本發(fā)明屬于掛鐘設(shè)計(jì)領(lǐng)域，貼別是涉及一種用于室內(nèi)掛鐘設(shè)計(jì)的交互式進(jìn)化優(yōu)化方法，可用于引導(dǎo)用戶進(jìn)行室內(nèi)掛鐘外觀方案的設(shè)計(jì)。

背景技術(shù)：

室內(nèi)掛鐘是重要的生活家居類產(chǎn)品，除了計(jì)時(shí)功能外，它還是一道空間裝飾。好的掛鐘外觀設(shè)計(jì)不僅能給人視覺(jué)享受，還對(duì)家居氛圍起到烘托作用。由于室內(nèi)掛鐘外觀設(shè)計(jì)元素豐富，藝術(shù)性較強(qiáng)，無(wú)法采用定量的目標(biāo)函數(shù)衡量評(píng)價(jià)方案，而基于交互式進(jìn)化方法可以增強(qiáng)用戶搜索能力，啟發(fā)用戶設(shè)計(jì)靈感，幫助用戶找到滿意的設(shè)計(jì)方案。

目前，已經(jīng)公布的應(yīng)用交互式進(jìn)化優(yōu)化方法進(jìn)行產(chǎn)品外觀設(shè)計(jì)策略大致分為兩種類型。其一是可以采用多種形式的個(gè)體適應(yīng)值機(jī)器賦值，改善人機(jī)交互環(huán)境：如中國(guó)發(fā)明專利“用于窗簾設(shè)計(jì)的交互式進(jìn)化優(yōu)化方法”(公開(kāi)號(hào)：cn10263249a，公開(kāi)日：2011.08.24)給出的多集勢(shì)模糊評(píng)價(jià)、精確值評(píng)價(jià)與自動(dòng)評(píng)價(jià)；2009年出版的會(huì)議論文“classificationandregression-basedsurrogatemodel-assistedinteractivegeneticalgorithmwithindividual’sfuzzyfitness”將支持向量機(jī)代理模型用于計(jì)算個(gè)體模糊適應(yīng)值；2011年出版的期刊《appliedsoftcomputing》第11期“l(fā)argepopulationsizeigawithindividuals’fitnessnotassignedbyuser”將非用戶賦適應(yīng)值也用于大規(guī)模種群進(jìn)化。上述大規(guī)模種群個(gè)體適應(yīng)值賦值方法，擴(kuò)展了用戶評(píng)價(jià)個(gè)體適應(yīng)值的能力，但尚存在如下問(wèn)題：首先，上述方法對(duì)用戶評(píng)價(jià)過(guò)程的疲勞問(wèn)題考慮不夠，為獲得區(qū)間適應(yīng)值和模糊適應(yīng)值，用戶仍需增加操作量；其次，受評(píng)價(jià)方法限制，代理模型只能逼近有限數(shù)量的語(yǔ)氣詞，對(duì)偏好表達(dá)仍然不足；而對(duì)非用戶賦適應(yīng)值的估計(jì)，則模型誤差較大。其二是對(duì)個(gè)體適應(yīng)值進(jìn)行機(jī)器估計(jì)：如2010年出版的期刊《控制理論與應(yīng)用》第6期“混合性能指標(biāo)優(yōu)化問(wèn)題的大種群規(guī)模進(jìn)化算法”按個(gè)體基因型相似性采用k-均值對(duì)種群劃分計(jì)算適應(yīng)值；2015年出版的期刊《控制與決策》第7期“基于cp-nets的偏好感知交互式遺傳算法及其個(gè)性化搜索”采用代理模型進(jìn)行適應(yīng)值估計(jì)。上述個(gè)體適應(yīng)值估計(jì)方法為大規(guī)模種群的進(jìn)化提供了導(dǎo)向,但是尚存在如下問(wèn)題:首先，這些適應(yīng)值估計(jì)方法需要個(gè)體的距離或者個(gè)體基因模式的可分性作為估計(jì)的依據(jù)，但是通常交互式遺傳算法中適應(yīng)值函數(shù)是未知的，而且對(duì)于搜索空間較復(fù)雜的情況很難確定個(gè)體基因型和表現(xiàn)型之間的映射關(guān)系，基因型的微小差別往往會(huì)導(dǎo)致表現(xiàn)型的明顯差異，所以基于基因距離的適應(yīng)值估計(jì)與個(gè)體表現(xiàn)型存在誤差。其次，采用代理模型方法估計(jì)適應(yīng)值提高了算法優(yōu)化效率，但個(gè)體相似度的計(jì)算仍基于基因型，所以模型誤差依然存在。這說(shuō)明,發(fā)明新的個(gè)體適應(yīng)值估計(jì)方法是非常必要的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是：克服現(xiàn)有技術(shù)的不足，提供一種減少設(shè)計(jì)人員負(fù)擔(dān)、增強(qiáng)算法的搜索能力且提高進(jìn)化優(yōu)化質(zhì)量的用于室內(nèi)掛鐘設(shè)計(jì)的模糊適應(yīng)值交互式進(jìn)化優(yōu)化方法。

