遗传算法产品设计论文

2022-04-18

摘要：随着通信网络技术的飞速发展，系统的可靠性的越来越受到人们的重视。智能化的大容量光纤传输系统和高速的交换技术已经得到了广泛的应用，越来越多的企业集中于使用更少的节点和线路，有效提高计算机网络通信的效率。本文主要就遗传算法的计算机通信网络可靠性的优化进行研究，有效提高计算机网络通信的安全性和可靠性。以下是小编精心整理的《遗传算法产品设计论文(精选3篇)》，仅供参考，希望能够帮助到大家。

遗传算法产品设计论文篇1：

基于成组技术的遗传算法求解第Ⅱ类装配线平衡问题

摘要：个性化需求的出現，致企业多品种、小批量的装配线平衡出现失调问题。针对第Ⅱ装配线平衡问题，分析成组技术与最小节拍的对应关系，结合成组技术、遗传算法建立数学模型，按照遗传算法进行编码、译码、构造适应函数。成组技术问题是组合优化问题，而遗传算法正是目前求解组合最优化的有效方法之一。因此，文章将成组技术与遗传算法相融合，提出了一种基于遗传算法的工序成组方法。

关键词：第Ⅱ类装配线；遗传算法；负荷平衡；成组技术

Key words： class Ⅱ assembly line； load balancing； genetic algorithm； group technology

0 引言

对于日新月异的社会发展，随之企业的装配线负荷平衡就成为瓶颈问题。装配线的失衡会严重造成企业生产效率大大降低，装配线负荷平衡可以有效解决工人、机器等待问题，并使工作站之间负荷均衡，以保证生产效率的提高。从根本上讲，装配线平衡就是组合优化问题，但是该问题涉及到产品设计研发和制造过程，这也就决定工作站先后顺序以及作业元素逻辑关联。市场需求多样性的变化对装配线的柔性要求增强，但在实际生产过程中由于工序的排列不合理、工作站负荷不均衡等一些因素导致装配线不能顺畅进行。针对装配线平衡目标的不同，单一型装配线平衡分四种：第Ⅰ类：已知装配线节拍C，优化工作站数N；第Ⅱ类：已知装配线工作站数N，优化节拍T；第Ⅲ类：已知装配线工作站数N，优化均衡指数SI；第Ⅳ类：已知装配线工作站数N，优化相关指数SN。

装配线平衡（Assembly Line Balance，ALB）是个组合优化问题，属于典型的NP-hard问题，到目前为止没有公认的最优算法。Salveson[1]首次提出ALB的线性规划模型；Dooyoung[2]采用0-1整数规划同时优化装配线工作站节拍问题；Tonge[3]提出了一种启发式算法优化装配线；Rubinovitz[4]等人研究了结合启发式算法的装配线平衡的遗传算法。不过上述算法多为理论值，没有完全结合实际状况，导致可信度差；采用单纯的遗传算法（Genetic Algorithm，GA）优化装配线平衡问题，因不满足实际约束的可行解使最优解不可行。

本文提出了一种结合成组技术的遗传算法来优化第Ⅱ类装配线的数学模型，运用工序成组结合传统的遗传算法，既保留了原始遗传算法的空间搜索能力又仅在可行解空间搜索。本文针对第Ⅱ类装配线采用该方法进行优化。

1 遗传算法

遗传算法（GA）是Holland受自然界生物进化论启发而提出来的，它是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局化概率搜索算法。随着GA的开启可以克服启发式方法的规则困难，同时提出了一种新的有效决策支持工具，而之前启发式方法的产生主要是因为现实建模的需求但没有万能的启发式规则。GA依一定的概率进行全局搜索，并且可以较大概率求得最优解，GA过程中的适应度函数的选择，编码和译码规则对装配线平衡都有影响，鉴于此本文采用工序成组的非标准遗传算子，保证解的可行性，同时采取最优策略避免最优解的丢失，其可定义为8元组[5]：

GA=（C，E，P ，M，Φ，Γ，ψ，T），T）（1）

上述式中8元组依次表示个体编码方法、适应度函数、群体范围、选择算子、交叉算子、变异算子、终止条件，本文处理每个单元的规则将结合装配线实际情况具体操作。

2 设计装配线遗传算法模型

装配线平衡（ALB）问题的研究就是产品装配过程中每个工作站工序的分配，使其作业元素按照一定的装配操作顺序进行装配，运用遗传算法（GA）就是每个工作站的工时接近节拍T或者差距最小。因此分配工序任务时需要降低工作站之间的空闲时间，平衡其作业时间。在运用GA时需要结合实际约束，这些约束用数学表达如下：

