定制产品客户须知

定制产品客户须知（精选5篇）

篇1：定制产品客户须知

中和嘉盛定制家具客户须知材质说明篇

一、实木家具的概念：

2009年5月1日国家颁布的《木家具通用技术条件》国际标准中对实木家具的定义为，家具构件实木部分达到70%的标准，可称其为实木家具。实木家具的主材为实木，但辅助材料，比如起固定、支撑或连接作用的连接木、板条等，根据不同的位置或作用，有可能使用人造板、杂木等。

实木家具按照国家相关规定及商品实际情况，全实木家具、实木贴面家具、综合类木家具等几种，其中全实木家具为所有木质零部件（镜子托板、压条除外）均采用实木锯材或实木板材制作的家具，实木贴面家具为：基材采用实木锯材或实木板材制作，并在表面覆贴实木单板或薄木（木皮）的家具，综合类木家具为基材采用实木、人造板等多种材料混合制作的家具。

我公司所生产的量身定制类家具根据产品结构及您的不同要求，分别可以归入全实木家具、实木贴面家具或综合类木家具。

二、实木家具的概念：

中和嘉盛所生产的桌、椅等产品，框架、支撑腿一般采用实木原木，芯材一般采用椴木夹芯板、椴木齿接板或人造板贴实木皮等。衣帽间、衣柜、书柜等产品由于使用大幅宽的板材，因此一般采用椴木夹芯板或椴木齿接板。

1，椴木夹芯板：

中和嘉盛与专业的木材加工企业合作研制的、专门适用于衣帽间、书柜等产品的板材。基材为椴木实木，表面覆贴1-5mm实木单板或薄木，其结构类似大芯板，但所用基材、工艺、环保性与细木工板完全不同。实木夹芯板具有性能稳定、不易开裂、不易变形等特点，是做柜体的理想材料。它克服了纯实木容易开裂变形，难以保养和维护，以及实木指接板容易弯曲变形等问题。

2，椴木齿接板：

相对于实木锯材，开裂变形的现象相对减少，但相比椴木夹芯板存在开裂、尤其是变形发生概率较大。如您在使用过程中，出现以上问题属正常现象，中和嘉盛负责维修或更换部件(保修期内免费，保修期外有偿服务)。

3，木皮：

椴木夹芯板及椴木齿接板，均可用不同的实木木皮做为饰面。您可根据自己的喜好在中和嘉盛提供的样品范围内选择木皮的种类。木皮是自然产品，会存在花纹纹理的差异，木色深浅差异，以及矿物线和闪色等，属正常现象。

4，油漆：

您可选择油漆颜色，请在选择中注意：

（1）为保证质量和缩短交货时间，建议您尽量选择中和嘉盛专门所提供的色板颜色。

（2）如您指定油漆颜色，需要您提供色板，我公司试制出样品色板后，需要您签字确认。

（3）色板或样品因存放时间较长，与刚刚完成的油漆产品，在颜色和亮度上会有一些差异，属正常情况。

（4）家具油漆在现阶段还属手工工艺阶段，即使是美国、意大利的家具公司，油漆的配色调色也是由人工操作完成的，视觉上的误差在所难免，一般是以肉眼看上去无明显差异为准。

三、三聚氰胺板：

一般以刨花板、密度板为基材。中和嘉盛所使用的基材与饰面板，均为露水河E0板，其环保指标及甲醛释放量，均达到国际国内最高标准。（建议注明公司使用板材的环保级别及生产厂家介绍）

不同厂家，或同一厂家不同批次生产的三聚氰胺板，在颜色、亮度、花纹等方面会存在细微的差异，您订货时看到的样板有可能与交货时的产品存在一定的差异，属正常情况。中和嘉盛保证给您供货时的单件、单次产品的板材为同一生产厂家同一生产批次，最大限度地避免外观差异。

篇2：定制产品客户须知

Proximion全称Proximion Fiber Systems AB (Proximion光纤系统股份公司) 成立于2003年, 总部设在瑞典的高科技园KISTA, 是一家基于FBG技术的光模块及子系统的世界级供应商。公司由一支经验丰富的多学科工程师组成, 这些高科技人才在组装设计FBG以及其相关的软硬件、包装及应用方面都有着世界级的核心知识。Proximion私有的高质量光纤布拉格光栅写入技术使得它具备了在任何短的实现时间内调制光谱特性的能力。

在Proximion的大批量自动化生产过程中制造生产了世界一流的光纤布拉格光栅, 并将它们转换成光模块以及子系统比如光色散补偿模块和光层检测仪器。独特的光学引擎加上创新的技术推动了其合作者在电信、生命科学和审讯系统等不同领域取得了成功。Proximion是一个飞速发展的公司, 被Deloitte Touche Tohmatsu评为EMEA地区发展最快的500家公司之一。

量身定制的FBG

Proximion的核心能力在于量身定制各种光纤布拉格光栅, Proximion拥有一大批的专利组合以及基于FBG的创新产品, 这些产品可以随时加工为顾客服务。

与其他FBG厂商主要采用的相位掩膜制造方法不同, Proximion采用超高精度的干涉扫描技术写光栅, 由软件控制光涉扫描, 可以根据客户的需求, 编写程序, 写出不同的光栅。

一个光纤布拉格光栅简单内部环境可以被看成在光纤芯内的复杂信号处理, 或者看作入射光不被传播或者反射的光滤波器。光栅被写入实际的光纤纤芯内部与传播的光相配合。光栅是将光芯暴露在紫外线条纹下产生的, 这些光芯直径一般最多5μm, 相当于人类头发丝直接的十分之一。紫外光使纤芯的折射率部分改变, 此现象可以看作细小的窄带反射镜, 光试图通过光栅而只有一小部分被反射。通过在设定好的距离上顺序产生许多这样的窄带反射镜, 产生一个光共振腔。通过调制镜面单元的距离和幅值, 使滤波特性比如反射光的多少及波长得到调制, 这就是啁啾FBG。

