CN116956740A - 面向平面桁架结构的用户偏好模型构建方法、系统、应用 - Google Patents
面向平面桁架结构的用户偏好模型构建方法、系统、应用 Download PDFInfo
- Publication number
- CN116956740A CN116956740A CN202310966599.3A CN202310966599A CN116956740A CN 116956740 A CN116956740 A CN 116956740A CN 202310966599 A CN202310966599 A CN 202310966599A CN 116956740 A CN116956740 A CN 116956740A
- Authority
- CN
- China
- Prior art keywords
- clustering
- user preference
- structural
- feature
- user
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000003993 interaction Effects 0.000 claims abstract description 32
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 59
- 230000006870 function Effects 0.000 description 31
- 238000006073 displacement reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012938 design process Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000002910 structure generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003867 tiredness Effects 0.000 description 1
- 208000016255 tiredness Diseases 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向平面桁架结构的用户偏好模型构建方法、系统、应用，包括如下步骤：通过随机选择不同的荷载条件，产生多个不同几何构型的结构样本，组成结构样本种群；基于结构样本种群，采用自组织映射算法进行分簇，构建聚类特征图，根据样本簇间特征量的簇间平均值与簇内标准差，基于聚类特征图生成用于描述几何属性的特征向量；针对结构样本种群，基于特征向量进行聚类分组；以先选簇，后评价的交互逻辑，获取用户针对不同聚类分组内不同结构样本的偏好信息，生成样本标签以及特征向量的权重，建立用户偏好预测模型。与现有技术相比，本发明实现面向结构外观的偏好建立用户偏好模型，以辅助结构设计。
Description
技术领域
本发明涉及结构自动化设计与人工智能技术交叉领域，尤其是涉及一种面向平面桁架结构的用户偏好模型构建方法、系统、应用。
背景技术
目前，随着结构设计规模的不断扩大和用户个性化需求的不断增加，结构自动化设计方法被广泛应用于结构设计过程中，以提高结构的设计效率。
在设计过程中，往往涉及众多量化因素和非量化因素的综合权衡。非量化因素的模型化是结构自动化设计的设计目标及约束实现数学表达的重要组成要素之一，它可以将结构设计过程中的非量化因素转化为可识别、可运算的数字信息，并进一步的与传统结构设计中的量化目标协同，建立多目标优化函数，实现对“最优”结构的探索。
当前缺少一种面向用户对结构外观的偏好这一非量化设计因素，建立用户偏好模型，以辅助结构设计的方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向平面桁架结构的用户偏好模型构建方法、系统、应用，面向结构外观的偏好这一非量化设计因素建立用户偏好模型以辅助结构设计。
本发明的目的可以通过以下技术方案来实现：
本发明的一个方面，提供了一种面向平面桁架结构的用户偏好模型构建方法，包括如下步骤：
S1，通过随机选择不同的荷载条件，产生多个不同几何构型的结构样本，组成结构样本种群；
S2，基于所述结构样本种群，采用自组织映射算法进行分簇，构建聚类特征图，根据特征量的簇间平均值与簇内标准差，基于所述聚类特征图生成用于描述几何属性的特征向量；
S3，针对所述结构样本种群，基于所述特征向量进行聚类分组；
S4，以先选簇，后评价的交互逻辑，获取用户针对不同聚类分组内不同结构样本的偏好信息，生成样本标签以及特征向量的权重，建立用户偏好预测模型。
