多目標驅動的產(chǎn)品形態(tài)基因網(wǎng)絡模型研究

張文召，呂 健，潘偉杰，趙慧亮,2，劉征宏

?

多目標驅動的產(chǎn)品形態(tài)基因網(wǎng)絡模型研究

張文召1，呂 健1，潘偉杰1，趙慧亮1,2，劉征宏3

(1. 貴州大學現(xiàn)代制造技術教育部重點實驗室，貴州 貴陽 550025； 2. 貴州民族大學美術學院，貴州 貴陽 550025； 3. 貴陽學院機械工程學院，貴州 貴陽 550025)

為解決產(chǎn)品設計過程中用戶需求的主觀性、模糊性問題，進一步提高產(chǎn)品意象傳達的準確度，提出一種多目標驅動的產(chǎn)品形態(tài)基因網(wǎng)絡模型(M-FGN)構建方法。以品牌形象、用戶偏好、社會情境為驅動目標，構建多目標驅動空間；分析產(chǎn)品形態(tài)基因節(jié)點與邊的設計，以產(chǎn)品形態(tài)基因為節(jié)點，以節(jié)點之間的相關性為邊，構建M-FGN網(wǎng)絡；對網(wǎng)絡進行拓撲分析，析出隱性設計知識輔助設計師進行產(chǎn)品形態(tài)設計。以某國有企業(yè)AGV小車形態(tài)設計為例，通過分析AGV小車側面形態(tài)M-FGN網(wǎng)絡，將析出知識提供給設計師進行針對性形態(tài)方案設計，對子代方案進行對比評價，驗證了M-FGN網(wǎng)絡模型的有效性。

多目標意象；基因網(wǎng)絡；形態(tài)設計；用戶需求

產(chǎn)品意象造型設計已經(jīng)成為當前企業(yè)重要的設計策略[1]，用戶需求的主觀性和模糊性問題使得企業(yè)和設計師越來越難以把握用戶需求[2]，而單純依靠計算機輔助技術進行的設計實際應有價值有限[3]，且實際生產(chǎn)中，出現(xiàn)產(chǎn)品品牌形象與意象風格不符，產(chǎn)品外觀造型與用戶偏好、社會審美趨勢脫節(jié)等問題。因此如何科學運用現(xiàn)代設計方法進行產(chǎn)品意象造型設計，有效融合用戶偏好需求與社會審美趨勢，并形成企業(yè)獨特品牌外形基因，以輔助設計師與企業(yè)提高產(chǎn)品市場競爭力，是當前產(chǎn)品設計面臨的重要問題。

產(chǎn)品基因網(wǎng)絡(product gene network，PGN)是復雜網(wǎng)絡思想運用到產(chǎn)品基因概念中形成的一種網(wǎng)絡形式。有前PGN的研究，如劉肖健等[3]通過構建純凈水瓶形態(tài)參數(shù)網(wǎng)絡，并結合交互式遺傳算法驗證了基因調(diào)控網(wǎng)絡對設計的輔助作用；徐瑤[4]以保溫杯為樣本繪制GRN(gene regulatory network)網(wǎng)絡并析出了相關設計知識；張露芳等[5]建立了辦公椅形態(tài)關系網(wǎng)絡；盛振[6]構建了汽車外形基因網(wǎng)絡以及汽車感性詞匯評價網(wǎng)絡。此外，部分學者也進行了一些基于基因網(wǎng)絡的配色設計研究[7-9]。以上研究傾向于利用復雜網(wǎng)絡工具來分析描述實際生活中存在的大量產(chǎn)品設計要素之間的客觀規(guī)律，如產(chǎn)品形態(tài)要素的重要度以及之間的相關性等。