Proximion的多技能私有的栅格写入技术利用一个2射束干涉仪产生紫外光干涉图形, 使折射率发生改变。一个高度精确运动控制器能远距离在亚纳米精度上顺序增加这些干涉条纹。

只要控制干涉条纹的周期, 任何类型的FBG都可以产生, 通过曝光短波波长范围, 反射及色散补偿等光栅特性可以轻松得到控制。

Proximion独特的技术应用于各种色散补偿产品, 如连续和信道化固定色散补偿模块 (DCMs) 或可调的色散补偿器模块 (TDCMs) 。这项技术也适用于它的光层检测仪器 (OLM) 产品WISTOM以及定制特殊产品。

基于FBG的产品链

Proximion最初的基础研究源自瑞典光电和通信技术研究中心ACREO以及瑞典皇家科学院。这两个机构在1995年最早开发了长FBG制造技术。如今Proximion已成功研发出第三代FBG生产设备, 可以生产最长超过10米的FBG产品。

从2003年公司创立以来, 短短的几年时间, Proximion已经形成了自己的产品链, 工艺精益求精, 新产品连连不断, 在保证成本效益的同时不断满足40G乃至100G更高性能传输系统的要求。

Proximion将其FBG制造技术和短波技术相结合, 生产出了先进的基于FBG的色散补偿器, 复杂的光层检测仪器和分析系统。

色散补偿DCM

Proximion的色散补偿生产线满足了不同的色散管理需求, 并且包含了无源和有源器件。它拥有功能广泛的色散补偿器件, 提供信道化、连续、可调谐等应用选择, 保证了产品能够与任何特定的应用相匹配, 为电信工业提供了基于FBG的色散补偿管理方案。其方案已经在世界范围内各种类型的网络中得到了应用。

2008年2月25日, 在加利福尼亚的圣迭哥光电光纤通讯展览会 (OFC) 上, Proximion展览了40Gbps的连续波段色散补偿模块 (DCM-CB) , 并在当天宣布了其新的40Gbps色散补偿模块DCM-ITU。Proximion的DCM是结合了基于传统FBG的DCM以及基于色散补偿光纤DCF方案两种领域优势的第一产品。DCM-ITU较大的带宽以及低的群时延纹波使得其具有很好的性能, 非常适用于级联应用, 并且可以在整个C波段运行于40Gbps和100Gbps网络, 对于那些不需要50GHz频道间隔却仍然运行10Gbps和40Gbps系统的顾客来讲绝对是一个非常有成本效益的选择。

接着, Proximion又宣布推出新款单信道色散补偿模块 (DCM-SC) 和业界最小的可调谐色散补偿模块 (TDCM) 。DCM-SC外形尺寸较小具有更大的灵活性, 传输质量出色, 损耗低, 即使没有放大器, 也能经济高效地实现系统解决方案, 是Proximion色散补偿产品组合的有益补充。而TDCM则是采用了公司先进的FBG技术, 成功实现Colorless, 即可在整个C波段设置任意的波长并且有大的均匀色散补偿可调范围, 结构小巧并且容易集成。

2009年3月, Proximion推出连续波段色散补偿器生产线新成员DCM-SLC, 在降低成本的同时能满足不同网络的特殊要求。

同年6月, Proximion推出业界首个插接线色散补偿产品DCM-PC。DCM-PC是首创的将连续啁啾FBGs与单个插接线结合的产品, 排除了服务供应商增加硬件布署的需要。

为了满足客户对更广泛的可调性在10和40Gbps应用的需求, Proximion今年扩大了基于FBG的可调谐色散补偿模块产品组合, 增加了两个新型号的TDCM。两款模块通过提高连续可调的范围更深一步提高了客户产品设计的灵活性。

光层监控WISTOM

2009年, Proximion出台了WISTOM白皮书, 介绍其光层监控产品技术平台WISTOM, 并显示了其超快速高性能扫描滤波器的内在技术。

Proximion的光层监控生产线WISTOM, 包括不同的测量和检测系统, 这些先进的多功能分析系统均建立在Proximion独自的快速高性能扫描滤波器上。为了无干扰地进行光信号分析, WISTOM产品保证所有类型的光纤网络协议以及比特率透明, 同时为不同的光学传感器分析应用提供平台。

WISTOM具有以下特性:无干扰, 光纤内信号监测;实时快速扫描整个DWDM光谱;极高的功率波长精度;多纤监测集成光学开关;全特征API有效应用集成;简单网络管理协议;高适应性, 标准SW平台;可靠性强;多种定制性选择方案提供高的互用性。应用于故障检测保护倒换;性能监视保证服务质量;光分插复用监督和动态均衡化;带宽利用优化;长期信号跟踪。

追求更快更高性价比的光网络

对行业的光系统供应商来说, 对更快更高性价比的光网络的追求是没有止境的。就像20世纪90年代末期从2.5G到10G的转变一样, 电信行业目前正在面临从10G到40G/100G容量转变的挑战。这种转变的步伐大小很大程度上取决于具有合理成本的合适技术。为增加市场竞争力, Proximion与集成光子系统供应商RED-C光网络公司进行合作, 利用Proximion独特的DCM技术推动EDFA产品设计。两大龙头企业的合作满足了当前利用增强最优化的新方法设计子系统的需求, Proximion的DCM方案加上RED-C的放大器设计技术无疑提供了开发新优势的建设性的步骤, 并且增加了产品的性价比。

最近, Proximion又与FBG技术的发起者魁北克TeraXion发布了用于高速网络系统的标准化可调色散补偿模块, 标准化的内容包括可调色散补偿模块的尺寸, 电接口以及命令集。设备厂商利用标准化后的产品可以降低硬件空间以及成本。TeraXion公司表示他们的ClearSpectrum的色散补偿模块在市场上发展很好, 与Proximion的这一协议的推出将会为系统厂商增加更多的选择。

