虚拟现实环境下遗传算法在工业产品造型设计

李寅

摘  要： 虚拟现实环境下工业产品造型设计方向种类繁杂且多由人为操作，得到全局最优设计结果的速度不佳，因此，提出在虚拟现实环境下遗传算法在工业产品造型设计中的运用。通过层次化产品造型结构设计产品造型基因编码，利用适应度函数对个体进行适应值评价，确定编码个体适应度;由遗传算子支撑产品造型设计方案的进化，满足人工参与条件后在虚拟现实环境下由人工评估设计方案，直至产生用户满意的方案。实验结果显示，在相同条件下，基于遗传算法生成的工业产品造型设计结果较常规方法生成的设计结果少迭代410次，即可精确收敛到全局最优设计结果，表明虚拟现实环境下遗传算法在工业产品造型设计中收敛到全局最优结果速度更快，效果更佳。

关键词： 虚拟现实; 遗传算法; 遗传编码; 适应度函数; 工业设计; 产品造型设计

中图分类号： TN02?34                          文献标识码： A                           文章编号： 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

隨着科技快速发展，消费者对产品造型和功效的要求越来越高，不仅注重产品的使用功能，更追求视觉感官上的享受。为了响应快速发展的市场需求，利用虚拟现实技术辅助设计师完成产品造型设计是十分必要的。在传统产品造型设计过程中，主要是从产品功能出发，以提高产品表象形式为目的对其进行设计，包含产品的形态设计、产品的色彩设计、产品造型的质感等设计方面[1]。设计师需要首先以用户的需求为设计方向，利用自身设计经验分析产品的原理及性能，并设计出对应产品的基本结构、功能和形态等造型设计元素，主要依靠设计师的个人能力。单纯由设计师完成，难以保证设计工作的效率，无法满足产品造型设计快速开发设计的要求。

因此，利用遗传算法的高度并行、自适应性优势，对工业产品造型设计求解[2?3]。为了更好地结合用户需求偏好和设计师的经验，同时避免设计师的主观看法以及用户参与评估的过程较多，将虚拟现实和遗传算法相结合，通过交互式手段利用人工评估进行调整，以人工评估的方式替代遗传算法中的适应度值，得到结果最优解，既可以减少用户工作量，又可以提高产品造型设计结果的收敛速度。

1  遗传算法在工业产品造型设计中的运用

遗传算法可以同时处理多个设计目标，在一个工业产品造型设计过程中得到多个满意的产品造型设计结果。遗传算法在工业产品造型设计中的运用是以进化论和遗传学说为基础，对产品造型中的每个个体设计要素进行编码，再通过选择、交叉、变异算子进行基因的排列组合，直到生成满意的新个体。在进化过程满足一定条件后，进入人工评估阶段进行方案调整，若输出结果不是最优的，再进入计算机运行自然阶段，形成一个循环，直至生成最优设计方案[4]。由于计算机可以同时进行多个目标的并行搜索，因此，能提高产品造型的设计效率。基于遗传算法的工业产品造型设计流程如图1所示。

1.1  设计产品造型基因编码

在遗传算法运行中，使用浮点编码方式将实际可行解变量转变为个体编码，能够在确定规模的种群中表示更多的模式[5]。在初始种群中，产品形态、颜色等都可以表示成具体的层次结构数据，每一个功能单元均对应一个结构特征参数，每一个染色体均包含一系列特征参数集合。将可行解从解空间转换到搜索空间中，通过这种层次结构将特征浮点参数编码进产品个体中。用层次化染色体结构表示产品造型元素，如图2所示。

产品染色体的基因位为功能单元染色体，功能单元的染色体基因位是特征参数的染色体，功能特征参数由浮点值定义[6]。设定每一个产品造型设计元素的参数编码包括功能单元的名称、数量、形状特征、几何大小、产品颜色等。部分产品造型设计编码参数数据类型如表1所示。

