交互式進化設(shè)計中的思維固化及改進策略

周磚，賀茂恩，堯優(yōu)生

交互式進化設(shè)計中的思維固化及改進策略

周磚1，賀茂恩2，堯優(yōu)生1

（1.仲愷農(nóng)業(yè)工程學(xué)院，廣州 510000；2.同濟大學(xué)，上海 200092）

探討交互式進化設(shè)計（IED）中設(shè)計師思維固化現(xiàn)象的發(fā)生和成因，并提出改進策略。首先，解構(gòu)IED中設(shè)計師思維固化現(xiàn)象，闡明人的視覺搜索機制和IED算法機制對交互式進化過程中設(shè)計師思維固化的影響，對應(yīng)提出“信息刺激”“增大種群數(shù)量”及“增大變異概率”策略；其次，基于豪斯多夫距離算法，提出產(chǎn)品形態(tài)交互式進化設(shè)計中思維固化的量化方法，以中式花瓶輪廓為例，在MATLAB軟件平臺下開發(fā)了產(chǎn)品形態(tài)交互式進化設(shè)計系統(tǒng)；最后設(shè)計對比實驗進行驗證。實驗結(jié)果表明所提策略在緩解交互式進化過程中設(shè)計師的思維固化具有顯著性。提出的改進策略有助于提高交互式進化設(shè)計方案輸出的創(chuàng)新性，為交互式進化設(shè)計中設(shè)計師認知特征提供新的研究視角。

交互式進化設(shè)計；人機協(xié)同；思維固化；交互式遺傳算法；智能設(shè)計

在工業(yè)設(shè)計領(lǐng)域存在著一類難以量化與結(jié)構(gòu)化的決策問題，例如：美感、直覺、偏好與滿意度等，屬于隱性目標(biāo)決策問題。在隱性目標(biāo)的決策過程中，難以通過目標(biāo)函數(shù)顯式定義。目前，應(yīng)用交互式遺傳算法（Interactive Genetic Algorithm，IGA）并可視化不確定性指標(biāo)及設(shè)計要素，采用人機協(xié)同的方式，逐步優(yōu)化設(shè)計方案，即交互式進化設(shè)計（Interactive Evolutionary Design，IED），是解決設(shè)計中隱性目標(biāo)決策較為普遍的方法。通過這類方法獲得的設(shè)計方案既能體現(xiàn)人的偏好，也比解決傳統(tǒng)形態(tài)問題效率更高，獲取的方案更多樣，是近年來計算機輔助工業(yè)設(shè)計的研究熱點。

1 概述

目前，IGA在工業(yè)設(shè)計領(lǐng)域已取得許多成果，Cluzel等[1]使用IGA生成汽車側(cè)面輪廓線，從而輔助汽車設(shè)計師探索具有特定語義的新汽車輪廓。Kowaliw等[2]利用 IGA 來激發(fā)用戶的創(chuàng)造力，設(shè)計新穎的個性化產(chǎn)品。Nutthanon等[3]通過IGA開發(fā)了泰國傳統(tǒng)民族圖案生成系統(tǒng)，目的在于幫助沒有藝術(shù)技能的用戶按照自己的風(fēng)格創(chuàng)建心儀圖案。朱昱寧等[4]為解決配色過程的意象表達不穩(wěn)定性，以參考圖像作為輔助，通過交互式遺傳算法實現(xiàn)了配色設(shè)計原型系統(tǒng)搭建，實現(xiàn)了人機協(xié)同優(yōu)化色彩設(shè)計?？傊?，無論是面向設(shè)計師還是用戶，基于IGA的計算能力與交互能力，構(gòu)建交互式進化設(shè)計系統(tǒng)，可以解決工業(yè)設(shè)計領(lǐng)域諸多隱性目標(biāo)決策問題。然而，現(xiàn)有研究并未細致區(qū)分系統(tǒng)使用者的差異性，特別是對普通用戶與設(shè)計師而言，其對進化系統(tǒng)的要求是存在差異的，即當(dāng)面向普通用戶時，以用戶個性化定制為主，目的在于幫助用戶找到符合其偏好的方案，此時系統(tǒng)需易于操作且需避免用戶疲勞；而面向設(shè)計師時，其目的在于獲取多樣化、有差異性的設(shè)計方案，以拓展設(shè)計師思維，從而輔助設(shè)計師進行后續(xù)設(shè)計。本文旨在對設(shè)計師作為進化系統(tǒng)使用者的情境進行探究。