在40G和100G网络成本问题倍受关注的今天, Proximion的独特技术和创新工艺无疑在市场竞争中具有很大的优势, 我们期待Proximion取得更大的成就。

摘要：随着高速网络系统部署的增多, 色散补偿在光通信系统中的应用越来越多。布拉格光纤光栅 (FBG) 技术能够在衰减和带宽等方面最大程度地优化传统的色散补偿技术, 以适应最新的40G和100G的光纤网络。本期介绍的Proximion公司是一家专门开发基于FBG的器件及光纤智能平台的公司, 采用超高精度的干涉扫描工艺量身定制各种FBG产品以全面满足客户需求。

参考文献

[1].http://www.proximion.com

篇3：为客户定制VIP

某日赶赴师豪兄的约会,和他去附近一家他最喜欢的餐厅吃晚餐。同行的还有吉村与景傅两位教授。原先只是想到可以大快朵颐师豪兄大力推荐的“食材超级新鲜”的美食,没想到此行却另有收获。

特殊的待遇

从一坐下,师豪兄就得到了不同的待遇。原来,在师豪刚刚开始光顾这家餐厅时,当服务员送上斟在玻璃杯里的凉水时,师豪问说:“我有气喘,可不可以给我一杯温开水?”于是店员马上为他换上一杯斟在瓷杯里的温开水,而且从此记住了这位客人的特殊习惯。每次只要师豪来这里用餐,就必然用瓷杯敬上温开水,餐后送上咖啡,其他人的咖啡,配上的是常见的便利包奶油球,惟独师豪兄是一只迷你小瓷壶,里面装满白色的鲜奶。师豪说他每星期至少来光顾三四次,但是,单单这样就成为享受特殊待遇的关键顾客了吗?

此后,有一次景傅兄单独来这里用餐,由于他常常看见师豪在这家餐厅里享受到的特殊待遇,于是也要求了一小杯鲜奶来搭配他的咖啡。可惜景傅还不够资格当上VIP,店员很客气地说,如果要鲜奶得加收10元新台币。没想到过了几天,当师豪又光临了这家餐厅,正准备好好享受他那鲜奶配咖啡的特权时,服务员送上来的却是奶油球。交涉无果后,师豪感到非常沮丧,非常不满,决定从此不再去。但几个月后师豪兄还是忍不住再次光顾这家店,解开心里的死结。

坐下后师豪对服务员说:“你有没有注意到,我已经很久没来你们这家餐厅了?”服务员回说是,而且他们为此还深刻检讨过,认为是因为餐点缺乏变化,才导致老顾客不再光顾的,于是特意修改菜单,每天推出三套特色料理。

师豪说:“错了”,首先研发新产品必然增加成本开销,何况你们根本误解了顾客不来的真正原因。他说他不来光顾是因为餐厅忽视了顾客的心理需要,于是为她上了一堂消费行为学,让她明白顾客根本不会在乎那区区10元钱。重点在于,店家怎么可以在毫无预警的情形下,单方面地对顾客降级!不管当初是如何赋予顾客特权的,现在片面地对顾客降级,就是一种惩罚,但是顾客并没有犯错,反而正在为店家善尽忠诚顾客的任务,那怎么可以任意加以惩罚?在这里,特权与忠诚,本质上就是一种社会契约,此时店家的降级惩罚,就成了破坏契约的行为,必然要招致顾客的怨恨与报复。所以,“你们是要多赚这根本赚不到的10块钱,还是宁愿损失一位忠诚顾客?”

服务员听懂了,跑进去请示老板。不一会儿,服务员出来道歉,送上一大马克杯专程为他现场研磨的特级咖啡,并且告诉师豪,从此他在这个餐厅永远都有个人专属的瓷杯,而且喝咖啡时必然配上迷你瓷壶鲜奶!呵呵,原来景傅兄就是那位破坏平衡的凶手!而为厂商贡献一堂免费营销课的回报是成为他们永远的VIP!VIP的真义其实就是特权,而特权代表不公平,所谓“不患寡而患不均”,运营过程的不公平,需要特殊的管理手法。

设计VIP特权

这实在是个值得深思的问题。顾客与餐厅需要真正的情感交流才可能建立坚实长久的关系,而这关系的展现,则是量身定制型的服务,对个别消费者而言,这就是所谓的VIP服务,也就是特权。但是量身定制型的顾客关系管理,最麻烦的地方是其他消费者终究会想要比照办理,如此就使得运营成本大幅增加。

解决之道是这样的,首先要想清楚企业的关键成功因素是什么,然后依照这些因素,来定义成为VIP的条件。不同的企业,自然有着不同的关键成功因素,例如在某些行业里,上级领导的行政特权可能可以完全决定企业的生死兴衰,那么谁是VIP自然十分清楚。在上面这个例子里,师豪兄既是常客,又是台湾重要的零售学者,或许还不至于“匹夫而为百世师”,但是“一言而为天下法”是极有可能的。他在他社交网络里的影响力,就是最好的广告,那么为这广告效果支付一点小小代价,实在是再划算不过的事了。

定义好成为VIP的条件后,下一步就是在成本考量下,设计VIP专属的特权。对这些特权的设计,可分为炫耀性与隐匿性两大类。

炫耀性的特权是绝对必要的,因为如此才能让那些还不是VIP的顾客心生羡慕,产生“有为者亦若是”的驱动力,愿意实践忠诚行为,来追求VIP的身份。炫耀性特权的设计不在实惠,而在于象征,必须让所有客人都看得见,知道有VIP特权这回事。隐匿性的特权,则是故意遮掩起来的特权,目的是具体实惠、受宠若惊,而且要让客人食髓知味,并形成特权的口碑。