在将编码参数导入计算机辅助软件之前，设计师需要从市场及概念设计中提取需要数据，按照上述层次结构进行数据的编码。不同产品对应的特征参数均不相同，这种差异化会影响遗传算法获得有效解[7?9]。因此，将编码数据的浮点值强制映射在相同有效范围区间内，使得每个对应基因位均在[0，1]范围，解决参数在不同范围上的问题。

1.2  确定编码个体适应度

在非人工评估阶段，也就是自然阶段，由目标函数变换得到适应度函数，对个体进行适应值评价。适应度函数为：

[F（x）=Cmax-f（x），       f（x）

式中：[F（x）]为适应度函数;[f（x）]为目标函数;[Cmax]为一个预设的相对较大的正数，以保证大多数解为正。设定种群平均适应度值为[FA]。

产品造型设计是一个多目标寻优的过程，实际过程中包含多种特征参数，对应产品不同状态。使用形态语义加权方法，根据设计元素在设计方案中的重要程度设定合适权重值，将用户语义与产品特征描述对应联系起来，反映设计个体在多方面的优劣程度[10?11]。对每一个设计元素进行调查，对调查结果取算术平均值，得到人工评估适应度值[FE]。

随机生成[N]个个体字符串，其中，[N]个个体作为初始种群大小，初始进化代数为[gen]，最大非人工进化代数为[GEN]。

1.3  产品造型设计方案进化

产品造型设计方案的进化由三种遗传算子支撑。从初始种群开始迭代，获得最初种群平均适应度后，选择适应度较高的个体两两配对，再经过遗传运算中的交叉、变异运算再生，得到新个体放入新种群中，重复此过程，直至新种群生成，在每一代运算后生成的新种群将替代旧种群[10]。交叉运算是在交叉概率[Pc]控制下，随机选择上一代种群中的两个个体进行交叉，由两个个体中适应度值较高的个体提供更多基因。变异运算首先设定初始变异概率[Pm]，[Pm∈0，1]。产生下一代种群后，比较两代种群中最优个体的适应度值，新种群最优个体小于旧种群最优个体适应度值时，将初始变异概率[Pm]增加0.05，否则，减少0.05，但始终保持变异概率在初始变异概率值与1之间。为保证将适应度值最好的个体保留到下一代种群中，用当前种群中适应度值最高的个体直接替代经交叉和变异遗传操作后产生的适应度值最低个体[12?13]。同时，如果上一代种群中的最优个体的适应度值高于当前种群中最优个体的适应度值，即用上一代种群中的最优个体代替当前种群中的适应度值最低个体。当算法运行生成新的产品造型设计方案，同时满足人工参与条件后，解码进入虚拟现实环境下参与人工评估阶段。

1.4  虚拟现实环境下人工评估设计方案

虚拟现实环境下人工评估阶段，主要是借助虚拟现实技术，由计算机主机进行控制，通过四维形式将储存在知识库和数据库的算法内容展现在虚拟场景中[14]，输出最终设计结果方案、图纸或造型给客户。虚拟现实设计结果输出流程如图3所示。

由人工评价是否生成了最优方案。设定设计产品评价目标为[u=（u1，u2，…，un）]，对应权重分别为[qi]，用矩阵表示为[Q=（q1，q2，…，qn）]，對产品各评价目标进行评分：

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

如果在人工评估阶段产生了用户满意的方案，那么停止算法运行，否则，转入自然阶段继续运行，并且剔除不符合设计要求的方案。

至此完成虚拟现实环境下遗传算法在工业产品造型设计中的运用设计。

2  仿真实验

设计模拟仿真实验，对比在虚拟现实环境下，利用遗传算法生成最优工业产品造型设计结果的收敛速度以及常规虚拟现实环境下生成设计结果的收敛速度。

2.1  实验准备及运行参数设定

使用Matlab软件的Global Optimization Toolbox优化工具箱，将算法运行在原有建模系统[15]中。根据设计师的经验预先设定遗传算法中的运行参数值，其中，包括最大/最小种群数、传迭代数范围、交叉概率以及变异概率等参数。遗传算法类型选择最优保存策略及精英策略。遗传算法所需部分运行参数如表2所示。