面向設(shè)計師的交互進化過程，離不開對設(shè)計認知的研究，近年來人的認知問題受到該領(lǐng)域很多學(xué)者關(guān)注。郝國生[5]指出人機交互進化過程中存在不確定性認知、選擇性認知等規(guī)律。周磚[6]提出了交互式進化設(shè)計評價過程中用戶存在認知模糊狀態(tài)，并通過空間映射及方案聚類策略予以解決，取得了較好的效果。孫曉燕[7]針對交互進化過程的用戶偏好不確定性認知特點，通過可能性偏好網(wǎng)絡(luò)擬合用戶偏好，提升了算法有效性與可靠性。Yang[8]通過梯度模糊數(shù)表示用戶評價的不確定性，從而降低用戶的認知噪聲，提高了收斂速度與進化效率。然而以上研究是從解決進化過程中人的不良認知，從而提升進化效率的角度切入的，卻沒有從設(shè)計思維角度，關(guān)注如何輔助設(shè)計師通過使用進化系統(tǒng)提升方案創(chuàng)新度。

在設(shè)計師操作現(xiàn)有的IED系統(tǒng)時，算法逐漸收斂會導(dǎo)致方案逐漸趨同，從而限制了設(shè)計師的思維。在相似方案的反復(fù)刺激下，設(shè)計師會誤認為已經(jīng)得到了滿意的方案，但實際上這是因為算法局部收斂所導(dǎo)致的。這種思維固化現(xiàn)象是人機協(xié)同過程中的一種典型現(xiàn)象，它意味著設(shè)計師在意識或無意識中受到先前的經(jīng)驗或視覺刺激的影響，或者過度依賴和重復(fù)使用現(xiàn)有概念和對象的關(guān)鍵屬性，而沒有對其適用性進行分析。具體來說，設(shè)計師的關(guān)注點容易受到先前計算機生成的方案的影響，從而無意識地限制了自己對其他新穎方案的關(guān)注，使得創(chuàng)新變得困難[9]。如果不能有效地解決交互式進化設(shè)計過程中的思維固化現(xiàn)象，將會影響設(shè)計師的決策，并導(dǎo)致生成的方案雷同，從而降低創(chuàng)新性，這與設(shè)計活動的初衷相悖。本研究的目標(biāo)是分析IED中設(shè)計師思維固化現(xiàn)象，解構(gòu)其影響機制，并從不同角度提出改進策略。通過豪斯多夫距離量化生成方案的相似度，以反映思維固化的程度，并通過實驗驗證所提出的策略來緩解思維固化的有效性。創(chuàng)新點主要包括：從思維固化的問題視角探索交互進化中設(shè)計師的不良認知現(xiàn)象；從人機角度論證交互進化中思維固化存在的原因和影響機制；基于豪斯多夫算法量化滿意方案的差異程度，進而反映設(shè)計師的思維固化程度。

2 IED中設(shè)計師的思維固化及成因分析

典型的產(chǎn)品形態(tài)設(shè)計流程與IED流程存在一定差異，曾棟[9]指出在典型產(chǎn)品形態(tài)設(shè)計中，設(shè)計師首先需理解設(shè)計任務(wù)，分析相關(guān)案例，然后確定語義，再憑借設(shè)計師經(jīng)驗提出若干草案，最后優(yōu)化草案，并且各個階段都需要進行反復(fù)評價，該流程的外在表現(xiàn)為7種形式，見圖1。在IED中，則是計算機設(shè)計草案，設(shè)計師評價草案，計算機模擬用戶偏好并反復(fù)迭代，以設(shè)計師得到相對滿意解作為收斂條件，兩類流程共同點及差異點見圖1。

