CN113780656B - 基于聚类解耦的复杂产品多源变更传播影响力预测方法 - Google Patents
基于聚类解耦的复杂产品多源变更传播影响力预测方法 Download PDFInfo
- Publication number
- CN113780656B CN113780656B CN202111053399.6A CN202111053399A CN113780656B CN 113780656 B CN113780656 B CN 113780656B CN 202111053399 A CN202111053399 A CN 202111053399A CN 113780656 B CN113780656 B CN 113780656B
- Authority
- CN
- China
- Prior art keywords
- change
- nodes
- node
- influence
- sources
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims description 29
- 238000010168 coupling process Methods 0.000 claims description 29
- 238000005859 coupling reaction Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 6
- 230000001808 coupling effect Effects 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 239000000306 component Substances 0.000 description 9
- 239000010410 layer Substances 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 239000002346 layers by function Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012508 change request Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于聚类解耦的复杂产品多源变更传播影响力预测方法,首先,基于专家经验和产品工作原理,构建待变更产品的复杂产品网络;接着,依据节点在功能、行为和结构方面的关联关系,执行基于louvain聚类的零部件关系解耦方法,计算多个变更节点或变更源的综合影响力;最后,考虑设计公差带来的节点抗变更能力,执行广度优先搜索方法,实现复杂产品多源变更影响力预测。本发明能准确预测复杂产品中变更源对产品性能的影响程度,对提高产品质量、节省产品设计成本具有重要意义。
Description
技术领域
本发明属于产品设计领域,具体涉及一种基于聚类解耦的复杂产品多源变更传播影响力预测方法。
背景技术
随着供应链中不确定因素的增加和客户对产品需求多样化程度的加深,设计变更已成为复杂产品研发过程中必须面临的工程问题。一个产品通常由种类繁多的若干零部件构成,并且零部件之间存在复杂关系。在大多数情况下,一个零部件的变化会通过零部件之间的关联关系进行传播,导致其他零部件甚至整个产品发生变化。如果不能有效控制变更,甚至会发生雪崩式传播导致变更失败。如何有效控制设计变更的传播,需要找出产品网络中的关键零部件。
在复杂产品网络中一个节点对应一个产品零部件,关键节点对整个网络的结构和稳定性都具有显著影响。目前衡量变更节点影响力的方法主要包括度、介数中心性、紧密中心性和k-shell等。这其中,度是一种基于节点局部属性的评价指标。对于任意一个变更节点,该指标通过统计邻居节点的数目来刻画该变更节点的影响力,其计算代价相对较小。介数中心性和紧密中心性需要遍历整个复杂网络来衡量节点的影响力,其计算代价相对较高。Kitsak等通过对社交网络和邮件网络等进行研究发现,高介数的节点不一定是最有影响力的节点。随后,他们利用K-核分解技术将所有节点划分为多个层次,并指出核心层中的节点才是影响力大的节点。
现有的方法可以从不同方面估计出变更节点的影响力,但其大都面向单变更源的情况。受顾客需求改变、供应链变化或者技术升级等因素的影响,在产品设计过程中经常会同时存在多个变更源即多个变更节点。然而,对于多变更源情况下的变更节点影响力预测,现在仍然缺乏有效方法。在多个变更源的情况下,变更传播在网络中存在复杂的耦合效应。如何解析多变源之间的耦合关系是准确评价变更节点影响力的关键因素。鉴于此,本发明提出一种基于聚类解耦和广度优先搜索的复杂产品多源变更传播影响力预测方法,依据零部件在功能、行为和结构等方面的关联关系,给出一种基于louvain聚类解耦的解耦策略。
发明内容
发明目的:本发明提供一种基于聚类解耦的复杂产品多源变更传播影响力预测方法,能准确预测复杂产品中变更源对产品性能的影响程度。
技术方案:本发明所述的一种基于聚类解耦的复杂产品多源变更传播影响力预测方法,包括以下步骤:
(1)建立待变更产品的复杂产品网络G=(V,E,W);
