工業(yè)設(shè)計(jì)方案決策的異構(gòu)信息融合方法

楊延璞, 安為嵐, 楊沁夏, 龔政

(長(zhǎng)安大學(xué) 工程機(jī)械學(xué)院, 陜西 西安 710064)

作為創(chuàng)新設(shè)計(jì)的重要組成部分，工業(yè)設(shè)計(jì)有助于建立產(chǎn)品多物理屬性與用戶主觀感知間的紐帶，促進(jìn)創(chuàng)新成果的價(jià)值實(shí)現(xiàn)。工業(yè)設(shè)計(jì)過(guò)程一般包括“問(wèn)題”、“解”與“決策”3個(gè)作用單元[1]，“問(wèn)題”與“解”在設(shè)計(jì)過(guò)程中協(xié)同進(jìn)化[2]，“決策”決定了“問(wèn)題”與“解”進(jìn)化的方向[3]?？茖W(xué)、合理的決策有助于促進(jìn)工業(yè)設(shè)計(jì)過(guò)程有效收斂，避免設(shè)計(jì)過(guò)程的無(wú)效迭代。

工業(yè)設(shè)計(jì)的多學(xué)科交叉特性使得方案決策一般包含定性信息和定量數(shù)據(jù)，對(duì)這兩類(lèi)信息的處理方法主要為數(shù)學(xué)方法和實(shí)驗(yàn)方法。數(shù)學(xué)方法主要借助模糊系統(tǒng)理論將定性決策信息定量化，如文獻(xiàn)[4]將粗?jǐn)?shù)與多準(zhǔn)則妥協(xié)解排序法(visekriterijumska optimizacija i kompromisno resenje,VIKOR)結(jié)合，在產(chǎn)品概念設(shè)計(jì)方案評(píng)價(jià)中融入客戶偏好與設(shè)計(jì)師感知，優(yōu)選出既滿足客戶期望又遵循設(shè)計(jì)標(biāo)準(zhǔn)的方案；文獻(xiàn)[5]利用猶豫模糊語(yǔ)言術(shù)語(yǔ)集描述用戶對(duì)產(chǎn)品造型的感性評(píng)價(jià)，構(gòu)建語(yǔ)言共識(shí)測(cè)度模型并結(jié)合粒子群優(yōu)化算法實(shí)現(xiàn)非共識(shí)條件下猶豫模糊語(yǔ)言矩陣的優(yōu)化；文獻(xiàn)[6]結(jié)合畢達(dá)哥拉斯模糊集和前景理論計(jì)算決策專家與指標(biāo)權(quán)重，實(shí)現(xiàn)產(chǎn)品設(shè)計(jì)方案總分排序決策。實(shí)驗(yàn)方法主要借助生理測(cè)量?jī)x器和心理實(shí)驗(yàn)獲取決策者對(duì)設(shè)計(jì)方案的感知以輔助決策，如文獻(xiàn)[7]通過(guò)采集被試的眼動(dòng)追蹤指標(biāo)和腦電數(shù)據(jù)，結(jié)合主觀視覺(jué)美學(xué)評(píng)價(jià)量化分析產(chǎn)品的視覺(jué)美感；文獻(xiàn)[8]為了研究用戶對(duì)定制機(jī)械產(chǎn)品的性能印象，通過(guò)采集用戶腦電信號(hào)并結(jié)合主客觀評(píng)價(jià)，提出一種面向性能的機(jī)械定制產(chǎn)品感性意象評(píng)價(jià)方法；文獻(xiàn)[9]將發(fā)明問(wèn)題解決理論(theory of inventive problem solving,TIPS/TRIZ)與Kano模型結(jié)合對(duì)感性工學(xué)進(jìn)行改進(jìn)，在感性心理量表測(cè)量基礎(chǔ)上對(duì)感性認(rèn)知分類(lèi)，以理解和量化分析客戶的情感需求。