而對于復雜網(wǎng)絡思想在產(chǎn)品造型設計中用戶感性意象所蘊含的隱性知識挖掘方面尚缺乏系統(tǒng)性探索，李雪瑞等[10]從用戶感性意象需求角度構建汽車側面外形基因網(wǎng)絡模型，但所選意象指標單一，忽略了產(chǎn)品設計過程中用戶需求的主觀性及模糊性問題。且實際項目中，產(chǎn)品意象造型設計本身的復雜性使企業(yè)往往需要綜合多方面因素進行設計，如同時考慮品牌形象、用戶偏好需求以及社會發(fā)展情境等，以期設計出能夠傳達企業(yè)品牌內(nèi)涵、滿足用戶感性偏好、符合社會審美趨勢的差異化產(chǎn)品。提出運用復雜網(wǎng)絡思想挖掘用戶感性意象中的隱性知識，以及從多目標進行產(chǎn)品意象造型設計，將有益于提高意象傳達準確度，保持企業(yè)產(chǎn)品市場競爭力。

綜上，本文提出多目標驅動的形態(tài)基因網(wǎng)絡模型(M-FGN)的構建流程。首先在建立產(chǎn)品案例庫與目標約束信息庫的基礎上，構建基于品牌形象、用戶偏好、社會情境多目標驅動空間；其次分析產(chǎn)品形態(tài)基因節(jié)點與邊，通過權重系數(shù)變化法構建M-FGN網(wǎng)絡，并對網(wǎng)絡進行拓撲分析；最后以某國有企業(yè)AGV小車形態(tài)設計為例，將求得的子代方案與對照組方案進行對比評價，結果顯示，子代方案能明顯提高用戶滿意度，驗證了M-FGN網(wǎng)絡模型對設計的有效輔助作用，一定程度上提高了PGN網(wǎng)絡模型的實際應用價值。

1 M-FGN網(wǎng)絡模型構建方法

產(chǎn)品形態(tài)設計本質上是設計師自身知識與經(jīng)驗的設計，因此本文構建M-FGN網(wǎng)絡模型目的就是輔助企業(yè)以及設計師準確定位產(chǎn)品設計知識，從而提高設計效率。如圖1所示，基于M-FGN網(wǎng)絡模型的產(chǎn)品整體設計流程包括4個階段：①建立包含品牌形象、用戶偏好、社會情境的多目標驅動空間。②建立產(chǎn)品形態(tài)基因集合。③通過M-FGN網(wǎng)絡建立驅動目標與產(chǎn)品形態(tài)基因之間的映射關系。④M-FGN網(wǎng)絡拓撲分析及進行下一步優(yōu)化設計。

圖1 基于M-FGN網(wǎng)絡模型的產(chǎn)品創(chuàng)新設計流程圖

設基于M-FGN網(wǎng)絡模型的產(chǎn)品創(chuàng)新設計方法流程為，即

1.1 構建多目標意象認知驅動空間

1.1.1 驅動目標與驅動詞匯提取

①構建目標約束信息庫，包括企業(yè)自身的品牌信息資料及從網(wǎng)絡、期刊和書籍等途徑收集的能夠描述目標產(chǎn)品造型的形容詞匯。②確定驅動目標，將將其分為定性及定量2類目標。定性目標指用具體語言描述對象屬性或特征的目標，如品牌形象、用戶偏好、社會情境等感性需求；定量目標包括成本、功能質量、工藝、結構、人機性能等確定性的量化標準。

基于驅動目標獲取驅動詞匯。定性驅動目標可以通過感性詞匯加以描述，如科技感、人性化等。常采用的方法有聚類分析法、因子分析法[11]、主成分分析法[12]等。定量目標可通過成本調(diào)查法、企業(yè)產(chǎn)品案例庫等方法獲取。為研究與產(chǎn)品意象造型設計有直接關聯(lián)的用戶感性意象與形態(tài)基因的關系，以幫助設計師定位用戶感性意象中的隱性設計知識，提高產(chǎn)品意象傳達的準確度，本文選取品牌形象、用戶偏好、社會情境3個驅動目標為研究對象進行驅動詞匯獲取，闡述M-FGN網(wǎng)絡模型的構建方法。品牌形象指企業(yè)有目的的傳遞并被消費者感知的各類視覺形象構成的集合；用戶偏好指用戶在購買和使用產(chǎn)品過程中產(chǎn)生的與形態(tài)、功能、情感及價值有關的主觀認知[13]，反應了用戶個人的需求、喜好及興趣；社會情境指體現(xiàn)當下社會的審美情趣并與社會發(fā)展趨勢緊密聯(lián)系的造型語言。其他驅動目標同樣可以適用于本研究方法。