本發(fā)明的技術(shù)方案是：

一種用于室內(nèi)掛鐘設(shè)計(jì)的模糊適應(yīng)值交互式進(jìn)化優(yōu)化方法，采用大規(guī)模進(jìn)化種群和個(gè)體模糊適應(yīng)值估計(jì)策略的交互式遺傳算法作為優(yōu)化算法，它包括參數(shù)設(shè)置界面、交互界面和結(jié)果輸出界面，系統(tǒng)劃分為載入模塊、處理模塊和交互式遺傳算法模塊三個(gè)功能模塊，三個(gè)功能模塊通過(guò)一個(gè)交互界面融合為整體，共同完成交互式進(jìn)化設(shè)計(jì)；室內(nèi)掛鐘各屬性樣本以.bmp格式儲(chǔ)存在數(shù)據(jù)庫(kù)中，載入模塊將掛鐘屬性模型文件讀入內(nèi)存并在窗口界面中顯示；處理模塊實(shí)現(xiàn)對(duì)模型的貼圖，時(shí)針與分針統(tǒng)一固定在10:10；交互式遺傳算法模塊則將交互式遺傳算法整合到系統(tǒng)中。系統(tǒng)運(yùn)行時(shí)，用戶首先設(shè)置遺傳參數(shù)，進(jìn)入交互界面后點(diǎn)擊“初始化”按鈕，系統(tǒng)初始化并運(yùn)行載入模塊和處理模塊，生成6個(gè)樣本，用戶通過(guò)樣本下方滑動(dòng)條對(duì)個(gè)體進(jìn)行單一數(shù)值評(píng)價(jià)，系統(tǒng)在后臺(tái)實(shí)現(xiàn)大規(guī)模種群個(gè)體模糊適應(yīng)值估計(jì)；

該優(yōu)化算法具體實(shí)現(xiàn)為：

(1)根據(jù)用戶評(píng)價(jià)時(shí)間與單一數(shù)值適應(yīng)值估計(jì)用戶評(píng)價(jià)個(gè)體模糊適應(yīng)值

式中，d(ci(t))表示的中心，是隸屬度為1的適應(yīng)值；σ(ci(t))表示的寬度，該量主要反映評(píng)價(jià)的不確定性，且與不確定性呈正向變化；

(2)根據(jù)個(gè)體表現(xiàn)型屬性與參照個(gè)體模糊適應(yīng)值寬度計(jì)算個(gè)體表現(xiàn)型相似度：

式中，σ(xj(t))是參照個(gè)體xj(t)的模糊適應(yīng)值寬度。

則xi(t)與xj(t)的表現(xiàn)型相似度為μij(xir)的平均值，記為μ(xi(t),xj(t))：

(3)利用個(gè)體表現(xiàn)型相似度對(duì)種群聚類并估計(jì)未評(píng)價(jià)個(gè)體模糊適應(yīng)值：

剩余個(gè)體xj(t)的模糊適應(yīng)值中心值d(xj(t))計(jì)算公式為：

式中，k是個(gè)體表現(xiàn)型相似度μ(xj(t),ci(t))最大值大于閾值θ(t)時(shí)的聚類中心：

閾值θ(t)由前一代個(gè)體適應(yīng)值中心值刻劃：

式中，α是反映評(píng)價(jià)性能的參數(shù)?？梢钥闯?，閾值θ(t)隨進(jìn)化代內(nèi)最大適應(yīng)值增加而增加，利用前一進(jìn)化代的信息計(jì)算閾值，可以為下一代估計(jì)d(xj(t))提供依據(jù)；