以上研究為工業(yè)設(shè)計(jì)方案決策數(shù)據(jù)處理提供重要參考，但主要關(guān)注單一類(lèi)別決策數(shù)據(jù)。而工業(yè)設(shè)計(jì)的多學(xué)科特性使得設(shè)計(jì)方案決策中決策者知識(shí)背景、經(jīng)驗(yàn)等各異，對(duì)設(shè)計(jì)方案的評(píng)判方式因人而異，決策信息常包含語(yǔ)言感知、數(shù)值判斷與基于產(chǎn)品設(shè)計(jì)參數(shù)的評(píng)測(cè)3類(lèi)異構(gòu)數(shù)據(jù)，對(duì)其進(jìn)行有效集結(jié)將有助于工業(yè)設(shè)計(jì)師和決策者準(zhǔn)確把控設(shè)計(jì)意見(jiàn)，提高設(shè)計(jì)迭代的準(zhǔn)確性、方向性和目的性，進(jìn)一步提高產(chǎn)品開(kāi)發(fā)質(zhì)量。現(xiàn)有研究針對(duì)異構(gòu)決策信息常將其轉(zhuǎn)換為某一類(lèi)型的數(shù)據(jù)進(jìn)行處理[10-11]，雖有助于消除不同物理量綱對(duì)決策結(jié)果的影響，但會(huì)忽視數(shù)據(jù)本身固有的不確定信息，從而難以準(zhǔn)確反映工業(yè)設(shè)計(jì)方案在各決策屬性上的優(yōu)劣，進(jìn)而影響決策結(jié)果的準(zhǔn)確性，需要進(jìn)一步研究。

針對(duì)上述問(wèn)題，本文利用云模型將決策者對(duì)工業(yè)設(shè)計(jì)方案的定性語(yǔ)言評(píng)價(jià)量化，針對(duì)由語(yǔ)言值、區(qū)間數(shù)和實(shí)數(shù)組成的異構(gòu)決策信息，通過(guò)建立相對(duì)優(yōu)勢(shì)矩陣實(shí)現(xiàn)數(shù)據(jù)融合。為更好處理決策者對(duì)決策屬性判斷的模糊性與不確定性，以語(yǔ)言等級(jí)映射指數(shù)區(qū)間標(biāo)度，構(gòu)建非線性優(yōu)化模型求解最優(yōu)決策屬性權(quán)重，通過(guò)構(gòu)建方案綜合效用值函數(shù)確定方案優(yōu)劣。最后，以某型指揮用控制臺(tái)的設(shè)計(jì)方案決策為例，驗(yàn)證了本文方法的有效性。

1 基于云模型的語(yǔ)言評(píng)價(jià)量化

工業(yè)設(shè)計(jì)具有典型的不良定義特性[12]，設(shè)計(jì)目標(biāo)模糊，對(duì)產(chǎn)品造型、風(fēng)格等定性指標(biāo)常采用Likert語(yǔ)義量表進(jìn)行分析。語(yǔ)義量表一般包含奇數(shù)個(gè)對(duì)稱的語(yǔ)言等級(jí)，令S={sα|α∈{-τ,…,0,…,τ}}為對(duì)稱的語(yǔ)言術(shù)語(yǔ)集[13],當(dāng)τ=3時(shí)即為L(zhǎng)ikert 7級(jí)量表:S={s-3:極差,s-2:很差,s-1:差,s0:一般,s1:好,s2:很好,s3:極好}。對(duì)工業(yè)設(shè)計(jì)方案定性語(yǔ)言評(píng)價(jià)的處理可借助由李德毅院士提出的云模型[14],其優(yōu)勢(shì)在于可將定性語(yǔ)言轉(zhuǎn)化為量化數(shù)值。

1.1 云模型

1) 云與云滴

設(shè)U是用精確數(shù)值表示的定量論域,C是論域U上的定性概念,若存在定量值x∈U都有一個(gè)穩(wěn)定傾向的隨機(jī)數(shù)μC(x)∈[0,1],則稱μC(x)為定量值x對(duì)定性概念C的隸屬度,μC(x)在論域U上的分布即為隸屬云[14](簡(jiǎn)稱云),任一(x,μC(x))為一個(gè)云滴。