圖1 典型產(chǎn)品造型設(shè)計流程與產(chǎn)品造型交互式進化設(shè)計流程對比

兩者差異在于典型產(chǎn)品形態(tài)設(shè)計要求設(shè)計師完成設(shè)計方案的“設(shè)計–優(yōu)化”過程，思維固化存在于設(shè)計師構(gòu)想方案的過程，是一種設(shè)計師不知不覺地限制他們尋求解決方案空間的現(xiàn)象。而在IED中，思維固化存在于設(shè)計師評價方案的過程中，受先入為主影響，思維拘泥于某一局部最優(yōu)方案，而選擇性忽略與局部最優(yōu)方案的相異方案。進一步解構(gòu)交互式進化設(shè)計中的思維固化現(xiàn)象，可從人的角度與計算機的角度深入剖析該過程，見表1。

表1 解構(gòu)交互式進化設(shè)計中的思維固化

Tab.1 Thinking fixation in interactive evolutionary design

2.1 IED中人的視覺搜索機制

人類存在兩類圖標(biāo)視覺搜索行為，一類是自下而上的刺激驅(qū)動的視覺搜索機制；另一類是自上而下的目標(biāo)驅(qū)動的線索加工機制[10]。目前，IED評價過程是典型自下而上的刺激驅(qū)動的視覺搜索行為，由于視覺搜索系統(tǒng)是一個資源有限的信息加工系統(tǒng)，視覺注意往往只能對具有顯著特征的刺激信息進行加工處理。在評價過程中，經(jīng)過大量樣本的反復(fù)刺激，設(shè)計師逐步強化這種自下而上的刺激驅(qū)動的視覺搜索機制。以花瓶為例，若設(shè)計師偏好于細瓶頸的花瓶，那么在方案評價過程中會快速搜索樣本中細瓶頸的個體，而容易忽視最初的設(shè)計目標(biāo)。該方式能使設(shè)計師找到相對滿意解，但易固化設(shè)計師思維，從而阻礙了設(shè)計創(chuàng)新。因此，刺激驅(qū)動的視覺搜索機制不利于IED中探索更多設(shè)計可能性。

視覺搜索行為是目標(biāo)驅(qū)動的線索加工機制，這種機制是以自上而下的方式傳遞信息，大腦確定目標(biāo)發(fā)出指令，眼睛搜索與目標(biāo)指令相符的方案，這種方式不是以具象的生成方案為主導(dǎo)，而是以抽象的設(shè)計目標(biāo)為主導(dǎo)，Cardoso等[11]指出在設(shè)計創(chuàng)新領(lǐng)域中，為設(shè)計師提供抽象設(shè)計目標(biāo)更易激發(fā)設(shè)計創(chuàng)新行為。在IED評價過程中，通過刻意提醒設(shè)計師設(shè)計目標(biāo)，可幫助其采取自上而下的線索加工機制進行方案挑選，目標(biāo)可以是文字、意象詞。通過對設(shè)計目標(biāo)的文化屬性、功能屬性的界定[12]，以及結(jié)合相應(yīng)信息予以刺激，可以更好地輔助設(shè)計師打破思維固化。例如，在評價過程中告知目標(biāo)是設(shè)計一款放置在書桌上的花瓶，并且以典雅作為意象詞匯，那么設(shè)計師便會以“典雅”作為設(shè)計任務(wù)的主導(dǎo)向，以書桌作為輔助參考，通過大腦指令，眼睛不斷搜索整體上呈現(xiàn)“典雅”的造型，而不是局限于某一造型特征，見圖2。

2.2 IED算法機制

上文是從人的視覺搜索機制角度分析了IED過程中產(chǎn)生思維固化的原因及解決措施。然而，IGA機制本身會使人產(chǎn)生思維固化，主要包括兩個方面：一方面，IGA機制是隨著迭代進行逐步收斂的過程，收斂意味著方案趨同，導(dǎo)致設(shè)計中后期系統(tǒng)生成的樣本基本相同。這意味著設(shè)計師從大量相似樣本中找到相對滿意解，因此，算法逐漸收斂本身會加劇設(shè)計師的思維固化，客觀上限制了設(shè)計師選擇更多其他種類方案的可能性。具體來看，遺傳機制包括選擇、交叉、變異，“選擇”是指通過適應(yīng)度比例選擇前一代優(yōu)選個體；“交叉”是指對前一代優(yōu)選個體在交叉點處重新組合產(chǎn)生新個體；“變異”是指在交叉后的新個體染色體中產(chǎn)生新的等位基因，變異率過大則算法對未知空間的搜索能力更強，但收斂速度慢，變異率小則收斂速度快，但易陷于局部收斂。另一方面，在當(dāng)前IED的相關(guān)研究中，考慮到樣本多，易造成用戶疲勞，大部分系統(tǒng)每一代的樣本數(shù)量都低于10[13-14]，因此設(shè)計師能夠搜索到的設(shè)計方案的數(shù)量非常有限，進一步約束了設(shè)計師的思維。