(4)基于個(gè)體模糊適應(yīng)值和表現(xiàn)型相似性構(gòu)造個(gè)體選擇適應(yīng)值，實(shí)現(xiàn)個(gè)體相似性選擇。

比較個(gè)體為xa(t),xb(t)，則個(gè)體選擇適應(yīng)值分別為f(xa(t)),f(xb(t))：

f(xa(t))＝d(xa(t))·μ(xb(t),xa(t))

f(xb(t))＝d(xb(t))·μ(xa(t),xb(t))

式中，d(xa(t))，d(xb(t))分別是個(gè)體xa(t),xb(t)的模糊適應(yīng)值中心值；μ(xa(t),xb(t))，μ(xb(t),xa(t))分別是以個(gè)體xb(t)和xa(t)為參照個(gè)體，以xa(t)和xb(t)為比較個(gè)體的相似度。

優(yōu)選地：將t(ci(t))與當(dāng)前進(jìn)化代內(nèi)個(gè)體最長(zhǎng)評(píng)價(jià)時(shí)間比值作為個(gè)體ci(t)的滿意度，記為hi：

個(gè)體ci(t)的模糊適應(yīng)值的寬度σ(ci(t))可以表示為：

式中，d(ci(t))是用戶對(duì)個(gè)體ci(t)的評(píng)價(jià)值。

優(yōu)選地：記第t-1代用戶評(píng)價(jià)值最高個(gè)體為xb(t-1)，當(dāng)前代t的個(gè)體cp(t)，p＝1,2,…,n與xb(t-1)的相似度為：

用戶評(píng)價(jià)個(gè)體數(shù)目nc:

nc的意義是依據(jù)相似度的數(shù)值大小，選擇最靠前的nc個(gè)個(gè)體推薦給用戶評(píng)價(jià)。

本發(fā)明的優(yōu)點(diǎn)和積極效果是：

1、本發(fā)明有效降低設(shè)計(jì)人員的操作負(fù)擔(dān)，設(shè)計(jì)人員只需按單一數(shù)值評(píng)價(jià)少量產(chǎn)品款式即可，系統(tǒng)在后臺(tái)自動(dòng)實(shí)現(xiàn)用戶評(píng)價(jià)個(gè)體模糊適應(yīng)值估計(jì)。與傳統(tǒng)模糊適應(yīng)值賦值相比，不需要輸入語(yǔ)氣詞，節(jié)省了一半的操作量。

2、本發(fā)明提出了一套完整的室內(nèi)掛鐘外觀樣本生成、交互及進(jìn)化設(shè)計(jì)方法，其特點(diǎn)在于采用了大規(guī)模進(jìn)化種群的個(gè)體模糊適應(yīng)值估計(jì)策略的交互式遺傳算法，根據(jù)用戶評(píng)價(jià)時(shí)間與單一數(shù)值適應(yīng)值估計(jì)用戶評(píng)價(jià)個(gè)體模糊適應(yīng)值；根據(jù)個(gè)體表現(xiàn)型屬性與參照個(gè)體模糊適應(yīng)值寬度計(jì)算個(gè)體表現(xiàn)型相似度；利用個(gè)體表現(xiàn)型相似度對(duì)種群聚類并估計(jì)未評(píng)價(jià)個(gè)體模糊適應(yīng)值；基于個(gè)體模糊適應(yīng)值和表現(xiàn)型相似性構(gòu)造個(gè)體選擇適應(yīng)值，實(shí)現(xiàn)個(gè)體相似性選擇；與同類方法比較，本發(fā)明的設(shè)計(jì)結(jié)果明顯占有優(yōu)勢(shì)。

