67、产品设计中的交互式进化计算框架与机遇算子及交互式遗传算法在C2C定制框架中的应用

产品设计中的交互式进化计算框架与机遇算子及交互式遗传算法在C2C定制框架中的应用

在产品设计领域，为了更好地满足客户需求，提升设计效率和质量，相关研究不断推进。下面将分别介绍交互式进化计算（IEC）框架与机遇算子，以及交互式遗传算法（IGA）在C2C定制框架中的应用。

IEC框架与机遇算子

1. 适应度函数与GA预测器

在产品设计问题中，为了计算特定染色体的适应度值，采用均方根（RMS）误差函数是一种直观的方法。GA预测器的适应度函数定义如下：
[F(c) = \sqrt{\frac{\sum_{i=1}^{n}(\hat{u}_i - u_i)^2}{n}}]
其中，(c) 是染色体，(n) 是训练数据的数量，(u_i) 是第 (i) 个训练示例的效用值（实际上是用户给出的分数），(\hat{u}_i) 是染色体 (c) 预测的第 (i) 个训练示例的效用值。GA预测器会尽可能最小化RMS误差，并生成一个效用预测函数反馈给IEC模块，该函数可用于评估后续个体以及设计机遇算子。

2. 机遇算子

传统遗传算法使用随机选择来引导搜索过程，但对于受执行时间严格限制的IEC来说，随机选择有时并不合适。因此，基于预测函数确定搜索方向，并沿该方向进化个体是一种值得考虑的方法。机遇算子通过以下方式操作染色体：
- 梯度上升 ：将预测效用值最低的属性水平（即“坏基因”）替换为最佳的属性水平。
- 出现机制 ：用之前从未出现过或出现次数少于其他属性水平的属性水平替换“坏基因”。这是因为实验设计技术通常建议每个属性水平应均匀出现，以正确估