圖2 信息刺激下的方案選擇

減緩用戶疲勞是現(xiàn)有IGA研究的重要方向，其目的在于防止用戶疲勞后消極對待評價過程，從而降低效率。然而作為設(shè)計創(chuàng)新的工具而言，單純?yōu)闇p緩用戶疲勞而犧牲種群數(shù)量及低變異率，則有悖于以設(shè)計創(chuàng)新為目標(biāo)的出發(fā)點。因此，當(dāng)以設(shè)計創(chuàng)新為基本目標(biāo)時，可適當(dāng)弱化因大樣本導(dǎo)致的用戶疲勞所帶來的影響。

針對以上分析，考慮到面向的問題是設(shè)計創(chuàng)新，為了減緩設(shè)計師在設(shè)計評價過程中的思維固化，不拘泥于有限的設(shè)計方案，并且在進化過程中能夠有更多的種群種類，可適當(dāng)增大種群變異率及增加種群樣本量。以此方法增加的用戶疲勞可通過分時段評價及多人協(xié)同評價的方式來彌補?？偨Y(jié)得到，本研究嘗試提出解決IED中設(shè)計師思維固化問題的3點策略，即提供信息刺激、增大種群數(shù)量、增大變異概率。

3 思維固化的量化模型

在思維固化的研究中，固化程度的度量一直缺乏系統(tǒng)的評價方法，目前通過主觀評價設(shè)計師在規(guī)定時間內(nèi)設(shè)計產(chǎn)物的差異程度來反映設(shè)計師思維固化程度，是較為常見的手段[15]。因為方案差異程度可以側(cè)面反映設(shè)計師創(chuàng)作過程的思維擴散性，然而這種定性評價方式存在模糊性強、主觀性強等問題。不同于典型設(shè)計要求設(shè)計師輸出的方案具有發(fā)散性與不確定性，在產(chǎn)品形態(tài)IED中，計算機生成樣本是經(jīng)過一系列形狀文法約束下的產(chǎn)物，樣本本身具有規(guī)范性，具備定量評價方案差異度的前置條件，可通過數(shù)學(xué)建模方法對方案進行相似性評估。

度量數(shù)據(jù)集之間的距離，通常采用歐幾里得平方距離，但不適用于圖像、造型與形態(tài)的距離度量。本研究在此前基于豪斯多夫距離（Hausdorff distance）聚類生成方案研究基礎(chǔ)上[6]，提出一種基于豪斯多夫距離計算IED最終方案之間的差異度的方法。主要思路是計算設(shè)計方案兩兩之間的差異度，最終綜合計算所有設(shè)計方案的形態(tài)差異值，該值大則說明設(shè)計方案之間的差異度大。

設(shè)兩個點集分別為A、B，則A、B之間的豪斯多夫距離見式（1）—（3）。

式（2）中，（1，2）為從1集合到2集合的單向豪斯多夫距離，代表點集1中的點到點集2中的點的最小距離的最大值；式（3）中，（2，1）為從2集合到1集合的單向豪斯多夫距離，代表點集2中的點到點集1中的點的最小距離的最大值，式（1）為雙向豪斯多夫距離，（1，2）指（1，2）和（2，1）中最大值。

以上為兩個圖形之間的差異值，當(dāng)涉及較多圖形時，則基于上述算法兩兩配對依次求差異值并取均值。通過該值可以反映IED方案之間的差異程度，進一步反映出交互過程中的設(shè)計師思維固化程度。