1.1.2 構建多目標意象認知驅動空間

由此可得所有被試者在品牌形象驅動下對所有特征樣本的意象評價值構成了高維認知空間。基于此，設所有被試者對特征樣本下任意形態(tài)基因的品牌形象意象評價均值為(B)，即

同理可得：

設用戶偏好意象評價均值為

設社會情境意象評價值為

1.2 獲取產(chǎn)品形態(tài)基因集合

獲取產(chǎn)品形態(tài)基因集合首先要建立產(chǎn)品案例庫，包括自有產(chǎn)品、競爭產(chǎn)品和其他產(chǎn)品。自有產(chǎn)品指企業(yè)長期發(fā)展中不斷迭代累積下來的產(chǎn)品，包括已經(jīng)量產(chǎn)的產(chǎn)品方案以及未能量產(chǎn)的概念方案；競爭產(chǎn)品指市場上與企業(yè)產(chǎn)品定位相同或近似，構成競爭關系的產(chǎn)品；其他產(chǎn)品指社會環(huán)境下能夠代表主流審美趨勢如時裝、電影、汽車等行業(yè)的代表性產(chǎn)品。

對收集到的產(chǎn)品案例庫中目標產(chǎn)品形態(tài)進行編號，去除相似度高的形態(tài)方案，同時為避免色彩對形態(tài)的影響，對所有樣本進行灰度處理。由有經(jīng)驗的專家及設計師進行篩選確定初步樣本。通過意象認知實驗對初步樣本做進一步篩選獲取特征樣本集合。采用SD法結合Likert量表，調(diào)查用戶在品牌形象、偏好、社會情境下對每個代表性樣本的意象評價值，對每個方案下的3個驅動目標進行求和排序，剔除掉與驅動目標關聯(lián)性不大的樣本形態(tài)，取分值較高的代表性樣本確定為最終的特征樣本集合S。

將產(chǎn)品特征樣本分解獲得產(chǎn)品形態(tài)基因。實際產(chǎn)品形態(tài)由較多的特征構成，而消費者形成的視覺印象往往是某些重要的特征元素構成的，因此本文通過專家訪談、形態(tài)拆解法[15]及特征線[16]概念對產(chǎn)品特征樣本進行分解，得到產(chǎn)品形態(tài)基因集合。采用曲線控制法對獲得的形態(tài)基因進行編碼處理。將外形特征樣本導入到矢量繪圖軟件AI (adobe illustrator)中，利用3次貝塞爾曲線對樣本形態(tài)特征邊緣進行提取。最終獲得所有編碼完成的形態(tài)基因集合L。

1.3 M-FGN網(wǎng)絡構建

以品牌形象、用戶意象、社會情境為例構建M-FGN網(wǎng)絡，設()為目標約束下的產(chǎn)品形態(tài)基因網(wǎng)絡(product form gene network，F(xiàn)GN)，則

其中，()為與品牌形象相關的FGN網(wǎng)絡，()=(V,E)；()為與用戶意象相關的FGN網(wǎng)絡，()=(V,E)；()為與社會情境相關的FGN網(wǎng)絡，()=(V,E)。對M-FGN網(wǎng)絡的構建過程做如下形式化描述。

1.3.1 M-FGN網(wǎng)絡節(jié)點與邊的設計

1.3.2 M-FGN網(wǎng)絡自相關矩陣構建

本文通過SPSS 20.0軟件實現(xiàn)樣本數(shù)據(jù)的相關性系數(shù)計算，從而建立各驅動目標下的自相關矩陣。本文構建的3個驅動目標分別來自企業(yè)、用戶以及社會審美趨勢3個角度，因此本文采用權重系數(shù)變化法，將多目標問題轉化為單目標問題進行求解。具體步驟如下。