作为优选的技术方案，所述的S1具体为：
以不同荷载种类、荷载状态、荷载方向、荷载作用范围及荷载大小作为不同的荷载条件，基于结构拓扑与形状退火算法产生多个不同几何构型的结构样本，组成结构样本种群。
作为优选的技术方案，所述的S2包括如下步骤：
S201，选取用于描述结构几何形态的潜在特征量；
S202，利用自组织映射算法，以单个潜在特征量的值作为输入，将所述样本种群分为多簇，并形成聚类特征图；
S203，基于特征量的簇间平均值与簇内标准差，从潜在特征量中选取有效特征量；
S204，基于所述有效特征量，通过组合得到多个用于描述几何属性的特征向量。
作为优选的技术方案，所述的S3中，将所述特征向量作为输入，利用SOM聚类算法完成结构样本种群的聚类。
作为优选的技术方案，所述的S4中，与用户交互的过程中，穿插已评价过的结构样本让用户再次评价，通过检验用户对重复样本评价的一致性确定偏好信息的有效性。
作为优选的技术方案，所述的S4中，所述的偏好预测模型为人工神经网络、决策树、逻辑回归、朴素贝叶斯中的任一种。
作为优选的技术方案，所述的S3中，通过层次聚类、划分聚类、基于网格的聚类、基于模型的聚类、基于密度的聚类中的任一种实现结构样本种群的聚类分组。
作为优选的技术方案，所述的S4中，建立用户偏好预测模型包括：
将多个用户的生成样本标签以及特征向量的权重输入建立好的用户偏好预测模型中进行训练，得到训练好的用户偏好预测模型。
本发明的另一个方面，提供了一种面向平面桁架结构的用户偏好模型构建系统，包括：
随机样本生成模块，用于基于结构拓扑与形状退火算法，通过随机选择不同的荷载条件，产生若干几何构型各异的结构样本，组成结构样本种群；
特征向量构建模块，用于基于所述结构样本种群，采用自组织映射算法进行分簇，构建聚类特征图，根据特征量的簇间平均值与簇内标准差，基于所述聚类特征图生成用于描述几何属性的特征向量；
样本种群聚类模块，用于针对所述结构样本种群，基于所述特征向量进行聚类分组；
用户偏好交互模块，用于以先选簇，后评价的交互逻辑，获取用户针对不同聚类分组内不同结构样本的偏好信息，生成样本标签以及特征向量的权重；
模型构建模块，用于基于样本标签以及特征向量的权重，建立用户偏好预测模型。
本发明的另一个方面，提供了一种上述面向平面桁架结构的用户偏好模型构建方法的应用，通过与用户交互获取所述用户偏好模型的输出，基于用户偏好预测模型的输出、至少一个优化目标以及设计约束，构造费用函数，利用STSA算法生成设计结果。
与现有技术相比，本发明具有以下优点：
(1)面向结构外观的偏好建立用户偏好模型，以辅助结构设计：本发明通过样本种群生成、特征向量构建、种群分类研究、用户偏好提取以及预测模型构建，建立了具有高精度的用户偏好预测模型，过与用户交互，提取用户偏好信息，训练生成偏好预测模型，克服了设计目标及约束中非量化因素的不可识别性，为智能优化设计过程中非量化信息和传统量化信息的协同优化奠定基础。
(2)结构样本种群种类丰富，涵盖范围广：本发明以不同荷载种类、荷载状态、荷载方向、荷载作用范围及荷载大小作为不同的荷载条件，基于结构拓扑与形状退火算法产生多个不同几何构型的结构样本，组成结构样本种群，生成的结构样本种群应具有随机性和多样性。
(3)准确选取有效的特征量，贴切用户喜好：本发明为了选取影响结构几何构型的特征量，根据特征量的簇间平均值与簇内标准差，选择有效的特征量。
(4)用户交互体验好：本发明在与用户交互中采用先聚类分簇的方式，在用户交互系统中，减少交互次数，降低交互疲倦感。
附图说明
图1为实施例中面向平面桁架结构的用户偏好模型构建方法的流程图；
图2为模型构建过程的示意图；
图3为随机生成的样本种群示意图；
图4为基于特征向量的样本种群聚类结果示意图；
图5为用户偏好交互系统的用户界面示意图；
图6为用户偏好交互系统的选簇界面示意图；
图7为用户偏好交互系统的评价界面示意图；
图8为各目标gi(x)的偏好函数的建立过程示意图；
图9为费用函数作用原理示意图；
图10为STSA-P的设计系统的示意图；
图11为样例的初始结构示意图；
图12为1号受访者的初次设计结果图像；
图13为1号受访者的改进后的设计结果图像；
图14为2号受访者的设计结果图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例1
针对前述现有技术存在的问题，本实施例提供了一种面向平面桁架结构的用户偏好模型构建方法，参见图1，方法包括如下步骤：
S1：基于结构拓扑与形状退火(STSA)算法，通过随机选择不同的荷载条件，产生若干几何构型各异的结构样本，随机生成桁架结构样本种群。
为了结果的一般性和普适性，生成的结构样本种群需具有随机性和多样性。
样本生成对象为两端简支的平面桁架结构，生成范围为一个长2000单位长度，高1000单位长度的矩形区域。