4 產(chǎn)品形態(tài)交互式進化設(shè)計實踐

基于IGA的產(chǎn)品形態(tài)交互式進化設(shè)計已在工業(yè)設(shè)計領(lǐng)域廣泛應(yīng)用。借助計算機圖形生成能力、交叉變異操作及設(shè)計師的決策能力，可以提高傳統(tǒng)設(shè)計效率。本文通過構(gòu)建中式花瓶外輪廓形態(tài)的交互式進化設(shè)計系統(tǒng)，旨在探究所提策略在解決IED中設(shè)計師思維固化問題的可行性。

4.1 案例描述

本文使用中式傳統(tǒng)花瓶的形態(tài)設(shè)計作為案例，原因在于花瓶形態(tài)簡潔，造型圓潤且連續(xù)，通過少數(shù)控制點可以形成一定的感性意象?；ㄆ恐饕善靠?、瓶頸、瓶身、瓶底4個部分構(gòu)成，現(xiàn)以瓶底的中點為原點，以花瓶底部所在軸為軸，以瓶中心軸為軸建立直角坐標(biāo)系。以貝塞爾曲線擬合花瓶外輪廓，選取瓶子左側(cè)輪廓線上的5個錨點（1，3，5，7，9）與4個曲率控制點（2，4，6，8），組成點集，并通過二次貝塞爾曲線表達特征線14，分別代表花瓶的4個部分，見圖3。

圖3 花瓶特征點與特征線

4.2 染色體編碼

花瓶輪廓特征線采用二進制進行編碼，由于花瓶是對稱圖形，因此僅對花瓶一側(cè)進行編碼。根據(jù)前期調(diào)研的中式花瓶特征及花瓶生成的美觀性，現(xiàn)制定相應(yīng)形狀文法進行約束，例如：控制點2在1與3中間；瓶頸高度錨點3數(shù)值固定；瓶頸線2上下對稱，因此35橫坐標(biāo)相同等。具體各個特征點的橫縱坐標(biāo)數(shù)值–二進制碼關(guān)系圖，如表2—3所示，其中變化較小的特征點坐標(biāo)值設(shè)定兩位二進制碼，而變化較大的特征點坐標(biāo)值設(shè)定三位二進制碼，部分控制點坐標(biāo)為固定值故不編碼，因此綜上可得染色體編碼共32位，選定瓶口–瓶頸交匯點2、瓶頸–瓶身交匯點5、瓶身–瓶底交匯點7為遺傳操作的交叉點，分別為染色體的第6、17、25位。如圖4所示為某一具體花瓶的編碼坐標(biāo)對應(yīng)的二進制編碼，以及染色體對應(yīng)的個體表現(xiàn)型。

4.3 遺傳算法參數(shù)

遺傳算法參數(shù)主要包括種群數(shù)量、交叉率與變異率，在相關(guān)研究中種群數(shù)量一般在6～20，變異率一般在0.02～0.1。本文設(shè)置兩種種群數(shù)量（12、24）及兩種變異率（0.05、0.2）以進行對比實驗，而交叉率設(shè)置為固定值0.7。

表2 花瓶特征點橫縱坐標(biāo)數(shù)值–二進制碼關(guān)系圖（三位二進制）

Tab.2 Relationship between horizontal and vertical coordinates of feature points of the vase-binary code (three-digit binary)

注：代表二進制編碼對應(yīng)的十進制整數(shù)。

表3 花瓶特征點橫縱坐標(biāo)數(shù)值–二進制碼關(guān)系圖（兩位二進制）

Tab.3 Relationship between horizontal and vertical coordinates of feature points of the vase-binary code (two-digit binary)

注：代表二進制編碼對應(yīng)的十進制整數(shù)。

圖4 花瓶個體基因型與表現(xiàn)型對應(yīng)關(guān)系

4.4 終止條件

此法不同于傳統(tǒng)遺傳算法旨在獲取最優(yōu)解，面向輔助設(shè)計師群體的產(chǎn)品進化設(shè)計系統(tǒng)，在于尋找產(chǎn)品形態(tài)滿意解且非唯一解。因此，認為算法的收斂條件為找到滿意解方才終止，設(shè)定當(dāng)設(shè)計師挑選出4個滿意解時算法停止，若設(shè)計師迭代多次仍未獲取4個滿意方案，也作為終止條件之一。

4.5 系統(tǒng)開發(fā)