2) 云的數(shù)字特征

為建立定性概念與定量表述間的映射關(guān)系,云模型常用期望Ex、熵En和超熵He表示其數(shù)字特征[15-16]。Ex為云滴在論域空間分布的期望值,即定性概念量化后的平均值,代表云重心的位置;En為定性概念不確定性的測(cè)度,反映定性概念在定量論域所接受的數(shù)值范圍,En越大,則定性概念的模糊程度越大;He為En的熵,是En的不確定性度量,反映了云滴的離散程度,He越大,則云滴的離散程度越大,表現(xiàn)為云層變厚。研究表明,大量自然科學(xué)中不確定性問(wèn)題的隸屬云期望都近似于正態(tài)云[17]?？杀硎緸?/p>

(1)

3) 綜合云

設(shè)一朵綜合云C(Ex,En,He)由m朵云{C1(Ex1,En1,He1),C2(Ex2,En2,He2),…,Cm(Exm,Enm,Hem)}組成,則

(2)

式中：λ=(λ1,λ2,…,λm)為m朵云的權(quán)重。

1.2 語(yǔ)言評(píng)價(jià)轉(zhuǎn)換云模型的黃金分割方法

工業(yè)設(shè)計(jì)方案語(yǔ)言評(píng)價(jià)中,對(duì)由2τ個(gè)語(yǔ)言值在有效論域[Xmin,Xmax]上生成的2τ朵云,采用黃金分割法[18]生成云模型。

1) 期望生成

(3)

式中,Ex0,Ex-τ和Exτ分別為中間云、最左邊云和最右邊云的期望值。

根據(jù)黃金分割法,中間云右邊第一朵云的期望值為Ex1=Ex0+0.382×(Xmax-Ex0),中間云左邊第一朵云的期望值為Ex-1=Ex0-0.382×(Ex0-Xmin),則按照Exj+1=Exj+0.382×(Xmax-Exj),Ex-(j+1)=Ex-j-0.382×(Ex-j-Xmin)(1≤j<τ-1)生成剩余所有云的期望值。

2) 熵生成

確定與中間云相鄰的左右第一個(gè)云模型的熵為En-1=En1=0.382×(Xmax-Xmin)/6,生成中間云的熵為En0=0.618En1,則按照Enj+1=Enj/0.618,En-(j+1)=En-j/0.618(1≤j<τ)生成剩余所有云的熵。

3) 超熵生成

給定中間云的超熵He0,生成中間云左右第一個(gè)云模型的超熵He-1=He1=He0/0.618,按照Hej+1=Hej/0.618,He-(j+1)=He-j/0.618(1≤j<τ)生成剩余所有云的超熵。

2 異構(gòu)決策信息融合

2.1 異構(gòu)決策屬性的相對(duì)優(yōu)勢(shì)矩陣

為考慮決策者認(rèn)知的模糊性與不確定性,對(duì)設(shè)計(jì)方案的語(yǔ)言評(píng)價(jià)采用云模型進(jìn)行轉(zhuǎn)化,對(duì)數(shù)值判斷采用區(qū)間數(shù)描述。為避免異構(gòu)決策信息間規(guī)范化帶來(lái)的數(shù)據(jù)量級(jí)不一致問(wèn)題,引入相對(duì)優(yōu)勢(shì)的理念[10],分別構(gòu)建語(yǔ)言值、區(qū)間數(shù)和實(shí)數(shù)的相對(duì)優(yōu)勢(shì)矩陣如下:

1) 語(yǔ)言值相對(duì)優(yōu)勢(shì)矩陣

(4)

2) 區(qū)間數(shù)相對(duì)優(yōu)勢(shì)矩陣

yis(hs)=(-1)γ(D(ais)-D(ai′s))/D(ai′s)

(5)