样本生成过程中限制最大杆件数量不超过50，并取消应力约束和位移约束。
通过随机施加荷载条件，以及弱化力学、位移方面的约束限制，使样本能够在几何构型上更加自由的变化。
样本生成的荷载种类、大小、作用方式如表1所示：
表1荷载条件
S101：基于STSA算法，根据基本条件，生成样本种群，生成结果如图3所示。
S2：根据特征量的簇间平均值与簇内标准差，采用SOM算法形成聚类特征图，选取有效的特征量，构建描述几何特征的特征向量。
S201：选取描述结构几何形态的潜在特征量，相关潜在特征量如表2所示：
表2结构结合形态潜在特征量
S202：采用自组织映射算法(SOM)，进行样本种群分簇，构建聚类特征图像；
在聚类特征图的构建中，分别以单个潜在特征量的值作为输入，将样本种群分为9簇，并在此基础上形成聚类特征图。
S203：基于聚类特征图，判断每个潜在特征量聚类结果的有效性，筛选原则应遵循数值的评估标准。
以数值判断为准则，对于每个潜在特征量的聚类结果，分别求解各簇结果的平均值和簇内标准差，要求不同簇之间的平均值分布不过分接近，同簇内的标准差不过分偏大，具体的，要求各簇间平均值差值≥0.1，簇内标准差≤±0.05。
潜在特征量有效性评价结果如表3所示：
表3潜在特征量有效性评价结果
S204：将两两特征量相结合以描述大类几何属性，形成特征向量。
大类几何属性包括：基本尺度、结构复杂性、结构宽窄度、上下弦平直度、结构对称性五类。
大类几何属性以两两特征量相结合的形式描述，将表3中“有效”特征量按照大类几何属性分别进行组合，比选得到最佳组合。
其中，基本尺度由高跨比和跨中净高两个特征量共同描述，结构复杂性由杆件总数和腹杆均长共同描述，结构宽窄度由桁架深度和上下弦节点离散度共同描述，上下弦平直度由上弦高差和下弦高差共同描述。
结构对称性的特征量以对称度单一特征量描述结构对称性。
最终构建得到描述5类结构几何属性，包含9个几何特征量的特征向量，具体内容如表4所示：
表4特征向量
S3：样本种群聚类。为了减少“用户偏好交互系统”中的交互次数，采用“先聚类分簇”的方法，将样本种群基于特征向量完成聚类分组。
用户交互评价系统中，输出信息主要为样本编号以及用户对该样本的评价信息，该评价信息即为样本的“标签”。将当前用户偏好的样本几何特征量重要性权重一并输出，以分析用户看重的几何属性。
聚类分组的聚类算法包括但不限于层次聚类方法、划分聚类方法、基于网格的聚类方法、基于模型的聚类方法、基于密度的聚类方法。
参见图2，聚类的结果需遵循“簇内紧密，簇间分离，各簇均匀”的标准。在主要层面，可通过构建样本相似矩阵与基准样本集来判断聚类结果是否与用户判断保持一致。在数值层面，通过轮廓系数和CV-MMD指标完成评价。在图像层面，借助平行坐标和t-SNE算法对结果数据进行可视化。
通过主要层面、数值层面、图像层面的综合评价，本发明选用SOM聚类算法，以特征向量为输入，完成样本种群的聚类。基于特征向量的样本种群聚类结果如图4所示。
S4：通过用户偏好交互系统，实现对用户偏好信息的收集和分析，确定样本标签。
S401：建立合理的交互系统，有效地提取用户偏好信息。
用户偏好交互系统的功能需满足以下要求：
简洁明确的交互逻辑：系统应遵循“先选簇，后评价”的总体逻辑；
合理的评价选项：为了降低用户疲劳，系统应平衡选项的复杂性与收集信息的完整性之间的矛盾，尽可能避免设置复杂多样的评价选项，以定性描述为主。
评价信息的校核机制：在评价过程中随机穿插已评价过的样本让用户再次评价，通过检验用户对重复样本评价的一致性来判断评价信息的有效性；
输出信息及分析：输出用户评价信息，分析几何特征量的重要性权重，以获取用户最看重的几何特征量。
用户偏好交互系统的封面如图5所示。用户经过封面可以直接进入如图6所示的选簇界面，该界面左侧预览窗口中显示基于SOM聚类算法的样本种群聚类结果，用户根据自身喜好，点击右侧选簇按钮选择具体的簇别。完成选簇后，进入如图7所示的评价界面，该界面左侧为所选簇中的各个样本，界面右上方窗口为当前样本窗口，右下方为评价按钮，选项分别为“较喜欢”、“可接受”、“不喜欢”。当用户完成评价后，评价结果和相关内容会输出保存。
S401：以土木工程专业5名受访者，共分为两轮进行评价，搜集用户偏好信息，为预测模型的建立提供基础数据集。
第一轮评价，受访者先在交互系统中选择自身喜欢的额簇，后再评价界面中对所选簇样本进行评价。完成评价后，还需对所选簇的相似的若干样本(验证集)进行评价。
第二轮评价，受访者依次完成对第一轮评价中未选择的剩余8簇样本及其验证集的评级。
验证集数据仍通过STSA算法随机生成，每簇验证集包含30个样本，共9簇。为了实现每簇的验证集样本与该簇样本保持相似，每簇验证集样本的9个特征量数值，均应落在该簇样本的9个特征量最大最小值区间内。