該系統(tǒng)在MATLAB軟件平臺實現(xiàn)，包括方案輸出分區(qū)、信息刺激分區(qū)、上一代最佳樣本分區(qū)、滿意方案分區(qū)、遺傳參數(shù)設(shè)置分區(qū)。為保證系統(tǒng)運行，通過設(shè)計師點擊可交互按鈕控制系統(tǒng)執(zhí)行，本研究系統(tǒng)交互界面如圖5所示，表4為界面各個功能分區(qū)的介紹。

圖5 中式花瓶設(shè)計系統(tǒng)交互界面

表4 分區(qū)功能介紹

Tab.4 Introduction of partition function

5 實驗驗證

5.1 實驗展開

本實驗旨在驗證本文所提“信息刺激策略”“增大樣本量策略”及“增大變異概率策略”在緩解IED中設(shè)計師的思維固化方面的有效性。為此，招募48名在校工業(yè)設(shè)計本科生及研究生為被試者年齡在18～28。設(shè)置對照組、實驗組Ⅰ、實驗組Ⅱ、實驗組Ⅲ，每組被試者12人。每組被試者所提供的軟件系統(tǒng)均存在差異，系統(tǒng)記錄被試者最終方案的Hausdorff距離值來反映方案之間的差異度。每個系統(tǒng)的基本情況介紹如下。

對照組，樣本量為12個，遺傳算法采用低變異率0.05，不提供信息刺激。

實驗組Ⅰ，樣本量為12個，遺傳算法采用低變異率0.05，提供外界刺激（驗證信息刺激對緩解思維固化的作用）。

實驗組Ⅱ，樣本量為24個，遺傳算法采用低變異率0.05，不提供信息刺激（驗證增大種群數(shù)量對緩解思維固化的作用）。

實驗組Ⅲ，樣本量為12個，遺傳算法采用相對較高變異率0.2，不提供信息刺激（驗證增大變異概率對緩解思維固化的作用）。

在實驗開始時，由實驗工作人員為被試者講解實驗要求、實驗?zāi)康募白⒁馐马?，并且保證每位被試者有10 min熟悉軟件系統(tǒng)的過程，避免因不熟悉實驗操作對實驗結(jié)果產(chǎn)生影響。

5.2 實驗結(jié)果

系統(tǒng)依據(jù)“生成方案差異計算模型”自動計算最終4個方案的差異度，作為檢驗變量。實驗數(shù)據(jù)通過SPSS軟件進行處理，采用單因素方差分析（ANOVA），不同實驗方式在方案差異度的描述統(tǒng)計量如表5所示，不同實驗方式在方案差異度的方差分析摘要表如表6所示。在表6中，就因變量“方案差異度”而言，整體為4.97（＜0.05），達到顯著水平，因此拒絕虛無假設(shè)，接受對立假設(shè)，表示不同的實驗方式在“方案差異度”有顯著差異。為進一步探究具體是哪些實驗方式之間差異達到顯著，進行LSD事后檢驗，通過檢驗，發(fā)現(xiàn)就方案差異度而言，“對照組”顯著小于“實驗組Ⅰ”“實驗組Ⅱ”與“實驗組Ⅲ”。因此，可以認為采用本文所提的“信息刺激策略”“增大種群數(shù)量策略”及“增大變異概率策略”任一策略，均可以增大最終方案差異度，可以認為所提策略對緩解交互式進化設(shè)計過程中的設(shè)計師思維固化具有一定作用。

表5 不同實驗方式在方案差異度的描述統(tǒng)計量

Tab.5 Descriptive statistics of different experimental methods in the degree of program difference

表6 不同實驗方式在方案差異度的方差分析摘要表

Tab.6 Summary of variance analysis of different experimental methods in the degree of program difference

