JP2004529406A - 動的なリアルタイムマーケットセグメンテーションのための方法および装置 - Google Patents

Abstract

要約書なし。

Description

【０００１】
（関連出願の相互参照）
本出願は、２０００年１１月１０日に出願された同時継続中の仮特許出願第６０／２４７，２７１号の利益を主張する。
【０００２】
（発明の背景）
本発明は、新しい商品およびサービスを開発するためのプロセスの改良、ならびに消費者の調査、市場セグメンテーション、設計反復、市場テストの付帯活動、そしてこのような商品およびサービスの直接顧客参加を介したマーケティングに関する。本発明はまた、設計および製品開発プロセスで遭遇する問題と並行して多くの点における問題を提示する集合的な決定作成のプロセスに関する。
【０００３】
人間の歴史の初期では、人工物の設計者、製造業者、およびユーザ間の区別は、単に存在しなかったに過ぎない。人々は自分自身のための道具を作り、世代を超えた気取らないプロセスで自分の住居を建設した。以後、種々の技術および技能が発達したため、技術者または技能者は、彼らの顧客に近くに維持された設計および製造機能の両方を具現化する。クラフト製造の少量の関連するカスタム性質および大規模なカスタム性質は、製品が個々の顧客の必要性および要求に直接応答したことを意味する。この産業革命は、付帯経済の規模および範囲と共に労働者の分割および特化の増加を引き起こす。結果として、設計および生産機能は、明確になり、生産量が増大し、そして製品はより規格化される。特定の製品は通常、顧客のより大きい群を満足させなければならない。トレンドは、Ｆｏｒｄの大量生産による発展のような著しい急激な上昇を獲得した。
【０００４】
今日、多くの製品は、高度に特化された技術および知識（しばしば数千の数、およびしばしば大陸を超えて拡散する）を有する多くの群の人々の設計に対して要求する。さらに、いくつかの製品のための開発準備期間は、容易に多くの年数（例えば、新世代の航空機）まで延ばし得る。これらの製品およびサービス、ならびにこれらの製品およびサービスを開発するために使用されたプロセスは、これらを設計および作成する会社の組織的な構造に反映される。典型的な製造開発組織内部において、所与の製品開発プロジェクトの出資者は、生産プランニング、スタイリング、エンジニアリング、販売およびマーケティング、製造、アフターサービス、法律問題、より最近では、供給会社外部の人員等の様々な部門等を含む。これらの部門または組織のそれぞれは、その部門自体の目的、制約、および実行手段を有し、その部門の役員および経営者は、彼ら自身の目標および特異性を有する。これらおよび他のファクタは、この距離は、地理、時間、技術的知識、あるいは、世界観、目標、および日々の出来事の観点で測定されるにもかかわらず、製品およびサービスを設計する人とそれらを消費する消費者との間の距離を劇的に増加させてきた。
【０００５】
過去において、多くの製品開発組織は、その組織の設計またはマーケティング部門、あるいは役員における少数の権力のある個人に依存した。次いで、これらの個人は、マーケットおよび顧客の知識、技術的な可能性の理解、ならびに視野、判断、経験、好み、先入観および偏見に依存する。最近では、消費者がますます洗練されかつ精通し、そしてマーケットがますます細分化されると、この仕事はより困難になった。
【０００６】
より最近では、会社は、より平坦すなわちより少ない階層組織モデルを採用してきた。このモデルは階級に応じて責任をより低い階級に押し付けることについての決定を有する。会社は「顧客の声」に関する新しい焦点を採用してきた。この運動は、単に指定された商品またはサービスの最終的な顧客の代理であることに過ぎず、顧客の必要性および要求がこのプロセスへの最優先入力であるべきであることを顧客に思い出させることが意図された。
【０００７】
顧客の声を反映する顧客の声から顧客の声を反映する製品またはサービスに進むプロセスは、誤りおよびひずみの可能性と背中合わせのままである。誤りの第１の原因は、顧客の要求および必要性を確認する場合であり、第２の原因は、決定、製品、アーチファクト、またはサービスに、それを色付けおよびひずませることなく入力する変換のプロセスである。個人経営者は、顧客の必要性にアクセスし、製品概念およびエンジニアリングの要求にこれらの必要性を変換するように意図されたいくつかのツールおよび技術を開発および使用してきた。これらのより高いレベルのツールは、Ｃｏｎｃｅｐｔ ＥｎｇｉｎｅｅｒｉｎｇおよびＨｏｕｓｅ ｏｆ Ｑｕａｌｉｔｙ ａｎｄ Ｑｕａｌｉｔｙ Ｆｕｎｃｔｉｏｎ Ｄｅｐｌｏｙｍｅｎｔを含む。これらのより高いレベルのツールおよび方法論の重要な局面は、これが顧客に近い製品開発チームまたは組織にもたらすばかりではなく、製品開発チームにおける異なる機能間の合意を作成する場合、および共通の目標に向かって互いに働く組織の異なる部分をもたらす場合において重要な役割を果たす。言い換えると、衝突が組織の異なる部分間で発生する度に、顧客の声に戻ることによって解決されることが期待される。その声を解釈する際の率直な差異が発生する場合、その解決策は、顧客から説明を求めることである。その主唱者が指摘し、その主唱者がユーザの一部として時間および労力の著しい委任を必要とするために、これらのツールは、製品設計および開発プロセスの重要な改良を表すが、面倒かつ使用するのが困難なままである。
【０００８】
従来的にマーケット研究者によって展開されてきたツールおよび装置は、民俗学から引用した高品質の方法（例えば、オープンエンドインタビューイング（ｏｐｅｎ−ｅｎｄｅｄ ｉｎｔｅｒｖｉｅｗｉｎｇ）、参加者の観察、および注目しているグループ等）からかなり人気のある質的な統計方法（例えば、調査研究（ｓｕｒｖｅｙ ｒｅｓｅａｒｃｈ）およびコンジョイント分析（ｃｏｎｊｏｉｎｔ ａｎａｌｙｓｉｓ）等）にわたる。これらのツールおよび技術のいくつかは、以下に詳細に説明されるいくつかの欠点の影響を受ける。
【０００９】
新しい製品またはサービスの開発の間、典型的には設計組織は、複数のマーケット調査研究を企てる。初期のこのプロジェクトの間、これらは本来より質的であり得る。潜在的な必要性を暴露するか、または製品およびサービスのための新しいアイデアを開発する。以後、その調査がより集中され、提案された製品の所定の特徴または属性に関する現在の顧客または潜在的な顧客からのフィードバックを得ることが意図され得る。これらの特徴または属性は、質的方法、例えば調査または構造化されたシリアルインタビュー等の質的方法と同様のフォーカスグループに依存し得る。消費者クリニックに関する１つの問題は、潜在的な顧客は、典型的には、制限され数の代替物に関するコメントを要求した。これは、概してこれらのクリニックが２時間未満の期間（参加者に提示された設計を適切に評価するために必要なバックグラウンドおよび文脈上の情報を参加者に提供するために必要な時間を含む）に制限されるために、合理的なレベルにおいて参加者に関する認知要求を維持するために行われる。別の理由は、参加者によって示された設計が生産するのに高価であるモデルまたはプロトタイプの形態であることである。従来の顧客のクリニックでは、人々は今日の世界から突然選ばれ、これまで見たことがなく、考える時間を有さない未来の設計に関するコメントを要求した。
【００１０】
さらに、新しい製品がそれに関するコメントを求められた参加者に示される顧客クリニックは、人々が十分開発され安定である予め存在する好みを有することを想定する。従って、顧客クリニックは、新しい製品を見る際に参加者が形成する態度が有用であり、製品がマーケットに流れるとき（およびその場合）に有する態度を反映することを想定する。さらに、多くの場合、製品への人々の長期間の気質は初期の反応とは異なることが周知である。例えば、旧型（ｏｕｔｇｏｉｎｇ）の自動車モデルのスタイリングは、消費者が、最初は新しく導入されたモデルよりもより魅力的に感じるが、結果的には路上でより新しいモデル見た数週間後に考えを変えてしまうことは珍しいことではない。逆に、新製品の魅力の人々の評価は、斬新さがなくなった後に急落することは珍しいことではない。この現象は、恐らく２つの相反する人間の傾向の反映である。すなわち、一方では斬新さおよび多様性を求める要求、そして他方では慣れ親しんだ自動車の快適性である。それらの圧縮されたフォーマットのために、焦点となっているグループおよび消費者クリニックは、この現象に対して脆弱である。
【００１１】