两轮评价之后，收集整理各个受访者对样本的评价信息以及基于评价信息的各特征量的重要性权重。
S5：通过样本对应的特征向量(特征)和用户评价信息(标签)，建立用户偏好预测模型，完成非量化信息的模型化。
用户偏好预测模型的建立可采用包括但不限于人工神经网络、决策树、逻辑回归、朴素贝叶斯等机器学习算法。
本发明中将用户偏好信息中的“较喜欢”、“可接受”、“不喜欢”转化为数值1、2、3标签。基于均方误差(MSE)、准确率(Precision)、召回率(Recall)等指标进行预测模型建立方法的比选。本发明采用以决策树为基础的随机森林算法，完成用户偏好信息的回归预测。
用户偏好预测模型中的结构样本均有对应的几何特征向量(特征)和用户评价信息(标签)，采用机器学习算法来建立用户偏好预测模型。
用户偏好预测模型可以被集成为用户偏好信息快速建模模块，其可通过用户交互评价过程，自动提取分析用户偏好信息，并根据特征的重要性排序和冗余特征剔除准则自动判别是否存在冗余特征并剔除，同时自动训练生成预测模型。
S501：基于用户偏好交互系统的评价信息，完成预测模型的建立和训练。
5名受访者基于用户偏好交互系统完成评价，评价结果包含5组9簇样本共45组带有标签的数据。
S502：向训练完成的模型中再次输入训练集数据，比较预测标签与真实标签的差异，考察模型对训练数据的复现效果。
S503：向训练完成的模型中输入对应的验证集数据，比较预测标签与真实标签的差异，考察模型对全新数据的预测效果。
最终得到的用户偏好预测模型可以将“用户偏好”这一非量化设计因素转化为程序可识别并运算的数字信息。进一步地，与传统结构设计中的可量化设计目标(如：最小化结构质量等)和约束(如：屈曲约束等)相协同，实现对“最优”结构的探索。
综上所述，本发明从样本种群生成、特征向量构建、种群分类研究、用户偏好提取、预测模型构建5个方面验证了用户偏好信息模型化的可行性，提供了一种非量化因素的模型化方法，建立了具有高精度的用户偏好预测模型，通过用户偏好交互系统，提取并分析用户偏好信息，训练并生成非量化信息的预测模型，解决了设计目标及约束中非量化因素的不可识别性，为智能优化设计过程中为非量化信息和传统量化信息的协同优化奠定基础。
前述建立的用户偏好预测模型可以提取用户的偏好信息，为了将用户偏好信息用于桁架结构的生成与优化过程中，使得算法生成的结构能够满足用户的需求，以尽量避免方案生成后的选择与调整，提高桁架结构的设计效率。上述过程的核心内容是实现以用户偏好为代表的非量化目标与传统量化目标之间的协同优化，本质是解决一个多目标优化问题。
本发明能够采用物理规划法的思想整合多种设计目标(质量、位移、用户偏好等)，得到目标函数，并综合考虑多种设计约束，构造合理的费用函数(Cost Function)，实现用户偏好预测模型和优化算法的有效融合，充分发挥目标函数对结构生成、优化的引导作用，最终形成考虑用户偏好的结构概念设计方法。
具体的步骤包括：
S6，建立目标函数。以用户偏好程度、结构整体质量、节点最大位移为目标，分别构建目标函数。
S601，结构整体质量的目标函数为：
S602，节点最大位移的目标函数为：Max_disp＝max1≤j≤m(dispj)
其中，n为杆件数量，m为节点数量，ρ为材料密度，l为杆件长度，s为杆件截面面积，dispj为单个节点j的位移。
S602，用户偏好程度，由预测模型得出。
S7，建立各目标gi(x)的偏好函数
本实施例中偏好预测模型的输出为1～3之间的连续数值，并可按照四舍五入对应至“较喜欢(1)”、“可接受(2)”及“不喜欢(3)”三个区间，因此在基于物理规划法的偏好度区间划分上，采用3个边界值划分4个区间的方式，将偏好度区间划分为“期望”、“可接受”、“不期望”及“不接受”(不可行域)4个区间。对于结构质量与节点位移两个设计目标，可由设计师确定各自的3个边界数值，而用户偏好的区间边界值，则可基于四舍五入的划分标准确定为1.5(“期望”与“可接受”区间边界值)、2.5(“可接受”与“不期望”区间边界值)及3(“不期望”与“不接受”区间边界值)。
参见图8为各目标gi(x)的偏好函数的建立过程示意图，在“不期望”及“不接受”区间内，函数图像采用二次函数曲线。在可接受区间内，函数图像采用直线段形式。在期望区间内，函数图像采用指数函数的形式。
其中，ξ为一常量，其目的是使“不接受”区间与非“不接受”区间产生较大差异，进一步加大对“不接受”区间内结构方案的惩罚；为特征量的取值区间；vj为惩罚项；gi1为“期望”区间和“可接受”区间的边界值，gi2为“可接受”区间和“不期望”区间的边界值，gi3为“不期望”区间和“不接受”区间的边界值，/>为偏好函数值。
S8，整合偏好函数建立聚合函数G(x)。
αi为第i个偏好函数的调整系数，正常情况下取1。若需针对某个设计目标进行改进，例如提升该目标所处区间或在区间内由“差”边界向“好”边界改进时，则需要调大αi数值，反之则调小。
