用戶決策驅動的乘用車艙改進PSO布局優化模型

劉　昕　余隋懷　王淑俠　李文華　曲　敏　王　淼

西北工業大學陜西省工業設計工程實驗室，西安，710072

用戶決策驅動的乘用車艙改進PSO布局優化模型

劉昕余隋懷王淑俠李文華曲敏王淼

西北工業大學陜西省工業設計工程實驗室，西安，710072

摘要：基于用戶決策模型確定了車艙待布物的優化順序，通過已優化待布物的定位確定尚未優化的待布物的定位，同時將PSO引入乘用車艙的三維布局分析。為避免陷入局部最優，采用自適應慣性權重系數對PSO進行了改進，提出了針對不同類型用戶決策調整布局的優化新方法。利用JACK對不同優化方案和原方案進行了對比分析，驗證了在用戶決策驅動下，采用改進PSO進行布局優化的方式最符合人機工程學原理，可有效解決乘用車艙布局優化問題。

關鍵詞：乘用車；布局優化；用戶決策； 粒子群優化；人機工程

0引言

乘用車主要指用于載運乘客及其隨身行李和臨時物品的汽車，包括駕駛員座位在內最多不超過9個座位。根據GB/T3730.1-2001的定義，本文所提及的乘用車包括普通乘用車、活頂乘用車、高級乘用車、小型乘用車、敞篷車和艙背乘用車[1]。為迎合使用者的需求，乘用車的新功能越來越多。如何設置新功能操縱設備的位置，調整待布物的布局尺寸，需要合理的布局優化方法來解決。基于用戶需求的車身設計已引起國內外學者的廣泛關注[2-3]，但融入用戶需求的乘用車內部設計較少[4-6]，因此提出基于用戶決策的乘用車駕駛艙智能布局優化方法具有切實的意義。

目前，國內外關于艙內布局評價的研究較多[7-9]，但有關艙內布局優化的研究很少，近幾年，艙內布局優化逐漸引起學術界的重視。但目前布局優化的相關研究針對的都是飛機、潛水器等非大眾化的駕駛艙[10-12]，缺乏乘用車艙布局優化的有效方法。

粒子群優化算法(particleswarmoptimization，PSO)可用于解決球狀艙體的圓形待布物和方體待布物的二維優化布局問題[13-14]。Kulturel-Konak等[15]將PSO成功運用于解決不規則圖形的布局優化問題。Chen等[16]將PSO成功應用于解決船體垂直通道的布局優化。

筆者將PSO應用于乘用車艙的三維布局優化，提出一種用戶決策驅動的乘用車艙智能布局優化新方法。為平衡PSO算法的全局搜索能力和局部改良能力，引入慣性權重模型對PSO進行改進。該優化方法能夠滿足不同類型的用戶需求，并提高艙內空間利用率，促進各設備之間的良好搭配，保障乘員較長時間的舒適感，減少疲勞和誤操作。

1構建乘用車艙布局優化模型

乘用車艙布局優化是在寶貴且有限的空間內，以乘用車艙的“人-機-環境”系統為優化對象，改善用戶的駕駛條件，提高用戶的舒適度，保障用戶安全、舒適、高效地駕駛，提高乘用車艙空間利用率和促進各待布物之間的良好搭配，使整個乘用車艙總體布局達到最優。不同用戶對乘用車的用途和需求不同，乘用車艙待布物的布局優化順序也不同。

1.1乘用車艙布局優化的實現過程

乘用車艙布局優化實現過程如圖1所示。首先，建立乘用車艙布局優化體系，對乘用車待布物分類。然后，構建用戶決策模型，成立專家組，確定待布物的優化順序(先優化的物體決定后優化物體的坐標位置)。之后，根據先優化物體的坐標位置和人機工程學準則，構建待布物優化位置的目標函數和約束條件。接著，利用優化算法得出待布物最佳坐標位置。由于不是所有待布物都能直接采用最佳坐標位置，應當根據需要相互妥協，得出乘用車艙最優布局。

1.2構建乘用車艙布局優化體系

乘用車艙布局優化體系是由用戶共同決策構建的，本文所提及的“用戶決策”中的“用戶”包括普通用戶(主體)與專家。選擇操作經驗豐富、專業基礎扎實和長期關注信息動態的普通用戶和具有專業設計或維修技能的專家對乘用車待布物分類。根據研究需要，用戶個數建議為10～18[17]。為了使普通用戶對調查結果起主導作用，首先讓多名普通用戶進行分類，并由組織者將普通用戶的分類公示給所有專家作為參考；專家在普通用戶分類的基礎上再分類。分類過程中，專家根據需要可能要在普通用戶需求和偏好的基礎上做出一定妥協，可將普通用戶脫離實際的待布物分類控制在科學范圍內。以科學性、全面性、系統性、可行性為基本原則，經過反復咨詢和統計處理，最終得到乘用車艙布局優化體系，如表1所示。