步驟2.建立用戶偏好驅動下的形態(tài)基因自相關矩陣。設Y為用戶偏好驅動下任意兩個形態(tài)基因節(jié)點之間的相關系數(shù)，則個形態(tài)基因節(jié)點的自相關矩陣為

步驟3.建立社會情境驅動下的形態(tài)基因自相關矩陣。設Z為用戶偏好驅動下任意兩個形態(tài)基因節(jié)點之間的相關系數(shù)，則個形態(tài)基因節(jié)點的自相關矩陣為

步驟4.建立M-FGN網(wǎng)絡自相關矩陣。本文采用權重系數(shù)變化法，將多目標驅動問題轉化為單目標驅動問題，設，，分別為3個驅動目標的權重值，可知

設多目標驅動形態(tài)基因自相關矩陣為，則在矩陣中可以直接用表示，，三者的關系，由此可得

1.4 M-FGN網(wǎng)絡拓撲分析

借鑒復雜網(wǎng)絡中圖論的相關概念對M-FGN網(wǎng)絡進行拓撲分析，主要計算網(wǎng)絡中節(jié)點的度、節(jié)點敏感性及節(jié)點集團，以析出相關設計知識輔助設計師進行產(chǎn)品造型設計。

節(jié)點的度指與網(wǎng)絡中任意節(jié)點V相連的邊的條數(shù)，記為K，K的值越大代表該節(jié)點在網(wǎng)絡中越重要。節(jié)點敏感性反映了網(wǎng)絡中形態(tài)基因值的穩(wěn)定性程度?？梢酝ㄟ^計算節(jié)點基因的方差來表示。敏感性越小代表形態(tài)基因的穩(wěn)定性越差，即該基因受其他基因的影響越大。反之則越小。其數(shù)學式為

節(jié)點集團指在基因網(wǎng)絡中一群互相聯(lián)系并共同起作用的節(jié)點集合[17]。通過對基因網(wǎng)絡設置相關系數(shù)閾值來析多目標約束下的節(jié)點集團，閾值大小的不同，網(wǎng)絡呈現(xiàn)不同的結構關系，當相關性閾值越高，網(wǎng)絡將形成幾個大的節(jié)點集團。其節(jié)點集團內(nèi)部聯(lián)系緊密，代表產(chǎn)品形態(tài)基因之間具有較強的關聯(lián)性，在設計時需要同時考慮這些形態(tài)特征線條。

2 實例研究

以某國有企業(yè)AGV小車形態(tài)設計為例，闡述多目標中品牌形象、用戶偏好、社會情境3個目標驅動下AGV小車M-FGN網(wǎng)絡的構建以及網(wǎng)絡模型在輔助設計師精確定位用戶感性需求中的隱性知識，提高產(chǎn)品意象傳達的準確度方面的作用。

2.1 獲取感性詞匯

建立企業(yè)AGV小車案例庫以及目標約束信息庫，限于篇幅此處不做詳述。從建立的產(chǎn)品案例庫中各選出一組代表性樣本進行形容詞提取。①通過實驗收集被試者對代表性樣本產(chǎn)生的直觀感性語言描述；②采用語義轉化法結合目標約束信息庫將被試者描述性的語言以及企業(yè)自身的品牌信息轉化為感性詞匯，由3名有經(jīng)驗的設計師對獲得的感性詞匯進行篩選，去除與用戶偏好、社會情境相關性較小的詞匯，得到代表性感性詞匯。將得到的感性詞匯與代表性樣本結合，采用SD法結合7點Likert量表進行3個驅動目標下的調(diào)查問卷實驗；③通過因子分析、聚類分析獲得各個驅動目標下的感性詞匯(表1)。