クリニックおよび焦点となっているグループに関する別の問題は、この状況が必要とする個人間の動力学を処理しなければならない。概して、グループの動力学は、参加者間で行われる議論がデータを生成するためのメカニズムであり、必要とされた出力が参加者の経験および意見の積極的な共有および比較である意味で望ましい。問題は、１人または数人の個人がその議論の支配および偏りを終了させる場合に発生する。別の困難は、互いに知らない参加者を見つけることである。これは、１参加者に特定の設計を選択させることを避けるために望ましい。なぜなら単にその友達もまたその特定の設計を選択するためである。この状況は、設計される製品またはサービスがユーザの小さなグループ、または同じグループの全構成員であるユーザを標的にする場合にしばしば起こり得る（例えばある会社の従業員のための給付を設計する場合）。同様な問題は、製品に対する潜在的な顧客が競合者であり、それにより同席することを望まず、好みを共有すること望まない。
【００１２】
伝統的なフォーカスグループまたは消費者クリニックにおける個人間の力学は、提供される設計が極度に斬新または珍しい場合に強化される。このような場合、多くの参加者は、グループの面前で自分の真の意見を述べることが困難であると考える。多くの参加者は、否定的な批評を免れることがより安全であると考える。多くの参加者は、設計全体およびその潜在的利益に着目する代わりに、自分がその設計に関して良くないと考えることに焦点を当てる傾向がある。さらに、多くの製品およびサービスの場合、消費者の選好は地理的または民族的に多様であることが知られている。南カリフォルニアは、自動車の流行に関して、米国内の他の地域をリードすると考えられている。米国における色の選好は、フランスまたは中国における色の選好とは異なる。そういう訳で、企業は、通常、いくつかの異なった市場において消費者クリニックを開催する。これらの各々は、特定の地理的領域の代表であると考えられる。これは、消費者の選好を聞き出すためのフォーマットを用いるコストを加算する。
【００１３】
コンジョイント分析（Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓ）は、異なった製品およびサービスを選択する消費者の選好を評価するために用いられる。これは、複数の特徴および利益を有する選択肢の中から決定する場合に、人々が行う主観的トレードオフを明示的に説明する多属性ユーティリティまたは選好測定技術である。その基本形式において、コンジョイント分析は分解技術である。すなわち、意志決定者が製品の異なった局面に割り当てる重要性を測定するパラメータは、統計的回帰技術を用いて、製品またはサービスの多数の完全プロファイルについての意志決定者の評価から導出される。コンジョイント分析は、セッケンおよび食物栄養補給剤の開発から、国防総省内の軍事に関する職業の魅力を改善することまで、幅広い用途で用いられている。
【００１４】
コンジョイント調査を行う第１の工程は、当該の製品またはサービスの関連属性を特定すること、および各属性の利益レベルを特定することである。これは、通常、同じ製品に関する以前の経験、および自由形式のインタビューまたはフォーカスグループといった以前の質に関するリサーチに基づく。例として、自動車研究の場合、エンジン排気量は、利益の１属性であり得、２．０、２．５および３．０リッターの３つのレベルで試験され、ボディスタイルは別の属性であり得、「セダン」および「クーペ」が利益のレベルである。次に、潜在的製品の複数の完全プロファイルの記述、すなわち、各属性が価値で表される記述は、通常、高度に細分された要因直交設計（ｆａｃｔｏｒｉａｌ ｏｒｔｈｏｇｏｎａｌ ｄｅｓｉｇｎ）を用いる（すなわち、すべての製品プロファイルのほんの一部のみが試験に用いられる）。これらのプロファイルは、従来、プロップカードの形態で回答者に示され、その回答者は、選好の順番によってプロファイルを格付けするか、またはプロファイルの各々を、例えば、０〜１００の間隔尺度で格付けするよう求められる。回答は、その後、属性レベルの各々について「部分価値」、すなわち、プロファイルの選好レベル全体の各属性レベルへの寄与を推定する通常の最小二乗法回帰（Ｌｅａｓｔ Ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ）といった統計ツールを用いて解析される。前述の例に戻って、一人の特定の回答者について、２．０リッターエンジンが０．０、の部分価値を有し、２．５リッターエンジンが０．５の部分価値を有するといったことが判明し得、すなわち、「セダン」ボディスタイルは０．０の部分価値を有し得るが、「クーペ」スタイルは、０．８の価値を有し得る。一旦個人の部分価値がこのようにして取得されると、属性レベルのすべての可能な組み合わせを探索して、その個人の最適製品、すなわち、最高レベルの効用をその回答者に与える製品、または回答者が購買の強い意志を有する製品を合成することが可能である。
【００１５】
コンジョイント分析研究は、通常、一人以上の個人について行われ、部分価値は、通常、消費者の代表サンプルについて取得される。この複数回答者データは、種々の目的のために用いられ得る。１つは、市場（現在および期待される）での競争が激しい製品の属性を想定して製品を開発する企業に極めて大きい市場占有率をもたらす製品設計を特定することであり、これは、「ｓｈａｒｅ−ｏｆ−ｃｈｏｉｃｅ」問題として公知である。別の目的は、消費者の効用全体、すなわち、すべての消費者の効用の和を最大化する製品設計を特定することであり、これは、「ｂｕｙｅｒ’ｓ ｗｅｌｆａｒｅ」問題として公知である。これらの探索問題を解決することは、計算上困難であり、数学的に、ＮＰ−Ｈａｒｄ問題として公知であり、これらを解決するための発見的動的プログラミング手順を必要とする。より最近では、遺伝子および進化論的計算の適応探索技術、より具体的には遺伝子アルゴリズム（ＧＡ）が、これらの問題の解決を図るためにより有効に用いられる。この場合、予め収集されたコンジョイント分析データは、標準的コンジョイント分析技術を用いて、別個かつ連続的工程で、データに、最適な解または設計を見出す上述の探索技術が適用される。
【００１６】
参加者の代表的グループからコンジョイントデータを収集する別の目的は、異なった選好プロファイルを用いて別個の市場セグメントを特定することである。これは、クラスタ分析によって行われる。これは、回答者のサブグループを見出す統計技術であり、サブグループ内の回答者は、異なった製品属性を同様に評価するが、他のサブグループにおける回答者とは異なった評価をする。
【００１７】
コンジョイント分析は、他の技術と比べて２つの主要な利点を提供する。１つの利点は、その分解的性質に起因する。一旦クラスタが特定されると、重要な商業的潜在性を有するものが特定の製品設計に関して対象とされ得る。
【００１８】
コンジョイント分析は、不利な点を有する。第１の不利な点は、回答者としてプロセスに参加する退屈さである。通常、製品設計者およびマーケティング担当者は、製品と親密に関わっており、かつ知識を有するので、多数の事項に回答し、多数の属性を試験することを所望する。他方、顧客は、通常、あまり積極的に関心を抱かず、長いアンケートに答えることを嫌う。さらに、高度に細分化された要因設計（後述されるように、それ自体重大な不利な点を導入するリサーチ設計）であっても、回答者は、通常、さらに、相当な数の選択肢を格付けするよう求められる。例えば、１２個の製品属性があり、属性ごとに４つの異なったレベルがある場合、回答者は、約３５個のプロファイルに直面する。その数は、多くの場合、確率的誤差を低減するために３分の１倍にされ、その結果、回答者は、１００個以上の質問を受ける必要がある。プロセスは骨が折れるため、多くの場合、混乱および注意力の喪失に至り、回答者の一部は、アンケートを読み終えるための近道を発見することになる。（いくつかの例としてのコンジョイント調査は、Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ上で、例えば、ｗｗｗ．ｃｏｎｊｏｉｎｔｏｎｌｉｎｅ．ｃｏｍ．に見出され得る。）例えば、すべての属性を正確に相互に比較検討する代わりに、決定を下すために１つまたは２つの属性にのみ依存する場合、結果が不正確になる。
【００１９】
より最近では、プロセスの退屈さを低減することを目的とする（結果が不正確になる）コンジョイント分析に対するいくつかの修正が提示され、かつ実際に用いられる。これらの合成的技術は、（従来のコンジョイント分析のように）仮想製品の完全プロファイルのみで構成されないが、これらの技術は、回答者に自己説明（ｓｅｌｆ−ｅｘｐｌｉｃａｔｉｏｎ）質問のセットを問うことから始め、次に、部分プロファイル記述が続く。このような技術の例は、Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓ、および、より新しいＨｉｅｒａｒｃｈｉｃａｌ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓを含む。
【００２０】