(2)依据节点在功能、行为和结构方面的关联关系,执行基于louvain聚类的零部件关系解耦方法,确定多个变更源或变更节点之间的耦合程度;
(3)基于多个变更源或变更节点之间的耦合程度值,计算变更节点的影响力或变更强度;
(4)考虑设计公差带来的节点抗变更能力,执行广度优先搜索方法,实现复杂产品多源变更影响力预测。
进一步地,所述步骤(1)实现过程如下:
复杂产品网络模型为G=(V,E,W),其中,V=(v1,v2,...,vn)表示节点集合,E=(e1,e2,...,en)表示边集合,W=(w1,w2,...,wn)为节点间变更风险集合;如果节点i和节点j之间存在关系,则eij=1;否则eij=0;权重wij在[0,1]间取值。
进一步地,所述步骤(1)包括以下步骤:
(21)从功能、行为和结构方面综合分析不同变更源之间的耦合作用,将相似功能的零部件即节点归到一类,如果两个节点i和j隶属同一类,则将其关系记pf(i,j)=1;反之,记为pf(i,j)=0;
(22)通过计算同一类中两个节点之间的最短距离df(I,j),更准确地刻画出它们之间的相似程度值,即耦合程度:
针对同一类中任意两个节点i和j,分别在功能、行为和结构层上计算耦合度,得到三个耦合程度值Lf(i,j),Lb(i,j)和Ls(i,j);
(23)对三个耦合程度值进行线性加权,即可得到节点i和j的总体耦合程度值:
L(i,j)=wfLf(i,j)+wbLb(i,j)+wsLs(ijj) (6)
如果两个节点i和j不属于同一个模块,那么它们之间的相似程度值会很小;相应地,其耦合程度可以忽略,即L(i,j)=0.;由于不同产品对于功能、行为和结构依赖程度不一样,计算权重不同,wf、wb和ws为功能、行为和结构的权重系数,三者相加和为1。
进一步地,所述步骤(3)实现过程如下:
考虑来自同一模型不同变更源之间的耦合关系:考虑K个变更源记为Ok,k=1,2,…,K;对于当前节点i,记隶属于变更源Ok的上游节点集合为NOk,在变更源的影响下当前节点i的变更强度为:
其中,|NOi|表示集合的规模;
当变更在网络中传播停止或者遍历整个网络后,得出这些变更源的综合影响力为:
式中,Z为整个网络中所有变更的节点集合;
去掉其它变更源对同一个节点的叠加影响,得到当前变更源Oi的影响力:
其中,Z(Oi,Ok)为同时受两个变更源Oi和Qk传播影响的节点集合。
进一步地,步骤(4)所述设计公差的取值范围为[0,1]。
有益效果:与现有技术相比,本发明的有益效果:本发明提出的多源变更影响力预测指标也能准确刻画出这些变更源的综合影响力;通过精准评价变更源的影响力还可以有效评价产品对引入变更的适应程度,变更源的影响力指标值越大,产品对该变更的适应程度越小,进而对该产品执行变更的必要性越大;本发明准确预测复杂产品中变更源(即变更节点)对产品性能的影响程度,对提高产品质量、节省产品设计成本具有重要意义。
附图说明
图1为本发明的流程图;
图2为复杂产品网络图;
图3为louvain聚类结果图;
图4为创维某款电视机的复杂产品网络图;
图5为双变更源的综合影响力Q的变化趋势图;
图6为两个变更源的综合影响力Q和每个变更源影响力INF47和INF87的变化趋势图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于聚类解耦的复杂产品多源变更传播影响力预测方法,如图1所示,具体包括以下步骤:
步骤1:建立待变更产品的复杂产品网络G=(V,E,W)。
复杂产品内部有大量的节点,节点之间存在复杂的链接关系,一个节点的变更会影响到与之有关的其它节点,从而引发变更传播。这种关系可以由DSM矩阵(DesignStructure Matrix)体现。该矩阵可以描述在一个系统内元素之间关系[11]。由此,复杂产品网络模型可以表示为G=(V,E,W),其中,V=(v1,v2,...,vn)表示节点集合,E=(e1,e2,...,en)表示边集合,W=(w1,w2,...,wn)为节点间变更风险集合。如果节点i和节点j之间存在关系,则eij=1;否则eij=0;其对应的权重wij在[0,1]间取值。这些边关系以及权重大小可由专家系统按照定量化准则给出,进而呈现出复杂产品网络的可视化结果,如图2所示。
在复杂产品网络中常用的节点影响力预测指标包括度(DC)、介数中心性(BC)、紧密中心性(CC)和k-shell指数等。度定义为当前节点i的邻居节点数目,反应了该节点在整个网络直接影响到的节点规模,其计算公式如下:
式中,vi表示第i个节点,N表示网络节点总数目。
介数中心性定义为在网络中所有最短路径经过目标节点的次数占所有最短路径的比例,属于全局指标。该指标体现了变更在传播过程中经过该节点的频率;该值越大,则表明目标节点在变更传播中占据越重要的位置,其公式如下:
式中,Ljik表示节点j和节点k之间最短路径经过节点i的总数,Ljk表示整个网络中节点j和节点k之间最短路径总数。
紧密中心性定义为节点i到达网络中其他节点最短路径长度的倒数之和,属于全局指标;该指标用来衡量节点i到达其他节点的快慢,其公式如下:
式中,dij表示节点i和节点j之间最短路径长度之和;每条边的长度定义为:
不同于前面几个指标,K-shell分解方法给出了节点重要性的一种粗粒化划分策略。假设边缘节点的K核值为1,然后往内一层层进入网络的核心。先去除网络中度值等于1的所有节点以及连边。若剩下的节点里面,仍有度值等于1的节点,则重复上述操作,直至所有节点的度值都大于1。此时,把这些去除的节点的K核值记为1,即ks=1。然后,依次去除度值小于或等于2的节点及连边,以此类推,直到所有的节点都有对应的ks值为止,即都被划分到一个层中;一个节点的ks值越大则该节点越处于核心位置,其影响力越大。
步骤2:依据节点在功能、行为和结构方面的关联关系,执行基于louvain聚类的零部件关系解耦方法,确定多个变更源或变更节点之间的耦合程度。
在产品实际生产过程中变更请求发生频率较高,越易同时触发多个变更源。例如,受供应链变化等因素的影响,电视机左右音响需要同时替换,多层LED屏需要同时变更等。随着供应链中不确定因素的增加和客户对产品需求多样化程度的加深,这种情况时有发生。
首先,依据节点在功能、行为和结构等方面的关联关系,给出一种基于louvain聚类解耦的解耦策略。由于多个变更源之间存在耦合效应,因此在分析变更节点影响力时不能直接叠加多个变更源的影响。复杂产品网络中节点的关联关系主要集中在功能、行为和结构等三个方面。其中,功能代表设计目的,行为表示对功能实现过程的客观描述,结构指定设计对象的物理实体。
从功能、行为和结构等方面综合分析不同变更源之间的耦合作用。以它们在功能上的耦合关系为例,在功能层上采用louvain算法对所有零部件进行聚类。以创维某型号电视机为例,图3展示了所有零部件在功能层上的聚类结果,其中,同一颜色的节点隶属同一类。为便于表示,如果两个节点i和j隶属同一类,则将其关系记pf(i,j)=1;反之,记为pf(i,j)=0。利用上述聚类方法可以将相似功能的零部件即节点归到一类。
然后,通过计算同一类中两个节点之间的最短距离df(I,j),可以更准确地刻画出它们之间的相似程度值,即耦合程度:
针对同一类中任意两个节点i和j,分别在功能、行为和结构层上执行上述方法,可以得到三个耦合程度值Lf(i,j),Lb(i,j)和Ls(i,j)。对三个耦合程度值进行线性加权,即可得到节点i和j的总体耦合程度值:
L(i,j)=wfLf(i,j)+wbLb(i,j)+wsLs(ijj) (6)
特别地,如果两个节点i和j不属于同一个模块,那么它们之间的相似程度值会很小。相应地,其耦合程度可以忽略,即L(i,j)=0.由于不同产品对于功能、行为和结构依赖程度不一样,计算权重不同,wf、wb和ws为功能、行为和结构的权重系数,三者相加和为1。
步骤3:基于多个变更源或变更节点之间的耦合程度值,计算变更节点的影响力或变更强度。
在产品设计过程中变更影响的大小不同,对于节点重新设计的比例或修改程度也不同。把对节点需要做出多大改动以适应变更影响定义为变更强度Di,节点变更强度Di取值为[0,1]。一方面,多个变更源在复杂产品网络中多以并行方式传播变更效应,而不同变更源可能隶属于同一个模块或类,即这些变更源之间具有较大的相似性。另一方面,对于当前节点而言,尽管其不同上游节点的变更可能源来自不同的变更源,但是这些变更源隶属于同一个模块。这就意味着,在计算当前节点变更强度时需要考虑来自同一模型不同变更源之间的耦合关系。
考虑K个变更源,记为Ok,k=1,2,…,K。对于当前节点i,不妨记隶属于变更源Ok的上游节点集合为NOk,那么,在这些变更源的影响下当前节点i的变更强度为:
其中,|NOi|表示集合的规模。
当变更在网络中传播停止或者遍历整个网络后,可以得出这些变更源的综合影响力为:
式中,Z为整个网络中所有变更的节点集合。
去掉其它变更源对同一个节点的叠加影响,即可得到当前变更源Oi的影响力:
其中,Z(Oi,Ok)为同时受两个变更源Oi和Qk传播影响的节点集合。
根据式(7)计算当前变更源的第r级邻居节点的变更强度Dj;判断当前邻居节点变更强度是否超过其变更阈值Cj;若Di<Ci,则停止当前路径搜索;否则,确定当前变更源的第r+1级邻居节点。
步骤4:考虑设计公差带来的节点抗变更能力,执行广度优先搜索方法,实现复杂产品多源变更影响力预测。
考虑产品设计生成过程中各种不确定因素带来的影响,设计者通常在零部件基础参数上基上添加一定的余量,称为设计公差。设计公差给零部件吸收一定设计变更强度的能力,只有当设计变更强度累积超过零部件吸收能力时,零部件才需进行设计变更。由专家评估零部件设计公差Ci,作为零部件变更阈值。只有Di>Ci时,当前零部件才需要设计适应变更,否则零部件的实际变更强度Di为0。
本发明采用创维某款电视机为例验证上述方法的有效性。该电视机主要由101个核心零部件组成。表1展示了101个零部件的名称。图4展示了这些零部件构建的复杂产品网络。该电视机的零部件根据前文所述规则构建基于产品特征的复杂网络,对其中部分零部件进行变更,并进行变更影响力预测。
表1创维某款电视机的主要零部件
单变更源影响李预测结果分析:考虑单个变更源的情况,验证所提变更源影响力预测指标的有效性。通常,一个节点越重要,其变更影响的节点数目越多。为此,采用一个节点变更后受影响的节点数目来刻画该节点的真实重要程度。具体地,通过现有的的SIS模型来确定每一个节点变更后其影响的真实节点数目。通过以上操作,可以得到网络中所有节点的真实重要性排序。