3、本發(fā)明通過(guò)大規(guī)模種群進(jìn)化，增強(qiáng)了算法的搜索能力；能夠?qū)λ袀€(gè)體實(shí)現(xiàn)模糊適應(yīng)值賦值，偏好信息量更加豐富，個(gè)體評(píng)價(jià)更準(zhǔn)確，提高了進(jìn)化優(yōu)化質(zhì)量。

附圖說(shuō)明

圖1為本發(fā)明的總體流程圖；

圖2為本發(fā)明的系統(tǒng)交互界面圖。

具體實(shí)施方式

參照附圖，對(duì)本發(fā)明實(shí)施做以下進(jìn)一步詳述，以下實(shí)施例只是描述性的，不是限定性的，不能以此限定本發(fā)明的保護(hù)范圍。

一種用于室內(nèi)掛鐘設(shè)計(jì)的模糊適應(yīng)值交互式進(jìn)化優(yōu)化方法流程如圖1所示。其中,斜體字部分為用戶參與遺傳進(jìn)化過(guò)程的交互環(huán)節(jié)；陰影部分為本發(fā)明的創(chuàng)新之處。

該方法的步驟如下：

步驟1.本系統(tǒng)包括參數(shù)設(shè)置界面、交互界面和結(jié)果輸出界面等。系統(tǒng)劃分為載入模塊、處理模塊和交互式遺傳算法模塊等3個(gè)功能模塊，三個(gè)模塊通過(guò)一個(gè)交互界面融合為整體，共同完成交互式進(jìn)化設(shè)計(jì)。室內(nèi)掛鐘各屬性樣本以.bmp格式儲(chǔ)存在數(shù)據(jù)庫(kù)中，載入模塊將掛鐘屬性模型文件讀入內(nèi)存并在窗口界面中顯示；處理模塊實(shí)現(xiàn)對(duì)模型的貼圖，時(shí)針與分針統(tǒng)一固定在10:10；交互式遺傳算法模塊則將交互式遺傳算法整合到系統(tǒng)中。為保證系統(tǒng)整體的運(yùn)行效率，采用按鈕形式控制算法的執(zhí)行，系統(tǒng)交互界面如圖2所示。系統(tǒng)運(yùn)行時(shí)，用戶首先設(shè)置遺傳參數(shù)，進(jìn)入交互界面后點(diǎn)擊“初始化”按鈕，系統(tǒng)初始化并運(yùn)行載入模塊和處理模塊，生成6個(gè)樣本，用戶通過(guò)樣本下方滑動(dòng)條對(duì)個(gè)體評(píng)價(jià)，滑動(dòng)條的顯示數(shù)值即為該個(gè)體的模糊適應(yīng)值中心值，打分范圍為1-100。

步驟2個(gè)體相似性計(jì)算；

記第t代種群為x(t)，種群規(guī)模為n，種群x(t)中的第i個(gè)個(gè)體為xi(t)，i＝1,2,…,n，則xi(t)的表現(xiàn)型可以表示為其中，xir,r＝1,2,…,ng為組成個(gè)體的r個(gè)屬性，是xir的屬性值?？紤]兩個(gè)體xi(t)和xj(t)，設(shè)xj(t)是參照個(gè)體，xi(t)是比較個(gè)體，基于認(rèn)知的模糊性，采用高斯函數(shù)μij描述個(gè)體xi(t)與xj(t)的屬性間相似關(guān)系：

