虛擬現實環境下遺傳算法在工業產品造型設計

李寅

摘? 要： 虛擬現實環境下工業產品造型設計方向種類繁雜且多由人為操作，得到全局最優設計結果的速度不佳，因此，提出在虛擬現實環境下遺傳算法在工業產品造型設計中的運用。通過層次化產品造型結構設計產品造型基因編碼，利用適應度函數對個體進行適應值評價，確定編碼個體適應度;由遺傳算子支撐產品造型設計方案的進化，滿足人工參與條件后在虛擬現實環境下由人工評估設計方案，直至產生用戶滿意的方案。實驗結果顯示，在相同條件下，基于遺傳算法生成的工業產品造型設計結果較常規方法生成的設計結果少迭代410次，即可精確收斂到全局最優設計結果，表明虛擬現實環境下遺傳算法在工業產品造型設計中收斂到全局最優結果速度更快，效果更佳。

關鍵詞： 虛擬現實; 遺傳算法; 遺傳編碼; 適應度函數; 工業設計; 產品造型設計

中圖分類號： TN02?34? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）05?0129?04

Application of genetic algorithm in industrial product modeling design

in virtual reality environment

LI Yin

（Aba Teachers University， Aba Tibetan and Qiang Autonomous Prefecture 623002， China）

Abstract： There are various industrial product modeling designs in the virtual reality environment， most of which are operated artificially， thus it is difficult to obtain the global optimal design results in time. In view of the above?mentioned， the application of genetic algorithm in industrial product modeling design in virtual reality environment is proposed. The product modeling genetic code is designed by hierarchical product modeling structure. The fitness function is used to evaluate the fitness value of the individual to determine the fitness of the coded individual. The genetic operator is used to support the progressing of product modeling design scheme. After meeting the conditions of artificial participation， the design scheme is manually evaluated in the virtual reality environment until a satisfied scheme is produced. The experimental results show that， under the same conditions， the industrial product modeling design results based on genetic algorithm can converge the global optimal design results accurately by 410 iterations less than the design results generated by conventional methods. It shows that in the virtual reality environment， the genetic algorithm converges the global optimal result faster and more effective in industrial product modeling design.

Keywords： virtual reality; genetic algorithm; genetic code; fitness function; industrial design; product modeling design

0? 引? 言

隨著科技快速發展，消費者對產品造型和功效的要求越來越高，不僅注重產品的使用功能，更追求視覺感官上的享受。為了響應快速發展的市場需求，利用虛擬現實技術輔助設計師完成產品造型設計是十分必要的。在傳統產品造型設計過程中，主要是從產品功能出發，以提高產品表象形式為目的對其進行設計，包含產品的形態設計、產品的色彩設計、產品造型的質感等設計方面[1]。設計師需要首先以用戶的需求為設計方向，利用自身設計經驗分析產品的原理及性能，并設計出對應產品的基本結構、功能和形態等造型設計元素，主要依靠設計師的個人能力。單純由設計師完成，難以保證設計工作的效率，無法滿足產品造型設計快速開發設計的要求。

因此，利用遺傳算法的高度并行、自適應性優勢，對工業產品造型設計求解[2?3]。為了更好地結合用戶需求偏好和設計師的經驗，同時避免設計師的主觀看法以及用戶參與評估的過程較多，將虛擬現實和遺傳算法相結合，通過交互式手段利用人工評估進行調整，以人工評估的方式替代遺傳算法中的適應度值，得到結果最優解，既可以減少用戶工作量，又可以提高產品造型設計結果的收斂速度。

1? 遺傳算法在工業產品造型設計中的運用

遺傳算法可以同時處理多個設計目標，在一個工業產品造型設計過程中得到多個滿意的產品造型設計結果。遺傳算法在工業產品造型設計中的運用是以進化論和遺傳學說為基礎，對產品造型中的每個個體設計要素進行編碼，再通過選擇、交叉、變異算子進行基因的排列組合，直到生成滿意的新個體。在進化過程滿足一定條件后，進入人工評估階段進行方案調整，若輸出結果不是最優的，再進入計算機運行自然階段，形成一個循環，直至生成最優設計方案[4]。由于計算機可以同時進行多個目標的并行搜索，因此，能提高產品造型的設計效率。基于遺傳算法的工業產品造型設計流程如圖1所示。