隐匿的特权是不公开的,而且故意不去设定任何规则。要让这种特权变成老板对顾客的“施恩”,也就是有时有,有时无,不可期待,不可预料。那么这样隐匿的特权就永远都是惊喜。我个人是国泰航空的金卡VIP,国际飞行的累计里程曾经高达每年至少8万到10万英里。在无数次国外旅行里,偶尔享受到特殊通关的礼遇,也就是不用跟“庶民”一起排队检查行李,而是让机场工作人员很尊敬地领着走秘密通道,单独接受行李检查,直接登机。请注意,这是没有期待的“偶尔”,每次都让我深深觉得能够成为他们的VIP,实在是人生至高的享受。

但是我们要为炫耀性特权建立公开的规则,满足一定条件的顾客,就自动变成VIP。这个变成VIP的过程,最好能够精确但隐秘。精确,是为了公平,这容易理解。隐秘的意思是,不要采用类似“集点”做法,发给顾客一张盖章的卡纸,让顾客自己计算什么时候能够成为VIP,这么做的话,就让VIP的特权变成一种交易,不仅俗气,而且丧失了让顾客感受真情厚意的机会。最理想的做法是将规则转换成公式,通过POS系统与会员卡,记录顾客在店内的消费行为,让电脑自动授予顾客VIP的身份。于是什么时候成为VIP,就变成一个惊喜,而不是理所当然的事。

当然不是所有店家都有会员卡系统,这时也可以采用登录报表的方式,训练店员记住顾客,并记录顾客的消费行为。在前面的例子里,这家店对店员的训练已经相当不错了,店员间通过口耳相传的方式,来交接顾客的特征与行为。但是这是很不容易做到的方式,一是店员的素质必须够高,二是店员对企业的向心力要够强,然后老板还愿意给出足够的授权。■

[编辑 黄若希]

篇4：定制产品客户须知

现代制造企业要高效率、低成本地设计和生产令客户满意的产品,就必须能够快速准确地获取客户的个性化需求,以最快的速度加以满足。然而,满足客户的需求并不是唯一的目标,还要考虑企业的生产设备、技术实力、制造能力、人员力量以及生产成本、生产周期和企业管理等其他因素,只有在满足客户需求且自身条件具备的前提下,才能在最短的时间内生产出让客户满意的商品,达到生产企业和客户之间的双赢。因此,基于客户需求信息的产品设计优化是一个多目标优化问题[1]。

近年来,有学者提出了多目标优化进化算法(evolutionary multi-objective optimization,EMO)[2],该算法作为一种简单有效的全局搜索算法,具有较强的全局收敛能力和较强的鲁棒性,且不需要借助问题的特征信息(如导数等梯度信息)就可以有效求解大量非线性、不可微和多峰值的复杂优化问题。

进化算法是以达尔文的进化论思想为基础,通过模拟自然界生物进化准则逼近问题最优解的一类群体搜索算法[3]。生物进化是通过繁殖、变异、竞争和选择来实现的,而进化算法则主要通过选择(selection)、重组(recombination)和变异(mutation)这三种操作来实现优化问题的求解或近似求解。进化算法的基本步骤一般为[3]:①初始化进化算法的停止条件,t=1;②初始化种群大小,给每个个体赋予坐标值;③计算出每个个体的目标值并存入一个矩阵中;④进行⑤～⑥的循环进化,每轮进化后,t自动加1;⑤对种群进行选择操作,主要选择局部达到优化的个体作为优良个体,保存在外部种群中;⑥重组外部种群和内部种群,让它们进行交配和变异,并选择出优良个体保存在外部种群中;⑦当达到进化停止条件即t达到一定数值后,停止进化算法,取外部种群中的个体作为本次进化算法最终得到的优化个体。

简单地说,进化算法就是通过不断地选择、交配和变异,最终得到一系列优化个体,完成对多目标优化问题的优化工作。进化算法的具体实现方式多样,本文以粒子群优化算法(PSO)[4]为例进行深入研究。

粒子群优化算法将决策空间内的变量看成一个粒子,粒子以一定的速度和方向飞行。在飞行过程中,粒子追寻两个极值来更新自己的位置,即局部最优位置pbest和全局最优位置gbest。其进化方程如下[4]:

式中,i表示第i个粒子;j表示维数,也就是目标数;c1为调节粒子飞向局部最优位置的步长;c2为调节粒子飞向全局最优位置的步长,通常在[0,2]中取值;r1和r2为两个独立的随机数,在[0,1]中随机取值;t为停止条件,即粒子飞行次数,t越大,粒子飞行位置越密集,得到的pbest和gbest将越精确。

由式(1)可以看出,粒子群算法将进化算法的进化思路具体化为粒子的位置和速度变化,通过不断比较和更新pbest和gbest来实现全局优化。

然而,到目前为止多目标优化进化算法尚缺乏系统性研究,一些理论性问题有待进一步探讨。例如,算法只适合于低维目标优化,对高维优化效果很差;有些算法有优越的优化方法,但难以用于工程实际。基于客户需求信息的产品设计与优化也有其自身的特点,它一方面要求在客户给出需求信息后,企业能尽快作出反应,提出合适的方案供客户选择,缩短产品设计时间,提高整个项目效率。另一方面要求我们的算法得出的目标优化值均匀分布,在可行性空间里找到更多的优化解并保证每个解的有效性,避免重复解的出现,方便用户对目标优化值进行比较,最终选择出合适的产品设计方案。而目前的多目标优化进化算法未能很好地解决这些问题。所以,我们还需要对多目标优化进化算法进行研究,提出合适的、高效的优化算法。

基于此,本文对多目标优化进化算法进行研究,针对产品设计与优化过程中所要解决的问题,在现有多目标优化进化算法基础上,从优化算法的执行效率和优化结果的分布两方面进行了必要的改进,并分别进行实验仿真,通过与其他优化算法的对比分析,验证了改进算法的可行性、可靠性和优越性。