（1）S ∪S ∪…S =D k=1，2，…，m；——工作站中工序的约束。

（2）S ∩S =φ i≠j；i，j=1，2，…，m；——工作站之間工序的约束。

（3）TS ≤T k=1，2，…，m；——工作站时间与节拍的约束。

（4）若M =1， i∈S ， j∈S ，则x≤y， M=M 为优先矩阵；——工序顺序约束。

D表示工序集合，M表示工作站数k=1，2，…，m，S 表示第i个工作站工序集合。上述为装配线基本约束，目标一般就是衡量装配线的指标，尽量减少工作站之间的空闲时间，最终达到每个工作站总工时均衡，提升生产效率。

2.1 成组工序的装配线遗传算法模型

本文主要针对成组工序的第Ⅱ类装配线平衡问题进行研究[6]，运用成组技术将工序集中分类安排，使节拍T最小化，工序相似度最大，提高装配线效率。用数学模型描述该装配线问题如下：

w 为某一个工序的某一特征的权重系数；x为工序代号；k为零件的特征要素数，k=1，2，…，s；i，j为待分类的工序数，i，j

=1，2，…，m；针对工序成组特征本文选取5M1E（人，机，料，法，测，环）六个方面，每个特征方面依据工艺及工作站要求赋予权重。权重系数反应每个工序之间的相似度，需要满足归一条件，即∑wx =1k=1，2，…，6。余弦值越接近1，就表明夹角越接近0度，也就是两个工序越相似，夹角等于0，即两个工序相等。

2.2 编码

遗传算法的优化结果受编码规则的影响，在实际装配线生产过程中约束较多，一般的二进制编码会影响整个算法的每一步，因此在这里并不适用，所以需要选择特殊的编码方式。针对装配线平衡问题，由于受装配线工序先后顺序以及工艺设计的约束，所以可用装配工序图表示现有的流程制造。图1是某装配线的工序流程约束图，连接点的弧表示工序顺序，节点上方数字表示工序时间，装配线的排列顺序也就是成为一种优化组合问题，使工序先后逻辑顺序编码符合实际约束更为简单[7]。在排列工序时应结合成组技术，按照工序的相似度进行配列，最大可能分配同一个工作站，提高装配线作业效率，降低工序之间的空闲时间。因此，本文采用工序成组的方法对染色体进行编码，每个工序对应一个基因，每个工作站对应一段基因位，按顺序排好。图2为图1工序约束图下的一个染色体。每个工作站的总工时不能超过节拍T。

2.3 译码

编码后的染色体要按照一定的规则进行译码，该过程是将工序编码表示的染色体（成组工序）中的每个基因（工序）顺序分配各个工作站。在工作站给定的情况下，依据染色体中工序号顺序最小化节拍T（最大化生产效率P）和工序的相似度最大[8]。首先在给定满足工作站数的条件下，依照染色体的工序号，运用模糊聚类分析法——夹角余弦法对每个工序进行分类，再依据给定的工作站数以及工艺要求进行分配，然后依据工作站上所分配工序求其时间。在此过程需要满足以下条件：

（1）每个工作站的工时不能超过节拍时间，即TS ≤T；

（2）一个工序只能分配一个工作站；

（3）考虑到节拍的约束，若一个工序不能被分配到工作站，但该工序的紧后工序可以分配，则该工序优先分配到工作站。

在译码过程需要借助平衡指数SI= 来衡量成组工序分配情况，即∑s 值的合理性。

2.4 适应函数的构造

由于该适应函数是求极大值的过程，但是平衡指数是极小值问题，因此需要进一步转化SI也为极大值。本文借助指数函数构造适应函数如下：

fi= +e

其中：SI= ，因此就有指数函数越小，相似度越大，节拍越小的染色体使适应函数越大。

2.5 初始群体的选取

为保持最优解的可行性和计算结果的精确性，本文采取的可行解都是在装配线可操作的工序条件下进行筛选。因此依据工序流程图采用图论中随机拓扑排序方法生成初始群体，具体步骤如下：