Ｓａｗｔｏｏｔｈ ＳｏｆｔｗａｒｅによってインプリメントされるＡｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓ（米国および欧州の両方で商業用コンジョイント研究のために最もよく用いられる技術）において、回答者がいかなる状況下でも容認できないと考える属性レベルを排除するよう求められることでアンケート調査は開始する。これらのレベルは、インタビューの次に続く部分においてはもはや用いられない。次に、回答者は、おそらく最も関心をもつ各属性におけるレベルを５レベルに低減するよう求められる。プロセスにおける次の工程は、個体属性の重要性に格付けするよう回答者に求められる。これらの格付けは、重要でないと思われる属性を排除し、回答者の効用の初期推定を生成し、これは、次に、部分プロファイルを用いて個別調整された対比較法質問のセットを生成するために用いられる。各回答を用いて、回答者の効用の推定が更新され、適切な対比較法質問が生成される。これらの質問は、以前の回答に基づいて、回答者が最も好むと思われる属性比較のサブ空間に集束および集中するように設計され、制限されたサブ空間内で、その回答者のトレードオフプロファイルの推定を改良することを目的する。
【００２１】
明らかに、Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓは、アンケートの自己説明評価構成要素に大幅に依存し、ここで、意志決定者は、種々の属性に対する態度を別々に示すよう、明示的に求められる。同方法の背後にある重要な仮定は、回答者の態度および選好が既存および固定的であるということである。Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔは、その仮定に依存し、被験者に提供される選択の範囲を迅速にしぼり、その被験者に課せられる作業負担を低減するという仮定に依存する。従って、Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔは、回答者が参加する研究において、新しい個人的選好または属性トレードオフプロファイルを発見または進化させ得る可能性を除外する。そのアプローチに関する問題は、任意の前もって形成された概念、または回答者が先天的に有し得る正確でない選好が具体化される危険であり、製品設計の問題にとって最適以下の結果になる。実際、Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓのユーザには、「面接を、許容できる範囲で簡潔にする方法が他にない場合を除いては」回答者が属性レベルを排除すること（前節に記載される第１の工程）を可能にすることに対して注意が促される。
【００２２】
より最近の展開は、Ｈｉｅｒａｒｃｈｉｃａｌ Ｂａｙｅｓ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓであり、Ａｄａｐｔｉｖｅ ｃｏｎｊｏｉｎｔについて、より力強く、かつ理論的に防御可能な統計的方法の使用によって改善する。しかしながら、これは、上述の問題を扱わない。さらに、Ｈｉｅｒａｒｃｈｉｃａｌ Ｂａｙｅｓ Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓは、各個人の効用の推定を改善するために、研究における他の参加者の回答に依存する。換言すると、Ｈｉｅｒａｒｃｈｉｃａｌ Ｂａｙｅｓは、アンケート調査される回答者の数を任意の個々の回答者への作業負荷と交換することを可能にする。しかしながら、これは、高度な計算の集中処理であり、通常のパーソナルコンピュータ上で数時間の動作時間を必要とする。従って、リアルタイムオンラインの環境においてはあまり有用でない。既存のソフトウェア製品は、Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔ研究によって取得されたデータのＨｉｅｒａｒｃｈｉｃａｌ Ｂａｙｅｓ Ａｎａｌｙｓｉｓを、事後に、すなわちオフラインで実行する。
【００２３】
コンジョイント分析の第２の主要な不利な点は、上述の改善された方法論のいずれによっても対処されないものであり、異なった製品属性が互いに依存しないと仮定することから生じる。コンジョイント分析は、「ｍａｉｎ ｅｆｆｅｃｔｓ ｏｎｌｙ」モデルであり、これは、属性間に相互作用がないと仮定する。広く用いられるさらなる部分価値モデルにおいて、特定の製品の個体の選好は、その製品における属性レベルの独立した機能の和からなると推定される。自動車の例を再び用いて、外装の色についての消費者の選好（例えば、明赤色と暗赤）は、当該の自動車がスポーツクーペか、高級セダンであるかといったボディスタイルに依存しないと推定される。さらに、明赤は、高級セダンよりも、スポーティな自動車に対してより人気があることが経験的に知られる。さらに、研究者が、（製品知識に基づくかまたは統計的解析から）２つの属性間に特定の相互作用があるのではないかと疑い得る場合、コンジョイント分析の枠組み内での解決は、相互作用する２つの属性の組み合わせである合成変数（「スーパー属性（ｓｕｐｅｒａｔｔｒｉｂｕｔｅｓ）」）を定義することである。これらのスーパー属性には、個体属性レベルを組み合わせることによって形成されるレベルが付与される。前の例に戻って、合成属性は、「ボディスタイルの色（ｃｏｌｏｒ−ｂｏｄｙ ｓｔｙｌｅ）」であり、これは４つのレベル（２×２）を有する。これらは、「明赤色のスポーツクーベ」、「明赤色の高級セダン」、「暗灰色のスポーツクーペ」および「暗灰色の高級セダン」である。解決策は、回答者の作業負荷に極めて有害な影響を及ぼす。（これは、要するに、高度に細分化された要因設計を可能にするコンジョイントのｍａｉｎ−ｅｆｆｅｃｔｓ−ｏｎｌｙ局面である。）それぞれ２つのレベルを有する２つの属性の代わりに、ここで、合計８つのレベルを有する３つの属性を用いる。この組み合わせは、個体属性レベルの実数が多く用いられる場合、爆発的に増加する。すなわち、５つの色および５つのボディスタイルの場合、１０個のレベル（５＋５）〜合計３５個のレベル（５＋５＋（５×５））である。コンジョイント研究によって推定されるべきパラメータの数、従って、回答者が受ける質問の数は、これらのレベルの数と比例して増加する。
【００２４】
コンジョイント分析の「ｍａｉｎ−ｅｆｆｅｃｔｓ−ｏｎｌｙ」の性質は、より微妙かつ潜伏的な効果を有する。これは、どれだけの数のマーケティング担当者および製品開発者が製品およびサービスについて考えるかに影響を及ぼすからである。顧客の声を取得するコンジョイント分析に依存することによって、マーケティング担当者および製品開発者は、より容易に分解可能な製品の属性を用いる設計研究に傾倒し、回答者が属性を分離することを容易にするような方法でこれらの属性を提供する。回答者は、これらの属性のいくつかに集中するようになり、これらの属性を（上述のように）発見的に用い、属性間の可能な相互作用を明らかにするさらなるメンタルプロセシングを実行しない。その結果、さらなる部分価値モデルと人為的に良好に適合するが、精度の正確さに欠ける。
【００２５】
より本質的に、製品またはサービスが属性レベルのセットによって消費者に適切に説明され得るとするまさにこの概念は、それ自体問題が多い。これは、回答者に分解可能な刺激を提供することによって機能するので、コンジョイント分析は、消費者が重要なクラスの製品、すなわち、消費者によって総合的に知覚される製品をどのように評価するかを理解するためには特に適切ではない。このような「統一的（ｕｎｉｔａｒｙ）」製品の例は、美的対象物、食品、フレグランスおよび音楽を含むが、これらに限定されない。香水のエキスパート（業界では「鼻」と呼ばれる）は、芳香が匂うと、これを分析し、その主要な属性を説明することができ得るが、この能力を香水バイヤーの大多数が身につけているわけではない。回答者は、この回答者に提供された刺激を構成要素部分または属性に分割し得ない、このような場合、要因によって設計された研究に基づいて回答者の選好を形成する試みは、成功する見込みがない。
【００２６】
対照的に、本発明は、製品を変更するためにマーケティング担当者または設計者によって用いられる同じファクタが、回答者の選好を評価するために回答者に提供されることを必要としない。本発明において、回答者には、回答者が実際の生活において特定の製品またはサービスを知覚する方法と調和する刺激が提供される。
【００２７】
（発明の要旨）
一般的に、本発明は、各々が複数の代替的属性または属性値を有する多数の製品の形態のどれが「選択者」によって選好されるかを決定する方法を提供する。本明細書中で用いられる「選択者」は、一人の人か、人のグループであり、これらの人々の入力が本発明の方法の実施する経過において考慮に入れられている。「選択者」は、調査に参加するエンティティ、または調査に参加する一人の人、または個々のエンティティの収集に関し得る。選択者は、企業または専門の設計サービス組織内の対象グループ、設計者および／またはマネージャのグループ、目的人口統計学的グループを代表する人々のグループ、特定の活動または仕事に従事するクラブまたはクラスのメンバー、犬の所有者、ゴルファ、インテリア設計者、サイクリスト、自宅所有者、十代の少年達、企業に雇用される人または工場で働く人等といった所与の製品の潜在的顧客である愛好家（ｅｎｔｈｕｓｉａｓｔ）であり得る。選択者として行動する人は、これらの愛好家に、１回または連続的に、例えば、２ないし１２といったような非常に異なった可能な設計形態のグループを提供する。仮想販売員（ｖｉｒｔｕａｌ ｓａｌｅｓｐｅｒｓｏｎ）と呼ばれる本発明の局面において、選択者は、個人であり、購買代理人、またはカップルまたは家族といった小さいグループである。