3) 實(shí)數(shù)相對(duì)優(yōu)勢(shì)矩陣

若對(duì)工業(yè)設(shè)計(jì)方案決策屬性hq(1≤q≤K3)采用實(shí)數(shù)參數(shù)描述,決策矩陣為AR=(aiq)n×K3,其相對(duì)優(yōu)勢(shì)矩陣為

yiq(hq)=(-1)γ(aiq-ai′q)/ai′q

(6)

式中:1≤i,i′≤n;當(dāng)hq為效益型指標(biāo)時(shí),γ=0;當(dāng)hq為成本型指標(biāo)時(shí),γ=1。

設(shè)W=(w1,w2,…,wK)為各屬性的權(quán)重向量,綜合K(K=K1+K2+K3)個(gè)決策屬性的相對(duì)優(yōu)勢(shì)矩陣[yij(hj)]n×K1,[yis(hs)]n×K2,[yiq(hq)]n×K3,得到綜合判斷矩陣Z=(zef)n×n

(7)

式中,1≤e,f≤n;(w1,w2,…,wK1),(w1,w2,…,wK2),(w1,w2,…,wK3)分別為語(yǔ)言感知、數(shù)值判斷與產(chǎn)品設(shè)計(jì)參數(shù)3類(lèi)決策屬性的權(quán)重。

2.2 異構(gòu)決策屬性的權(quán)重計(jì)算

決策屬性權(quán)重計(jì)算常用層次分析法(analytic hierarchy process,AHP)[19],但其處理的數(shù)據(jù)是“點(diǎn)”數(shù)據(jù)或“剛性”數(shù)據(jù)[20]。而工業(yè)設(shè)計(jì)方案決策具有模糊性,在兩兩指標(biāo)的比較判斷中,將自然語(yǔ)言判斷轉(zhuǎn)化為區(qū)間數(shù)量化而非“剛性”數(shù)據(jù)具有更好的適應(yīng)性[21]。

1) 區(qū)間標(biāo)度

根據(jù)韋伯-費(fèi)希納定律[22],心理量S是外界刺激量R的對(duì)數(shù)函數(shù),即:

S=κlgR

(8)

式中,κ為韋伯常數(shù)。(8)式表明,當(dāng)刺激強(qiáng)度以幾何級(jí)數(shù)增加時(shí),心理強(qiáng)度以算術(shù)級(jí)數(shù)增加?；诖?在工業(yè)設(shè)計(jì)方案決策中,對(duì)決策屬性i,j的相對(duì)重要性程度用自然語(yǔ)言分為9個(gè)等級(jí),分別為“同等重要”、“稍微重要”、“明顯重要”、“非常重要”、“極其重要”及其中間程度等級(jí),則屬性i相對(duì)于j的重要性程度可表示為

(9)

表1 語(yǔ)言標(biāo)度所對(duì)應(yīng)區(qū)間數(shù)

2) 最優(yōu)決策屬性權(quán)重求解

由于重要度判斷矩陣V為指數(shù)區(qū)間矩陣,難以達(dá)到完全一致性。因此,需對(duì)V進(jìn)行一致性逼近并獲取其確定數(shù)值判斷矩陣以求解決策屬性權(quán)重。

(10)

(11)

3) 群體區(qū)間標(biāo)度集結(jié)

群體意見(jiàn)集結(jié)有助于提升屬性權(quán)重的合理性,現(xiàn)有研究多采用算數(shù)平均或幾何平均方法[23],但常會(huì)忽視決策群體意見(jiàn)的一致性。因此,基于決策群體意見(jiàn)的屬性權(quán)重求解需要將決策者分歧統(tǒng)一,將群體決策結(jié)果與個(gè)人判斷之間的差異最小化。

(12)

(13)

(14)

(15)

(16)

對(duì)(16)式按最大似然估計(jì)求解,得

(17)

(18)

2.3 工業(yè)設(shè)計(jì)方案綜合效用值計(jì)算

異構(gòu)決策信息融合得到的工業(yè)設(shè)計(jì)方案綜合判斷矩陣Z=(zef)n×n僅能反映設(shè)計(jì)方案在各異構(gòu)決策屬性上的優(yōu)劣,難以反映設(shè)計(jì)方案的綜合優(yōu)劣。為此,以效用(μ1,μ2,…,μn)向量描述工業(yè)設(shè)計(jì)方案的綜合效用,計(jì)算模型如下:

(19)

式中,μe,μf分別為方案e,f的效用值。(19)式表示,綜合效用值間的優(yōu)勢(shì)關(guān)系應(yīng)與綜合判斷矩陣保持一致,當(dāng)其相對(duì)綜合差值最小時(shí),綜合效用值間能夠用以表示方案優(yōu)劣。

3 實(shí)例驗(yàn)證

以某型指揮用控制臺(tái)工業(yè)設(shè)計(jì)方案決策為例。經(jīng)前期調(diào)研,輸入設(shè)計(jì)需求為:①造型美觀、富有科技感;②功能布局合理,符合人機(jī)工效原則;③加工方便;④操作工位數(shù)不少于3個(gè),單工位信息顯示設(shè)備不少于3個(gè),寬度與厚度尺寸盡量小,高度不超過(guò)185 cm。經(jīng)工業(yè)設(shè)計(jì)師初步設(shè)計(jì)得到3個(gè)方案,如圖1所示。

圖1 控制臺(tái)設(shè)計(jì)方案

需求方組織結(jié)構(gòu)工程師、用戶、管理人員等5名決策者對(duì)設(shè)計(jì)方案進(jìn)行評(píng)估,設(shè)計(jì)需求對(duì)應(yīng)的決策屬性與標(biāo)準(zhǔn)為:外觀(A)={造型美觀(A1),科技感(A2)}、人機(jī)(B)={功能布局合理(B1),符合人機(jī)原則(B2)}、加工(C)={加工難易程度}、約束參數(shù)(D)={工位數(shù)(D1)、單工位顯示設(shè)備數(shù)(D2)、寬度尺寸(D3)、厚度尺寸(D4)、高度尺寸(D5)}。屬性A的決策尺度為語(yǔ)言量表{極差,很差,差,一般,好,很好,極好}、屬性B和C的決策尺度為區(qū)間數(shù)[0,10]、屬性D的決策尺度為反映產(chǎn)品設(shè)計(jì)參數(shù)的實(shí)數(shù)。其中,屬性D1、D2為效益性指標(biāo),越大越好;屬性D3、D4為成本性指標(biāo),越小越好。

5名決策者對(duì)10個(gè)決策屬性的相對(duì)重要性進(jìn)行評(píng)估,同時(shí)對(duì)3個(gè)方案根據(jù)決策屬性與尺度進(jìn)行判斷,得到外觀、人機(jī)、加工與參數(shù)約束的4個(gè)一級(jí)決策屬性的相對(duì)重要性指數(shù)標(biāo)度區(qū)間見(jiàn)表2,二級(jí)決策屬性相對(duì)重要性指數(shù)區(qū)間如表3～5所示,初始決策矩陣如表6所示。

表2 一級(jí)決策屬性相對(duì)重要性指數(shù)標(biāo)度區(qū)間

續(xù)表2

表3 外觀屬性相對(duì)重要性指數(shù)標(biāo)度區(qū)間

表4 人機(jī)屬性相對(duì)重要性指數(shù)標(biāo)度區(qū)間

表5 約束參數(shù)屬性相對(duì)重要性指數(shù)標(biāo)度區(qū)間

表6 初始決策矩陣

根據(jù)2.2節(jié)異構(gòu)屬性權(quán)重計(jì)算方法,得到?jīng)Q策者的權(quán)重為:0.210,0.190,0.197,0.193,0.210。將表2～表5中指數(shù)標(biāo)度區(qū)間利用第2.2節(jié)方法計(jì)算得到?jīng)Q策者的綜合判斷,如表7～8所示。