（1）使当前初始化染色体序列为空；

（2）随机从工序流程图中选择一个无紧前工序安插在当前序列尾部；

（3）在图中删除该节点以及所连接的边，若已无节点则输出当前作业序列，否则转（2）。

成组工序顺序的输出是建立在装配线实际情况之上，可排列组合出新的成组工序，并生成初始群体。

2.6 选择策略的确定

因需要适应值较大的个体保留在群体中，本文采用确定式采样选择方法（Deterministic Simpling）。其具体操作过程如下：

（1）群体中每个个体在下一代中期望生存数目N ： N =M i=1，2，…，M。

（2）用N 的整数部分 N 确定每个对应个体在下一代群体中生存数目，其中 N 表示取不大于x的最大整数。由该步可确定下一代群体中的∑ N 个个体。

（3）按照N 的小数部分对个体进行降序排列，顺序取前M-∑ N 个个体加入到下一代群体中，至此完全确定出下一代群体中的M个个体，保持总的群体数量不变。

上述的选择方法保证了较大的适应群体被保留，避免最优解流失，也就是最优的可行性解的保留。

2.7 交叉和变异准则

单点交叉算子（One-point Crossver）：它是指个体编码随机选取某个交叉点，然后互换该点后的部分染色体，是一种最常用和最基本的一个交叉方式。由于初始群体是可行解，经过单点交叉后产生的新一代个体也是可行解。初始群体具体操作方式如下：

（1）初始群体中随机选取两个进行配对。若该群体数量为M，则有 M/2 对进行配对；

（2）对于每个相互配对的个体，随机设置某基因后的位置为交叉点。若染色体长度为n，则共有n-1个交叉点数[9]；

（3）依据设定的交叉率（一般0.4～0.99）进行交叉互换部分基因，从而产生两个新的个体。

用上面两个染色体说明单点交叉操作，随机选取交叉点：position 1=5，产生的新个体见图3。

基本位变异算子（Simple Mutation）：依据变异率p 对当前染色体上基因位进行变异操作，本文为保证可行解的持续，采用位移变异方式。随机选择一个关系进行变异操作，将其插入约束条件下的任意位置，而它的紧随工序按照原来的顺序排列，这也就保证了变异后的可行解持续性[10]。取工序6进行变异，将其插入第十个位置，则8，10，7，9工序向前平移一个位置，工序11位置保持不变。具体操作过程如图4：

2.8 终止代数

鉴于本文工序数目较少，终止代数取100，即进化100代后结束运算。

3 实例分析

基于第Ⅱ类装配线结合遗传算法的叙述，本文采用仿真软件Matlab2016a基于处理器为Intel（R）Core（TM）i5-4256U/2.4GHz，操作系统为64位四核window10平台进行模拟，交叉概率0.8，变异概率0.2。选取一条十一个工序四个工作站的装配线为例，其总工时为46s，优化结果如表1至表3：

目前装配线平衡率P =P =P = =95.83%；minT为11S；均衡指数SI = =1.4；SI =SI

= =2即SI

4 结束语

针对第Ⅱ类装配线工序相关因素（5M1E）分析，提出了成组工序的作业序列，在此基础运用遗传算法。该方法既保留了原有的GA遗传算法搜索能力，又依据实际情况选择初始群体和构造交叉算子、变异算子，重要的是只在可行解范围内进行搜索最优可行解。交叉算子一般取0.4～0.99，变异过程中算子的随机选取范围0.3～0.5。在适应度函数方面考虑了各个工序之间的相似度和装配线的平衡率以及平衡指数，可以用来比较不同工作站内工序相似度，增加工序的聚集度，提高工作效率。由于本算法中的相似度根据5M1E需要赋予相应的权重，该过程会涉及到主管因素，所以在结果上会产生差异性，结合实例可见该算法以及相关指数还是取得相对满意的结果。本文的成组工序遗传算法的提出，为提高装配线效率和改进装配线技术提出了参考依据。

参考文献：

[1] Salveson M E. The assembly line balancing problem[J]. Journal of industrial Engineering， 1955，6（3）：18-25.

[2] Dooyoung Shim， Hobey Min. Flexible Line balancing practices in a just-in-timeenvionment[J]. Production and inventory management Journa1， 1991（4）：38-41.

[3] Tonge F M. Summary of a Heuristic line balancing Procedure[J]. Management Science， 1960，7（11）：21-42.

[4] Levitin， Rubinovitz， Jacob， et al. A genetic algorithm for robotic assemblyline balancing[J]. European Journal of Operational Research， 2006，168（3）：811-825.

[5] 周明，孫树栋. 遗传算法原理及应用[M]. 北京：国防工业出版社，1999：19-20.