优化模型为：
S9，建立费用函数。参见图9为费用函数作用原理的示意图。费用函数是将设计目标和设计约束综合考虑的数学工具，是将用户偏好预测模型和STSA算法连接起来的桥梁。在每次迭代中，预测模型通过接收新的结构信息完成偏好预测，并将预测信息传递至费用函数以完成对新结构的评估，如此便实现了预测模型与算法的融合。
其中，V(x)为惩罚项，r为与迭代步数有关的动态惩罚因子，vi(x)为约束违反比重。V(x)反映各类设计约束，G(x)反映各类设计目标。
将用户偏好预测结果嵌入STSA算法，可得到考虑用户偏好的概念设计方法，具体流程如图10所示：建立了STSA-P的设计系统，其中的交互系统即为用户偏好预测模型中的交互系统。
在设计过程中，由设计者先行确定设计约束等基本信息，并预先输入，STSA-P系统，后由用户基于交互评价系统完成评价，相关偏好信息将自动进行冗余特征剔除并训练生成预测模型，其将作用于费用函数并开启STSA算法寻优过程，最终输出设计结果，若用户满意，则设计结束；若需改进，则由设计者修改调整系数，直至得到满意设计。
下面针对S6-S9提供了一个具体实施过程。
以一两端简支的屋顶桁架(平面)结构为例。材料为钢材，桁架跨度为20m，初始结构如图11所示：
对桁架上弦施加均布荷载q，上弦各节点施加大小相同的点荷载F，在结构优化的过程中，荷载作用点的位置可以自由变动。相关设计参数如表5所示：
表5相关设计参数
设计目标共有3个，分别为：用户偏好程度、结构整体质量、节点最大位移。三类设计目标值均为越小越好。各个目标的偏好度区间划分为四个，分别为“期望”、“可接受”、“不期望”、“不接受”，区间边界值等参数如下表6所示：
表6区间边界值等参数
两名受访者(编号1号、2号)基于STSA-P系统开展结构设计，其对于各特征向量重要性权重结果如表7所示：
表7重要性权重结果
对于1号受访者，设计目标结果如表8所示：
表8 1号受访者设计目标结果
设计结果图像12所示：
根据设计目标结果信息可知，结构的偏好程度设计目标表现较差(虽处于“可接受”区间，但却与“不期望”区间接近)，且结构整体的对称性较差，与用户偏好信息中受访者对结构对称性的注重不符。基于此，调整用户偏好设计目标值的系数α，得到改进后的设计结果，设计目标结果如表9所示：
表9改进后的设计目标结果
设计结果图像如图13所示：
结构杆件截面信息如表10所示：
表10结构杆件截面信息
同理，对于2号受访者，设计目标结果如表11所示：
表11 2号受访者设计目标结果
设计结果图像如图14所示：
结构杆件截面信息如表12所示：
表12结构杆件截面信息
本发明基于物理规划法思想设计了聚合函数，实现了包含用户偏好在内的量化与非量化目标的协同优化；基于动态罚函数思想处理设计约束，更好地实现了充分发挥约束作用与充分探索可能方案之间的平衡；最后结合设计目标与设计约束构建了模型-算法融合研究的核心——费用函数，形成了考虑用户偏好的结构概念设计方法。在此基础上开发了STSA-P设计系统，进一步提升了桁架结构设计质量与效率。相关算例验证了整体设计方法的有效性
实施例2
在实施例1基础上，本实施例提供了一种面向平面桁架结构的用户偏好模型构建系统，包括：
随机样本生成模块，用于基于结构拓扑与形状退火算法，通过随机选择不同的荷载条件，产生若干几何构型各异的结构样本，组成结构样本种群；
特征向量构建模块，用于基于结构样本种群，采用自组织映射算法进行分簇，构建聚类特征图，根据特征量的簇间平均值与簇内标准差，基于聚类特征图生成用于描述几何属性的特征向量；
样本种群聚类模块，用于针对结构样本种群，基于特征向量进行聚类分组；
用户偏好交互模块，用于以先选簇，后评价的交互逻辑，获取用户针对不同聚类分组内不同结构样本的偏好信息，生成样本标签以及特征向量的权重；
模型构建模块，用于基于样本标签以及特征向量的权重，建立用户偏好预测模型。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，包括如下步骤：
S1，通过随机选择不同的荷载条件，产生多个不同几何构型的结构样本，组成结构样本种群；
S2，基于所述结构样本种群，采用自组织映射算法进行分簇，构建聚类特征图，根据特征量的簇间平均值与簇内标准差，基于所述聚类特征图生成用于描述几何属性的特征向量；
S3，针对所述结构样本种群，基于所述特征向量进行聚类分组；
S4，以先选簇，后评价的交互逻辑，获取用户针对不同聚类分组内不同结构样本的偏好信息，生成样本标签以及特征向量的权重，建立用户偏好预测模型。
2.根据权利要求1所述的一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，所述的S1具体为：
以不同荷载种类、荷载状态、荷载方向、荷载作用范围及荷载大小作为不同的荷载条件，基于结构拓扑与形状退火算法产生多个不同几何构型的结构样本，组成结构样本种群。
3.根据权利要求1所述的一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，所述的S2包括如下步骤：
S201，选取用于描述结构几何形态的潜在特征量；
S202，利用自组织映射算法，以单个潜在特征量的值作为输入，将所述样本种群分为多簇，并形成聚类特征图；
S203，基于特征量的簇间平均值与簇内标准差，从潜在特征量中选取有效特征量；
S204，基于所述有效特征量，通过组合得到多个用于描述几何属性的特征向量。
4.根据权利要求1所述的一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，所述的S3中，将所述特征向量作为输入，利用SOM聚类算法完成结构样本种群的聚类。
5.根据权利要求1所述的一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，所述的S4中，与用户交互的过程中，穿插已评价过的结构样本让用户再次评价，通过检验用户对重复样本评价的一致性确定偏好信息的有效性。
6.根据权利要求1所述的一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，所述的S4中，所述的偏好预测模型为人工神经网络、决策树、逻辑回归、朴素贝叶斯中的任一种。
7.根据权利要求1所述的一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，所述的S3中，通过层次聚类、划分聚类、基于网格的聚类、基于模型的聚类、基于密度的聚类中的任一种实现结构样本种群的聚类分组。
8.根据权利要求1所述的一种面向平面桁架结构的用户偏好模型构建方法，其特征在于，所述的S4中，建立用户偏好预测模型包括：
将多个用户的生成样本标签以及特征向量的权重输入建立好的用户偏好预测模型中进行训练，得到训练好的用户偏好预测模型。
9.一种如权利要求1-8任一所述面向平面桁架结构的用户偏好模型构建方法的应用，其特征在于，通过与用户交互获取所述用户偏好模型的输出，基于用户偏好预测模型的输出、至少一个优化目标以及设计约束，构造费用函数，利用STSA算法生成设计结果。
10.一种面向平面桁架结构的用户偏好模型构建系统，其特征在于，包括：
随机样本生成模块，用于基于结构拓扑与形状退火算法，通过随机选择不同的荷载条件，产生若干几何构型各异的结构样本，组成结构样本种群；
特征向量构建模块，用于基于所述结构样本种群，采用自组织映射算法进行分簇，构建聚类特征图，根据样本簇间特征量的簇间平均值与簇内标准差，基于所述聚类特征图生成用于描述几何属性的特征向量；
样本种群聚类模块，用于针对所述结构样本种群，基于所述特征向量进行聚类分组；
用户偏好交互模块，用于以先选簇，后评价的交互逻辑，获取用户针对不同聚类分组内不同结构样本的偏好信息，生成样本标签以及特征向量的权重；
模型构建模块，用于基于样本标签以及特征向量的权重，建立用户偏好预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966599.3A CN116956740A (zh) | 2023-08-02 | 2023-08-02 | 面向平面桁架结构的用户偏好模型构建方法、系统、应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966599.3A CN116956740A (zh) | 2023-08-02 | 2023-08-02 | 面向平面桁架结构的用户偏好模型构建方法、系统、应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116956740A true CN116956740A (zh) | 2023-10-27 |
Family
ID=88451125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310966599.3A Pending CN116956740A (zh) | 2023-08-02 | 2023-08-02 | 面向平面桁架结构的用户偏好模型构建方法、系统、应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956740A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455555A (zh) * | 2023-12-25 | 2024-01-26 | 厦门理工学院 | 基于大数据的电商用户画像分析方法及系统 |
