}，價(jià)格參數(shù)vi:vi={vi1,vi2,vi3,…,vin}

定義技術(shù)參數(shù)權(quán)重為P:P={ p1,p2,p3,…,pn}，價(jià)格參數(shù)權(quán)重為Q:Q={q ,q,q,…,q}。

計(jì)算產(chǎn)品設(shè)計(jì)方案的適應(yīng)度，如下式所示：

代入實(shí)際的技術(shù)參數(shù)和經(jīng)濟(jì)參數(shù)數(shù)值，計(jì)算出有效的適應(yīng)度值。

（2）選擇算子的設(shè)計(jì)

采取聯(lián)賽選擇法，過(guò)程如下：

①當(dāng)代種群中隨機(jī)選取X個(gè)個(gè)體，比較其適應(yīng)度大小，將適應(yīng)度最高的個(gè)體進(jìn)行遺傳。

②將①描述的過(guò)程重復(fù)Y次，就可以得到Y(jié)個(gè)個(gè)體的種群。

具體執(zhí)行過(guò)程如下:

do

{

x1=rand(maxp);

x2=rand(maxp);

if(Fitness(oldp(x1)>Fitness(oldp(x2))))

newp(x)=oldp(x1);

else

newp(x)=oldp(x2);

i++;

}while(i<=Fitness_threshold);

（3）交叉算子的設(shè)計(jì)

交叉算子的設(shè)計(jì)過(guò)程如下：

①個(gè)體基因不同時(shí)，將對(duì)應(yīng)位置基因以交叉概率pc進(jìn)行交換，下一層次的結(jié)構(gòu)隨之交換。

②個(gè)體基因相同時(shí)，最高層次基因相同則不做交叉操作，檢查兩個(gè)個(gè)體子基因，如果不同，執(zhí)行①操作，否則執(zhí)行②操作。

運(yùn)用遺傳算法實(shí)現(xiàn)產(chǎn)品的基因重組，很大程度上簡(jiǎn)化了人工設(shè)計(jì)的過(guò)程。但是在遺傳算法中也很難生成機(jī)械產(chǎn)品的部件尺寸的詳細(xì)信息，后期需要對(duì)形成的方案進(jìn)一步細(xì)化。

4 結(jié)論

本文針對(duì)客戶(hù)定制產(chǎn)品設(shè)計(jì)靈活性差的問(wèn)題，提出一種基于遺傳算法的產(chǎn)品基因重組的設(shè)計(jì)方法。在產(chǎn)品的重組設(shè)計(jì)中引入基因工程，利用遺傳算法對(duì)現(xiàn)有的產(chǎn)品設(shè)計(jì)方案進(jìn)行優(yōu)化，以滿(mǎn)足制造業(yè)客戶(hù)定制產(chǎn)品的多樣化需求，實(shí)現(xiàn)客戶(hù)定制產(chǎn)品的智能設(shè)計(jì)。以某機(jī)械制造企業(yè)的數(shù)控機(jī)床為例，完成了遺傳算法的關(guān)鍵技術(shù)：適應(yīng)度函數(shù)、選擇算子、交叉算子的設(shè)計(jì)開(kāi)發(fā)，驗(yàn)證了該方法的可行性和有效性。

但是運(yùn)用遺傳算法所設(shè)計(jì)出的機(jī)械產(chǎn)品方案并不詳細(xì)，僅僅包含大概的設(shè)計(jì)部件并沒(méi)有詳細(xì)參數(shù)，后期準(zhǔn)備繼續(xù)研究實(shí)例推理，運(yùn)用實(shí)例推理方法細(xì)化遺傳算法設(shè)計(jì)出的機(jī)械產(chǎn)品方案。

[1]張雷，彭宏偉，劉志峰，等．綠色產(chǎn)品概念設(shè)計(jì)中的知識(shí)重用[J]．機(jī)械工程學(xué)報(bào)，2013，49(7)：72-79．

[2]祁國(guó)寧，顧新建，楊青海等．大批量定制原理及關(guān)鍵技術(shù)研究[J].計(jì)算機(jī)集成制造系統(tǒng)，2003，9(9)：776-783．

[3]金群，李欣然等．遺傳算法參數(shù)設(shè)置及其在負(fù)荷建模中的應(yīng)用[J].電力自動(dòng)化設(shè)備，2006，26(5)：23-27．

[4]承莉莉．復(fù)雜機(jī)械產(chǎn)品概念設(shè)計(jì)中實(shí)例推理技術(shù)的研究與應(yīng)用[D]．南京航空航天大學(xué)，2011：1-77．

[5]王猛．基于改進(jìn)遺傳算法的網(wǎng)格資源調(diào)度策略算法研究[J]．電腦與電信，2010(5)：35-37．

Product Gene Recombination Design Based on GeneticAlgorithm

Huang Ju
（Nantong Science and Technology CareerAcademy,Nantong 226007,Jiangsu）

Aiming at the problem of poor design flexibility of customized product,a genetic algorithm based on genetic algorithm is proposed.The recombinant gene engineering is introduced in product design.The existing product design schemes are optimized by genetic algorithm,to meet with the diverse needs of customized products and realize the intelligent design.Taking the numerical control machine of a mechanical manufacturing enterprise as an example,the key technologies of genetic algorithm which are the fitness function,selection operator and crossover operator are designed,verifying the feasibility and effectiveness of the method.

genetic algorithm;gene recombination;intelligent design

TP311.52

A

1008-6609(2016)12-0053-03

黃菊（1981-），女，江蘇南通人，碩士，講師，研究方向?yàn)橛?jì)算機(jī)軟件與理論、物聯(lián)網(wǎng)。