[6] 皮兴忠，范秀敏，严隽琪. 用基于可行作业序列的遗传算法求解第二类装配线平衡问题[J]. 上海交通大学学报，2005，39（7）：1123-1127.

[7] 朱会霞，王福林，张勇，等. 改进遗传算法优化非线性规划问题[J]. 数学的实践与认识，2013（7）：117-125.

[8] 梁燕，金烨. 基于工位约束快速启发式算法的混合装配线分段优化[J]. 上海交通大学学报，2007，41（9）：1501-1505.

[9] 鞠彦兵，李桂芬，王爱华. 基于遗传算法的车间作业计划仿真研究[J]. 数学的实践与认识，2006（10）：79-85.

[10] 吴君华，夏巨谌，曹山河. ALB问题的数学模型及其优化算法的研究[J]. 系统学报，1999，11（5）：358-361.

[11] 王丽颖，孙丽，王秀伦. 基于虚拟工序的小批量工序质量控制方法研究[J]. 计算机集成制造系统，2006，12（8）：1263-1266.

[12] 郭胜会，杨育，邢青松，等. 基于联合作业序列的遗传算法求解第二类装配线平衡问题[J]. 机械，2011，11（38）：42-47.

作者：高振豪苏贵影余燕尾

遗传算法产品设计论文篇2：

基于遗传算法的计算机网络可靠性优化设计

关键词：遗传算法；计算机网络；可靠性；设计

1 计算机网络可靠性的概述和特点

1.1 计算机网络可靠性的概述

计算机网络的可靠性来完成按照系统的指定时间和范围，完成任务的概率的能力。网络安全的计算机网络可靠性优化设计是一个最基本的要求，如果网络安全得不到有效的保障，计算机网络事故就会发生，甚至造成重要文件的丢失，从而还会造成更大的损失。目前，用来衡量计算机网络的可靠性可以分为四类：计算机网络的连通性、抗破坏性、生存和软硬件在多模式的工作环境下的稳定性。许多计算机用户和开发者基本上都是集中对硬件可靠性研究，计算机网络的可靠性可以采取一种概率映射网络模板进行分析，计算机网络模型概率可以使人们能够意识到计算机网络的问题，提高计算机网络可靠性优化设计，从而能够更加有效地管理硬件和软件功能的实现，并能给每个用户终端提供可靠的链路。在计算机网络可靠性领域应测试范围很广，你可以找到许多故障和事故，并且解决这些问题，提高软件可靠性。了实现见算计网络的可靠性，可以开发高可靠性的元器件，并且采取合理措施，提高计算机网络通信的效率。

1.2 计算机网络可靠性的特点

在计算机网络技术是计算机应用领域中的一项重要的技术。计算机网络是一个系统工程，它是计算机技术和通信技术的有机结合，在不同地区和不同地理区域能够进行数据处理和数据通信连接，并且把一些具有独立工作能力的计算机联系起来。计算机网络的可靠性的特点如下：（1）从结构和产品设计管理进行有效的分析：计算机网络可以在不同的网络协议和环境下实现网络互连，不同的软件和硬件环境下进行工作，从而实现真正的资源共享、分布式处理和数据通讯网络，从而形成一个开放式体系结构；（2）高性能：可靠性是计算机网络安全的一个重要的的要求，计算机对高可靠性不断追求，计算机网络具有高速和高安全性，利用先进的多媒体技术的使用提供综合服务的文字，声音，图像。综合处理计算机的信息；（3）智能化：计算机网络的智能化可以提高多功能服务和网络集成的多方面性能，促进软、硬件管理和开展各种商业网络技术的应用。还可以根据分布式和开放式给用户提供真正的服务，同时可以实现更高的性价比。

2 遗传算法的概述和特点

遗传算法是一种基于自然选择，能够进行全局随机搜索的算法，这种算法可以把计算机问题可以看成完整的种群，然后将这个种群进行分解，最后再独立解决这些小问题。遗传算法可以在整个空间内随机搜索，依据一定的评价策略来进行有效的评估，还要连续使用选择、交叉和变异这些遗传算子，使得问题不断变化，直到找到了最优解”

遗传算法的控制参数主要包括：种群规模、交叉、突变率和其他一些算法参数，这些参数的有效选取是实现最终的算法优化的一个关键步骤。目前，一般采用大量的测试方法来确定这些参数。遗传算法是具有以下的特点：

