基于多目标离散粒子群的产品服务系统方案配置规则提取

上海交通大学学报（自然版） ›› 2015, Vol. 49 ›› Issue (08): 1123-1130.

• 自动化技术、计算机技术 • 上一篇下一篇

基于多目标离散粒子群的产品服务系统方案配置规则提取

刘园1，张在房1，姚迪2，褚学宁3

(1.上海大学机电工程与自动化学院，上海 200072； 2.华东理工大学机械与动力工程学院，上海 200237； 3.上海交通大学机械与动力工程学院，上海 200240)

收稿日期:2014-07-16 出版日期:2015-08-31 发布日期:2015-08-31
基金资助:
上海市科技创新行动计划重点项目(13111102900)，国家自然科学基金项目(51205242,51075261)，上海高校优秀青年教师培养资助计划(B.37010912007)资助

Extraction of Product Service System Configuration Rules Based on Multi-objective DPSO Algorithm

LIU Yuan1，ZHANG Zaifang1，YAO Di2，CHU Xuening3

(1. School of Mechatronic and Automation Engineering, Shanghai University, Shanghai 200072, China; 2. School of Mechanical and Power Engineering, East China University of Science and Technology, Shanghai 200237， China； 3. School of Mechanical Engineering, Shanghai Jiaotong University, Shanghai 200240, China)

Received:2014-07-16 Online:2015-08-31 Published:2015-08-31

摘要/Abstract

摘要：

摘要：为有效辅助工程师将顾客需求转化为产品服务系统方案，针对其技术特征，提出一种离散粒子群优化算法（DPSO）与帕累托（Pareto）结合的配置规则提取方法.该方法包括建立产品服务系统配置规则模型及构造ParetoDPSO算法模型.ParetoDPSO算法基于Sobol序列的频率初始化方法及离散化粒子更新方式，将连续粒子映射到十进制离散空间；并利用Pareto进行多目标下粒子优劣性评价，以获取非支配的最优规则集.以汽车产品服务系统方案配置设计为例，经与常规多目标粒子群算法及DPSO算法对比，验证了该方法对于解决多维空间内产品服务配置规则挖掘的可行性及有效性.

关键词: 产品服务系统, 配置规则, 多目标优化, 帕累托, 离散粒子群优化算法

Abstract:

Abstract： To assist engineers to map customer requirements into technical characteristics of product service system effectively, a kind of rule extraction method combining DPSO with Pareto was proposed. The method includes establishing the model of product service system configuration rules and constructing the model of ParetoDPSO. In ParetoDPSO, continuous particle was mapped into a decimal discrete space using the frequency initialization method based on Sobol sequence and the particle discrete update method; Pareto was used to obtain the optimal set of rules by evaluating multiple target functions. By comparing with OMOPSO and DPSO, the feasibility and validity of the proposed method was verified by applying in the example of automotive product service system configuration design.

Key words: product service system, configuration rules, multiobjective optimization, Pareto, discrete particle swarm optimization (DPSO)

中图分类号:

TP 391.7

刘园1，张在房1，姚迪2，褚学宁3. 基于多目标离散粒子群的产品服务系统方案配置规则提取[J]. 上海交通大学学报（自然版）, 2015, 49(08): 1123-1130.

LIU Yuan1，ZHANG Zaifang1，YAO Di2，CHU Xuening3. Extraction of Product Service System Configuration Rules Based on Multi-objective DPSO Algorithm[J]. Journal of Shanghai Jiaotong University, 2015, 49(08): 1123-1130.

参考文献

［1］张在房. 顾客需求驱动的产品服务系统方案设计技术研究［D］. 上海：上海交通大学机械与动力工程学院，2011.

［2］Shao X Y, Wang Z H, Li P G, et al. Integrating data mining and rough set for customer groupbased discovery of product configuration rules［J］. International Journal of Production Research, 2006, 44(14)：27892811.

［3］Zhang Z, Cheng H, Chu X. Aided analysis for quality function deployment with an aprioribased data mining approach［J］. International Journal of Computer Integrated Manufacturing，2010，23(7)：673686.

［4］沈瑾, 王丽亚, 隆惠君, 等. 基于神经网络规则抽取的产品服务配置规则获取［J］. 工业工程与管理， 2012，17(3)：6673.

SHEN Jin, WANG Liya, LONG Huijun, et al. Product service configuration rules acquisition based on rule extraction from neural networks［J］. Industrial Engineering and Management，2012，17(3)：6673.

［5］Chen Y S, Cheng C H, Lai C J. A hybrid procedure for extracting rules of production performance in the automobile parts industry［J］. Journal of Intelligent Manufacturing，2010，21(4)：423437.

［6］Kuo R J, Chao C M, Chiu Y T. Application of particle swarm optimization to association rule mining［J］. Applied Soft Computing，2011，11(1)：326336.

［7］GhannadRezaie M, SoltanainZadeh H, Siadat M R, et al. Medical data mining using particle swarm optimization for temporal lobe epilepsy［C］∥ IEEE Congress on Evolutionary Computation. Vancouver, BC, Canada: IEEE Press, 2006：761768.

［8］雷德明, 吴智铭. 基于粒子群优化的多目标作业车间调度［J］. 上海交通大学学报, 2007, 41(11)： 17961800.

LEI Deming, WU Zhiming. Particle swarm optimization based multiobjective job shop scheduling［J］. Journal of Shanghai Jiaotong University，2007，41(11)：17961800.