表1 感性詞匯

2.2 特征樣本與形態(tài)基因提取

對特征樣本方案，通過形態(tài)拆解法將AGV分為頂面輪廓、側面輪廓、顯示面板、指示燈、分割線等5個重要形態(tài)要素，結合專家訪談法及特征線概念對形態(tài)要素進行分析，最終確定AGV側面輪廓線及顯示面板為研究對象。將其導入到AI軟件中，并進行特征邊緣提取。

圖2 AGV側面形態(tài)特征邊緣提取

表2 貝塞爾曲線編碼后的形態(tài)基因集合

2.3 AGV小車側面形態(tài)M-FGN網(wǎng)絡繪制

通過意象認知實驗可獲取用戶對形態(tài)基因的情感評價值。實驗選取45名被試者，其中有經(jīng)驗的設計師、企業(yè)管理人員和具有3年以上物流經(jīng)驗的人員各15名，對案例庫中篩選的48個AGV特征樣本下的14個形態(tài)基因逐個評價。由此得到一個復雜高維的用戶評價意象空間。

2.3.1 自相關矩陣構建

通過SPSS 20.0計算14個形態(tài)基因之間的Pearson相關性系數(shù)，以確定AGV小車側面形態(tài)M-FGN網(wǎng)絡中邊的關系。

從用戶評價意象空間中選取與品牌形象相關的數(shù)據(jù)，計算基因變量之間的Pearson相關性系數(shù)，可以分別得到與品牌形象、用戶偏好以及社會情境相關的14個基因節(jié)點的自相關系數(shù)矩陣(表3)。

與企業(yè)商討確定，AGV小車新產(chǎn)品形態(tài)設計中品牌形象傳達度為30%，用戶偏好滿意度為50%，社會情境滿足度為20%，則=0.3，=0.5，=0.2，帶入式(13)和式(14)中，得到AGV小車側面形態(tài)M-FGN網(wǎng)絡中14基因節(jié)點自相關矩陣見表4。

2.3.2 M-FGN網(wǎng)絡繪制

將構建的多目標相關的14個形態(tài)基因節(jié)點自相關矩陣輸入到網(wǎng)絡分析軟件UCINET 6.186中通過設置不同閾值得到AGV側面形態(tài)M-FGN網(wǎng)絡圖。如圖3所示，其中節(jié)點的直徑代表節(jié)點的度值。

2.4 網(wǎng)絡拓撲分析及設計知識轉化

對繪制的AGV小車側面形態(tài)M-FGN網(wǎng)絡進行拓撲分析，計算形態(tài)基因節(jié)點的度數(shù)、節(jié)點敏感性和節(jié)點集團，將析出的顯性設計知識提供給設計師，輔助設計師定位關鍵形態(tài)線條。

表3 品牌形象相關的14個基因節(jié)點Pearson相關系數(shù)

表4 多目標相關的14個基因節(jié)點Pearson相關系數(shù)

圖3 不同閾值下的AGV小車側面形態(tài)M-FGN網(wǎng)絡圖

2.4.1 節(jié)點度數(shù)及節(jié)點敏感性計算

計算構建的AGV小車側面形態(tài)網(wǎng)絡中基因節(jié)點度數(shù)。當相關性閾值[]=0.3時，14個形態(tài)基因節(jié)點中度數(shù)最大的4個基因節(jié)點為v3，v8，v2，v10，其度數(shù)分別為9，7，6，5。

基于SPSS 20.0計算網(wǎng)絡中形態(tài)基因節(jié)點的方差，得到節(jié)點敏感性值，14個基因節(jié)點中敏感性最大的4個基因節(jié)點為v8，v3，v6，v14，方差/均值分別為10.31%，6.22%，4.10%，2.51%。

2.4.2 節(jié)點集團識別

通過設置相關性閾值析出節(jié)點集團。相關研究表明設計師同時處理的形態(tài)要素數(shù)量應控制在3個左右，因此取相關性閾值[]=0.53時，AGV小車側面形態(tài)網(wǎng)絡中共析出4個節(jié)點集團，兩個獨立節(jié)點。如圖4所示。