【００２８】
選択者は、さらに、次の春物ファッションを設計する若い女性のグループ、自動車のシートを設計する産業設計専門グループ、顧客のために住宅を設計する建築家の小さいグループ、または楽曲を作曲する音楽家のグループといった製品の共同設計に参画する人のグループを含み得る。この場合、一旦設計のコンセンサスが達成されると、この方法は、選択された製品形態、またはその形態と類似の製品の複数のユニットを生産するさらなる工程を含み得る。選択者が人のグループである場合、グループ内の人に提供された製品の形態の派生グループが、グループ内の１人以上の他の人々によって表現される選好を示すデータを用いて生成され得る。さらに、本発明は、選択者としての役割を果たす一人以上の人々への特定の派生グループ内の特別な製品形態の提供を繰返すことを意図する。
【００２９】
本明細書中で用いられるように、「類似点（ａｆｆｉｎｉｔｙ）」とも呼ばれる「選好」は、属性のセットを有する特定の項目に対する選択者の好き（ｆａｖｏｒ）（または嫌い（ｄｉｓｆａｖｏｒ））である。１実施形態において、正の類似点値は、選択者が特定の項目を好きであることを示すが、負の値は、選択者がその項目を嫌いであることを示す。
【００３０】
本発明の方法において、提示された設計が参加者に提供され、この参加者からのフィードバックが、例えば、イントラネット、エクストラネットまたはインターネットといったネットワークに接続された個人のパーソナルコンピュータを介して収集される。従って、参加者間で個人間力学を制御することが可能である。これらの人々を互いに分離して、参加者のうちのだれも他の人々によって表現される選好を知ることができないようにすることもまた可能である。情報の選択的レベルが参加者間で共有されることを可能にして、実際のまたは仮想のグループに議論させ、参加者が感じ得る社会的圧力の程度を制御し、参加者がプロジェクトの状態または方向に関する情報、あるいは他の参加者が購買したのはどの製品かに関する情報を得る要求を満たす。これは、ネットワークの外側の実際の生活において生じていることを模倣するために用いられ得る。実際の生活では、ある人々は仲間が購買および消費しているいくつかの製品を好む傾向を有するが、他の人々は、逆の態度をとることを選択し得る。このことは、ファッションアパレルまたはアクセサリ、投資商品またはポートフォリオ、コンピュータソフトウェア等といった製品においては重要である。さらに、コンピュータネットワークを介して参加者を接続することによって、非常に異なった地理的位置に位置する参加者のグループを集めることが可能である。本方法は、さらに、時間の管理を容易にする。これらの方法は、すべての参加者が、異なった時点で受信されるデータをシームレスに統合することによってすべての参加者を同時に寄せ集める必要を低減するからである（本発明の特定の実施形態において）。
【００３１】
本明細書中で用いられ、以下においてより詳細に説明される「製品」は、大量生産が意図される対象物等の商品、大量注文生産のために適切な複数の互換性のある部品を含むパーソナルコンピュータといったモジュール化された商品、投資信託または旅行サービスといったサービス、および個人または組織の将来の運営を管理するための選択肢の書面リスト、グループによって消費されるべきビジネスプランまたは調理食品の献立といったプランに関する一般的用語であることが意図される。
【００３２】
本明細書中で用いられる製品の「属性」は、製品、サービスまたはプランの構造的、機能的、様式的、または経済的特徴であることが意図され、費用、色または色の組み合わせ、大きさ、強度、形状、様式、パターン、長さ、重量、内容の特徴、テーマ、オプション、材料の選択、軟度等といった事項を含む。製品属性は美的または機能的であり得る。所与の製品は、本発明の設計を開発する方法を用いて組み合わされる一連の可能な属性を有する。異なったタイプの設計または選択の対象物は、明らかに、異なったグループの可能な属性を有する。従って、例えば、ハンドフリー電話を美的魅力のある外観にするための設計は、材料（例えば、プラスチックまたは金属）、材料の配分（例えば、側方がプラスチックで上部が金属）、質感、色、色の組み合わせ、長さ、幅、厚さ、コントロールの大きさ、コントロールの形状、コントロールの色、コントロールの位置、状態ライトの位置、スピーカグリルパターン等の位置といった「属性」を有する。広告表示板の設計は、寸法、アスペクト比、主な色、背景色、色彩設計、印刷の大きさ、画像材料（ｐｉｃｔｏｒｉａｌ ｍａｔｅｒｉａｌ）の有無、画像材料用の種々のタイプのコンテンツ、場面にいる人々の数、その場面の場所（大都市、田園背景、家庭的背景、ダンスホール）といった属性を有する。
【００３３】
「属性」という用語は、製品に存在するかまたは存在しないという意味で絶対的である要素と、属性が複数の価値を有し得るか、または複数のサブタイプに解体され得るという意味で相対的な要素の両方を示す。これに関して、本明細書中で用いられる「属性」の意味は比較的広く、コンジョイント分析の文脈において用いられる用語とは異なる。前者の例は、自動車のダッシュボードの設計における時計の有無、またはドレスの設計における色である。後者の例は、艇体設計の船首部における屈曲の半径または屈曲の程度の他の測定値、あるいは、建物を覆うガラスの反射率である。
【００３４】
広義には、本発明は、多くの設計の選択肢を、通常、電子的に生成、および、設計、選択、またはマーケットリサーチ調査に参加する人に提供することを含む。参加者（「選択者」とも呼ばれる）は、提供された設計の選択肢の中または間の参加者の選好を表示するデータを伝送し、そのデータが、設計選択肢または提案の新しい生成を派生するために用いられる。新しい設計は、遺伝子技術または進化的計算技術を利用するコンピュータプログラムを用いることによって生成される。プロセスは、通常、複数の反復またはサイクルで繰返される。プロセスは、通常、試みの目的、および方法が設計および実施される態様に依存して、複数の新しいおよび有用な方法で用いられ得る。このプロセスは、個人消費者または消費者の目的グループにアピールする新しい製品またはサービスを設計するために利用され得、グループ設計の試みを容易にし、例えば、所与の製品またはサービスに関する、個人消費者、人口統計学的に定義された消費者のグループ、または特定の心理状態を有する消費者の類似点をプロービングするといったこれまで可能であった方法よりも良好な方法でマーケットリサーチを行うようにする。これは、さらに、参加グループにアピールする製品またはサービスを設計するか、または、買物客の購買するべきものの選択を効果的に容易にする仮想販売員として利用するために用いられ得る。別の言い方をすると、本発明は、個人買物客が、特徴および属性の種々の組み合わせを有する潜在的に大量の類似の製品から一つの製品を迅速に効率的な選択をすることを可能にする。提示された発明の１つの利点は、参加者が、何回も連続的に繰返して、複数の設計候補を評価することである。これは、２つの例を挙げると、アパレルおよび自動車のスタイリングに関する場合のように、斬新または独特のスタイルを含む設計状態において特に有用である。ここで、このような独特の設計を最初に見せることにより、不正確な最初の反応が導き出され得る。
【００３５】
本発明は、選好を示すデータを収集する種々の方法、および作表する種々の方法、これらのデータをフィルタまたはアグリゲートを活用し、かつ用い得る。従って、選択者を含む人のサブセットから取得されたデータは、製品形態の派生グループの生成に不均衡な影響が及ぼされ得、すなわち、重要性が割引、増加または無視される。選択者は、派生グループの反復の前または間にその製品の属性を特定することが可能にされ得る。これは、特定の値の属性の値を固定すること、またはその属性が、参加者が望ましくないとみなす特定の値をとることを防止することを含む。選択／設計プロセスの反復を開始する前に、システムは、選択者から特定の選好情報を獲得し得、所望の製品形態の次の生成を制約するために予めふるい分けすることによって獲得された情報の少なくとも一部分を用い得る。例えば、このような情報は、売り手が製品に対して進んで支払う価格の範囲、選択者の身体の寸法情報、製品のスタイル情報、色の選好、材料の選好、作業明細書、または選択者が所望する製品機能のリストを含み得る。
【００３６】