［9］Unler A, Murat A. A discrete particle swarm optimization method for feature selection in binary classification problems［J］. European Journal of Operational Research，2010，206(3)：528539.

［10］余伶俐, 蔡自兴. 改进混合离散粒子群的多种优化策略算法［J］. 中南大学学报: 自然科学版，2009，40(4)：10471053.

YU Lingli, CAI Zixing. Multiple optimization strategies for improving hybrid discrete particle swarm［J］. Journal of Central South University：Science and Technology，2009，40(4)：10471053.

［11］Beiranvand V, MobasherKashani M, Abu Bakar A. Multiobjective PSO algorithm for mining numerical association rules without a priori discretization［J］. Expert Systems with Applications， 2014， 41(9)： 42594273.

［12］任彬, 张树有, 伊国栋. 基于模糊多属性决策的复杂产品配置方法［J］. 机械工程学报, 2010,46(19)： 108116.

REN Bin, ZHANG Shuyou, YI Guodong. Configuration design of complex products based on fuzzy multiattribute decisionmaking［J］. Journal of Mechanical Engineering, 2010,46(19)：108116.

［13］Yu L, Wang L. Product portfolio identification with data mining based on multiobjective GA［J］. Journal of Intelligent Manufacturing, 2010， 21(6)： 797810.

［14］Dudas C, Ng A H C, Pehrsson L, et al. Integration of data mining and multiobjective optimisation for decision support in production systems development［J］. International Journal of Computer Integrated Manufacturing，2014，27(9)：824839.

［15］Joe S， Kuo F Y. Constructing sobol sequences with better twodimensional projections［J］. SIAM Jounal of Science Computer，2008，30(5)：26352654.

［16］DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGAII［J］. Evolutionary Computation, IEEE Transactions on, 2002，6(2)：182197.

编辑推荐 0

Metrics

阅读次数

全文

197

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	4	0	193

来源	本网站	其他网站

次数	44	153
比例	22%	78%

摘要

854

最新录用	在线预览	正式出版

64	0	790

来源	本网站	其他网站

次数	349	505
比例	41%	59%

[1]	张澳圆, 胡小锋, 张亚辉. 多场景多目标动态变化下船舶小组立装焊重调度[J]. 上海交通大学学报, 2025, 59(4): 476-488.
[2]	米阳, 陈宇阳, 陈博洋, 韩云昊, 袁明瀚. 考虑微能网接入主动配电网的共享储能多目标配置[J]. 上海交通大学学报, 2024, 58(9): 1309-1322.
[3]	张赫, 周正凯, 林环宇, 王天慈. 关键车道优先下的港区公铁平交道口优化研究[J]. J Shanghai Jiaotong Univ Sci, 2024, 29(5): 791-800.
[4]	张良, 郑丽冬, 冷祥彪, 吕玲, 蔡国伟. 基于灰狼算法的风-光-抽水蓄能联合系统多目标优化策略[J]. 上海交通大学学报, 2024, 58(10): 1554-1566.
[5]	钟科星, 丁乐声, 张聪, 毛彦东, 陈金龙. 基于神经网络的风电海缆弯曲限制器优化设计[J]. 海洋工程装备与技术, 2024, 11(1): 70-76.
[6]	陶璟, 周振欢. 个性化下肢康复外骨骼机器人的关键技术综述[J]. J Shanghai Jiaotong Univ Sci, 2024, 29(1): 16-28.
[7]	彭斌, 刘慧鑫, 陶耀辉. 基于变径基圆渐开线涡旋压缩机的几何模型及优化研究[J]. 上海交通大学学报, 2023, 57(8): 1046-1054.
[8]	马洲俊, 王勇, 王杰, 陈少宇. 柔性控制器MMC子模块最优冗余数量双重协同优化方法[J]. 上海交通大学学报, 2022, 56(3): 325-332.
[9]	何维, 孙宏磊, 陶袁钦, 蔡袁强. 开挖引起的隧道位移动态多目标优化反演预测[J]. 上海交通大学学报, 2022, 56(12): 1688-1699.
[10]	杨博, 王俊婷, 俞磊, 曹璞璘, 束洪春, 余涛. 基于孔雀优化算法的配电网储能系统双层多目标优化配置[J]. 上海交通大学学报, 2022, 56(10): 1294-1307.
[11]	李玲芳, 陈占鹏, 胡炎, 邰能灵, 高孟平, 朱涛. 基于灵活性和经济性的可再生能源电力系统扩展规划[J]. 上海交通大学学报, 2021, 55(7): 791-801.
[12]	孙鸿强, 张占月, 方宇强. 基于NSGA-II算法的编队卫星重构策略[J]. 上海交通大学学报, 2021, 55(3): 320-330.
[13]	王运龙, 姜云博, 管官, 邢佳鹏, 于光亮. 基于知识工程的船舶机舱设备三维布局设计[J]. 上海交通大学学报, 2021, 55(10): 1219-1227.
[14]	邓召学, 杨青桦, 蔡强, 刘天琴. 应用于汽车动力总成启停工况的磁流变悬置设计与试验[J]. 上海交通大学学报, 2021, 55(1): 56-66.
[15]	刘西, 李贤, 陈伟, 从光涛, 李如飞. 基于NSGA-Ⅲ算法的多目标分配方法研究[J]. 空天防御, 2021, 4(1): 109-116.

基于多目标离散粒子群的产品服务系统方案配置规则提取

Extraction of Product Service System Configuration Rules Based on Multi-objective DPSO Algorithm

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐 0

Metrics

本文评价