圖1　乘用車艙布局優化實現過程

表1　乘用車艙待布物布局優化體系

1.3用戶決策驅動模型

由于待布物數量較多，且并非所有待布物都能安排到最優位置，因此需根據待布物的重要性先確定優化順序，再有條不紊地優化。用戶需求不同，對待布物的定位要求和優化順序也不同。用戶通過對待布物評分的形式進行決策，乘用車艙布局優化體系中的待布物越重要，分值越高，為使分析更加科學、客觀，用戶評分的數值分布控制為正態分布。根據用戶評分，形成用戶決策矩陣A=[aij]n×m。由于分數越高表明結果越優，因此對A使用偏大型正態分布進行規范化處理：

r=0 a<601-exp[-(a-60500σ)2] a≥60{

(1)

其中，σ為標準差；a為用戶給出的分值。從而得到規范化矩陣R=[rij]n×m。

某用戶對所有待布物的打分差異相對較大，說明其對不同待布物及其坐標屬性的優化需求程度有更鮮明的不同，則對待布物的權重和優化順序將會起到相對更大的影響。每個用戶依次對不同的待布物打分，假設用戶的最優權重向量w=(w1，w2，…，wM)，wj≥0，j=1,2,…,M，M為用戶數量。用Vij(w)表示用戶uj給待布物Bi打分的分值與其他所有待布物打分的分值之間的離差，則可定義[18]：

(2)

i=1,2,…,N

式中，N為待布物數量。

(3)

其中，Vj(w)為對于用戶uj而言，所有待布物分值與其他待布物分值間的總離差。加權向量w的選擇應使所有用戶對所有待布物的總離差最大。為此，構建目標函數：

(4)

于是，求權重向量w等價于求解：

maxV(w)=∑Mj=1∑Ni=1∑Nk=1|rij-rkj|wjs.t. wj≥0 ∑Mj=1w2j=1üty????

(5)

將式(5)化為拉格朗日函數：

(6)

(7)

求得最優解：

(8)

(9)

于是，求得用戶決策驅動的待布物重要性權重：

(10)

通過用戶決策驅動的艙內待布物重要性權重系數zj(w)，可確定待布物的優化順序。

1.4構建布局優化的目標函數和約束條件

乘用車艙的待布物相對位置關系較復雜，為使各個設備控制器的布局更符合人機工程學的原理，需要同時構建多個目標函數，且全部目標都要在允許區域范圍內達到最優，即實現多目標優化。求解多目標優化問題的Pareto最優解的常用方法有并列選擇法、排列選擇法、權重系數變換法等[19]。本文采用權重系數變換法：

minη=min∑Ni=1Wifi(φ)s.t. φ∈D}

(11)

式中，Wi為目標i的權值系數；D為可行解集。

為了方便操作和維修，不同設備之間、設備與艙體結構之間往往要預留一定的距離，從人機工程學的角度分析，不同待布物之間都會有一個最適宜的距離存在，但實際操作中，并非所有待布物都能按最適宜距離取值，有的待布物需要兼顧整體布局做進一步的調整。根據已優化待布物決定未優化待布物的定位思想，利用最小歐氏距離原理，構建目標函數f(x)，f(x)越小越好。將目標函數f(x)描述為

為有效預防小反芻獸疫，必須積極做好免疫接種工作。首先，牧區養殖戶在引進外來動物時，相關部門應積極做好檢疫工作，避免由于引進帶病毒的動物，出現大面積的接觸性傳染。同時，應積極做好疫病防控工作，尤其是在雨季以及寒冷季節，更要提前做好防控工作。在小反芻動物2—6月齡時，使用小反芻獸疫疫苗進行免疫接種，采取皮下注射的方式，每只羊使用1支疫苗。此外，在完成接種1周后，羊只會產生相應的抗體，預防該病毒的發生。但是，仍然要做好消毒工作，切記不可掉以輕心。