表7 一級(jí)決策屬性相對(duì)重要性決策結(jié)果

表8 二級(jí)決策屬性相對(duì)重要性決策結(jié)果

則決策群體對(duì)一級(jí)決策屬性的綜合判斷矩陣σ1如(20)式所示。

對(duì)二級(jí)決策屬性的綜合判斷矩陣σ2～σ4分別如(21)式所示。

則一級(jí)指標(biāo)權(quán)重為:0.204,0.259,0.301,0.236;二級(jí)指標(biāo)中外觀子屬性權(quán)重為0.507,0.493,人機(jī)子屬性權(quán)重為0.500,0.500,約束參數(shù)子屬性權(quán)重為0.196,0.196,0.213,0.205,0.190。則10個(gè)子屬性的綜合權(quán)重為0.103 4,0.100 5,0.129 5,0.129 5,0.301 0,0.046 3,0.046 3,0.050 3,0.048 4,0.044 8。

根據(jù)第1節(jié)基于云模型的語(yǔ)言值轉(zhuǎn)化方法,給定論域[0,100],He0=0.1,將3個(gè)設(shè)計(jì)方案關(guān)于決策屬性的語(yǔ)言值分別生成7朵云模型為:極好(100,16.7,0.424)、很好(80.9,10.31,0.262)、好(69.1,6.37,0.162)、一般(50,3.93,0.1)、差(30.9,6.37,0.162)、很差(19.1,10.31,0.262)、極差(0,16.7,0.424)。則將表6中對(duì)決策屬性A1和A2語(yǔ)言值轉(zhuǎn)化為云模型矩陣,如表9所示。

(20)

(21)

表9 語(yǔ)言值云模型矩陣

根據(jù)(4)～(6)式分別計(jì)算3個(gè)方案在3類(lèi)異構(gòu)屬性上的相對(duì)優(yōu)勢(shì)度見(jiàn)表10。

表10 各方案相對(duì)優(yōu)勢(shì)度

結(jié)合(7)式得到3個(gè)指揮用控制臺(tái)工業(yè)設(shè)計(jì)方案的綜合判斷矩陣為

根據(jù)(19)式,計(jì)算3個(gè)方案的效用值為0.334 4,0.344 6,0.321 0,則優(yōu)劣順序?yàn)?方案2>方案1>方案3。

計(jì)算各方案與灰色正、負(fù)理想解的灰色關(guān)聯(lián)度,進(jìn)而確定各方案對(duì)正理想方案的從屬度分別為:0.47,0.56,0.37,即方案2>方案1>方案3,與本文方法結(jié)果相同。

4 討 論

實(shí)例驗(yàn)證以3個(gè)指揮用控制臺(tái)工業(yè)設(shè)計(jì)方案決策為例,分別從外觀、人機(jī)、加工與約束參數(shù)4個(gè)方面進(jìn)行方案評(píng)測(cè),決策信息涵蓋語(yǔ)言值、區(qū)間數(shù)與實(shí)數(shù)。借助本文方法進(jìn)行異構(gòu)決策信息融合,結(jié)果顯示:

1) 對(duì)工業(yè)設(shè)計(jì)方案決策的自然語(yǔ)言評(píng)測(cè)信息,傳統(tǒng)方法多借助模糊理論將其轉(zhuǎn)化為實(shí)數(shù)、模糊數(shù)或區(qū)間數(shù),然后通過(guò)歸一化進(jìn)行數(shù)據(jù)處理,其本質(zhì)仍是精確數(shù)學(xué)[12]。而對(duì)設(shè)計(jì)方案定性、不確定性的語(yǔ)言評(píng)價(jià),反映的是決策者的期望,以云模型量化語(yǔ)言評(píng)價(jià),是以云滴表現(xiàn)出來(lái)的正態(tài)分布規(guī)律描述,盡管每次生成的云滴會(huì)有差異,但總的數(shù)字化特征不變,相比于模糊數(shù)的“精確化”具有優(yōu)勢(shì),適用于工業(yè)設(shè)計(jì)方案決策中的語(yǔ)言評(píng)價(jià)處理。