2 多目标优化进化算法的效率改进

进化算法通过不断选择和淘汰局部最优解而得到的全局最优解集所对应的最优前沿曲面应该包含所有目标的极值,它对任何一个目标都是公平的。如式(1)所示,粒子的飞行位置xi j和速度vi j在更新过程中没有偏向任何目标,只是盲目地朝着全局最优解收敛而已。而在实际的生产设计过程中,按照客户和企业的不同要求,目标之间往往是不公平的。假设某个目标对客户很重要,需要着重考虑该目标的优化值,即可以在一定范围内,通过牺牲其他目标来满足该目标的需求,那么,我们得到的“公平”最优前沿曲面就显得资源浪费,从产品开发的实际效率来讲,降低了算法的执行效率。

另外,本文的主要工作是设计一种多目标优化算法,并将其运用在基于客户需求的产品设计中,得出最优化解集,让客户选择其中一个解作为定制产品开发方案。如果得出的最优化解集过大,优化解过多,则一方面加大了客户的选择压力,不利于客户找出最适合的那个解;另一方面,客户还需要大量时间对优化解进行比较,选择出最合适的解,从产品开发效率来看,这也会降低项目设计阶段的效率。

基于以上两个问题,本文提出了侧重度系数概念,根据客户的选择,将每个目标的重要程度分等级,在进化算法运行过程中,通过重要度的比较,优先淘汰一些重要度很低的局部优化解。这样,一方面实现了最优前沿曲面按照客户的需求收敛,提高了算法执行效率;另一方面,也减少了最终得到的优化解个数,提高了客户定制产品设计阶段的效率。

定义1 侧重度系数λ。由目标之间相互重要程度信息转化而来的重要度参数称为侧重度系数。

本文定义的目标侧重度系数如表1所示。

多目标优化问题目前在学术界已经统一成目标函数值极小问题[3,4],所以,加入目标侧重度系数后,粒子的有效运动范围应该是让侧重度高的目标取值更小、更靠近目标极小值的范围,将该范围取名为侧重范围。如果把整个坐标系分成10等份,分别定义目标A对目标B的侧重度系数为0.90、0.75、0.60和0.50,则它们的侧重范围如图1所示。

从图1中可以观察到侧重范围的大小,为了对粒子的位置是否合格做相应判断,我们需要计算出侧重范围的边界曲线函数。因为把坐标系等分成10份,每一份就是9°,所以图1中4个侧重范围的夹角分别为18°、45°、72°和90°。通过三角函数计算,得出4种侧重范围的边界曲线函数如表2所示。其中,侧重度系数为0.5即目标之间同等重要时,没有侧重范围,因而也就没有边界曲线。下面阐述加入侧重度系数的进化算法运行思路。

在进化算法运行步骤⑤后面加入优良个体的再次选择环节,判断每个优良个体的位置是否在侧重范围内。如果在侧重范围内则进入下一步骤;否则淘汰该个体。其他步骤不变,依此循环进化,达到停止条件后即得到最优解。

设侧重区域为Ω,加入侧重度系数λ后的粒子群的优化方程变为

式(2)中,速度vi j中有两个随机变量r1和r2存在,所以能让粒子在朝全局最优解收敛时,沿着不同的路径找到更多的pbest,而位置xi j则必须限定在侧重范围内,这样收敛区域将变小,收敛效率变高。

我们运用改进算法对ZDT[5]问题进行优化,ZDT问题的数学方程如下:

查阅相关文献得知,ZDT问题的理想最优化曲面如图2所示。

定义目标f1对目标f2的侧重度系数为0.90,设定停止条件为t=10 000,取c1=c2=1,则改进算法的优化仿真图见图3。

为了方便对比分析,本文运用进化算法NSGA-2[1]对ZDT问题进行优化。设定停止条件为t=10 000,交叉系数Pc为0.8,变异系数Pm为1/30,优化仿真图见图4。

从图3和图4中可以看出,加入侧重度系数后的进化算法能够让粒子有选择地收敛,减少了最优解的个数,提高了客户的选择效率。观察图形可知,改进算法达到了预期目标。

多目标优化领域中一般采用Deb等[5]提出的收敛性指标(convergence metric)对多目标优化算法的优化效果进行评判。为此,本文做了2组对比实验,在目标侧重度系数为0.9的条件下,将改进算法和目前流行的两种进化算法(NSGA-2算法[1]和SPEA-2算法[6])进行比较,得到数据如表3所示。

从表3可以看出,当侧重度系数为0.9时,改进算法的运行时间明显短于NSGA-2算法和SPEA-2算法的算法时间,说明改进算法的优化效率更高。并且改进算法的收敛性指标值也小于NSGA-2算法和SPEA-2算法的收敛性指标值,而该指标值越小,说明算法得到的最优化曲面与图2中的理想最优化曲面的距离越近,算法更优越。

以上对多目标优化进化算法优化效率的改进研究表明,通过加入目标侧重度系数,缩小了最优解集,方便客户快速选择出适合项目的最优解。同时,采用改进算法对多目标优化问题进行优化后,得出的最优化粒子与理想的最优化曲面更接近,即优化效果更明显。

3 多目标优化进化算法的解分布改进

采用进化算法对多目标优化问题进行优化的过程中,很容易产生局部优化解过于集中的现象。这些高度集中的局部最优解占据了最优解集中的大量位置,排挤掉了一些偏僻和孤立的优化解,导致最优解多样性缺失,使进化算法陷入局部最优,学术界通常称该现象为早熟。如式(1)中,由于r1和r2两个独立随机数的存在,导致粒子的收敛方向不固定。如果在某一次收敛中得到的局部最优解大量集中,即xi j变化不大,那么粒子将陷入局部最优的包围中,很难脱离出来,最终将局部收敛。