好適な１実施形態において、本方法は、選択された製品形態に基づいて、選択者または選択者のサブセット（選択者を含む一人の人またはグループ）に製品を売るさらなる工程を含む。製品は、大量注文生産により、すなわち、リクエストに応じて、特定の購入者により要求される多様な形態の製品（例えば、自転車、履物または衣類）の任意の１つを生産することを専門とする組織によって、選択者に送達するために生産され得る。あるいは、選択された製品の形態に基づく製品は、選択者によって特定される前に存在する、例えば、在庫リストから売られる製品であり得る。本発明のこの局面の実行は、好適には、売り手が在庫を抱えているか、または容易にまたは収益性を高く製造または購入され得る製品形態の派生グループを提供するプログラムを含む。従って、本局面において、本方法は、選択者の選好を識別し、入来するキャプチャデータに基づいて、選択者にアピールし得る選択肢を提示し、提供された製品形態のシーケンスまたは選択により選択者の選択に巧妙に影響を及ぼす仮想販売員として機能する。
【００３７】
別の視点から見ると、本発明は、設計科学の言語の相容れない構成要素と、消費者が選好について考慮するかまたは購買を考慮する際の消費者により用いられる認知言語および思考過程との間をコンピュータ支援により架橋することを含む。以前、タスクを設計するために効果的な消費者入力を禁じていたのは、この二分法である。本明細書中に記載される本発明の設計エンジンおよび仮想販売員の実施形態は、実質的に、コンピュータを介在する翻訳デバイスを含む。このデバイスは、消費者の選好（多くの場合、口頭では説明できない）を、設計をインプリメントする際に有用な変数により規定される設計専用データにシームレスかつ有効に変換する。消費者が、各々が消費者の選好決定に対する局面を含む、設計全体の進化セットを評価することを可能にし、消費者には、特定の設計属性または言語に精通することなく、設計または製品の選択プロセスを直接的に駆動することが可能になる。例えば、安楽椅子のアームの屈曲は、椅子の外観および消費者の主観的な美的評価に影響を及ぼすが、消費者が椅子の設計に影響を及ぼす変数を知らないために、多くの場合、規定され得ない属性であり得る。多くの人々が、それを見るまで自分が何を好きであるのかを規定できないと述べ得る理由は、おそらく、消費者が、通常、設計の言語について訓練されていないからである。「設計エンジン」（後に定義される）は、本明細書中で示される潜在的制約を克服することに努める。消費者が実際に特定の設計についてどのような評価を下すかについて知り得ない設計者は、本発明を用い得、著しい不利を被らない。同様に、設計理論および原則を知らない消費者は、自分が好み、かつお気に入りとして持続する好機を有する設計を達成し得る。
【００３８】
上記に示された、本発明の方法をインプリメントするための好適な装置は、プログラムが複数のターミナルにリンクされるサーバに常駐するネットワークを含む。装置内で用いられるターミナルは、コンピュータ、テレビ、電話、パーソナルデジタルアシスタント、または無線または有線でサーバと結合された他のデバイスを含み得る。装置は、最も典型的には、複数のターミナルを備える。当然、情報テクノロジーアートの現在のレベルを仮定して、他のシステムアーキテクチャが、種々の方法論をインプリメントする本発明のシステムを実施するために用いられ得る。
【００３９】
本方法は、選択および派生製品形態の生成のサイクルを、選択者によって選好される１つまたは複数の製品形態を決定することを可能にするために十分な回数反復することを含み得る。特に、選択者が消費者のグループである場合のグループ設計の試みにおいて、これは、１つ以上の好適な設計の特定に至り得る。選択者に関する人口統計学的データを収集して、および選択者によって選好される製品形態を人口統計学データと関係付けることは、異なった戦略を用いて利用され得る市場セグメントの特定を可能にする。従って、本発明は、オーナが、所与の製品形態に対する消費者または消費者のグループの相対的類似点を識別するか、または例えば、初期採用者、後期多数派等の市場セグメントを識別することを可能にする新しい形態のマーケットリサーチを容易にする。
【００４０】
派生グループの次の製品形態は、（今回は、製品形態の新しいセットに関して）再び、選好を示すデータを入力する選択者を含む一人以上の人に提供され、プロセスは、停止基準が満たされるまで繰返される。停止基準は、例えば、選択者によって下される購買決定、所定の反復数のサイクリング、選択者を含む複数の人による属性に関するコンセンサス協定の達成、選択者を含む所定の数の人の参加、所定の数の評価の達成、調査の所定回数の実行後、将来の特定の時点への到達、良好な設計が達成されたという判定をする人等の監督者の介入、選択者または監督者を含む人あるいは適切にプログラムされたコンピュータによる生じる製品形態における改善の欠如の判定、進化アルゴリズムによって生成されたすべての設計の選択肢の十分に小さい数の選択肢への集束（すなわち、遺伝子的相違性の喪失または設計の集合における特定のレベルの類似性の達成）、あるいは、これらの特定の組み合わせであり得る。
【００４１】
選択者を構成する調査への参加者は、当然、設計サイクルの間、良好に進化し得る選好プロファイルを有する。参加者は、グループ力学における仲間の選択による影響を受け得る。さらに、参加者の選好は調整され得る。なぜなら、参加者は、他の場合よりも、選択肢についてより厳密に見、かつ考えるからである。おそらく最も重要なのは、設計調査への人の参加は、評価を提供する際に参加者の確信度を向上させるために利用される。多くの場合、製品の選択肢の初期の生成は、低い確信を有する評価をともない得る。しかしながら、進化設計プロセスの間、消費者の選好が設計属性に序々に反映され、より大きい確信をともなって消費者固有の評価が良好に下され得る。同様の現象は、いくらかの消費者が、製品をリサーチした場合に、より確信して購買の決定を下すことである。さらに、工程の繰返しによる消費者の設計の包含、および参加者の本当の選好が何かについての集中的思考は、他の場合よりも頻繁な購買をもたらし得る。これらの行動の洞察に基づいて、本発明により、いくつかの実施形態において、参加者が反復プロセスにおける少なくともいくらかの点で、自身の選好についての確信を示すデータを入力することを可能にすることは有用であり得る。参加者によって表現される設計についての確信のレベルが、少なくとも特定の参加者に関してサイクル停止基準として用いられ得る。
【００４２】
本発明は、多様なプログラミング技術を用いて、所与の調査がゴールに到達することを支援することを考慮する。通常、多くの公知の計算技術が、本発明の方法および装置において有用なコンピュータプログラムの設計において開発され得、これらの技術は、所与の目的を達成するために熟練プログラマによって適合され得る。好適な技術は、遺伝子アルゴリズム、進化戦略、分布推定アルゴリズム（ｄｉｓｔｒｉｂｕｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ ａｌｇｏｒｉｔｈｍ）および遺伝子プログラミングといった遺伝子または進化的計算技術（ＧＥＣ）である。本発明において考慮の対象となる他の計算技術は、生成文法、山登り法、シミュレーテッドアニーリング、ランダムサーチ、ランダム属性値の発生器、統計的設計の調査技術、またはこれらの組み合わせである。例えば、表現された選好から導出される製品形態の属性の重み付けの際に、コンジョイント分析技術もまた用いられ得る。このタイプの分析が遺伝子または進化的計算技術と組み合わされて用いられる場合、所望の情報を取得するための所与の調査において必要とされる反復の数を低減することが可能である。
【００４３】
プログラムは、遺伝子アルゴリズム演算、進化戦略演算、遺伝子プログラミング演算、コンジョイント分析演算、生成文法演算、ランダム属性演算の発生器、製品形態の派生グループを生成する任意の他の演算を実行し得る。プログラムは、製品属性のセットから選択され得、製品形態の派生セットを組立て得、および／または新しいか、または修正された属性を生成し得る関数を開発し得る。プログラムは、さらに、選択者が、生成された製品形態を削除して、製品形態の派生グループ内の新しい製品形態を導入し、派生グループの生成に関する制約を予め選択された属性または属性値を含む形態に、あるいはこのような特定の属性または属性値等を含まない形態に課すか、または製品の属性または調査の他の対象物を規定することを可能にする。装置は、選択者によって選好される複数の製品形態を格納する手段、および選択した製品形態の選択者に売るための電子手段をさらに備え得る。
【００４４】