（1）在一般情况下，遗传算法的操作对象是一些参数编码，而不是参数本身，这样就能够避免一些约束的条件，并能够扩大了算法的适用范围；（2）遗传算法可以进行多点并行搜索，而不是在一个单点进行搜索，可以有效地防止搜索过程的局限性，实现全范围的搜索；（3）遗传算法评价策略取决于目标函数和适应度函数的值，和一些辅助信息和辅助知识没有很大的联系，从而减少了对问题的依赖性；（4）遗传算法的优化原则不是一种概率转换规则，而是按照非确定性规则，以引导搜索到全局的最优解。

3 遗传算法在计算机网络可靠性设计中的优化措施

3.1 遗传算法能够优化计算机网络的运行过程

遗传算法是一种能够有效解决最优化问题的算法。在计算机网络中的应用，可以随机和自适应来进行优化，这种算法解决问题的方案是求解染色体的优胜劣汰过程，通过各个染色体组历代不断演变，包括复制、交叉和变异，最后收敛到能够适应环境的染色体，从而找到最优解或满意的解决方案。遗传算法能进行全局搜索，发展系统中存在的问题，这样能够避免出现一些遗漏。遗传算法能够提高计算机网络的运行效率，还可以有效搜索出计算机网络中存在的一些问题，采取有效的措施来解决这些问题，提高计算机网络的可靠性。

在遗传算法有一种可行解的编码方法，遗传算子的设计需要重点考虑两个主要的问题，才能够有效构建遗传算法，并且提高计算机网络的可靠性。特定的遗传算法对不同的优化问题需要进行不同的编码和利用不同的遗传操作算子，具体的问题需要具体分析，所以还要加强对可求解的的理解，这是遗传算法应用成功的一个关键因素。遗传算法采用科学颗粒的编码方式，从而提高计算机网络的运行效率，有效保障信息传送和储存的安全性和可靠性。

3.2 加强网络层次结构的设计

在计算机的网络结构中，采用先进的网络结构和体系结构，能够保持计算机网络的最佳状态。遗传算法能够促进这种层次结构设计的优化，具体措施包括：（1）接入层：接入层是计算机网络的一个出发点，允许使用以后进行接入点，它可以有效控制用户网络的数量，还可以提供对计算机网络的宽带交换，实现计算机网络的高效性和稳定性；（2）分布层：计算机网络需要分层进行分布，分布层是计算机网络核心层之间的边界，它也是计算机网络接入层和核心层之间的一个明确的界限。这层VLAN有一定的聚合特性；能够访问每个用户的计算机，对计算机的网络功能的进行有效控制，这是计算机网络安全认证模型，可以提高计算机网络的工作效率，有效保障网络通信和数据传送的安全性。

3.3 提高计算机网络的结构体系的设计

为了能够有效使得计算机网络的可靠性得到提高，计算机网络体系结构的设计需啊哟按照相关的设计规范进行操作。自上而下进行接地，这种接地方式能够有效实现网络操作层、网络控制层，网络操作系统和网络硬件四层结构之间的联系。这种结构设计有：（1）网络操作层：即计算机的决策支持系统，还是教学、科研、办公自动化系统，能够有效实现用户的网络功能；（2）网络控制层，即为数据库进行服务，为用户提供网络层服务；（3）网络操作系统，即软件平台和NOS的软件，Windows，NT、UNXI等各种软件，能够支持计算机网络的操作；（4）网络硬件层，包括服务、，客户端、互连协议、通信信道、拓扑结构和一些互连设备组成网络的硬件层。这四层体系能够促进计算机网络的可靠性操作，提高网络通信的安全性。

4 结束语

计算机网络是当今世界的一项主流技术，社会各界已经引起了足够的重视。根据遗传算法来进行计算机网络的优化设计，能够加强计算机网络管理的可靠性，在应用中进行创新，不断提高计算机网络的安全可靠性。社会在不断的进步，对计算机网络的可靠性的研究也要不断深入，这样有助于促进我国计算机网络的设计水平，提高计算机网络的安全可靠性。

参考文献：

[1]张子木.基于遗传算法的计算机通信网络可靠性分析及优化[D].北京邮电大学，2009.

[2]符军.基于遗传算法的计算机通信网络可靠性分析及优化[J].才智，2009（12）.

[3]刘强.基于遗传算法的通信网络可靠性优化设计[J].海军工程大学学报，2009（06）.

[4]邓小刚.计算机网络可靠性优化设计研究[J].计算机光盘软件与应用，2013（24）.