(xixk+yiyk+zizk)2]1/2/(xixk+yiyk+zizk)}

(12)

y≥-E

式(12)中的約束條件包括待布物互不干涉約束和可達域約束。對人體進行可達域分析時，可根據需要，采用用戶人群中不同百分位的人體尺寸標準進行計算。

1.5改進PSO求解布局優化原理

假設n維目標搜索空間中，由m個粒子組成一個群落以一定的速度飛行，定義xi=(xi1，xi2，…，xin)為粒子i在n維空間里搜索的位置，將xi代入目標函數可計算出每個粒子的適應度值，根據適應度值的大小衡量xi的優劣。vi=(vi1，vi2，…，vin)為粒子i的當前飛行速度。將第i個粒子迄今為止搜索到的個體最優位置記為pbi=(pbi1，pbi2，…，pbin)，將整個PSO迄今為止搜索到的全局最優位置記為gbi=(gbi1，gbi2，…，gbin)[21]。

粒子飛行速度和位置根據個體的飛行經驗和群體的飛行經驗進行動態調整，其速度和位置的更新方程為

vij(t+1)=vij(t)+c1r1(pbij-xij(t))+

c2r2(gbij-xij(t))

(13)

xij(t+1)=xij(t)+vij(t+1)

(14)

i=1，2，…，mj=1，2，…，n

其中，c1、c2為加速因子(學習因子)，用來調節粒子飛向個體最優值pb和全局最優值gb的最大步長，一般取值為2[22]；r1、r2為[0，1]的隨機數[23]。

為調整PSO算法的全局探索能力和局部改良能力，采用自適應權重系數對PSO進行改進，其表達式為

vij(t+1)=wvij(t)+c1r1(pbij-xij(t))+

(16)

式中，wmax、wmin分別為權重系數的最大值和最小值；f為微粒當前的目標函數；favg、fmin分別為當前所有微粒的平均目標值和最小目標值，引入慣性權重系數的PSO可調節算法的全局搜索能力和局部搜索能力，但迭代初期局部搜素能力仍然較弱，即使已接近全局最優點，也容易錯過，容易陷入局部最優，并且迭代次數難以預測，影響了算法的調節功能。當慣性權重可隨微粒的目標函數值自動進行調整時，可大大減小陷入局部最優的概率。當各微粒的目標值趨于一致或趨于局部最優時，慣性權重變大；當各微粒的目標值比較分散時，慣性權重減小。同時，對于目標函數優于平均目標值的微粒，對應的慣性權重因子較小，從而保護該微粒，使該微粒向較好的搜索區靠攏[24]，改進后的PSO算法流程如圖2所示。

圖2　改進后的PSO算法流程圖

2乘用車艙布局優化案例分析

以女性專用乘用車艙布局設計為例，根據小樣本統計理論，邀請25名用戶共同參與評分與注釋，其中，女司機19名、乘用車設計領域專家3人、汽車修理師3人，打分的原始數據如表2所示。

表2　用戶打分的原始數據

根據式(1)對表2所示的原始數據進行規范化處理，得σ=9.307 948，并將計算結果整理成規范化決策矩陣：

根據式(8)、式(9)得用戶的最優權重向量

w=(0.0004，0.0007，0.0005，0.0006，0.0004， 0.0013，

0.0004，0.0009，0.0005，0.0005，0.0024，0.0024，0.0014，

0.0028，0.0036，0.0022，0.0033，0.0023，0.0051，0.0025，

0.0047，0.0084，0.0056，0.0329，0.0146)

根據式(13)～式(16)，使用MATLAB對自適應權重系數改進PSO算法編程，另外，再分別對標準PSO、權重線性遞減改進PSO、遺傳算法和蟻群算法進行編程，進而對這5種算法的優化效果進行對比。其中，標準PSO的學習因子取2，權重為0.9，微粒數為50；權重線性遞減改進PSO的學習因子取2，最大權重為0.9，微粒數為50；自適應權重系數改進PSO的學習因子取2，最大權重為0.9，最小權重為0.4，微粒數為50；遺傳算法的規模為50，交叉概率為0.6，變異概率為0.1；蟻群算法蟻群規模為50。采用以上5種智能算法得多功能顯示器形心坐標最優值，如表3所示，所求得的多功能顯示器形心坐標皆在我國人體可達域舒適范圍之內，且設備互不干涉，迭代過程如圖3～圖6所示。雖然自適應權重系數改進PSO運算效率不如標準PSO和權重線性遞減改進PSO，但是目標函數值可達到最小，遺傳算法效率最低，而蟻群算法陷入局部最優，因而自適應權重系數改進PSO的效果最好。同理，通過自適應權重系數改進PSO求得儲物箱形心坐標為(297.9 mm，-45.0 mm，-458.0 mm)，如圖7所示。

表3　多媒體顯示器形心坐標最優值和目標函數最小值

圖3　多媒體顯示器目標函數迭代圖

圖4　多媒體顯示器變量x迭代圖

圖5　多媒體顯示器變量y迭代圖

圖6　多媒體顯示器變量z迭代圖

圖7　儲物箱目標函數迭代圖

3虛擬模擬驗證

采用軟件JACK6.1分別構建第99、第50和第1百分位的我國女性人體模型，并模擬女性司機完成倒庫、移庫的一系列標準動作。使用新陳代謝分析工具比較女性司機分別使用原布局，以及采用標準PSO、權重線性遞減改進PSO、自適應權重系數改進PSO、遺傳算法和蟻群算法改進的布局完成該流程所消耗的能量。

從表4可看出，經過虛擬模擬測試，女性駕駛員使用優化后布局所消耗能量明顯小于使用原布消耗的能量，自適應權重系數改進PSO優化算法為最優，使女性司機駕駛時相對更加舒適和省力，則使用自適應權重系數改進PSO優化的布局為最優布局。

表4我國女性司機完成倒庫和移庫所消耗能量

kJ

通過JACK的可視域和可達域分析工具對最優方案進行分析，可知待布物皆在合理的可視域和可達域范圍內。根據JACK的工作姿勢分析工具分析出的司機舒適度水平為1，說明司機在駕駛過程中舒適度處于較高水平。另外，使用JACK建立我國男性人體模型進行駕駛模擬，證明男性也可安全駕駛，但舒適度不如女性高。

4結語

基于用戶決策，對乘用車艙空間布局有次序地進行了深入分析。根據人機工程學原理，構建了駕駛艙布局優化的目標函數。在布局優化中引入PSO，并采用自適應權重系數對PSO進行了改進，同時與常用的其他優化算法的優化效果進行了對比。通過JACK分析驗證可知，用戶決策模型驅動的自適應權重系數改進的PSO能有效解決乘用車艙的三維人機布局問題。

參考文獻：

[1]國家質量監督檢驗檢疫總局. GB/T3730.1-2001 中國汽車分類標準[S]. 北京：中國標準出版社，2001.

[2]Fan K, Chiu C, Yang C. Green Technology Automotive Shape Design Based on Neural Networks and Support Vector Regression[J]. Engineering Computations, 2014,31(8):1732-1745.

[3]楊延璞, 劉瓊. 設計意圖驅動的產品形態設計方法[J]. 計算機集成制造系統, 2015(4):867-874.

Yang Yanpu, Liu Qiong. Product Form Design Method Driven by Design Intent[J].Computer Integrated Manufacturing Systems, 2015(4)：867-874.

[4]Nagamachi M. Kansei Engineering as a Powerful Consumer-oriented Technology for Product Development[J]. Applied Ergonomics, 2002, 33(3)：289-294.

[5]李月恩, 王震亞, 徐楠. 感性工程學[M]. 北京: 海洋出版社，2009.

[7]Shen K S, Chen K H, Liang C C, et al. Measuring the Functional and Usable Appeal of Crossover B-Car Interiors[J]. Human Factors and Ergonomics in Manufacturing & Service Industries, 2015,25(1)：106-122.

[7]Chen J, Yu S, Wang S, et al. Aircraft Cockpit Ergonomic Layout Evaluation Based on Uncertain Linguistic Multiattribute Decision Making[J]. Advances in Mechanical Engineering, 2014: 10.1155/2014/698159.

[8]Reed M P, Manary M A, Flannagan C A, et al. A Statistical Method for Predicting Automobile Driving Posture[J]. Hum Factors, 2002, 44(4)：557-568.

[9]Li F, Li Y. A Computer Aided Conceptual Evaluation of Excavator Cab Based on Ergonomics[J]. Applied Mechanics and Materials，2011，121/126：1844-1848.

[10]鈕松. 面向民機駕駛艙人機工效設計的布局優化研究[D]. 南京：南京航空航天大學, 2013.

[11]范文, 余隋懷, 王文軍, 等. 蟻群算法求解人機布局優化問題[J]. 機械科學與技術, 2013(7)：955-962.

Fan Wen, Yu Suihuai. Ant Colony Algorithm for Human-machine Layout Optimization[J]. Mechanical Science and Technology for Aerospace Engineering. 2013(7)：955-962.

[12]韓端鋒, 韓海輝, 劉峰, 等. 載人潛水器駕駛艙三維布局優化研究[J]. 船舶工程, 2013(1)：76-80.

Han Haihui, Han Duanfeng, Liu Feng. Research on 3D Layout Optimization of HOV Cabin[J]. Ship Engineering, 2013(1)：76-80.

[13]劉飛, 孫明, 李寧, 等. 粒子群算法及其在布局優化中的應用[J]. 計算機工程與應用, 2004(12)：71-73.