2.2  实验结果

以迭代次数为横轴，系统运行时间为纵轴，绘制算法收敛曲线如图4所示。

由图4可知，常规生成最优工业产品造型设计结果的收敛速度大约要经过700次迭代，而基于遗传算法的工业产品造型设计在迭代到290次时精确收敛到全局最优解。结果表明，在相同条件下基于遗传算法生成的工业产品造型设计结果的收敛速度更快，能更快速地收敛到全局最优解，提高了设计效率。

3  结  语

结合虚拟现实和遗传算法技术，在虚拟现实环境下执行人工评估阶段。用户可以更直观、方便地观察到设计结果，同时，设计师也可以发挥主观经验的积极作用，弥补常规设计方法的不足。由计算机自动完成设计方案的进化过程，发挥遗传算法全局搜索能力强的优势，向全局最优解逼近。另外，因为人工评估阶段是在满足一定条件后进行的，若未生成人工满意结果，则再转入计算机自然阶段继续运行，所以遗传算法的绝大部分迭代过程均是计算机自动完成的，可以有效减少人工参与次数，减轻用户工作量，从而避免迭代次数限制。加上人工评估过程是在虚拟现实环境下进行的，易于用户操作并且进一步减轻了用户工作量，完成了虚拟现实环境下遗传算法在工业产品造型设计中的运用。

参考文献

[1] 方平龙.浅谈工业设计中虚拟现实技术的应用[J].中国新技术新产品，2018（4）：69?70.

[2] 刘致远，王健.基于信息化背景下交互设计在工业设计中的应用[J].明日风尚，2018（9）：101.

[3] 吕钦.工业设计中虚拟现实技术的应用探讨[J].科技创新导报，2017，14（25）：115?116.

[4] 丁利敬.虚拟现实技术在工业设计中的模型应用研究[J].洛阳师范学院学报，2018，37（5）：66?68.

[5] 杨健，赵宏宇.浮点数编码改进遗传算法在平面度误差评定中的研究[J].光学精密工程，2017，25（3）：706?711.

[6] 杨从锐，钱谦，王锋，等.改进的自适应遗传算法在函数优化中的应用[J].计算机应用研究，2018，35（4）：1042?1045.

[7] 金仙力，李金刚.基于遗传算法的多目标路径优化算法的研究[J].计算机技术与发展，2018，28（2）：54?58.

[8] 李露，赵文龙，赵富强.基于遗传算法在线的调优控制系统设计[J].电子科学技术，2017，4（1）：37?42.

[9] 吴立华，白洁，左亚军，等.基于Matlab的遗传算法在结构优化设计中的应用[J].機电工程技术，2017，46（10）：44?47.

[10] 王玮，董健，门少杰.基于VR的传输设备工程设计系统的研究[J].山东通信技术，2019，39（1）：29?32.

[11] 苏建宁，康亚君，张书涛，等.面向认知主体的产品意象造型创新设计方法[J].现代制造工程，2018（6）：108?113.

[12] 张爱林，孙超.基于遗传算法的脊杆索穹顶优化设计[J].北京工业大学学报，2017，43（3）：455?466.

[13] 朱佳栋，苏少辉，陈昌，等.面向产品配置设计的改进交互式遗传算法[J].中国机械工程，2018，29（20）：2474?2478.

[14] 郑朝鑫，董晨，叶尹.基于遗传算法的3D动态实时建模方法[J].福州大学学报（自然科学版），2019，47（1）：24?29.

[15] 张岩，费广正.交互式遗传的3维场景扩展[J].中国图象图形学报，2017，22（5）：631?642.