これらの種々の計算技術は、本明細書中に示されるか、または、添付の請求項のいくつかに示され得る他のプロセス工程との組み合わせで用いられる限りで考慮に入れられることを除いて、本来、本発明の局面として考慮に入れられない。本発明は、例えば、第１のアルゴリズムの出力が次のアルゴリズムの入力として用いられる遺伝子または進化的計算技術の複数のレベルを用いるシステムをさらに含む。コンピュータプログラムは、種々の加速戦略、すなわち、参加者の投票の負担を、例えば、設計のいくつかを評価する参加者の適応統計モデルを用いることによって低減するロジックをインプリメントするコード、または適正または最適形態を識別するために必要とされる設計サイクルの数を、「良好な」設計を有する生産形態集団をシーディングすることによって、あるいは、本質的にモジュールである設計の場合、高位レベルモジュールを最初に進化させることによって、あるいは種々の定数パラメータを用いて実現不可能または不可能な設計を低減または消去することによって低減し得る。
【００４５】
本方法は、例えば、コンピュータディスプレイまたは特定のタイプの出力デバイスによって選択者に、各々が属性の特定の組み合わせを有する製品形態のグループを提供する工程を幅広く包含する。これらの初期製品形態が設計または選択される方法は、重要ではないが、選択者または監督者の予め表現された選好を反映するように候補設計をスクリーニングすることを含み得る。通常、提供は、電子的に、すなわち、設計の選択肢または形態を表すグラフィック、英数字または他の視覚データを提供することによって行われる。提供の視覚による知覚（ｖｉｓｕａｌ ｓｅｎｓｉｎｇ）は、本発明の要求条件ではない。設計または選択された製品は、音響製品によって、メロディまたはベル等で音響的に知覚され得るからである。製品の属性は、平滑性、質感、温度、軟質性の人間工学的屈曲、またはこれらの程度の中または間で区別するために触知され得る。本発明の方法および装置を用いて鼻で知覚されるフレグランス、および口または口／鼻で知覚される味を設計または選択することが可能である。
【００４６】
次に、本発明の方法は、提供された製品形態のサブセット（１つまたは複数）の選好を表現する選択者を有し、選択者によって表現される選好を示すデータは、設計選択肢を進化させる際に用いるためにキャプチャされる。本明細書中に開示されるように、種々の投票スキームが、調査のゴールに依存して、データを収集、集計、スクリーニングまたは、そうでない場合、調整するためのプロトコルの選択と共に用いられ得る。キャプチャされたデータは、派生グループか、または製品形態の「次の生成」を生成するためのプログラムに入力される。これらは、新しい属性（例えば、製品設計の一部または構成要素の新しい色または新しい形状）、新しい価値を有する属性、あるいは属性の新しい組み合わせのいずれかまたは両方を有する製品形態を含む。上述のように、プログラムは、種々の公知のまたはこれまで開発されているアプローチ、戦略、データ処理法、および派生グループまたは次の生成を生成するアルゴリズムを利用する。本発明によるプログラムの重要な局面は、キャプチャデータが派生形態の構造に影響を及ぼすことである。
【００４７】
プログラムは、製品形態の所与の派生セットの少なくとも１つの部分を生成する製品属性のセットから選択され得るか、または属性を生成または修正する関数を利用し得る。プログラムは、例えば、システムのオーナまたは監督者といった選択者または第３のパーティが、生成された特定の製品形態を削除するか、サイクルにおける任意の時点にて新しい製品形態を導入することをさらに可能または促進し得る。さらに、プログラムは、第３のパーティまたは選択者が派生グループの生成をいくつかの予め選択された属性（または属性値）を含む（または、含まない）グループにさせることを可能にして、その属性を有する派生製品形態の集団を強化し得（または弱体化し得）、すなわち、システムを制御する選択者または監督者によって設定される境界条件に応答し得る。
【００４８】
所与のゴールのためのこれらの計算技術の適用（または後述されるように、投票技術）は、例えば、マーケットリサーチ実施形態の場合、アルゴリズム／プログラムを制御し、従って、コンピュータプログラムを通じて、参加者（通常、オンライン上の多数の消費者）に、連続的に生成して種々の製品形態を提供する。これらの製品形態は、特に、折衷的で多様な設計の選択肢を提供して、製品属性の異なった組み合わせを有する設計空間の探索を促進するように設計される。代替的または追加的に、コンピュータプログラムは、一人またはサブセットの消費者の選好と調和する製品属性のセットにむけて集束、すなわち、「フィット製品」に向かって進化する派生製品を生成する（消費者の選好と最良に調和するもの）。さらに別の局面において、コンピュータプログラムは、対応する複数の消費者のサブセットの選好と調和する製品属性のセットを有する複数の製品の形態に向けて集束する派生製品形態を生成する。従って、システムは、同様の選好を有する消費者のグループ、およびその選好を満たす設計の両方を識別することを可能にし得る。
【００４９】
本明細書中にて「仮想販売員」と呼ばれるさらに別の好適な実施形態において、本発明は、製品の買物客によって、代替的属性を有する多数の同様の製品形態の中からの選択を促進する方法を提供する。本方法は、各々が属性の特定の組み合わせを有する製品形態のグループを買物客に電子的に提供する工程と、買物客が選好する提供された製品形態のサブセットについての選好を表現することを可能にする工程と、買物客によって表現される選好を示すデータをキャプチャする工程と、データを製品形態の派生グループを生成するためのプログラムに入力する工程と、新しい属性または属性の新しい組み合わせを有する形態を含む工程と（この形態の生成はキャプチャされたデータによる影響を受ける）、買物客に、製品形態の少なくともいくつかの派生グループを提供する工程と、データキャプチャする工程と、入力する工程と、新しい選択生成および提供工程を、停止基準（通常、購買決定）が満たされるまで繰返す工程とを包含する。再び、本方法は、好適には、電子ネットワークによって、最も好適には、企業間および企業と消費者の関係でインターネットを介してインプリメントされる。
【００５０】
システムが「仮想販売員」として利用される実施形態について、アルゴリズム／プログラムが制御され得、従って、参加者（通常一人の買物客）には、コンピュータプログラムを通じて、既存の製品またはサービスの設計（購買オプション）、あるいは容易に製造され得る製品、または販売することができる製品の在庫が提供される。生成に関する新しい製品の選択肢を「予め選択すること」によって、システムは、買物客を、買物客が既存の、特に収益性の高いまたは在庫過剰な商品の中で好む製品、または買物客が最も魅力的だとみなす製品の形態に導く。
【００５１】
本明細書中にて「設計エンジン」と呼ばれる本発明の実施形態において、選択者は、消費者の比較的大きいグループか、または同じ組織に所属し得るかまたは所属し得ない、共通の人口統計学的グループのメンバーであり得、あるいはプロの設計者を含み得る。市場データの収集を容易にすることに関わる本発明の局面において、選択者は、通常、消費者のグループである。
【００５２】
一つの重要な実施形態において、本発明は、各々が代替的属性を有する潜在的に多数の形態を有する製品をまとめて設計する方法を提供する。本方法は、適切に構成されたコンピュータか、または設計エンジンとして利用されるコンピュータのネットワークにて実施され得る。本方法は、複数の人の各々に製品形態のグループを電子的に提供する工程と（これらの各々が属性の特定の組み合わせを有する）、人が選好する提供された製品形態のサブセットについての選好を表現することを可能にする工程と、人によって表現される選好を示すデータをキャプチャする工程と、製品形態の派生グループを生成するためのプログラムにデータにキャプチャデータを入力する工程と（新しい属性、または属性の新しい組み合わせを有する形態を含み、その生成は、キャプチャデータによる影響を受ける）複数の人に製品形態の派生グループを提供する工程とを包含する。プロセス工程は、その人によって選好される１つ以上の製品形態の発見といった停止基準が満たされるまで反復される。その後、選択された製品形態に基づいて複数の単位の製品が生産され得、選択された製品形態に基づいて、一人以上の人または他の人々に製品が販売され得る。選択する人は、例えば、プロの設計者またはフォーカスグループのメンバーであり得る。
【００５３】
本方法は、選択のサイクルおよび派生製品形態の生成を、選択者によって選好される１つ以上の製品形態を決定することを可能にするために十分な回数反復することを含み得る。特に、選択者が消費者のグループであるグループ設計の取り組みにおいて、これは、１つ以上の好適な設計の特定に至り得る。選択者に関する人口統計学的データを収集することおよび選択者により選好される製品形態を、人口統計学的データと関係付けることは、異なった戦略を用いて開発され得る市場セグメントを特定することを可能にする。従って、本発明は、そのオーナが、所与の製品形態について、消費者または消費者のグループの相対的類似点を識別すること、または市場セグメント、例えば、初期採用者、後期多数派等を識別することを可能にするマーケットリサーチの新しい形態を容易にする。
【００５４】