采用进化算法对多目标优化问题进行优化后,我们将得到一些接近于理想优化曲面的离散优化点,称它们为目标优化值。客户从众多目标优化值中选择出一个满意的优化值作为产品设计的最优目标值。如果两个目标优化值相隔过近,则它们没有比较的价值,称之为重复目标优化值,必须抛弃其中一个。所以,如何合理选择目标优化值,使它们相互之间有一定的距离,避免重复值的出现,是本文对进化算法改进的另一个出发点。即对于客户来说,要做到大部分目标优化值对他们的选择都有意义。

基于以上两个问题,本文提出了目标间距矩阵概念,根据客户自己的选择,确定每个目标的最小距离。在选择局部最优解和目标优化值时,检验它们之间的间距是否大于或等于最小距离。如果满足条件,则被选中,进行下一步操作;否则,淘汰该值。

定义2 目标间距矩阵。假设一个多目标优化问题中有m个目标需要优化,而这m个目标都有各自的最小距离,即要求第i个目标的目标值之间最小间隔Li个单位。那么,由这m个最小距离组成的矩阵L=[L1L2L3 … Lm]称为目标间距矩阵。

下面详细说明改进算法的执行过程。

假设在进化算法进行优良个体选择时有n个个体a1,a2,a3,…,an比较优秀,可以进入下一代进行交配。此时,我们将这n个个体进行排序,排序的规则是:先比较这n个个体的第一个目标值大小,按照从小到大的顺序排序;然后比较这n个个体的第二个目标值大小,按照从小到大的顺序排列;再比较这n个个体的第三个目标值大小,也按照从小到大的顺序排列。依照这个方法,对这n个个体总共进行m次排序,可以得到一个m行的排序队列,如图5所示。

然后读取目标间距矩阵中每个目标的最小间距,对上述队列进行检查,如果相邻两个个体之间不满足该排序标准的目标的间距指标,则淘汰两个个体中的后一个个体。通过目标间距矩阵对这m个排序序列进行排查,淘汰一些间距过小的个体。然后再次考察这个序列,如果某个个体出现的次数等于m,则表示该个体胜出,作为优良个体进入下一代种群中;如果某个个体出现的次数小于m,则表示该个体被淘汰,不能作为优良个体进入下一代种群。

在进化算法的执行过程中,每次选择出种群优良个体后,都按照上述方法对优良个体进行再一次的选择,胜出者才能进入下一代种群中进行交配和变异。这样,通过往进化算法中加入目标间距矩阵,并对优良个体反复进行间距排查,能够避免局部最优解的高度集中,保证了最优解的多样性,防止算法早熟。同时,能够让最终得到的最优解集中的解趋于均匀分布,方便客户做对比分析,快速选择出定制产品的开发方案。

在粒子群优化算法中加入目标间距矩阵后的进化方程如下:

在式(4)中,每次粒子更新位置时都加上该目标的最小间距,即将该粒子沿着目标坐标轴平移最小间距的距离,这样来防止粒子位置的高度集中,以免陷入局部最优。

下面采用改进算法对现今流行的测试问题DTLZ[5]进行优化仿真实验,DTLZ数学表达式如下:

定义DTLZ问题的目标间距矩阵为L=[0.05 0.05 0.05],k=3,|xk|=5,停止条件为t=10 000,取c1=c2=1,得到的优化仿真图见图6。

同样,运用进化算法SPEA-2对DTLZ问题进行优化,设定停止条件为t=10 000,k=3,|xk|=5,交叉系数Pc为0.6,变异系数Pm为1/30,优化仿真图见图7。

从图6和图7对比来看,改进算法保证了每个粒子之间的距离,淘汰了很多重复解和近似解,使最优化解集中的粒子基本达到了均匀分布。观察图形得出,改进算法达到了预期目标,具有可行性。

为了评估多目标优化算法得到的最优解的均匀分布性能,优化领域中一般采用Schott提出的间距指标(Spacing Metric)[7]进行衡量。该指标值越小,代表解分布越均匀。通过改进算法、NSGA-2算法和SPEA-2算法的对比实验,得到的间距指标值如表4所示。

从表4中的数值来看,改进算法的间距指标值最小,基本接近于0,即解近似于均匀分布,而NSGA-2算法和SPEA-2算法的间距指标值略大,所以,改进算法具有一定的优越性。

通过仿真实验可以看出,改进算法可对最优解集映射到目标空间中粒子的解分布进行调控,即淘汰重叠粒子和近似粒子,使最终得到的粒子均匀分布,提升每个粒子在实际产品开发中的参考价值,从而减小了客户的选择压力,缩短了产品的开发周期,提高了客户的满意度。

4 多目标优化算法流程设计

本研究是针对客户定制产品设计与优化过程中的多目标优化算法展开的,在产品的设计阶段,需要考虑客户的需求信息,将这些信息加以分类、整理和转化,变成直观的数学表达式。同时,还需要考虑企业的实际生产条件,如生产设备、技术能力、人员分配和生产资源等,在进行产品生产时,需要兼顾自身的生产实际和经济效益。图8为所设计的多目标优化算法的流程图。

仿真实验结果说明了上述改进思路的可行性、可靠性和优越性,这里运用改进算法对ZDT问题进行仿真实验。

定义目标f1对目标f2的侧重度系数为0.75,设定停止条件为t=10 000,取c1=c2=1,设定目标间距矩阵为L=[0.02 0.02],改进算法对ZDT问题的优化仿真图见图9。

从图9中可以看出,粒子在侧重度系数作用下进行了局部收敛,提高了优化效率,同时保持了相互之间的间距,保证了最优解的多样性。

定义NSGA-2算法和SPEA-2算法的停止条件为t=10 000,交叉系数Pc为0.8,变异系数Pm为1/30。将它们分别对ZDT问题进行优化仿真,并计算出相关指标值与改进算法作对比分析,结果如表5所示。