式中，σ(xj(t))是參照個(gè)體xj(t)的模糊適應(yīng)值寬度。

則xi(t)與xj(t)的表現(xiàn)型相似度為μij(xir)的平均值，記為μ(xi(t),xj(t))：

表現(xiàn)型相似度μij(xir)的特點(diǎn)在于：(1)個(gè)體屬性間差異越小，μ(xi(t),xj(t))越大，個(gè)體表現(xiàn)型就越接近，這符合事物相似性規(guī)律；(2)如果參照個(gè)體xj(t)的模糊適應(yīng)值寬度σ(xj(t)越小，μ(xi(t),xj(t))就越小，這與一種評(píng)價(jià)現(xiàn)象相對(duì)應(yīng)：即將比較個(gè)體與參照個(gè)體粗略比較時(shí)(此時(shí)評(píng)價(jià)準(zhǔn)確性低，參照個(gè)體xj(t)的模糊適應(yīng)值寬度大)，兩個(gè)體相似度較大，然而將比較個(gè)體與參照個(gè)體仔細(xì)比較時(shí)(此時(shí)評(píng)價(jià)準(zhǔn)確性高，參照個(gè)體xj(t)的模糊適應(yīng)值寬度小)，則兩個(gè)體相似度較小，反之亦然。(3)更重要地，當(dāng)參照個(gè)體與比較個(gè)體互換后，如兩個(gè)體的模糊適應(yīng)值寬度不相等，即σ(xj(t))≠σ(xi(t))，則μ(xi(t),xj(t))≠μ(xj(t),xi(t))。所以，式(5)刻劃的個(gè)體表現(xiàn)型相似性特征更符合人的評(píng)價(jià)規(guī)律，于對(duì)個(gè)體表現(xiàn)型的比較也更恰當(dāng)。

步驟3.用戶評(píng)價(jià)個(gè)體選擇與種群聚類；

記第t-1代用戶評(píng)價(jià)值最高個(gè)體為xb(t-1)，則根據(jù)式(2)，當(dāng)前代t的個(gè)體cp(t)，p＝1,2,…,n與xb(t-1)的相似度為：

用戶評(píng)價(jià)個(gè)體數(shù)目nc:

該方法特點(diǎn)在于：依據(jù)與前代優(yōu)秀個(gè)體相似度排名，利用歷史信息為用戶推薦個(gè)體，對(duì)于選擇種群內(nèi)代表性個(gè)體更有針對(duì)性。

根據(jù)個(gè)體的相似度可以將種群分成若干類。設(shè)x(t)可以被分為nc(t)個(gè)類，且nc(t)≤nmaxc(t)，其中，nmaxc(t)為第t代種群的最大分類數(shù)。具體分類方法：首先，確定一個(gè)代表個(gè)體xj(t)，然后從種群中搜索每一個(gè)個(gè)體xi(t),(i＝1,2,…,n-1)，將所有滿足μ(xi(t),xj(t))≥1-min{μij(xir)|r＝1,2,…,ng}的個(gè)體作為第一類，設(shè)為c1(t)，即c1(t)＝{xi(t)|μ(xi(t),xj(t))≥1-min{μij(xir)|r＝1,2,…,ng}},xi(t)∈x(t)}。若令c1(t)表示類{c1(t)}的代表個(gè)體，可知c1(t)＝xi(t)。劃分完第一類后，縮小種群空間，令x(t)←x(t)\{c1(t)}，然后從種群中確定另一個(gè)個(gè)體作為第二類的代表個(gè)體，重復(fù)如上操作獲得第二類{c2(t)}。類似的，可以對(duì)種群x(t)繼續(xù)分類，直到x(t)為空，或者nc(t)＝nmaxc(t)。當(dāng)nc(t)＝nmaxc(t)-1時(shí)，若x(t)中還有未分類的個(gè)體，那么把x(t)中的所有個(gè)體并為最后一類，而不考慮它們是否相似。完成上述分類過(guò)程后，種群x(t)被分為nc(t)個(gè)類，分別為{c1(t)},{c2(t)},…,{cnc(t)(t)}，它們的代表個(gè)體分別為c1(t),c2(t),…,cnc(t)(t)。隨著進(jìn)化進(jìn)行，個(gè)體間的相似度逐漸增大，聚類中心數(shù)目逐漸減少。

步驟4.系統(tǒng)自動(dòng)記錄用戶對(duì)每個(gè)個(gè)體的評(píng)價(jià)時(shí)間，通過(guò)樣本下方滑動(dòng)塊顯示，該評(píng)價(jià)時(shí)間與用戶評(píng)價(jià)值在系統(tǒng)后臺(tái)用于估計(jì)個(gè)體模糊適應(yīng)值；