作者单位：河南司法警官职业学院，郑州 450011

作者：孙博

遗传算法产品设计论文篇3：

融合遗传算法与感性工学的苗族聚落民居设计

摘要：为了提高聚落民居外观设计意象风格的一致性，本文提出融合遗传算法与感性工学的聚落民居设计方法。通过模块化思想将聚落民居外观组成元素分解并编号，通过里克特量表获取聚落民居的意象特征，使用随机森林回归构建意象与造型模块间的映射关系，分析聚落意象特征以获取设计目标，以意象特征明确程度为约束条件，通过遗传算法快速生成多个具有相似意象的外观模块组合，从而产生新的聚落民居外观设计方案。苗族民居建筑验证了本文方法的可行性。结果表明，通过该方法生成的多个外观设计方案意象倾向统一、特征明显，能够提高聚落民居设计的效率，同时保证了聚落中民居意象特征的统一。

关键词：聚落;民居设计;苗族民居;感性工学;遗传算法

0 引言

传统聚落是在特定的自然条件下，按照一定的组织规律形成的生产生活居所，蕴含丰富的文脉价值[1]。随着社会对传统文化重视程度的提高，人们对传统聚落的关注度逐渐提高，传统聚落建筑的设计也开始受到人们的重视。

为了通过建筑设计保护传统聚落的文脉价值与地域特色，学者周颖悟等[2]提出保护乡土风貌和民族建筑、新旧景观肌理统一、新老空间均质化等举措;学者朱玉凯等[3]提出以突出地方性为核心、建设选材本地化等方面的景观设计与规划举措;学者赵烨等[4]将性能化设计思路引入传统聚落保护中，从确定目标、分级保护、规划措施三个方面对传统聚落规划进行了分析。这些研究重点分析了聚落现有建筑与开发的紧密关系，并从宏观角度提出了相应的开发措施。可见，将现有聚落特征融入新增建筑的设计过程当中，使新增建筑與已有聚落风格相统一，对保留聚落民居的地域特色和文化价值非常重要。

随着建筑工业化的推进[5]，将现有聚落特征融入新增建筑的设计过程的研究日益丰富。例如，学者孙琳[6]结合形状文法和纹样重用方法，实现了面向用户需求的木制民居装饰构件方法，进而开发了木制民居装饰构件矢量定制系统;学者汪伦杰[7]通过可拓符号学将苗族、侗族的文化符号应用于民居部件的创新设计中，并开发了木制民居快速造型系统;学者单军军等[8]以黔东南木制民居构建为研究对象，通过对设计特征进行可拓表征并借助发散树构建思维发散模型辅助产生设计方案。但是，上述研究大多聚焦于民居的局部设计方案，缺乏对聚落中多个建筑组成的整体的风格意象的分析，容易造成聚落建筑意象风格不统一的问题。

为了使传统聚落中民居的风格意象更加统一，凸显其地域性风格与文化价值，本文针对聚落民居设计中的风格统一问题开展研究，提出融合遗传算法与感性工学的苗族聚落民居设计方法，试图使聚落民居的设计方案匹配当前聚落的风格，为实现具有统一意象的聚落民居设计提供支持。

1 苗族聚落民居外观设计流程

本文通过感性工学方法分析木制民居整体风格意象与建筑模块间的映射关系，针对现有苗族聚落的风格意象，通过遗传算法生成多个具有相似意象特征的木制民居设计方案。首先，基于感性工学方法，采集聚落民居样本，通过用户访谈获取民居样本的代表性感性意象词汇，将民居样本分解为建筑造型模块并进行编码，进而分析感性意象词与造型模块之间的映射关系;随后结合遗传算法，对现有聚落的影像资料进行调查以获取现有聚落的意象特征，将生成的民居设计方案的意象特征与现有民居的意象特征的关系作为约束条件，结合遗传算法生成满足意象需求的设计方案。

2 苗族民居造型编码分解

2.1 模块层级划分

通过对黔东南郎德上寨进行考察，选择其中30个结构完整、风格明显的苗族木制民居，构建三维模型对其进行数字化还原，将其作为分析样本。

为了实现计算机辅助的民居建筑设计，需要将民居建筑的组成元素分解为建筑模块。苗族民居建筑大多为穿斗式干栏木楼，房屋架构类型相似，模块间的多样化、个性化组合，能够有效满足不同的意象风格需求，同时可以降低成本、提高效率[9]。因此，本文以满足意象风格需求为目标，结合面向设计的部件模块化方法[10]，对民居的设计过程进行设计部件模块化，在保证模块独立性和替代性的同时，兼顾模块的拓展性。