从表5中可以看出,改进算法在优化效率、收敛性和解的分布性方面均优于NSGA-2算法和SPEA-2算法,正好符合本文的研究目标。

5 结语

本文对客户定制产品设计与优化项目中需要用到的多目标优化算法进行了研究,在深入研究多目标优化进化算法的基础上,从优化算法的优化效率和最优解的目标空间分布两个方面对进化算法进行了改进,提高了多目标优化进化算法的运行效率,精简了最优解的数量,降低了客户的选择压力,同时,提高了每个最优解的实际价值,方便客户快速找到满足自身需求的产品设计方案。研究结果对整个产品设计与优化过程具有重要的意义。

参考文献

[1]Deb K,Pratap A,Agarwal S,et al.A Fast and Elit-ist Multiobjective Genetic Algorithm:NSGA-II[J].IEEE Trans.on Evolutionary Computation,2002,6(2):182-197.

[2]王介生,王金城,王伟.基于粒子群算法的PID参数自整定[J].控制与决策,2005,20(1):73-76.

[3]方伟,孙俊,须文波.基于微分进化算子的量子粒子群优化算法及应用[J].系统仿真学报,2008,20(24):6740-6744.

[4]许昆,李智勇.改进的量子粒子群多目标优化算法[J].计算机工程与设计,2009,30(1):164-167.

[5]Deb K,Jain S.Running Performance Metrics for Ev-olutionary Multi-objective Optimization.TechnicalReport,No.2002004[R].Kanpur:Indian Institute ofTechnology Kanpur,2002.

[6]Zitzler E,Laumanns M,Thiele L.SPEA2:Impro-ving the Strength Pareto Evolutionary Algorithm[C]//Giannakoglou K,Tsahalis D T,Papailiou KD,et al,eds.Evolutionary Methods for Design,Opti-mization and Control with Applications to IndustrialProblems.Berlin:Springer-Verlag,2002:95-100.

篇5：定制产品客户须知

关键词：报表系统,定制化,协同的

0 引 言

报表系统是应用软件中不可缺少的组成部分,报表的定制化是报表系统灵活性的重要体现。现今大多报表定制化是针对开发人员而言的,用户面对的仍然是格式固定的报表。用户因业务发展而想修改或增加报表,只有联系开发商进行系统的维护升级。如此不仅增加了开发商的维护成本而且也给用户带来了很大的不便。但另一方面,由于报表设计的专业性,让用户在软件使用过程中完成报表设计的全部工作也是一件很困难的事情。报表设计问题上如何在开发商和用户之间找一个好的平衡点是一个值得研究的课题。基于此本文提出了基于角色的客户协同定制化报表系统(RBCBRS),试图找到一个较好的解决方案。

1 RBCBRS组成原理

本文提出的报表系统包含三个部分:报表设计器、报表引擎、报表浏览器。

1) 报表设计器(ReportDesigner) 包含报表模板设计器(ReportTplDesigner)和报表定义设计器(ReportDefDesigner)。前者是针对开发人员的,后者是针对用户的。

2) 报表引擎(ReportEngine) 报表引擎是运行在服务器端的程序,主要功能是加载报表模板、获取报表数据、输出静态报表文件、报表缓存处理和设置报表显示参数等。

3) 报表浏览器(ReportBorowser) 实现在网页中浏览、打印和输出报表的模块。

图1说明了该报表系统的运行原理。

具体操作过程如下:

1) 开发人员在开发维护阶段利用报表模板设计器为软件系统设计报表模板;

2) 管理员用户在运行使用阶段利用报表定义设计器基于报表模板来设计报表,并且可设定不同用户对报表的访问控制。报表模板和定义的报表都存放在数据库中;

3) 定义报表后,用户就可利用报表浏览器来浏览报表,此时报表浏览器调用报表引擎,进而报表引擎会从数据库读取报表定义数据生成报表返回给报表浏览器。

由于报表引擎和报表浏览器可采用专门的软件模块来实现,所以本文主要讨论报表设计器模型及其形式化描述问题。报表模板设计器包含报表模板集、报表模板数据项集和报表模板分组数据项集三部分,与之对应,报表定义设计器包含报表定义集、报表数据项集和报表分组数据项集。另外本报表系统是基于角色的访问控制,所以还有一个访问控制模板。

2 报表设计器的形式化描述

下面我们给出它们的形式化定义。

1) 报表模板设计器

ReportTplDesigner=(RPTTPL, RPTTPLDI, RPTTPLGDI),其中:

· 报表模板集RPTTPL={rpttpl1 ,rpttpl2 ,…,rpttpln};rpttplj=(RptTplID,RptTplDataSource,RptTplFil,RptTplQueryForm), 0<j<n+1。

其中rpttplj是报表模板,它包含的属性含义为:

RptTplID为报表模板的标识;RptTplDataSource为该报表模板的数据源;RptTplFile为用于显示所属该模板的报表的文件;RptTplQueryForm是所属该模板的报表的查询界面定义。它们之间的关系是用户通过RptTplQueryForm从RptTplDataSource中提取需要的数据在RptTplFile模板文件中显示。

· 报表模板数据项集RPTTPLDI={rpttpldi1, rpttpldi2,…,rpttpldim};rpttpldij=(RptTplDIID,RptTplDIField,RptTplDIFieldType, RptTplID),0<j<m+1。

其中rpttpldij是报表模板数据项,它包含的属性含义为:RptTplDIID为报表模板数据项ID;RptTplDIField为报表模板数据项字段RptTplDIFieldType为报表模板数据项字段类型;RptTplID为报表模板ID。

· 报表模板分组数据项集RPTTPLGDI={rpttplgdi1, rpttplgdi2,…,rpttplgdik};rpttplgdij=(RptTplGIID,RptTplGIField,RptTplGIFieldType, RptTplID),0<j<k+1。