6 結(jié)語

本研究針對交互式進化過程中的設(shè)計師思維固化問題，從IED中人的視覺搜索機制與IED算法機制角度，指出思維固化存在的原因及影響，提出“信息刺激策略”“增大樣本量策略”及“增大變異概率策略”，實驗發(fā)現(xiàn)，改進后的交互式進化設(shè)計系統(tǒng)可有效避免因思維固化導(dǎo)致的計算機生成方案雷同及算法快速收斂情況。本研究從設(shè)計師認知特征角度切入優(yōu)化了交互式進化設(shè)計系統(tǒng)，更好地輔助設(shè)計師進行創(chuàng)新設(shè)計。在后續(xù)研究中，從研究方法角度，可從信息刺激提供的時間節(jié)點、提示方式與提示內(nèi)容，以及在算法設(shè)計中刻意規(guī)避相似方案的呈現(xiàn)等方面，解決交互進化過程中的思維固化問題；從研究對象角度，有待進一步探討本文方法在復(fù)雜產(chǎn)品設(shè)計中的應(yīng)用，可從形態(tài)特征復(fù)雜度、設(shè)計元素多元性、染色體編碼等角度拓寬應(yīng)用場景，從而提升智能系統(tǒng)的實際應(yīng)用價值。

[1] CLUZEL F, YANNOU B, DIHLMANN M. Using Evolutionary Design to Interactively Sketch Car Silh-oue-ttes and Stimulate Designer's Creativity[J]. Engi-neering Applications of Artificial Intelligence, 2012, 25(7): 1413- 1424.

[2] KOWALIW T, DORIN A, MCCORMACK J. Promoting Creative Design in Interactive Evolutionary Compu-tation[J]. IEEE Transactions on Evolutionary Compu-tation, 2012, 16(4): 523-536.

[3] LEELATHAKUL N, RIMCHAROEN S. GeneratingPatterns with an Interactive Evolutionary Algo-ri-thm[J]. Applied Soft Computing, 2020, 89: 106121.

[4] 朱昱寧, 徐博群, 劉肖健. 基于交互式遺傳算法的參考圖像輔助配色設(shè)計[J]. 包裝工程, 2020, 41(2): 181-188. ZHU Yu-ning, XU Bo-qun, LIU Xiao-jian. Reference Image Aided Color Matching Design Based on Intera-ctive Genetic Algorithm[J]. Packaging Engineering, 2020, 41(2): 181-188.

[5] 郝國生. 交互式遺傳算法中用戶的認知規(guī)律及其應(yīng)用[D]. 徐州: 中國礦業(yè)大學(xué), 2009. HAO Guo-sheng. User's Cognitive Law in Interactive Genetic Algorithm and Its Application[D].Xuzhou: China University of Mining and Technology, 2009.

[6] 周磚, 曾棟, 賀茂恩. 面向隱性目標(biāo)的產(chǎn)品造型交互式進化設(shè)計[J]. 現(xiàn)代制造工程, 2020(2): 64-70. ZHOU Zhuan, ZENG Dong, HE Mao-en. Interactive Evolutionary Design of Product Phape for Tacit Goals [J]. Modern Manufacturing Engineering, 2020(2): 64-70.

[7] 孫曉燕, 朱利霞, 陳楊. 基于可能性條件偏好網(wǎng)絡(luò)的交互式遺傳算法及其應(yīng)用[J]. 鄭州大學(xué)學(xué)報(工學(xué)版), 2017, 38(6): 1-5. SUN Xiao-yan, ZHU Li-xia, CHEN Yang. Probabilistic Conditional Preference Network Assisted Interactive Genetic Algorithm and Its Application[J]. Journal of Zhengzhou University (Engineering Science), 2017, 38(6): 1-5.

[8] YANG Yan-pu, TIAN Xing. Combining Users' Cogni-tion Noise with Interactive Genetic Algorithms and Tra-pezoidal Fuzzy Numbers for Product Color Design[J]. Computational Intelligence and Neuroscience, 2019, 2019: 1019749.

[9] 曾棟, 鞏敦衛(wèi), 李梅子, 等. 產(chǎn)品造型設(shè)計中的思維固化策略及應(yīng)用[J]. 機械工程學(xué)報, 2017, 53(15): 58-65.ZENG Dong, GONG Dun-wei, LI Mei-zi, et al. Thin-king Fixation Strategy in Product Form Design and Its Application[J]. Journal of Mechanical Engineering, 2017, 53(15): 58-65.