结合苗族木制民居的外观特点，根据模块粒度适中原则，结合文献[11]，将苗族木制民居建筑模块分为布局结构、组成部件、零部件，将其作为一级模块;随后，对一级模块进行细分，形成二级模块;最后，对二级模块进行分析，将主要设计特征归类，形成三级模块。

2.2 造型模块编码

根据元素间的层级关系，分析提取常见的建筑设计特征模块并编号，如表1所示，并在此基础上提取样本的造型特征编码。本文按照表1对样本进行分析，使用11位数组来表示建筑样本的模块化编码，通过每一位上的数字表示相应的二级模块造型，从而实现样本模块编码。样本编码部分结果如表2所示。

3 意象风格与造型模块间映射关系的构建

3.1 目标意象确定

首先通过访谈，获取了12个感性意象词。从考察过程中拍摄的其他苗族木制民居影像中选取了10个作为问卷样本，基于五点里克特量表设计感性意象词调查问卷，对问卷结果进行因子分析，将感性意象词分为3组，并从每组中选取一个词作为该组的代表性词汇，参与进一步分析，最终选取了牢固、民族、简洁作为代表性词汇。

3.2 倾向获取

使用代表性词汇，结合苗族木制民居样本，基于调查问卷，获得被试人员对民居样本的意象偏好信息。将某一样本在同一感性意象词汇上的评分均值作为该样本在该感性意象上的得分，从而获得样本的感性意象参数。本研究邀请了26名设计学专业研究生参与问卷调查，共收到有效问卷21份，部分结果见表3。

3.3 关联关系分析

本文中建筑模块参数较多，难以确定建筑模块参数与感性意象参数间的关系类型。随机森林回归是一种基于决策树分类器的融合型算法，对输入变量之间的关系不敏感，能够处理非线性映射关系，且不需要对输入参数进行特征选择[12]，因此本文使用决策树回归作为造型模块与感性意象间映射关系的构建方法。设定随机森林回归模型中每棵回归树的最大深度为4，回归树的数量为30，将样本中70%的数据作为训练集，30%的数据作为验证集，以均方误差值作为评价指标，得到牢固、民族、简洁三个目标感性意象的均方误差分别为0.3183、0.4213、0.1824。结合问卷参数设置进行分析，三个回归树模型的均方误差较低，通过随机森林回归构建的映射模型较为可靠。

4 基于遗传算法的聚落外观设计

遗传算法是一种基于生物种群进化思想进行问题求解的优化算法[13]，能够快速获得解空间中的全体解[14]。在聚落民居设计方案的生成过程中，将设计方案作为种群个体，将设计方案的感性意象参数作为判断个体适应能力的标准，将感性意象之间的差异程度作为约束条件，通过遗传算法获得具有较强适应性、满足约束条件的个体，从而获得具有较为明显的感性意象倾向的设计方案。

4.1 目标意象获取

为了使聚落中的新增民居建筑的意象特征与聚落现有意象特征相匹配，需要确定当前聚落所具有的意象特征，并将其作为设计目标意象。将黔东南郎德上寨作为有新建筑需求的聚落，結合调研照片资料，设计里克特量表以调查聚落在牢固、民族、简洁三个感性意象上的倾向。邀请6名具有3年以上建筑设计经验的设计师参与问卷调查，得到三个意象词的得分分别为0.5000、1.3333、0.1667，可见民族意象的得分最高，感性意象最为突出，因此确定新建筑的目标意象为民族。

4.2 遗传算法参数设置

将设计方案的造型特征编码视为个体的表现型，并将其表示为染色体。本研究采用二进制编码方式对表现型进行编码，使用3位二进制串表示一个设计特征。

为了使遗传算法最终生成的设计方案的感性意象特征更加明确，需要判断遗传算法中个体感性意象的明确程度，进而对遗传算法运行结果进行控制。由于感性意象均采用相同的量纲进行计算，感性意象参数能够反映个体在相应感性意象上的倾向。当不同感性意象的参数相近时，个体在相应的感性意象上具有相近的倾向;当不同感性意象的参数相差较大时，个体在相应的感性意象上的倾向具有较大的差异。因此，可以通过计算个体的感性意象参数之间的差值，并设定差值的最小值作为约束条件，判断是否具有突出的感性意象。计算公式如下：