Liu Fei,Sun Ming, Li Ning, et al. Particle Swarm Optimization and Its Application of Constrained Layout Optimization[J]. Computer Engineering and Applications. 2004(12)：71-73.

[14]孫明, 劉飛, 孫德寶, 等. 旋轉衛星艙內長方體群的布局[J]. 計算機工程與應用, 2004(34):92-94.

Sun Ming, Liu Fei, Sun Debao,et al. Layout Optimization of Cube Group in Rotation Module[J]. Computer Engineering and Applications, 2004(34):92-94.

[15]Sadan Kulturel-Konak, Abdullah Konak. A New Relaxed Flexible Bay Structure Representation and Particle Swarm Optimization for the Unequal Area Facility Layout Problem[J]. Engineering Optimization, 2011, 43(12):1263-1287.

[16]Chen Wenzhe, Dai Pinqiang, Chen Yonglu. Particle Swarm Optimization Based Algorithm for Ship Vertical Passage Layout Optimization[J]. Advanced Materials Research, 2012, 479/481:1885-1888.

[17]Miaskiewicz T, Kozar K A. Personas and User-centered Design: How Can Personas Benefit Product Design Processes?[J]. Design Studies, 2011,32(5):417-430.

[18]徐澤水. 不確定多屬性決策方法及應用[M]. 北京：清華大學出版社, 2005.

[19]雷英杰, 張善文, 李續武. MATLAB遺傳算法工具箱及應用[M]. 西安: 西安電子科技大學出版社, 2005.

[20]丁玉蘭. 人機工程學[M]. 北京：北京理工出版社, 2000.

[21]Iqbal N, Zerguine A, Al-Dhahir N. Decision Feedback Equalization Using Particle Swarm Optimization[J]. Signal Processing, 2015, 108:1-12.

[22]王文格, 饒興華, 譚仕威. 一種凸輪曲線調制處理及粒子群優化方法[J]. 中國機械工程, 2014，25(19):2665-2668.

Wang Wenge, Rao Xinghua, Tan Shiwei. A Method for Modulating Cam Curve and Optimization Using Particle Swarm Technique[J]. China Mechanical Engineering, 2014，25(19):2665-2668.

[23]Barbieri R, Barbieri N, de Lima K F. Some Applications of the PSO for Optimization of Acoustic Filters[J]. Applied Acoustics, 2015, 89：62-70.

Ye Nanhai, Qi Yinan,Chen Kai,et al. A Computational Method on Reliability Robust Optimization Based on Improved PSO[J]. China Mechanical Engineering, 2012，23(5)：551-555.

[25]國家技術監督局. GB/T14775-93 操縱器一般人類工效學要求[S]. 北京：中國標準出版社，1994.

(編輯張洋)

ImprovedPSOLayoutOptimizationModelforSaloonCabinDrivenbyUsers’DecisionMaking

LiuXinYuSuihuaiWangShuxiaLiWenhuaQuMinWangMiao

ShaanxiEngineeringLaboratoryforIndustrialDesign,NorthwesternPolytechnicalUniversity,Xi’an,710072

Abstract：Based on the users’ decision making, groups and sequences of facilities position optimization were determined approximately, and facilities optimized determine positions of which were not optimized. The PSO was adapted to develop a new method of saloon cabin layout optimization in 3D. To avoid obtaining partial optimal solutions, an improved PSO by adaptive inertia weight was used and the new method of layout optimization which might be adjusted according to different users’ needs was proposed. The different optimized solutions were analyzed and compared to the original one by JACK, the results show the optimization method of the improved PSO is the best one and consistent with ergonomic principles. The method can solve the saloon cabin layout optimization problems effectively.

Key words:saloon cabin; layout optimization; users’ decision making; particle swarm optimization(PSO); man-machine engineering

收稿日期：2015-02-05

基金項目：國家科技支撐計劃資助項目(2015BAH21F01);國家自然科學基金資助項目(51105310)；國家社會科學基金資助項目(13BG068)：高等學校學科創新引智計劃資助項目(B13044);西北工業大學研究生創新基地資助項目

中圖分類號：TP391.7

DOI：10.3969/j.issn.1004-132X.2016.01.019

作者簡介：劉昕，女，1985年生。西北工業大學機電學院博士研究生。主要研究方向為人機工效設計、產品設計、設計管理。發表論文12篇。余隋懷，男，1962年生。西北工業大學機電學院教授、博士研究生導師。王淑俠，女，1978年生。西北工業大學機電學院副教授。李文華，女，1990年生。西北工業大學機電學院博士研究生。曲敏，女，1979年生。西北工業大學機電學院博士研究生。王淼，女，1983年生。西北工業大學機電學院博士研究生。