別の実施形態において、本発明は、ビジネスマネージャ等の参加する人のグループの中で、多数の代替的属性を潜在的に有するプランまたはメニューに関してコンセンサスを達成する方法を提供する。本方法は、複数の参加する人の各々に、各々が属性の特定の組み合わせを有する選択肢のグループを電子的に提供する工程を包含する。人は、提供される選択肢のサブセットについての選好を表現する。これらの人によって表現される選好を示すデータは、選択肢の派生グループを生成するための、新しい属性または属性の新しい組み合わせを有するプランを含むプログラムに入力される。新しい、派生選択肢の生成は、キャプチャデータによる影響を受け、従って、プランの選択肢の派生グループは、複数の参加する人に提供される。データ収集、新しいプラン生成、および提供は、コンセンサスが達成されるまで繰返される。このプロセスは、グループウェアとしてのイントラネットまたはインターネット上でインプリメントされ得る。生成された選択肢は、監督者により選好されるプランであり得、これは、参加する人に提供されて、これらの人々が監督者によって選好されたプランの属性を選択するように誘導する。再び、本発明は、選択肢の派生グループの生成を予め選択された属性または属性のセットを含むグループにに制約するさらなる工程を含み得る。
【００５５】
さらなる利点と共に、上述の本発明の利点は、添付図面と関連した以下の説明を参考にすることにより、より良く理解され得る。図面において、同一の参考符号は、異なる図にわたって、同一の部分を示す。また、図面は、必ずしも縮尺して製図されていない。代わりに、本発明のコンセプトを伝えることに強調点が置かれている。
【００５６】
（本発明の詳細な説明）
図１は、本発明が用いられ得る環境の１実施形態を示す。選択者は、ネットワーク１００によって１以上のサーバコンピューティングシステム５０、５２、５４と通信するために１以上のクライアントシステム１０、２０、３０、４０を用い得る。ネットワーク１００は、イーサネット（登録商標）ネットワーク等のローカルエリアネットワーク（ＬＡＮ）、または、インターネットまたはワールドワイドウェブ等のワイドエリアネットワーク（ＷＡＮ）であり得る。クライアントシステム１０、２０、３０、４０は、様々な接続部を介してネットワーク１００に接続され得る。様々な接続部は、標準電話線、ＬＡＮまたはＷＡＮリンク（例えばＴ１、Ｔ３、５６ｋｂ、Ｘ．２５）、ブロードバンド接続部（ＩＳＤＮ、フレームリレー、ＡＴＭ）、および無線接続部を含む。接続部は、様々な通信プロトコル（例えばＴＣＰ／ＩＰ、ＩＰＸ、ＳＰＸ、ＮｅｔＢＩＯＳ、イーサネット（登録商標）、ＲＳ２３２および直接非同期接続部）を用いて確立され得る。例えば、ネットワーク１００は、中央集権化された決定エンジンに対する組織内の会社イントラネット接続の決定者であり得るか、または、ネットワーク１００は、セキュアなエクストラネット、または、カンパニーの供給者またはカンパニーの設計エンジンに関するコンサルタント等の異なるエンティティに接続する仮想私設網であり得る。
【００５７】
図１に示されるように、クライアントシステム１０、２０は、通常ユーザによって用いられるクライアントコンピューティングシステムであり得る。通常ユーザによって用いられるクライアントコンピューティングシステムは、任意のパーソナルコンピュータ（例えば２８６ベース、３８６ベース、４８６ベース、ペンティアム（登録商標）ベース、ｉＴａｎｉｕｍベース、ＰｏｗｅｒＰＣベース）、ウィンドウズ（登録商標）ベース端末、ネットワークコンピュータ、無線デバイス、情報装置、Ｘデバイス、ワークステーション、ミニコンピュータ、メインフレームコンピュータ、パーソナルデジタルアシスタントまたは他のコンピューティングデバイス等である。以上の実施形態において、クライアントシステム１０、２０は、多数のウィンドウ指向オペレーティングシステムの任意の一つである。ウィンドウ指向オペレーティングシステムは、ウィンドウズ（登録商標）３．ｘ、ウィンドウズ（登録商標）９５、ウィンドウズ（登録商標）９８、ウィンドウズ（登録商標）ＮＴ３．５１、ウィンドウズ（登録商標）ＮＴ４．０、ウィンドウズ（登録商標）ＣＥ、マッキントッシュ、Ｊａｖａ（登録商標）、Ｕｎｉｘ（登録商標）およびＬｉｎｕｘ等である。この実施形態において、選択者は、クライアントデバイス１０、２０を介してシステムとインタラクトするユーザ１２、２２を含む。
【００５８】
他の実施形態において、クライアントシステム４０は、詳細な確立における情報キオスクである。以上の実施形態において、クライアントノード４０は、消費者入力を受けるためのタッチ感知スクリーンまたは膜キーボードを含み得る。他の実施形態において、クライアントシステム４０は、販売取引から参考情報を収集する小売の販売点端末（ｒｅｔａｉｌ ｐｏｉｎｔ−ｏｆ−ｓａｌｅ ｔｅｒｍｉｎａｌ）である。図１のクライアントシステム３０は、現実の人間のプロキシである選択者の実施形態を示す。選択者の実施形態は、プログラムされ、ニューラルネットとしてトレーニングされたコンピュータ、統計モデル、分布評価アルゴリズム、強化またはＱ学習方法、学習分類子システム、または他の機械学習方法またはエキスパートシステム等である。以上の実施形態において、クライアントシステム３０は、（スレデッドまたは他の）１以上のプロセスであり得る。上記プロセスは、ニューラルネットモデル、学習分類子システム、統計モデルまたはエキスパートシステム等の評価モデルまたはアルゴリズムを実施する。上記評価モデルまたはアルゴリズムは、人間の投票選好をエミュレートし、プロキシによって投票する。上記のプロセスは、クライアントシステム３０上で実行し、サーバシステム５０、５２、５４とネットワーク１００を介して通信し得る。あるいは、クライアントシステム３０は、サーバシステム５０、５２、５４をネットワーク１００を介して通信し、パイプ、共有メモリまたはメッセージベースの通信（遠隔プロシージャコール等）を用いて、様々なサーバプロセスと通信し得る。
【００５９】
多くの実施形態において、サーバ５０、５２、５４の一つは、商品形態の初期の集団（ｐｏｐｕｌａｔｉｏｎ）を提示する工程、選択者に提示された派生された商品形態を生成する工程、選択者選好を示すデータを取り込み、処理する工程に責任を持つ。このサーバは「提示サーバ」と称される。属性データベース６０は、商品形態を生成するために利用可能になり得る属性を格納する。投票データベース７０は、プロセスの進行の間に選択者から得られた選好データを格納する。実施形態の中には、一つのデータベースが可能な商品属性および得られた選好データの両方を格納するように用いられるものもある。
【００６０】
サーバ５０、５２、５４の別の一つは、商品形態の表示を生成する格納された属性データと格納された選好データとを利用する生成および進化的計算プログラムを実施する。このサーバは「生成サーバ」と称される。提示サーバは、上記の商品形態表示を処理して選択者に提示され得る商品形態を生成する。
【００６１】
しかし、サーバ５０、５２、５４の別の一つは、投票総計（ｖｏｔｅ ａｇｇｒｅｇａｔｉｏｎ）分析サーバとして役に立つ。このサーバはいくつかの役割を果たす。このサーバは、選択者から入来する選好データを取り込み、それを投票データベース７０に格納する。このサーバはまた、データを分析し、変形するか、または、データを、生成サーバによって用いられ得るフォーマットに条件付ける。このサーバはまた、統計またはニューラルネットベースのモデル、または、選択者選好の他の機械学習モデル等のモデルを発展させるために用いられ、このサーバは、上記のモデルを用い、選択者に上記モデルを提示する前に生成サーバによって生成された形態のいくつかを排除し得る。さらに、このサーバは、選択者のサブセットの選好を示すデータを提供し得る。このデータは、提示サーバによって提示された形態に付けられ得る。個別のサーバとして示されているが、生成サーバ、提示サーバおよび投票総計／分析サーバは、任意の数の物理的なサーバとして具体化され得る。
【００６２】
選択者による購入決定または購入決定のサブセットを本発明が与えるか、または、利用する実施形態において、サーバ５０、５２、５４の一つは、ｅコマースサーバであり得る。例えば、購入決定は、設計調査の停止条件の一つを提供し得るか、または、選択者を含む個人は、個人が満足を見出す中間商品形態の一つについて購入順序を決定するように許可され得る。当業者によく理解されているｅコマースサーバは、請求書情報および出荷情報等の顧客情報を含むデータベースを用いる。ｅコマースサーバは、関連する請求および出荷情報を得て、処理し、データベースに格納し、注文実行エンティティに関連データを送信るように用いられ得る。
【００６３】