-
2023
- 2023-08-02 CN CN202310966599.3A patent/CN116956740A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455555A (zh) * | 2023-12-25 | 2024-01-26 | 厦门理工学院 | 基于大数据的电商用户画像分析方法及系统 |
| CN117455555B (zh) * | 2023-12-25 | 2024-03-08 | 厦门理工学院 | 基于大数据的电商用户画像分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Greiner et al. | Game theory based evolutionary algorithms: a review with nash applications in structural engineering optimization problems | |
| CN105469145B (zh) | 一种基于遗传粒子群算法的智能组卷方法 | |
| CN118193169A (zh) | 一种基于设备状态分析的任务调度优化方法及系统 | |
| Zavala et al. | Structural design using multi-objective metaheuristics. Comparative study and application to a real-world problem | |
| CN116956740A (zh) | 面向平面桁架结构的用户偏好模型构建方法、系统、应用 | |
| CN111914162A (zh) | 一种基于知识图谱的个性化学习方案引导方法 | |
| CN117610435A (zh) | 土木建筑施工混合材料自动配比方法及系统 | |
| CN112487281A (zh) | 一种立体车库推荐方法 | |
| CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
| CN110491443B (zh) | 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法 | |
| CN110110447B (zh) | 一种混合蛙跳反馈极限学习机带钢厚度预测方法 | |
| Dodangeh et al. | Best project selection by using of Group TOPSIS method | |
| Kim et al. | Stepwise benchmarking based on production function: Selecting path towards closest target | |
| CN110263125B (zh) | 一种基于极限学习机的服务发现方法 | |
| CN109919219B (zh) | 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法 | |
| CN113780146B (zh) | 基于轻量化神经架构搜索的高光谱图像分类方法及系统 | |
| CN116977010A (zh) | 业务推荐模型的构建、业务推荐方法及装置 | |
| CN115689191A (zh) | 一种面向指标体系筛选优化的智能电网安全性评估方法 | |
| CN115375175A (zh) | 城市运行体征评价方法 | |
| Quagliarella et al. | GAs for aerodynamic shape design II: multiobjective optimization and multi-criteria design | |
| Bailey et al. | Modeling of user design preferences in multiobjective optimization of roof trusses | |
| CN112988564B (zh) | 一种考虑成本-可靠性的srgm决策模型及其构建方法 | |
| CN118335319B (zh) | 基于虚拟人仿真的常见重大疾病早期预测方法 | |
| CN117539520B (zh) | 固件自适应升级方法、系统以及设备 | |
| CN111080053B (zh) | 一种基于ehf-was的电网发展策略效率效益评估方法 |
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 |