圖4 相關性閾值[r]=0.53時AGV小車側面形態(tài)基因網(wǎng)絡

2.4.3 設計知識轉化

分析節(jié)點度數(shù)、節(jié)點敏感性及節(jié)點集團特征的目的是，將多目標驅動下用戶感性意象中的隱性設計知識轉化為顯性設計知識，以供給設計師進行產(chǎn)品設計。

(1) 代表AGV小車頂部與側面交接處的形態(tài)基因v3，具有最高節(jié)點度數(shù)以及第二敏感性的特征，是多目標驅動下的形態(tài)基因關鍵節(jié)點。表明該處形態(tài)基因與其他基因關聯(lián)性最高，且形態(tài)基因的變化對AGV小車整體意象影響較大，在設計中需要最優(yōu)先考慮。對照節(jié)點集團可以看出v3與代表側面形態(tài)基因的v2以及代表顯示屏頂部與側面轉角的形態(tài)基因v12構成兩兩連接關系，且v2的度數(shù)排第3，因此這3個形態(tài)基因需要設計師協(xié)同考慮，且主從順序為v3，v2，v12。

(2) 代表頂部下凹載貨區(qū)的形態(tài)基因v8具有最高的敏感性，以及第2高的節(jié)點度數(shù)，表明該處基因的變化對AGV小車整體意象影響最大，且與其他基因具有較高的關聯(lián)性。代表顯示屏底部轉角形態(tài)的v10與代表頂部下凹載貨區(qū)與側面轉角形態(tài)的v7，以及代表顯示屏頂部形態(tài)的v13，3者與v8一起構成一個四元節(jié)點集團，在設計時需要同時進行優(yōu)化考慮。

(3) 頂部與下凹載貨區(qū)轉角形態(tài)基因v5與顯示屏底部形態(tài)基因v14以及頂部形態(tài)基因v4之間存在關聯(lián)，共同構成一組節(jié)點集團。相對于形態(tài)基因v5及v4而言，v14是敏感節(jié)點，對AGV小車整體感性意象影響更大，在該節(jié)點集團中處于優(yōu)先位置。

(4) 代表載貨區(qū)下凹深度的形態(tài)基因v6與代表顯示屏側面高度的形態(tài)基因v11構成一組二元節(jié)點集團，需要協(xié)同考慮。且在敏感性方面，v11具有較高敏感性，因此在該二元節(jié)點集團中具有主導地位。

(5) 得到兩個獨立形態(tài)基因節(jié)點，在節(jié)點度數(shù)以及敏感性方面都較低，在設計時可以不做重點考慮。

3 對照實驗

將析出的設計知識提供給設計師進行產(chǎn)品形態(tài)設計，以驗證M-FGN網(wǎng)絡對設計師的輔助作用。實驗包括樣本獲取實驗以及對照評價實驗兩部分。

從AGV特征樣本庫中選取3個代表性方案作為實驗基礎樣本，邀請5名有3年以上工作經(jīng)驗的專業(yè)設計師，要求在實驗基礎樣本基礎上每人設計出一款能夠延續(xù)企業(yè)品牌形象(穩(wěn)重感和大氣感)，滿足用戶偏好(簡潔感、整體感)且符合社會審美趨勢(現(xiàn)代感和精致感)的AGV子代產(chǎn)品，將其作為實驗對照組。并將析出的設計知識提供給設計師，在同等條件下使每位設計師再次設計出一款AGV形態(tài)方案作為實驗組。最終得到2組共30個形態(tài)方案，并通過軟件矢量化表達，圖5為通過2組實驗得到的部分形態(tài)方案。