由于評(píng)價(jià)的不確定性和認(rèn)知的模糊性，個(gè)體適應(yīng)值表現(xiàn)形式是一個(gè)以評(píng)價(jià)值為中心的模糊數(shù)。記第t代種群的用戶評(píng)價(jià)進(jìn)化個(gè)體為ci(t)，i＝1,2,…,nc。其適應(yīng)值的論域?yàn)閇fmin,fmax]，ci(t)的適應(yīng)值可表示為在[fmin,fmax]上定義如下泛函：表示屬于的程度，則為模糊數(shù)。的隸屬函數(shù)可表示為：

式中，d(ci(t))表示的中心，是隸屬度為1的適應(yīng)值；σ(ci(t))表示的寬度，該量主要反映評(píng)價(jià)的不確定性，且與不確定性呈正向變化。

由于采用了大種群規(guī)模進(jìn)化，用戶只需要評(píng)價(jià)這些類內(nèi)代表個(gè)體適應(yīng)值。本發(fā)明中的中心值d(ci(t))由用戶評(píng)價(jià)，寬度值則由評(píng)價(jià)信息估計(jì)，具體如下：

根據(jù)研究，人對(duì)個(gè)體評(píng)價(jià)時(shí)間越長(zhǎng)，對(duì)該個(gè)體的滿意度就越大，個(gè)體適應(yīng)值越大；反之，評(píng)價(jià)時(shí)間越短，對(duì)該個(gè)體的滿意度就越小，個(gè)體適應(yīng)值越小。另一方面，根據(jù)認(rèn)知常識(shí)，人對(duì)于滿意度越大和越低的個(gè)體評(píng)價(jià)較為準(zhǔn)確，評(píng)價(jià)不確定較小；而對(duì)于滿意度適中的個(gè)體，則評(píng)價(jià)較為困難，評(píng)價(jià)不確定性較大。針對(duì)認(rèn)知的這種特征，設(shè)σ(ci(t))取值范圍為[σmin,σmax]，t(ci(t))為個(gè)體ci(t)被評(píng)價(jià)時(shí)間。將t(ci(t))與當(dāng)前進(jìn)化代內(nèi)個(gè)體最長(zhǎng)評(píng)價(jià)時(shí)間比值作為個(gè)體ci(t)的滿意度，記為hi：

hi越大，的寬度越接近σmin；hi越小，的寬度越接近σmax。

個(gè)體ci(t)的模糊適應(yīng)值的寬度σ(ci(t))可以表示為：

與以往研究相比，本發(fā)明的模糊適應(yīng)值估計(jì)方法特點(diǎn)是：用戶按單一數(shù)值習(xí)慣評(píng)價(jià)個(gè)體就可以獲得信息含量更豐富的模糊適應(yīng)值，減輕了人的操作負(fù)擔(dān)；同時(shí)，因?yàn)槭?5)是連續(xù)函數(shù)，所以語(yǔ)氣詞為連續(xù)數(shù)值，模糊適應(yīng)值的偏好表達(dá)更為全面；另一方面，在進(jìn)化過(guò)程中通過(guò)估計(jì)適應(yīng)值寬度使得個(gè)體評(píng)價(jià)更加準(zhǔn)確，會(huì)提高算法收斂性和優(yōu)化質(zhì)量。

步驟5.剩余個(gè)體模糊適應(yīng)值估計(jì)

設(shè)個(gè)體xj(t)屬于類{ci(t)}，記表示對(duì)個(gè)體xj(t)適應(yīng)值f(xj(t))的估計(jì)值。當(dāng)用戶評(píng)價(jià)完中心個(gè)體ci(t)并賦予它適應(yīng)值后，應(yīng)充分利用這些信息來(lái)估計(jì)剩余個(gè)體的適應(yīng)值，從而擴(kuò)大種群評(píng)價(jià)規(guī)模。本小節(jié)基于個(gè)體相似度對(duì)剩余個(gè)體的模糊適應(yīng)值進(jìn)行估計(jì)，記剩余個(gè)體的模糊適應(yīng)值中心值為d(xj(t))，寬度為σ(xj(t))，對(duì)中心值和寬度分別估計(jì)后，再構(gòu)成模糊適應(yīng)值。

假設(shè)是一個(gè)不精確數(shù)是合理的，當(dāng)xj(t)和ci(t)的相似程度越低，則基于f(ci(t))的越不精確。為了增加估計(jì)結(jié)果的準(zhǔn)確度，剩余個(gè)體適應(yīng)值的估計(jì)不僅計(jì)算與所屬類中心個(gè)體的相似性，也考慮與其他類中心個(gè)體的相似性。

剩余個(gè)體xj(t)的模糊適應(yīng)值中心值d(xj(t))計(jì)算公式為：

式中，k是個(gè)體表現(xiàn)型相似度μ(xj(t),ci(t))最大值大于閾值θ(t)時(shí)的聚類中心：

閾值θ(t)由前一代個(gè)體適應(yīng)值中心值刻劃：

式中，α是反映評(píng)價(jià)性能的參數(shù)?？梢钥闯觯撝郸?t)隨進(jìn)化代內(nèi)最大適應(yīng)值增加而增加，利用前一進(jìn)化代的信息計(jì)算閾值，可以為下一代估計(jì)d(xj(t))提供依據(jù)。

d(xj(t))表明，進(jìn)化初期由于個(gè)體間相似性較小，閾值θ(t)較小，剩余個(gè)體適應(yīng)值中心值d(xj(t))較小；隨著算法逐漸收斂，個(gè)體間相似性逐漸增大，閾值θ(t)也逐漸提高，剩余個(gè)體適應(yīng)值中心值d(xj(t))逐漸增大。通過(guò)對(duì)各聚類中心相似度的加權(quán)估計(jì)中心值，提高了信息利用率，估計(jì)結(jié)果更加精確。

相似地，剩余個(gè)體xj(t)的模糊適應(yīng)值寬度值σ(xj(t))計(jì)算公式為：

上述方法實(shí)現(xiàn)了對(duì)所有個(gè)體的模糊適應(yīng)值估計(jì)，在大規(guī)模種群前提下，偏好信息更加豐富，更有利于進(jìn)化優(yōu)化。

步驟6.個(gè)體選擇

為了更客觀的選擇模糊適應(yīng)值的個(gè)體，本發(fā)明考慮規(guī)模為2的聯(lián)賽選擇，設(shè)比較個(gè)體為xa(t),xb(t)，則個(gè)體選擇適應(yīng)值分別為f(xa(t)),f(xb(t))：

f(xa(t))＝d(xa(t))·μ(xb(t),xa(t))(10)

f(xb(t))＝d(xb(t))·μ(xa(t),xb(t))(11)

式中，d(xa(t))，d(xb(t))分別是個(gè)體xa(t),xb(t)的模糊適應(yīng)值中心值；μ(xa(t),xb(t))，μ(xb(t),xa(t))分別是以個(gè)體xb(t)和xa(t)為參照個(gè)體，以xa(t)和xb(t)為比較個(gè)體的相似度。

該式考慮了模糊適應(yīng)值中心值和寬度對(duì)個(gè)體選擇的共同影響。其中，中心值對(duì)適應(yīng)值大小起主導(dǎo)作用，但由于認(rèn)知的模糊性和不確定性，模糊適應(yīng)值的比較不能完全由中心值決定，所以還要考慮寬度值的作用。這可以通過(guò)個(gè)體相似性體現(xiàn)，在式(10)中，μ(xb(t),xa(t))刻畫了以個(gè)體xa(t)為參照的xb(t)的相似性，體現(xiàn)了xa(t)的評(píng)價(jià)不確定性對(duì)xb(t)的影響，與中心值d(xa(t))乘積可以更好的突出個(gè)體的選擇性。所以，個(gè)體選擇條件為：當(dāng)f(xa(t))>f(xb(t))時(shí)，選擇個(gè)體xa(t)；f(xa(t))<f(xb(t))，選擇個(gè)體xb(t)；當(dāng)f(xa(t))＝f(xb(t))時(shí)，隨機(jī)選擇xa(t),xb(t)。上述個(gè)體選擇方法的特點(diǎn)在于：個(gè)體選擇不直接采用模糊適應(yīng)值，通過(guò)個(gè)體表現(xiàn)型相似性修正個(gè)體模糊適應(yīng)值中心值實(shí)現(xiàn)個(gè)體比較，不僅符合評(píng)價(jià)規(guī)律，而且實(shí)現(xiàn)簡(jiǎn)便，

步驟7.選擇操作后，經(jīng)過(guò)交叉和變異，生成新一代種群。如果設(shè)計(jì)人員對(duì)新種群的款式樣本滿意，則保存最優(yōu)設(shè)計(jì)方案，完成設(shè)計(jì)。否則，算法跳轉(zhuǎn)步驟2，設(shè)計(jì)人員點(diǎn)擊“下一代”進(jìn)化按鈕，繼續(xù)對(duì)掛鐘樣本打分評(píng)價(jià)。在整個(gè)進(jìn)化過(guò)程中，如果設(shè)計(jì)人員對(duì)當(dāng)前的方案始終不夠滿意，可重新初始化種群，開(kāi)始新的進(jìn)化。

該算法與目前算法的比較

目前已有的應(yīng)用于產(chǎn)品設(shè)計(jì)的算法主要有基于區(qū)間適應(yīng)值的大種群規(guī)模交互式遺傳算法(interactivegeneticalgorithmswithlargepopulationsize,iga-lps)和基于模糊適應(yīng)值的交互式遺傳算法(interactivegeneticalgorithmswithfuzzyindividuals’fitness，iga-fif)。本發(fā)明從進(jìn)化代數(shù)、優(yōu)化耗時(shí)和最優(yōu)解適應(yīng)值(中心值)等三個(gè)方面衡量方法性能。比較分為固定解優(yōu)化測(cè)試(項(xiàng)目1)和非固定解優(yōu)化測(cè)試(項(xiàng)目2)兩個(gè)部分進(jìn)行，統(tǒng)計(jì)結(jié)果如下表所示。

可以看出，在項(xiàng)目1中，在進(jìn)化代數(shù)方面，本發(fā)明的所有用戶均在最大進(jìn)化代數(shù)內(nèi)完成優(yōu)化，平均進(jìn)化代數(shù)為15.38，3種方法中最低，iga-fif進(jìn)化代數(shù)最多。做平均值和方差雙樣本均值分析，t檢驗(yàn)差異顯著(p<0.05)。原因在于，本發(fā)明的適應(yīng)值準(zhǔn)確，進(jìn)化方向最為明確，進(jìn)化過(guò)程更為順利。評(píng)價(jià)耗時(shí)方面，本發(fā)明每位用戶平均耗時(shí)6.05分鐘，仍為3種方法中最低，iga-fif耗時(shí)最多,t檢驗(yàn)差異顯著(p<0.05)。這是因?yàn)?，本發(fā)明采用單一數(shù)值評(píng)價(jià)，操作量最少；iga-lps需要對(duì)適應(yīng)值上限和下限取值；iga-fif需要對(duì)語(yǔ)氣詞和中心值取值，所以造成耗時(shí)增加。最優(yōu)解適應(yīng)值方面，本發(fā)明最高，這反映出用戶對(duì)本發(fā)明優(yōu)化結(jié)果最滿意。由于本發(fā)明在3種算法進(jìn)化代數(shù)和評(píng)價(jià)耗時(shí)均為最少，同時(shí)最優(yōu)解適應(yīng)值最高，所以可以明顯減輕用戶疲勞。

在項(xiàng)目2中，采用本發(fā)明，20名用戶中，8名用戶在最大進(jìn)化代數(shù)之前，獲得滿意解，并給出超過(guò)95分的評(píng)價(jià)值，這表明這8名用戶對(duì)優(yōu)化結(jié)果十分滿意。從表中數(shù)據(jù)看，本發(fā)明所有用戶平均適應(yīng)值為88.12，3種方法中最高。這種高評(píng)分低分布差異表明，用戶可以獲得滿意解，并且設(shè)定20代為最大進(jìn)化代數(shù)是足夠的。在進(jìn)化代數(shù)和優(yōu)化耗時(shí)方面，本發(fā)明都是最低的，且t檢驗(yàn)差異顯著。這表明，在非固定解優(yōu)化測(cè)試條件下，本發(fā)明仍可以顯著降低用戶操作負(fù)擔(dān)，減輕疲勞。