依次使用电视产品网络中101个节点单独作为变更源。根据所提方法得出每一个节点影响力值Q,并按照影响力值对所有节点进行排序。类似地,按照4种常用的节点影响力预测指标,即度(DC)、介数中心性(BC)、紧密中心性(CC)和k-shell指数,也能得到不同的节点排序结果。随后,使用肯德尔系数τ分析每种指标得到的节点排序结果与SIS模型得到的真实排序结果之间的一致性。肯德尔相关系数越高,说明该影响力预测指标的准确性越高。
表2展示了在创维某型号电视机数据集上五种评价指标的肯德尔系数值。可以看出,本发明所提节点影响力指标得到了最高的肯德尔系数。这意味着,基于该指标的节点重要性排序结果更为精确。这也变相表明,本发明所提变节点影响力指标可以更为准确的评估变更源影响力。
表2五种指标得到的肯德尔相关系数
Indicators | Q | DC | BC | CC | K-shell |
τ | 0.8166 | 0.7376 | 0.7568 | 0.7642 | 0.7744 |
对比SIS模型和本发明所提指标得到的前10名重要节点。表3展示了这些重要节点的名称。可以看出,在本发明所提方法获得的前10名节点中有7个与SIS排序前10名的一致,且在前三名节点完全相同。排序结果前四名的节点分别代表WIFI模块、电源滤波器和线性稳压模块和功率放大器,这个排序结果与实际生产经验也是一致的。上述结果都表明了本发明所提指标的有效性。
表3本发明所提指标与SIS模型得到的前10名排序结果
序号 | SIS模型所得真实结果 | 本发明 |
1 | 无线模块 | 无线模块 |
2 | 电源滤波器 | 电源滤波器 |
3 | 线性稳压 | 线性稳压 |
4 | 功率电感 | 功率放大器 |
5 | 功率放大器 | LED显示屏 |
6 | 背光驱动 | 背光驱动 |
7 | 柔性印刷电路板 | 功率电感 |
8 | 红外接收器 | 热敏电阻 |
9 | 热敏电阻 | 贴片双极三极管 |
10 | 交流熔断器 | 红外接收器 |
双变更源源的结果分析:选择电视产品网络中节点47和节点87同时作为初始变更源,实验分析所提变更源影响力预测指标的可行性。两个变更源的变更强度D47和D87分别从0变化到1,变化间隔为0.1。复杂电视产品网络中功能、行为和结构层的权重系数分别设为:wf=0.4,wb=0.3和ws=0.3。由公式(7)可得节点47和节点87之间的耦合系数为L(47,87)=0.54。反复执行实验100次,图5展示了两个变更源的综合影响力Q随变更强度的变化趋势,图6展示了两个变更源的综合影响力Q和每个变更源影响力INF47和INF87的变化趋势。
图5中X和Y轴分别表示变更源O47和O87的变更强度D47和D87,Z轴表示综合影响力Q。可以看出,当两个变更源的初始变更强度小于变更阈值或者公差时,综合影响强度Q始终为0。这说明当节点变更强度低于一定水平,变更源变更不会对复杂产品网络造成影响,节点本身具有一定的抗变更能力。当初始变更强度超过变更阈值时,综合影响Q会随着初始变更强度D47和D87增加而快速增长;在初始变更强度达到一定值后,Q值的增长速度减缓,直至综合影响力Q达到最大。这主要是因为,当初始变更强度增加到一定程度时,两个变更源的影响范围大规模重合,进而减缓了综合影响力Q的增长速度。
综上可见,在两个变更源的情况下,本发明提出的多源变更影响力预测指标也能准确刻画出这些变更源的综合影响力。进一步,通过精准评价变更源的影响力还可以有效评价产品对引入变更的适应程度。变更源的影响力指标值越大,产品对该变更的适应程度越小,进而对该产品执行变更的必要性越大。
Claims (2)
1.一种基于聚类解耦的复杂产品多源变更传播影响力预测方法,其特征在于,包括以下步骤:
(1)建立待变更产品的复杂产品网络G=(V,E,W);
(2)依据节点在功能、行为和结构方面的关联关系,执行基于louvain聚类的零部件关系解耦方法,确定多个变更源或变更节点之间的耦合程度;
(3)基于多个变更源或变更节点之间的耦合程度值,计算变更节点的影响力或变更强度;
(4)考虑设计公差带来的节点抗变更能力,执行广度优先搜索方法,实现复杂产品多源变更影响力预测;
所述步骤(1)实现过程如下:
复杂产品网络模型为G=(V,E,W),其中,V=(v1,v2,...,vn)表示节点集合,E=(e1,e2,...,en)表示边集合,W=(w1,w2,...,wn)为节点间变更风险集合;如果节点i和节点j之间存在关系,则eij=1;否则eij=0;权重wij在[0,1]间取值;
所述步骤(1)包括以下步骤:
(21)从功能、行为和结构方面综合分析不同变更源之间的耦合作用,将相似功能的零部件即节点归到一类,如果两个节点i和j隶属同一类,则将其关系记pf(i,j)=1;反之,记为pf(i,j)=0;
(22)通过计算同一类中两个节点之间的最短距离df(I,j),更准确地刻画出它们之间的相似程度值,即耦合程度:
针对同一类中任意两个节点i和j,分别在功能、行为和结构层上计算耦合度,得到三个耦合程度值Lf(i,j),Lb(i,j)和Ls(i,j);
(23)对三个耦合程度值进行线性加权,即可得到节点i和j的总体耦合程度值:
L(i,j)=wfLf(i,j)+wbLb(i,j)+wsLs(ijj) (6)如果两个节点i和j不属于同一个模块,那么它们之间的相似程度值会很小;相应地,其耦合程度可以忽略,即L(i,j)=0.;由于不同产品对于功能、行为和结构依赖程度不一样,计算权重不同,wf、wb和ws为功能、行为和结构的权重系数,三者相加和为1;
