導語：遺傳算法在工業產品造型設計的運用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：虛擬現實環境下工業產品造型設計方向種類繁雜且多由人為操作，得到全局最優設計結果的速度不佳，因此，提出在虛擬現實環境下遺傳算法在工業產品造型設計中的運用。通過層次化產品造型結構設計產品造型基因編碼，利用適應度函數對個體進行適應值評價，確定編碼個體適應度；由遺傳算子支撐產品造型設計方案的進化，滿足人工參與條件后在虛擬現實環境下由人工評估設計方案，直至產生用戶滿意的方案。實驗結果顯示，在相同條件下，基于遺傳算法生成的工業產品造型設計結果較常規方法生成的設計結果少迭代410次，即可精確收斂到全局最優設計結果，表明虛擬現實環境下遺傳算法在工業產品造型設計中收斂到全局最優結果速度更快，效果更佳。

關鍵詞：虛擬現實；遺傳算法；遺傳編碼；適應度函數；工業設計；產品造型設計

隨著科技快速發展，消費者對產品造型和功效的要求越來越高，不僅注重產品的使用功能，更追求視覺感官上的享受。為了響應快速發展的市場需求，利用虛擬現實技術輔助設計師完成產品造型設計是十分必要的。在傳統產品造型設計過程中，主要是從產品功能出發，以提高產品表象形式為目的對其進行設計，包含產品的形態設計、產品的色彩設計、產品造型的質感等設計方面[1]。設計師需要首先以用戶的需求為設計方向，利用自身設計經驗分析產品的原理及性能，并設計出對應產品的基本結構、功能和形態等造型設計元素，主要依靠設計師的個人能力。單純由設計師完成，難以保證設計工作的效率，無法滿足產品造型設計快速開發設計的要求。因此，利用遺傳算法的高度并行、自適應性優勢，對工業產品造型設計求解[2⁃3]。為了更好地結合用戶需求偏好和設計師的經驗，同時避免設計師的主觀看法以及用戶參與評估的過程較多，將虛擬現實和遺傳算法相結合，通過交互式手段利用人工評估進行調整，以人工評估的方式替代遺傳算法中的適應度值，得到結果最優解，既可以減少用戶工作量，又可以提高產品造型設計結果的收斂速度。

1遺傳算法在工業產品造型設計中的運用

遺傳算法可以同時處理多個設計目標，在一個工業產品造型設計過程中得到多個滿意的產品造型設計結果。遺傳算法在工業產品造型設計中的運用是以進化論和遺傳學說為基礎，對產品造型中的每個個體設計要素進行編碼，再通過選擇、交叉、變異算子進行基因的排列組合，直到生成滿意的新個體。在進化過程滿足一定條件后，進入人工評估階段進行方案調整，若輸出結果不是最優的，再進入計算機運行自然階段，形成一個循環，直至生成最優設計方案[4]。由于計算機可以同時進行多個目標的并行搜索，因此，能提高產品造型的設計效率。基于遺傳算法的工業產品造型設計流程如圖1所示。1.1設計產品造型基因編碼。在遺傳算法運行中，使用浮點編碼方式將實際可行解變量轉變為個體編碼，能夠在確定規模的種群中表示更多的模式[5]。在初始種群中，產品形態、顏色等都可以表示成具體的層次結構數據，每一個功能單元均對應一個結構特征參數，每一個染色體均包含一系列特征參數集合。將可行解從解空間轉換到搜索空間中，通過這種層次結構將特征浮點參數編碼進產品個體中。用層次化染色體結構表示產品造型元素，如圖2所示。產品染色體的基因位為功能單元染色體，功能單元的染色體基因位是特征參數的染色體，功能特征參數由浮點值定義[6]。設定每一個產品造型設計元素的參數編碼包括功能單元的名稱、數量、形狀特征、幾何大小、產品顏色等。部分產品造型設計編碼參數數據類型如表1所示。在將編碼參數導入計算機輔助軟件之前，設計師需要從市場及概念設計中提取需要數據，按照上述層次結構進行數據的編碼。不同產品對應的特征參數均不相同，這種差異化會影響遺傳算法獲得有效解[7⁃9]。因此，將編碼數據的浮點值強制映射在相同有效范圍區間內，使得每個對應基因位均在[0，1]范圍，解決參數在不同范圍上的問題。1.2確定編碼個體適應度。在非人工評估階段，也就是自然階段，由目標函數變換得到適應度函數，對個體進行適應值評價。適應度函數為：F(x)={Cmax-f(x),f(x)<Cmax0,f(x)≥Cmax（1）式中：F(x)為適應度函數；f(x)為目標函數；Cmax為一個預設的相對較大的正數，以保證大多數解為正。設定種群平均適應度值為FA。產品造型設計是一個多目標尋優的過程，實際過程中包含多種特征參數，對應產品不同狀態。使用形態語義加權方法，根據設計元素在設計方案中的重要程度設定合適權重值，將用戶語義與產品特征描述對應聯系起來，反映設計個體在多方面的優劣程度[10⁃11]。對每一個設計元素進行調查，對調查結果取算術平均值，得到人工評估適應度值FE。隨機生成N個個體字符串，其中，N個個體作為初始種群大小，初始進化代數為gen，最大非人工進化代數為GEN。1.3產品造型設計方案進化。產品造型設計方案的進化由三種遺傳算子支撐。從初始種群開始迭代，獲得最初種群平均適應度后，選擇適應度較高的個體兩兩配對，再經過遺傳運算中的交叉、變異運算再生，得到新個體放入新種群中，重復此過程，直至新種群生成，在每一代運算后生成的新種群將替代舊種群[10]。交叉運算是在交叉概率Pc控制下，隨機選擇上一代種群中的兩個個體進行交叉，由兩個個體中適應度值較高的個體提供更多基因。變異運算首先設定初始變異概率Pm，Pm∈[0,1]。產生下一代種群后，比較兩代種群中最優個體的適應度值，新種群最優個體小于舊種群最優個體適應度值時，將初始變異概率Pm增加0.05，否則，減少0.05，但始終保持變異概率在初始變異概率值與1之間。為保證將適應度值最好的個體保留到下一代種群中，用當前種群中適應度值最高的個體直接替代經交叉和變異遺傳操作后產生的適應度值最低個體[12⁃13]。同時，如果上一代種群中的最優個體的適應度值高于當前種群中最優個體的適應度值，即用上一代種群中的最優個體代替當前種群中的適應度值最低個體。當算法運行生成新的產品造型設計方案，同時滿足人工參與條件后，解碼進入虛擬現實環境下參與人工評估階段。1.4虛擬現實環境下人工評估設計方案。虛擬現實環境下人工評估階段，主要是借助虛擬現實技術，由計算機主機進行控制，通過四維形式將儲存在知識庫和數據庫的算法內容展現在虛擬場景中[14]，輸出最終設計結果方案、圖紙或造型給客戶。虛擬現實設計結果輸出流程如圖3所示。圖3虛擬現實設計結果輸出流程由人工評價是否生成了最優方案。設定設計產品評價目標為u=(u1,u2,⋯,un)，對應權重分別為qi，用矩陣表示為Q=(q1,q2,⋯,qn)，對產品各評價目標進行評分：（2）如果在人工評估階段產生了用戶滿意的方案，那么停止算法運行，否則，轉入自然階段繼續運行，并且剔除不符合設計要求的方案。至此完成虛擬現實環境下遺傳算法在工業產品造型設計中的運用設計。

2仿真實驗

設計模擬仿真實驗，對比在虛擬現實環境下，利用遺傳算法生成最優工業產品造型設計結果的收斂速度以及常規虛擬現實環境下生成設計結果的收斂速度。2.1實驗準備及運行參數設定使用Matlab軟件的GlobalOptimizationToolbox優化工具箱，將算法運行在原有建模系統[15]中。根據設計師的經驗預先設定遺傳算法中的運行參數值，其中，包括最大/最小種群數、傳迭代數范圍、交叉概率以及變異概率等參數。遺傳算法類型選擇最優保存策略及精英策略。遺傳算法所需部分運行參數如表2所示。2.2實驗結果以迭代次數為橫軸，系統運行時間為縱軸，繪制算法收斂曲線如圖4所示。2020年第43卷由圖4可知，常規生成最優工業產品造型設計結果的收斂速度大約要經過700次迭代，而基于遺傳算法的工業產品造型設計在迭代到290次時精確收斂到全局最優解。結果表明，在相同條件下基于遺傳算法生成的工業產品造型設計結果的收斂速度更快，能更快速地收斂到全局最優解，提高了設計效率。

3結語

結合虛擬現實和遺傳算法技術，在虛擬現實環境下執行人工評估階段。用戶可以更直觀、方便地觀察到設計結果，同時，設計師也可以發揮主觀經驗的積極作用，彌補常規設計方法的不足。由計算機自動完成設計方案的進化過程，發揮遺傳算法全局搜索能力強的優勢，向全局最優解逼近。另外，因為人工評估階段是在滿足一定條件后進行的，若未生成人工滿意結果，則再轉入計算機自然階段繼續運行，所以遺傳算法的絕大部分迭代過程均是計算機自動完成的，可以有效減少人工參與次數，減輕用戶工作量，從而避免迭代次數限制。加上人工評估過程是在虛擬現實環境下進行的，易于用戶操作并且進一步減輕了用戶工作量，完成了虛擬現實環境下遺傳算法在工業產品造型設計中的運用。

作者:李寅 單位:阿壩師范學院