1.1? 設計產品造型基因編碼

在遺傳算法運行中，使用浮點編碼方式將實際可行解變量轉變為個體編碼，能夠在確定規模的種群中表示更多的模式[5]。在初始種群中，產品形態、顏色等都可以表示成具體的層次結構數據，每一個功能單元均對應一個結構特征參數，每一個染色體均包含一系列特征參數集合。將可行解從解空間轉換到搜索空間中，通過這種層次結構將特征浮點參數編碼進產品個體中。用層次化染色體結構表示產品造型元素，如圖2所示。

產品染色體的基因位為功能單元染色體，功能單元的染色體基因位是特征參數的染色體，功能特征參數由浮點值定義[6]。設定每一個產品造型設計元素的參數編碼包括功能單元的名稱、數量、形狀特征、幾何大小、產品顏色等。部分產品造型設計編碼參數數據類型如表1所示。

在將編碼參數導入計算機輔助軟件之前，設計師需要從市場及概念設計中提取需要數據，按照上述層次結構進行數據的編碼。不同產品對應的特征參數均不相同，這種差異化會影響遺傳算法獲得有效解[7?9]。因此，將編碼數據的浮點值強制映射在相同有效范圍區間內，使得每個對應基因位均在[0，1]范圍，解決參數在不同范圍上的問題。

1.2? 確定編碼個體適應度

在非人工評估階段，也就是自然階段，由目標函數變換得到適應度函數，對個體進行適應值評價。適應度函數為：

[F（x）=Cmax-f（x），? ? ? ?f（x）

式中：[F（x）]為適應度函數;[f（x）]為目標函數;[Cmax]為一個預設的相對較大的正數，以保證大多數解為正。設定種群平均適應度值為[FA]。

產品造型設計是一個多目標尋優的過程，實際過程中包含多種特征參數，對應產品不同狀態。使用形態語義加權方法，根據設計元素在設計方案中的重要程度設定合適權重值，將用戶語義與產品特征描述對應聯系起來，反映設計個體在多方面的優劣程度[10?11]。對每一個設計元素進行調查，對調查結果取算術平均值，得到人工評估適應度值[FE]。

隨機生成[N]個個體字符串，其中，[N]個個體作為初始種群大小，初始進化代數為[gen]，最大非人工進化代數為[GEN]。

1.3? 產品造型設計方案進化

產品造型設計方案的進化由三種遺傳算子支撐。從初始種群開始迭代，獲得最初種群平均適應度后，選擇適應度較高的個體兩兩配對，再經過遺傳運算中的交叉、變異運算再生，得到新個體放入新種群中，重復此過程，直至新種群生成，在每一代運算后生成的新種群將替代舊種群[10]。交叉運算是在交叉概率[Pc]控制下，隨機選擇上一代種群中的兩個個體進行交叉，由兩個個體中適應度值較高的個體提供更多基因。變異運算首先設定初始變異概率[Pm]，[Pm∈0，1]。產生下一代種群后，比較兩代種群中最優個體的適應度值，新種群最優個體小于舊種群最優個體適應度值時，將初始變異概率[Pm]增加0.05，否則，減少0.05，但始終保持變異概率在初始變異概率值與1之間。為保證將適應度值最好的個體保留到下一代種群中，用當前種群中適應度值最高的個體直接替代經交叉和變異遺傳操作后產生的適應度值最低個體[12?13]。同時，如果上一代種群中的最優個體的適應度值高于當前種群中最優個體的適應度值，即用上一代種群中的最優個體代替當前種群中的適應度值最低個體。當算法運行生成新的產品造型設計方案，同時滿足人工參與條件后，解碼進入虛擬現實環境下參與人工評估階段。

1.4? 虛擬現實環境下人工評估設計方案

虛擬現實環境下人工評估階段，主要是借助虛擬現實技術，由計算機主機進行控制，通過四維形式將儲存在知識庫和數據庫的算法內容展現在虛擬場景中[14]，輸出最終設計結果方案、圖紙或造型給客戶。虛擬現實設計結果輸出流程如圖3所示。

由人工評價是否生成了最優方案。設定設計產品評價目標為[u=（u1，u2，…，un）]，對應權重分別為[qi]，用矩陣表示為[Q=（q1，q2，…，qn）]，對產品各評價目標進行評分：