2) 異構(gòu)決策信息在工業(yè)設(shè)計(jì)開(kāi)發(fā)中普遍存在,對(duì)異構(gòu)決策信息的有效融合是提升工業(yè)設(shè)計(jì)方案決策科學(xué)性的關(guān)鍵。實(shí)例分別建立3個(gè)方案在10個(gè)異構(gòu)決策屬性上的相對(duì)優(yōu)勢(shì)矩陣,關(guān)系為:①對(duì)屬性A,優(yōu)劣順序?yàn)榉桨?>方案3>方案2;②對(duì)屬性B,在B1上優(yōu)劣順序?yàn)榉桨?>方案3>方案2;在B2上優(yōu)劣順序?yàn)榉桨?>方案2>方案3;③對(duì)屬性C,優(yōu)劣順序?yàn)榉桨?>方案3>方案1;④對(duì)屬性D,在D1上優(yōu)劣順序?yàn)榉桨?>方案3=方案1;在D2上優(yōu)劣順序?yàn)榉桨?>方案1>方案3;在D3上優(yōu)劣順序?yàn)榉桨?>方案2>方案1;在D4上優(yōu)劣順序?yàn)榉桨?>方案3>方案1;在D5上3個(gè)方案優(yōu)勢(shì)度相同。同時(shí),可以此判斷各方案在10個(gè)決策屬性上的優(yōu)勢(shì)程度,有助于設(shè)計(jì)師準(zhǔn)確把控設(shè)計(jì)改進(jìn)方向。

3) 實(shí)例以3個(gè)設(shè)計(jì)方案的異構(gòu)決策信息融合進(jìn)行驗(yàn)證,3個(gè)方案的綜合判斷矩陣與效應(yīng)值反映相同的排序結(jié)果。由于綜合判斷矩陣是根據(jù)各異構(gòu)決策信息的優(yōu)勢(shì)度矩陣加權(quán)得到,可能出現(xiàn)綜合判斷矩陣的上三角矩陣和下三角矩陣同為負(fù)或同為正的情形,此時(shí)難以依據(jù)綜合判斷矩陣確定方案優(yōu)劣順序,尤其當(dāng)設(shè)計(jì)方案多于3個(gè)時(shí)更難判斷,需利用綜合效用函數(shù)計(jì)算來(lái)解決。

5 結(jié) 論

工業(yè)設(shè)計(jì)的多學(xué)科交叉特性使得方案決策過(guò)程中常包含語(yǔ)言定性分析、不確定數(shù)值判斷與針對(duì)設(shè)計(jì)參數(shù)的評(píng)測(cè)等異構(gòu)信息，對(duì)其有效融合有助于提升設(shè)計(jì)決策過(guò)程的客觀性、科學(xué)性與全面性。針對(duì)該問(wèn)題，本文引入云模型對(duì)決策者對(duì)工業(yè)設(shè)計(jì)方案的語(yǔ)言感知量化，通過(guò)建立相對(duì)優(yōu)勢(shì)矩陣實(shí)現(xiàn)對(duì)定性評(píng)價(jià)的語(yǔ)言值、不確定判斷的區(qū)間數(shù)與產(chǎn)品設(shè)計(jì)參數(shù)進(jìn)行融合。為適應(yīng)決策者認(rèn)知的模糊性與不確定性，建立非線性優(yōu)化模型求解決策屬性的最優(yōu)決策權(quán)重向量，以對(duì)群體決策的一致性進(jìn)行逼近，通過(guò)構(gòu)建效用函數(shù)確定工業(yè)設(shè)計(jì)方案的綜合優(yōu)劣。實(shí)例驗(yàn)證表明，論文所提方法有助于在工業(yè)設(shè)計(jì)方案決策中有效融合異構(gòu)決策信息，更好輔助決策者準(zhǔn)確、客觀把控設(shè)計(jì)意見(jiàn)。下一步研究將融入工業(yè)設(shè)計(jì)方案詳細(xì)設(shè)計(jì)中的結(jié)構(gòu)工藝、受力分析以及用戶使用數(shù)據(jù)等復(fù)雜異構(gòu)信息，以使設(shè)計(jì)方案決策過(guò)程更加科學(xué)。