所述步骤(3)实现过程如下:
考虑来自同一模型不同变更源之间的耦合关系:考虑K个变更源记为Ok,k=1,2,…,K;对于当前节点i,记隶属于变更源Ok的上游节点集合为NOk,在变更源的影响下当前节点i的变更强度为:
其中,NOi|表示集合的规模;
当变更在网络中传播停止或者遍历整个网络后,得出这些变更源的综合影响力为:
式中,Z为整个网络中所有变更的节点集合;
去掉其它变更源对同一个节点的叠加影响,得到当前变更源Oi的影响力:
其中,Z(Oi,Ok)为同时受两个变更源Oi和Qk传播影响的节点集合。
2.根据权利要求1所述的基于聚类解耦的复杂产品多源变更传播影响力预测方法,其特征在于,步骤(4)所述设计公差的取值范围为[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053399.6A CN113780656B (zh) | 2021-09-09 | 2021-09-09 | 基于聚类解耦的复杂产品多源变更传播影响力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053399.6A CN113780656B (zh) | 2021-09-09 | 2021-09-09 | 基于聚类解耦的复杂产品多源变更传播影响力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780656A CN113780656A (zh) | 2021-12-10 |
CN113780656B true CN113780656B (zh) | 2023-09-22 |
Family
ID=78841863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111053399.6A Active CN113780656B (zh) | 2021-09-09 | 2021-09-09 | 基于聚类解耦的复杂产品多源变更传播影响力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780656B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451577B (zh) * | 2023-04-11 | 2024-04-02 | 中国矿业大学 | 融合强化学习和差分进化的产品变更路径多目标优选方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0458358A (ja) * | 1990-06-28 | 1992-02-25 | Toshiba Corp | ニューラル・ネットワークの学習方法 |
WO2000065488A1 (en) * | 1999-04-25 | 2000-11-02 | Makhlouf Mahmoud A | Geometric display tools and methods for the visual specification, design automation, and control of adaptive real systems |
CN104391889A (zh) * | 2014-11-11 | 2015-03-04 | 西安交通大学 | 一种面向有向-加权网络的社区结构发现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153713B (zh) * | 2017-05-27 | 2018-02-23 | 合肥工业大学 | 社交网络中基于节点间相似性的重叠社区检测方法及系统 |
-
2021
- 2021-09-09 CN CN202111053399.6A patent/CN113780656B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0458358A (ja) * | 1990-06-28 | 1992-02-25 | Toshiba Corp | ニューラル・ネットワークの学習方法 |
WO2000065488A1 (en) * | 1999-04-25 | 2000-11-02 | Makhlouf Mahmoud A | Geometric display tools and methods for the visual specification, design automation, and control of adaptive real systems |
CN104391889A (zh) * | 2014-11-11 | 2015-03-04 | 西安交通大学 | 一种面向有向-加权网络的社区结构发现方法 |
Non-Patent Citations (2)
Title |
---|
Clustering-Guided Particle Swarm Feature Selection Algorithm for High-Dimensional Imbalanced Data With Missing Values;Yong Zhang等;《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》;第26卷(第4期);第616-630页 * |