[B=b1b2?bm=b11b12…b1nb21b22…b2n????bm1bm2…bmn]? （2）

如果在人工評估階段產生了用戶滿意的方案，那么停止算法運行，否則，轉入自然階段繼續運行，并且剔除不符合設計要求的方案。

至此完成虛擬現實環境下遺傳算法在工業產品造型設計中的運用設計。

2? 仿真實驗

設計模擬仿真實驗，對比在虛擬現實環境下，利用遺傳算法生成最優工業產品造型設計結果的收斂速度以及常規虛擬現實環境下生成設計結果的收斂速度。

2.1? 實驗準備及運行參數設定

使用Matlab軟件的Global Optimization Toolbox優化工具箱，將算法運行在原有建模系統[15]中。根據設計師的經驗預先設定遺傳算法中的運行參數值，其中，包括最大/最小種群數、傳迭代數范圍、交叉概率以及變異概率等參數。遺傳算法類型選擇最優保存策略及精英策略。遺傳算法所需部分運行參數如表2所示。

2.2? 實驗結果

以迭代次數為橫軸，系統運行時間為縱軸，繪制算法收斂曲線如圖4所示。

由圖4可知，常規生成最優工業產品造型設計結果的收斂速度大約要經過700次迭代，而基于遺傳算法的工業產品造型設計在迭代到290次時精確收斂到全局最優解。結果表明，在相同條件下基于遺傳算法生成的工業產品造型設計結果的收斂速度更快，能更快速地收斂到全局最優解，提高了設計效率。

3? 結? 語

結合虛擬現實和遺傳算法技術，在虛擬現實環境下執行人工評估階段。用戶可以更直觀、方便地觀察到設計結果，同時，設計師也可以發揮主觀經驗的積極作用，彌補常規設計方法的不足。由計算機自動完成設計方案的進化過程，發揮遺傳算法全局搜索能力強的優勢，向全局最優解逼近。另外，因為人工評估階段是在滿足一定條件后進行的，若未生成人工滿意結果，則再轉入計算機自然階段繼續運行，所以遺傳算法的絕大部分迭代過程均是計算機自動完成的，可以有效減少人工參與次數，減輕用戶工作量，從而避免迭代次數限制。加上人工評估過程是在虛擬現實環境下進行的，易于用戶操作并且進一步減輕了用戶工作量，完成了虛擬現實環境下遺傳算法在工業產品造型設計中的運用。

參考文獻

[1] 方平龍.淺談工業設計中虛擬現實技術的應用[J].中國新技術新產品，2018（4）：69?70.

[2] 劉致遠，王健.基于信息化背景下交互設計在工業設計中的應用[J].明日風尚，2018（9）：101.

[3] 呂欽.工業設計中虛擬現實技術的應用探討[J].科技創新導報，2017，14（25）：115?116.

[4] 丁利敬.虛擬現實技術在工業設計中的模型應用研究[J].洛陽師范學院學報，2018，37（5）：66?68.

[5] 楊健，趙宏宇.浮點數編碼改進遺傳算法在平面度誤差評定中的研究[J].光學精密工程，2017，25（3）：706?711.

[6] 楊從銳，錢謙，王鋒，等.改進的自適應遺傳算法在函數優化中的應用[J].計算機應用研究，2018，35（4）：1042?1045.

[7] 金仙力，李金剛.基于遺傳算法的多目標路徑優化算法的研究[J].計算機技術與發展，2018，28（2）：54?58.

[8] 李露，趙文龍，趙富強.基于遺傳算法在線的調優控制系統設計[J].電子科學技術，2017，4（1）：37?42.

[9] 吳立華，白潔，左亞軍，等.基于Matlab的遺傳算法在結構優化設計中的應用[J].機電工程技術，2017，46（10）：44?47.

[10] 王瑋，董健，門少杰.基于VR的傳輸設備工程設計系統的研究[J].山東通信技術，2019，39（1）：29?32.

[11] 蘇建寧，康亞君，張書濤，等.面向認知主體的產品意象造型創新設計方法[J].現代制造工程，2018（6）：108?113.

[12] 張愛林，孫超.基于遺傳算法的脊桿索穹頂優化設計[J].北京工業大學學報，2017，43（3）：455?466.

[13] 朱佳棟，蘇少輝，陳昌，等.面向產品配置設計的改進交互式遺傳算法[J].中國機械工程，2018，29（20）：2474?2478.

[14] 鄭朝鑫，董晨，葉尹.基于遺傳算法的3D動態實時建模方法[J].福州大學學報（自然科學版），2019，47（1）：24?29.

[15] 張巖，費廣正.交互式遺傳的3維場景擴展[J].中國圖象圖形學報，2017，22（5）：631?642.