圖5 實驗獲得的部分形態(tài)方案

將未提供設計知識(對照組)與提供設計知識(實驗組)各得到的15個形態(tài)方案進行對照評價實驗。實驗采用語義差異法，結合Likert7級量表(1~7)制作品牌形象、用戶偏好以及社會情境相關的調(diào)查問卷。選取24名被試者，包括設計師、企業(yè)管理人員以及物流工廠操作工人。結果如圖6所示，分析可知，對比對照組樣本，實驗組樣本在品牌形象、用戶偏好和社會情境方面平均得分分別提高了1.11，0.40，1.42；在滿意程度方面分分別提高了31.00%，20.50%，30.50%；分值在6分以上人數(shù)比例分別由50.00%，37.50%，41.67%提高到75.00%，62.50%，58.33%。由此驗證了M-FGN網(wǎng)絡模型的有效性。

4 結束語

為解決產(chǎn)品設計過程中用戶需求的主觀性、模糊性問題，提高產(chǎn)品意象傳達的準確度，本文首先提出了M-FGN網(wǎng)絡構建方法；然后以某企業(yè)AGV小車側面形態(tài)設計為例構建了品牌形象、用戶偏好、社會情境驅動的形態(tài)基因網(wǎng)絡模型；最后通過對照評價實驗驗證了M-FGN網(wǎng)絡模型的有效性，實驗結果表明，通過給設計師提供網(wǎng)絡模型析出的設計知識，子代方案在品牌形象、用戶偏好、社會情境滿意度方面分別提高31.00%，20.50%，30.50%。M-FGN網(wǎng)絡使傳統(tǒng)的單純依靠設計師經(jīng)驗進行的設計活動變得更加科學化，提高了AGV小車品牌形象及用戶感性需求傳達的準確度，對設計師挖掘用戶感性意象中的隱性設計知識提供了的輔助作用。

圖6 3個驅動目標相關的實驗評價數(shù)據(jù)

后續(xù)將從3個方面進行深入研究：①從AGV產(chǎn)品側面形態(tài)基因網(wǎng)絡模型的構建擴展至整個產(chǎn)品形態(tài)的研究，驗證多目標驅動形態(tài)基因網(wǎng)絡模型的穩(wěn)定性；②進一步研究定量驅動目標如成本、工藝、結構等的AGV形態(tài)基因網(wǎng)絡模型構建方法，提高形態(tài)基因網(wǎng)絡模型的實際適用性；③通過引入智能算法實現(xiàn)多目標驅動AGV形態(tài)智能進化設計，以進一步幫助企業(yè)及設計師提高設計效率。

[1] 蘇建寧, 劉志君, 王鵬. 基于感性意象的產(chǎn)品族造型設計方法研究進展[J]. 機械設計, 2017, 34(11): 112-116.

[2] 劉征宏, 謝慶生, 李少波, 等. 基于潛在語義分析和感性工學的用戶需求匹配[J]. 浙江大學學報: 工學版, 2016, 50(2): 224-233.

[3] 劉肖健, 孫艷, 吳劍鋒, 等. 產(chǎn)品基因調(diào)控網(wǎng)絡模型及其對設計過程的輔助[J]. 計算機集成制造系統(tǒng), 2013, 19(7): 1463-1471.

[4] 徐瑤. 基于基因調(diào)控網(wǎng)絡的產(chǎn)品優(yōu)化設計[D]. 浙江: 浙江工業(yè)大學, 2014.

[5] 張露芳, 盛振, 孫倫, 等. 基于基因網(wǎng)絡的產(chǎn)品形態(tài)設計研究[J]. 浙江工業(yè)大學學報, 2016, 44(5): 584-590.

[6] 盛振. 汽車造型設計的基因網(wǎng)絡模型構建研究[D]. 浙江工業(yè)大學, 2016.

[7] 李愚, 劉肖健, 孫艷, 等. 產(chǎn)品配色設計的色彩鄰接網(wǎng)絡模型[EB/OL]. [2018-09-19]. http://kns.cnki.net/ kcms/detail/11.5946.TP.20180504.1326.045.html.

[8] 劉肖健，曹愉靜，趙露唏. 傳統(tǒng)紋樣的色彩網(wǎng)絡模型及配色設計輔助技術[J]. 計算機集成制造系統(tǒng), 2016, 22(4): 899-907.