其中rpttplgdij是报表模板分组数据项,它包含的属性含义为:RptTplGIID为报表模板分组数据项ID;RptTplGIField为报表模板分组数据项字段;RptTplGIFieldType为报表模板分组数据项字段类型;RptTplID为报表模板ID。

2) 报表定义设计器

ReportDefDesigner=(RPTDEF, RPTDI, RPTGDI)。其中:

· 报表定义集RPTDEF={rptdef1,rptdef2,…,rptdefh}。rptdefi=(RptDefID, RptTplID,RptTplProperty),0<j<h+1。其中rptdefi为具体定义的报表, 它包含的属性含义为:RptDefID为报表ID;RptTplID为报表模板ID;RptTplProperty ={RptStyle,PageSet},为该报表的具体属性集合。RptTplProperty中的RptStyle为报表风格属性集,包含分组属性、排序属性、交叉表属性和图形表属性等。PageSet为页面设置属性集,包含纸张属性以及页面各个区域的字体、高度和背景色。

· 报表数据项集RPTDI ={rptdi1,rptdi2,…rptdis};rptdii=(RptDIID, RptTplDIID, RptDefID, RptDIWidth, RptDICalcWay),0<j<s+1。

其中rptdii为具体的报表数据项,它包含的属性含义为:RptDIID为报表数据项ID;RptTplDIID 为报表模板数据项ID;RptDefID为报表ID;RptDIWidth为报表数据项宽;RptDICalcWay为报表数据项计算方式。

· 报表分组数据项集RPTGDI ={rptgdi1,rptgdi2,…,rptgdip};rptgdi1=(RptGIID,RptTplGIID,RptTplID,RptDefID,RptTplGIField),0<l<p+1。其中rptgdi1为具体的报表分组数据项,它包含的属性含义为:ptGIID为报表分组数据项ID;RptTplGIID为报表模板分组数据项ID;RptTplID为报表模板ID;RptDefID为报表ID;RptTplGIField为报表模板数据项字段。

3) 报表访问控制模板

RPTPERM=(ReportPermID,RoleID,ReportItemID,PermissionData)。其中:ReportPermID为报表访问控制模板ID;RoleID为角色ID;ReportItemID为报表项ID;ReportItemID={ RptTplID,RptDefID };PermissionData为访问控制资源,例如打印、浏览、导出等,是访问控制的最小单位。

3 报表设计器的映射关系

由上面的定义,我们得到如图2所示的关系。

对图2说明如下:

1) RPTTPL中的Tplj代表报表模板rpttplj,0<j<n+1;

2) RPTDEF中的小菱形代表具体的报表rptdefi, 0<i<h+1;

3) RPTTPLDI中的小圆圈代表报表模板数据项rpttpldij,0<j<m+1;

4) RPTTPLGDI中的小圆圈代表报表模板分组数据项rpttplgdij,0<j<k+1;

5) RPTDI中的小圆圈代表报表数据项rptdii, 0<i<s+1;;

6) RPTGDI中的小圆圈代表报表分组数据项rptgdil, 0<l<p+1。

从图2可知如下关系:

定义1 设函数g(rpttpldii)=rpttplj,其中rpttpldii∈RPTTPLDI,rpttplj∈RPTTPL。称满足上式的rptdii的集合为rpttpldij的模板映射数据项集,记为{rpttpldii}j,表示该集合内的报表模板数据项都属于报表模板rpttpldij。同理可定义模板映射分组数据项集{rpttplgdii}j。

定义2 设函数h(rptdii)=rptdefj,其中rptdii∈RPTDI,rptdefj∈RPTDEF,称满足上式的rptdii的集合为rptdefj的报表映射数据项集,记为{rptdii}j,表示该集合内的报表数据项都属于报表rptdefj。同理可定义报表映射分组数据项集{rptgdii}j。

定义3 设函数f(rptdefi)=rpttplj,其中rptdefi∈RPTDEF,rpttplj∈RPTTPL,称满足上式的rptdefi的集合为rpttplj的模板映射报表集,记为{rptdefi}j,表示该集合内的报表是依赖报表模板rpttplj产生的。

基于上面的定义,我们可得出该报表系统存在映射关系rptdii→rpttpldij,rptdii∈{rptdii}j,rpttpldij∈{rpttpldij}j且满足{rptdefi}j。同理存在映射关系rptgdii→rpttplgdij,rptgdii∈{rptgdii}j,rpttplgdij∈{rpttplgdij}j且满足{rptdefi}j。

4 RBCBRS应用实例

该框架模型在实际项目中已经加以应用,报表引擎采用如意报表引擎,开发工具为VS.NET2005,后台支撑数据库为SQL Server2000。该框架模型充分发挥了开发人员的专业性和用户的主动性,很好地满足了用户的需求。系统实际运行界面如图3所示。

5 总 结

由于报表设计的专业性很强,所以大多报表的设计工作都是针对开发人员而言的,动态定制报表的工作也大多有开发人员来做,用户在应用系统中用到的多数是格式固定的已经设计完成的报表。本文提出的报表系统试图寻找一种开发人员和用户都参与报表设计的模式,以此来充分发挥开发人员的专业性和用户的主动性。实践证明这种思路是可行的,它既减轻了开发商的维护压力又满足了用户对新报表的需求,取得了较好的效果。

参考文献

[1]金珊,步丰林.基于Web环境的报表设计工具[J].计算机工程,2004.

[2]饶上荣,白似雪,等.面向对象数据模型的表格模板规则设计[J].计算机辅助设计与图形学学报,2004.

[3]如意报表开发指南(深圳明宇科技公司文档).

[4]吴雷,袁兆山,等.B/S结构下复杂报表实现技术的研究[J].计算机应用研究,2006.

[5]杨小献,赵云娣,等.基于规则的柔性综合统计报表技术[J].计算机应用研究,2005.