[10] 王海燕, 黃雅梅, 陳默, 等. 圖標(biāo)視覺搜索行為的ACT-R認知模型分析[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2016, 28(10): 1740-1749. WANG Hai-yan, HUANG Ya-mei, CHEN Mo, et al. Analysis of Cognitive Model in Icon Search Behavior Based on ACT-R Model[J]. Journal of Computer-Aided Design & Computer Graphics, 2016, 28(10): 1740-1749.

[11] CARDOSO C, BADKE-SCHAUB P. The Influence of Different Pictorial Representations during Idea Genera-tion[J]. The Journal of Creative Behavior, 2011, 45(2): 130-146.

[12] 李志榕, 姜紫微. 基于符號學(xué)的茶家具設(shè)計方法研究[J]. 家具與室內(nèi)裝飾, 2021(7): 7-11.LI Zhi-rong, JIANG Zi-wei. Study on the Design Method of Tea Furniture Based on Semiotics[J]. Furniture & Interior Design, 2021(7): 7-11.

[13] 楊延璞, 雷紫荊, 蘭晨昕, 等. 群體共識驅(qū)動的文化創(chuàng)意產(chǎn)品交互式配色設(shè)計方法研究[J]. 西北工業(yè)大學(xué)學(xué)報, 2021, 39(5): 1097-1104. YANG Yan-pu, LEI Zi-jing, LAN Chen-xin, et al. Rese-arch on Interactive Color Design Method of Cultural Creative Product Driven by Group Consensus[J]. Journal of Northwestern Polytechnical University, 2021, 39(5): 1097-1104.

[14] ZENG D, HE M, ZHOU Z, et al. An Interactive Genetic Algorithm with an Alternation Ranking Method and its Application to Product Customization[J]. Human- Cen-tric Computing and Information Sciences, 2021, 11: 1-25.

[15] MORENO D P, BLESSING L T, YANG M C, et al. Overcoming Design Fixation: Design by Analogy Stu-dies and Nonintuitive Findings[J]. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 2016, 30(2): 185-199.

Solution to Resolve the Thinking Fixation in Interactive Evolutionary Design

ZHOU Zhuan1, HE Mao-en2, YAO You-sheng1

(1.Zhongkai University of Agriculture and Engineering, Guangzhou 510000, China; 2.Tongji University, Shanghai 200092, China)

The work aims to discuss the thinking fixation of designers in interactive evolutionary design (IED) and its causes. First, the phenomenon of designers' thinking fixation in IED was deconstructed, and the influence of human visual search mechanism and IGA algorithm mechanism on designers' thinking fixation in interactive evolution was also clarified. Strategies such as "visual stimulation strategy", "increase sample size strategy" and "increase mutation probability" were also proposed accordingly. Then, based on the Hausdorff distance algorithm, a quantitative method of thinking fixation in the interactive evolutionary design of product form was proposed; then, with the outline of a Chinese vase as an example, an interactive evolutionary system of product shape was developed under the MATLAB software platform. Finally, a comparative experiment was designed to verify it.The experimental results showed the effectiveness of the proposed strategy in alleviating the fixation of designers' thinking in interactive evolution.The proposed improvement strategy can help to improve the innovation of the design output of interactive evolutionary systems, and provide a new research perspective for cognitive characteristics of designers in interactive evolutionary design.

interactive evolutionary design; human-machine collaboration; thinking fixation; interactive genetic algorithm; intelligent design

TB472

A

1001-3563(2023)14-0052-08

10.19554/j.cnki.1001-3563.2023.14.005

2023–02–13

2021年廣東省省級質(zhì)量工程現(xiàn)代產(chǎn)業(yè)學(xué)院項目；2020年度廣東省教育科學(xué)“十三五”規(guī)劃項目（2020GXJK192）；2017年廣東省非物質(zhì)文化遺產(chǎn)數(shù)字化保護工程技術(shù)研究中心資助項目；2022 年度廣東省科技創(chuàng)新戰(zhàn)略專項（大學(xué)生科技創(chuàng)新培育）項目（phjd2022A0248）

周磚（1994—），男，碩士，助教，主要研究方向為智能設(shè)計。

堯優(yōu)生（1982—），男，博士生，副教授，主要研究方向為工業(yè)設(shè)計與社會創(chuàng)新設(shè)計。

責(zé)任編輯：陳作