场景驱动且自底向上的单体系统微服务拆分方法;丁丹等;《软件学报》;第31卷(第11期);第3461−3480页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780656A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Managing non-cooperative behaviors in consensus-based multiple attribute group decision making: An approach based on social network analysis | |
Tavana et al. | Multi-objective control chart design optimization using NSGA-III and MOPSO enhanced with DEA and TOPSIS | |
Alinezhad et al. | Sensitivity analysis of TOPSIS technique: the results of change in the weight of one attribute on the final ranking of alternatives | |
Ibrahim et al. | Fixed and random effects selection in mixed effects models | |
CN110196814B (zh) | 一种软件质量评价方法 | |
CN106952167B (zh) | 一种基于多元线性回归的餐饮业好友连边影响力预测方法 | |
CN109740924B (zh) | 融合属性信息网络和矩阵分解的物品评分预测方法 | |
Dong et al. | Pattern-aided regression modeling and prediction model analysis | |
CN105893637A (zh) | 大规模微博异构信息网络中的链接预测方法 | |
CN106951524A (zh) | 基于节点影响力的重叠社区发现方法 | |
Duan et al. | Root cause analysis approach based on reverse cascading decomposition in QFD and fuzzy weight ARM for quality accidents | |
CN108664700A (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN113780656B (zh) | 基于聚类解耦的复杂产品多源变更传播影响力预测方法 | |
Hong et al. | Pathwise estimation of probability sensitivities through terminating or steady-state simulations | |
JP6658507B2 (ja) | 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム | |
Zhu et al. | A hybrid time-series link prediction framework for large social network | |
JP2008015747A (ja) | 統計的タイミング解析の悲観的誤差を評価する方法 | |
JP5614297B2 (ja) | 指標算出プログラム及び方法並びに設計支援装置 | |
CN110286646B (zh) | 一种数控机床组件重要性评估方法 | |
Sabah et al. | A new fast entropy‐based method to generate composite centrality measures in complex networks | |
CN106611339A (zh) | 种子用户筛选方法、产品的用户影响力评价方法及装置 | |
Tian et al. | Hybrid weighted communication network node importance evaluation method | |
Denysiuk et al. | A new hybrid evolutionary multiobjective algorithm guided by descent directions | |
Munikoti et al. | Bayesian graph neural network for fast identification of critical nodes in uncertain complex networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |