智能設計與不確定信息處理

《智能設計與不確定信息處理》旨在進行產品智能設計中的知識處理和不確定性信息處理方法的研究，試圖探索出一條對大多數機電產品的智能設計都具有一定適用性的途徑。《智能設計與不確定信息處理》討論了與現代產品設計理論有密切關聯性的產品設計過程知識建模方法，提出了新的設計過程模型和設計對象模型，並且綜合採用模糊理論、粗糙集理論、D?S證據理論、人工神經網絡、遺傳算法、聚類分析、模式識別等理論與方法討論了產品的設計、優化、評估、決策方法。同時以低壓電器產品及其子類——繼電器產品作為具體對象，驗證了這些方法的合理性和有效性。 ^[1] 

前言

第1章 緒論1

1.1 現代產品設計技術概述1

1.1.1 設計的本質與產品設計理論的發展1

1.1.2 現代產品設計方法及其核心內容3

1.1.3 產品設計的分類4

1.2 產品智能設計技術6

1.2.1 人工智能與專家系統6

1.2.2 機器智能的實現途徑7

1.2.3 智能設計與知識處理9

1.2.4 智能設計技術的發展14

1.2.5 智能設計面臨的困難16

1.3 產品設計中的不確定性16

1.4 本書討論的主要問題18

第2章 產品設計知識的分類與基本的知識表示方法21

2.1 知識分類21

2.2 基本的知識表示方法21

2.2.1 語義網絡表示法22

2.2.2 框架表示法24

2.2.3 產生式表示法26

2.2.4 過程表示法28

2.2.5 面向對象表示法29

2.3 廣義知識庫系統31

第3章 產品智能設計知識的建模34

3.1 產品設計過程知識模型34

3.1.1 已有的幾種產品設計過程知識模型35

3.1.2 基於設計模式的設計模型37

3.2 功能模式下的產品設計對象模型39

3.2.1 產品的三種設計模式39

3.2.2 功能模型的信息組成40

3.2.3 功能模型的BNF定義41

3.2.4 繼電器電磁系統功能模型的BNF描述43

3.2.5 功能模型的特點及其在智能設計系統中的組織形式44

3.3 參數化模式下的產品設計對象模型47

3.3.1 產品設計在參數化模式下所面臨的問題47

3.3.2 參數化模型的信息組成48

3.3.3 參數化模型的BNF定義51

3.3.4 一種設計問題求解策略和機器學習方法53

3.3.5 參數化模式下特徵模型的作用56

3.4 實例模式下的產品設計對象模型58

3.4.1 實例和實例模型的信息組成58

3.4.2 實例的數據結構示例59

3.5 功能模型、參數化模型和實例模型之間的關係61

第4章 設計對象的屬性集提取與屬性值獲取62

4.1 基於粗糙集理論知識約簡的產品屬性層次劃分62

4.1.1 樹的基本概念63

4.1.2 低壓電器產品的分類64

4.1.3 產品屬性層次劃分的目的65

4.1.4 產品屬性層次劃分的方法67

4.1.5 關於產品屬性層次劃分的幾點説明73

4.2 產品屬性的權重分配73

4.2.1 屬性權重的類間標準差分配法74

4.2.2 顯性權重的概念75

4.2.3 隱性權重的概念78

4.2.4 產品屬性的綜合定權法79

4.3 產品標準模型的建模81

4.3.1 基於ISODATA聚類法的標準模型建模方法82

4.3.2 標準模型庫的構建方法88

第5章 產品設計中的知識利用89

5.1 設計要求的分類和有關説明89

5.2 基於設計模式的元級推理和目標級推理90

5.3 基於設計模式的推理策略91

5.3.1 基於功能模型的推理91

5.3.2 基於參數化模型的推理97

5.3.3 基於實例模型的推理100

5.4 基於設計模式的設計任務規劃與控制106

5.4.1 設計任務規劃107

5.4.2 設計任務控制111

第6章 模糊貼近度的有關算法112

6.1 問題的提出112

6.2 證據理論簡介115

6.3 基於證據理論的廣義貼近度算法119

6.3.1 廣義貼近度算法的定義119

6.3.2 算法中幾種特殊情況的處理121

6.4 廣義貼近度算法的特點和意義122

6.5 廣義貼近度算法的應用125

第7章 產品的選型設計與概念設計127

7.1 概念設計與選型設計的定義127

7.2 產品選型設計的基本思想128

7.2.1 產品選型設計方法簡述128

7.2.2 選型設計的數學模型130

7.3 基於模式識別原理的產品選型設計131

7.3.1 模糊不確定性設計信息的處理132

7.3.2 模糊相似度的定義133

7.3.3 基於模式識別原理的產品選型設計方法134

7.3.4 模糊識別法在產品選型設計中的應用139

7.4 基於實例推理的選型設計139

7.4.1 CBR方法簡述139

7.4.2 實例的模糊匹配方法140

7.4.3 基於CBR的產品選型設計應用實例142

7.5 選型設計引導下的概念設計144

第8章基於規則的推理與不確定性的傳播147

8.1 基於規則的推理與規則匹配147

8.1.1 產生式規則的表達形式147

8.1.2 基於D?S證據理論的模糊規則匹配方法149

8.1.3 模糊規則匹配方法的應用實例151

8.2 基於規則的推理中不確定性的傳播152

8.2.1 模糊RBR中的不確定性152

8.2.2 複雜RBR模型及不確定性的傳播155

8.2.3 不精確邏輯下的RBR模型及其應用159

第9章 產品的優化設計163

9.1 優化問題及其求解方法概述163

9.2 混合遺傳算法的設計與無約束優化問題的求解165

9.2.1 混合遺傳算法設計166

9.2.2 混合遺傳算法的基本結構170

9.2.3 無約束優化問題求解實例仿真171

9.3 約束優化問題的求解與產品的優化設計174

9.3.1 懲罰函數的構造方法174

9.3.2 直流拍合式繼電器電磁系統的體積優化175

第10章 產品設計方案的綜合評估180

10.1 多目標多層次綜合評估指標體系180

10.2 多目標多層次模糊綜合評判模型182

10.2.1 模糊綜合評判的數學模型和評判過程182

10.2.2 模糊綜合評判中的幾個關鍵問題184

10.3 模糊聚類分析方法及其改進188

10.3.1 基於等價關係的模糊聚類分析法189

10.3.2 模糊ISODATA聚類方法193

10.3.3 關於模糊聚類分析的幾項説明196

10.4 基於D?S證據理論的綜合評估197

10.4.1 標準模型的建立197

10.4.2 模糊評語子集隸屬函數的建立197

10.4.3 基於D?S證據理論的綜合評估方法200

10.5 產品及其設計方案的模糊綜合評估202

10.5.1 基於模糊識別原理的綜合評估方法202

10.5.2 基於模糊識別原理的評估方法應用實例203

10.5.3 整批產品的模糊綜合評估204

10.6 關於綜合評估問題的幾項説明205

第11章 決策過程中不確定性信息的綜合處理207

11.1 產品設計中的各種不確定性信息207

11.2 對不完備性引起的不確定性信息的處理208

11.3 各種不確定性設計信息的綜合處理208

11.4 基於證據理論的決策方法應用實例213

第12章人工神經網絡在產品設計中的應用215

12.1 用於分類問題的人工神經網絡結構215

12.2 BP神經網絡的學習算法217

12.3 基於人工神經網絡的產品選型設計方法219

12.4 基於人工神經網絡的模糊綜合

評估方法220

參考文獻222 ^[2]