[9] 劉肖健, 李桂琴, 孫守遷. 基于交互式遺傳算法的產(chǎn)品配色設計[J]. 機械工程學報, 2009, 45(10): 222-227.

[10] 李雪瑞, 余隋懷, 初建杰, 等. 意象驅動的產(chǎn)品形態(tài)基因網(wǎng)絡模型構建與應用[J]. 計算機集成制造系統(tǒng), 2017, 19(7): 1463-1471.

[11] 趙慧亮, 何林, 林麗. 數(shù)字化人機界面的多目標意象設計決策研究[J]. 工程設計學報, 2016, 23(1): 28-34.

[12] 袁樹植, 高虹霓, 王崴, 等. 基于感性工學的人機界面多意象評價[J]. 工程設計學報, 2017, 24(5): 523-529.

[13] 徐江, 王海賢, 張克俊. 基于貝葉斯網(wǎng)絡的品牌風格語言知識建模方法[J]. 中國機械工程, 2013, 24(19): 2611-2616.

[14] 劉征宏, 謝慶生, 黃海松, 等. 多維變量感性工學模型構建及其性能評估[J]. 四川大學學報: 工程科學版, 2016, 48(2): 198-206.

[15] 張碩, 吳儉濤. 基于BP神經(jīng)網(wǎng)絡的壁掛式充電樁產(chǎn)品形態(tài)研究[J]. 圖學學報, 2017, 38(6): 865-868.

[16] 趙丹華, 趙江洪. 汽車造型特征與特征線[J]. 包裝工程, 2007(3): 115-117.

[17] 汪小帆, 李翔, 陳關榮. 復雜網(wǎng)絡理論及其應用[M]. 北京: 清華大學出版社, 2006.

Research on Model of Product Form Gene Network Driven by Multi-Objective

ZHANG Wen-zhao1, LV Jian1, PAN Wei-jie1, ZHAO Hui-liang1,2, LIU Zheng-hong3

(1. Key Laboratory of Advanced Manufacturing Technology, Ministry of Education, Guizhou University, Guiyang Guizhou 550025, China; 2. The Ares College of Guizhou Minzu University, Guiyang Guizhou 550025, China; 3.School of Mechanical Engineering,Guiyang University, Guiyang Guizhou 550025, China)

To solve the subjectivity and ambiguity of user demands in the product design process, and to enhance the accuracy of express product image, this study proposed a product form gene network driven by multi-objective (M-FGN). Taking brand image, user preference and social context as the driving targets, we constructed the multi-object goal driven space and analyzed the product form gene node and the edge design. Thus the product form gene was set as node, the correlation of nodes as edges, so as to construct the M-FGN network. The network with topology was also analyzed to generate the implicit design knowledge to assist designers in product form design. Taking a state-owned enterprise tobacco logistics equipment AGV design as an example, we analyzed the side form of AGV’s M-FGN network, provided the knowledge generated to the designers for the specific form design, and made a comparative evaluation of the sub-design, which verified the effectiveness of the M-FGN network model.

multi-objective image; gene network; form design; user demands

TH 116；TB 472

10.11996/JG.j.2095-302X.2019020335

A

2095-302X(2019)02-0335-09

2018-06-21；

2018-08-29

國家自然科學基金項目(51505094)；貴州省科技項目(LH字[2016]7467、[2016]2327、[2017]1046、[2017]2016、[2018]1049、[2016]12)；貴州省教育廳高等學校人文社會科學研究項目(2018qn46)；貴州省教育廳青年科技人才成長項目(黔教合KY字[2017]239)

張文召(1992-)，男，河南新鄉(xiāng)人，碩士研究生。主要研究方向為產(chǎn)品創(chuàng)新設計方法。E-mail：592617465@qq.com

呂 健(1983-)，男，河北承德人，副教授，博士。主要研究方向為工業(yè)設計、智能設計。E-mail：jlv@gzu.edu.cn