其中，表示违反约束的程度，为设计方案的第个意象维度上的评价值。若为0，则表示在设计方案的感性意象评价值中，最大值与最小值相差大于1.5，意象突出，满足约束条件;否则，的值越小，说明感性意象参数值的最大最小值之间的差异越小，设计方案的目标意象明确程度越低。

4.3 外观设计参数生成

设定设计目标意象为民族，设定遗传算法的种群规模为50，设定交叉概率为0.7，变异概率为1，通过3.3节中构建的随机森林回归模型计算个体表现型的感性意象参数，将其中民族意象的倾向值作为遗传算法的目标函数值;同时，结合个体表现型的感性意象参数计算结果，根据上式设定约束函数。为了避免因进化代数过多导致方案趋同，设定进化代数为50，完成进化后，去除重复方案，选取其中目标函数值较高的3个方案，结果如表4所示。

4.4 民居设计与验证

根据表4中生成的各造型模块的特征编号，结合表1转换为对应的建筑设计模块，由设计师根据建筑设计模块形成苗族聚落民居建筑设计方案，结果见下图。

为了验证设计方案是否满足聚落民居设计的风格意象目标，通过五点里克特量表设计问卷，邀请12名设计学专业学生参与调查，共收回有效问卷12份。根据问卷结果，在牢固、民族、简洁三个意象上，设计方案1的意象参数分别为0.2500、1.4167、0.4167，设计方案2的意象参数分别为0.3333、1.5833、0.1667，设计方案3的意象参数分别为-0.4167、1.7500、-0.5000。可见，各个设计方案在感性意象民族上的得分较高，说明设计方案能够较好地实现设计目标;在感性意象牢固、简洁上的得分较低，说明设计方案的风格意象较为集中。因此，通过本文方法获得的木制民居建筑设计方案与聚落民居设计目标较为一致，同时能够避免建筑设计方案所具有的其他风格意象对聚落民居设计目标产生干扰。

5 结语

针对传统聚落中新增建筑难以匹配现有聚落意象特征的问题，本文以苗族聚落的木制民居设计为载体，提出了融合遗传算法与感性工学的民居设计方法。通过实地调研和三维建模获取苗族木制民居样本并将其分解为建筑造型模块，使用感性工学方法获取意象词并分析意象与造型模块间的映射关系，通过分析当前聚落建筑意象特征并从中获取设计意象目标，使用遗传算法快速生成多个具有相似意象特征的木制民居设计方案的模块编码，实现对聚落民居设计的辅助。实验结果表明，本文方法生成的设计方案能够与聚落当前意象特征相匹配，意象风格明显，验证了方法的有效性。本文方法不仅提高了聚落民居设计与聚落意象特征的统一性，同时提高了聚落木制民居设计的效率，具有一定的价值与借鉴意义。

参考文献：

[1] 贾子玉，周政旭.基于三维量化与因子聚类方法的山地传统聚落形态分类：以黔东南苗族聚落为例[J].山地学报，2019，37（03）：424-437.

[2] 周颖悟，李奕佳，方赞山，等.贵州西江苗寨聚落改造中传统特色与景观空间协调性研究[J].热带作物学报，2017，38（03）：580-586.

[3] 朱玉凯，牛春舟.东北乡村聚落景观设计中地域性的物质化构建[J].文艺争鸣，2016（11）：221-224.

[4] 赵烨，王建国.基于形态完整性的传统乡村聚落规划研究——聚落性能化提升规划技术的应用[J].城市规划，2018，42（11）：33-40，53.

[5] 赵晗聿，廖琴.浅析传统民居建筑元素在木结构装配式建筑中的传承[J].建筑与文化，2018（06）：237-239.

[6] 孙琳.基于符号演化的木质民居装饰构件设计方法研究[D].贵阳：贵州大学，2018.

[7] 汪伦杰.木制民居快速造型设计研究及体验系统实现[D].贵阳：贵州大学，2018.

[8] 单军军，马丽莎，吕健，等.基于多维可拓感性工学的木制民居创新设计[J].包装工程，2018，39（10）：263-269.

[9] 韩卫国，苏颜丽，祁飞鹤.基于产品设计系统思维的家电产品模块化设计[J].包装工程，2017，38（10）：115-119.

[10] 周海媚，徐燕妮，张旭靖，等.服装款式模块化设计方法[J].纺织学报，2015，36（08）：104-109.

[11] 袁涛.基于案例推理的苗侗木制民居定制方法研究及应用[D].贵阳：贵州大学，2018.