選択者はまた、１以上のコンピュータを含み得る。上記コンピュータは、統計モデル、ニューラルネット、学習分類子システム、他の機械学習モデルとしてプログラムされたコンピュータであるか、または、コンピュータ選好パターンを模倣するか、シミュレーションするように「トレーニングされた」他の適切なソフトウェアアルゴリズムを備えたコンピュータである。このような代理の選択者は、他の事項の間に、コンピュータ駆動の創発的な設計サイクルの間に、フィードバックおよび評価プロセスを容易にし得る。適切なコンピュータプログラムは、おそらくスーパバイザとしてを除き、顧客の参加を容易にし得るか、または排除し得る。例えば、トレーニングフェーズを経験した後、評価プログラムは、生成プログラムへの入力として受け入れる前に顧客が受諾するか、または調整すべき選択肢の所与のセットに対する示唆された選好パターン（評価）を表現し得る。繰り返されたサイクルの後、顧客は、彼または彼女の個人の評価プログラムが監督されていない入力を生成問題に提供することを許可し、数サイクル後、顧客に調節するのを許可するのを待つ。最終的には、信頼意識（ｓｅｎｓｅ ｏｆ ｔｒｕｓｔ）は、顧客と評価プログラムとの間で発展し得、評価プログラムが顧客のプロキシとして振る舞うことを可能にする。このような方法の利点は、顧客選好と特定の設計選択肢との間の適応ランドスケープをより十分に偵察するために、多数の初期シード評価集合（選択肢）から始まる数サイクルの間、評価プログラム−生成プログラムがインターラクトできることである。
【００６４】
ニューラルネット、学習分類子システム、機械学習、エキスパートシステムまたは評価プログラムの他のタイプは、コンピュータ生成選択肢および顧客特定評価を用いる緊急設計サイクルの集合を用いてトレーニングされ得る。緊急設計プロセスとの将来のインターラクトを支援するのに利用可能な個人化評価プログラムを有する見込みは設計サイクルの大集合に従事する顧客には励みになり得る。
【００６５】
本発明の別の実施形態において、選択者は一個人からなる。すなわちシステムが１ユーザシステムである。この場合、集合され、分析されるための複数の投票はない。したがって、投票データベース７０は、設計調査中の選好データまたは特定の選択者に対する決定プロセスを格納するために用いられる。投票データベース７０はまた、現在の調査以前の調査と類似した調査に参加した可能性のある他の選択者からの選好データを含み得る。サーバ５０、５２、５４の一つは、選択者から入ってきた選好データを収集し、分析し、格納する。サーバ５０、５２、５４の一つはまた、データを提示サーバに提供することにより、参加者にフィードバックを提供するように用いられ得る。提示サーバは、調査持続時間にわたって選択者の選好の進化を示すか、または、選択者に、投票データベース７０に格納されたデータと現在の選好を比較する基礎を提供し得る。
【００６６】
本実施形態は、本発明の仮想セールスポイントの実施形態を実施するために用いられ得る。本実施形態はまた、アプリケーションサービスプロバイダモデルを介して一個人設計調査を実施するために用いられ得る。もちろん、このようなシステムは、単一の、適切にプログラムされたコンピュータに具現化され得る。
【００６７】
図２は、本発明の方法を具現化する、例示的な決定または商品設計調査のプロセスフロー図である。
【００６８】
本実施例において、プロセスは、調査のオブジェクト（すなわちブロック２１０によって表示された決定オブジェクトまたは設計オブジェクト）を識別することで開始する。この点において、オブジェクトは、「テニスシューズの色」、「来週のミーティングの議題」、「来月の共同ミーティングのメニュ」等の、非常に一般的な用語で識別される。いくつかの実施形態において、調査５１０のオブジェクトを識別するステップは、「仮想セールスパーソン」実施形態にあるようにスキップされる。次に、ステップ２１１において、調査の間に変更するように許可されるオブジェクトの上記の属性が識別され、上記属性が取り得る異なった値が決定される。例えば、上述されたテニスシューズの色の場合、ステップ２１１は、設計バリエーションの影響下にある靴の個別の要素を識別することを含む。結果は、つま先の色、アイステイ色（ｅｙｅ ｓｔａｙ ｃｏｌｏｒ）、前皮色、ヒールの色、ソールの色およびレースの色となり得る。さらに、上記要素のそれぞれが取る色の範囲が確立され得る。例えば、レースは、レースが取り得る異なる色（例えば白、黒および赤または異なる値を有する赤の属性）を有し得る。同様に、バンプが取り得る８色（例えば赤、青、白、緑、オレンジ、黒、黄および紫）がある。さらに、他の実施形態において、所定の制限ルールが実施され得る。所定の制限ルールは、例えば、レースの所定の色が前皮の特定の色に用いられることを防ぐ。他の実施形態において、属性は、値の連続範囲を有し得る。
【００６９】
プロセスの次のステップは、ブロック２１２によって表示されており、遺伝アルゴリズム、遺伝プログラムまたはＧＥＣプログラム内で、特定の設計または決定オブジェクトを内部的に表示するために用いられる表示または遺伝型コーディングを決定することを含む。遺伝アルゴリズムの場合、「遺伝子型」は、特定の時点、属性の組み合わせまたはその構造の「値」が一つの特定の商品形態を表示するような、それぞれの属性値を暗号化するデータ構造である。このステップは、前のステップ２１１に直接に結び付けられる。ステップ２１１にて、時には「特徴付け（ｆｅａｔｕｒｉｚａｔｉｏｎ）」と呼ばれる属性および属性の可能な値が決定される。テニスシューズの色の実施例を続けると、適切な遺伝子型は、六つの整数ストリングからなり、それぞれは、識別された特徴（レース等）の一つを表示する遺伝子とみなされる。その整数は、順に、異なる整数値（本明細書中では、実施例として、例えば、三つの０、１および２等）を取るように限定されている。０、１および２それぞれは、三つの所定の、レースに許容された色の一つを示す。本実施例の遺伝型は、模式的に以下に示される。
【００７０】
【表１】

別の実施例において、遺伝子が取り得る値が所定の属性を示すのではなく、物理パラメータを表示することがあり得る。例えば、２１１にて識別された設計パラメータの一つが靴のヒールの高さである場合、それをコーディングする遺伝子は、現実の高さをインチで表示する値を取り得る実数（例えば０．５〜１．５）であり得る。別の場合において、遺伝子型毎の整数または実数は、複合コンピュータ支援設計プログラムで用いられるパラメータを表示し得る。複合コンピュータ支援設計プログラムは、上記パラメータに基づいて異なる形態を生成する。例えば、上記パラメータは、所定の形状の曲率次元および曲率半径、および／または、形状を作り上げるベジェ曲線のパラメータを表示し得る。
【００７１】
１実施形態において、商品は、ＣＡＤ／ＣＡＭシステムとして説明され得、設計特徴は、ＣＡＤ／ＣＡＭシステムにより、自動的に、商品のＣＡＤ／ＣＡＭモデルから抽出され得る。例えば、商品は、モデル属性および属性の特定の値にリンクする表によってＣＡＤ／ＣＡＭシステムで表示され得る。モデル属性は、商品に対するそれぞれの「遺伝子」および「染色体」値または特定の「対立形質」等の変数の特定の値とみなされ得る。属性値は、ＡＰＩコールをＣＡＤ／ＣＡＭシステムにすることによって操作され得る。
【００７２】
フローチャートの次のステップは、ブロック２１３によって表示されており、上述の遺伝子型表示、進化的アルゴリズムの内部データ構造から選択者に提示され得る対応する形態表示である表現型へのマッピングまたは転換を決定することを含む。テニスシューズの実施例では、このマッピングは、特定の特徴の色とそのインデックス値との間の単純な対応のような取るに足らない。他の場合、このマッピングはより複雑であり得る。例えば、遺伝子プログラミングが用いられる場合、遺伝子型は、プログラムまたはインストラクションの集合を暗号化し得る。このプログラムまたはインストラクションの集合は、商品形態（例えば遺伝子形状）を生成するか、または形状のパラメトリックコンピュータ支援設計モデル、遺伝子によって暗号化されたパラメータを決定する。
【００７３】
上述のステップ２１０〜２１３は、２１４で始まるプロセスの繰り返しパートの準備工程である。２１５において、可能な解の初期集団−可能な設計、可能な決定、可能なメニュ−が生成される。遺伝子および進化的計算手法の言語では、この初期集団はシード集団または試行集団と呼ばれる。典型的な集団サイズは、２〜１００、０００の範囲であり得る。いくつかの実施形態において、典型的な集団サイズは３〜５０、０００の範囲である。より好適な実施形態において、典型的な集団サイズは４〜１０、０００の範囲である。さらにより好適な実施形態において、典型な集団サイズは５〜１、０００の範囲である。たいていの好適な実施形態において、典型的な集団サイズは、５０未満から６００までの範囲である。集団のそれぞれのメンバーは上述された遺伝子型、すなわちデータ構造であり、このデータ構造にて、フィールドそれぞれまたは「遺伝子」がその許可された値の一つを取る。これらは染色体と呼ばれる。シード集団は、染色体内のフィールドそれぞれに対して許可された範囲からランダム値を取り出すことによって生成され得る。可能な解の初期集合を作り出す他の可能な方法は、以前の調査の結果である染色体、他の（より従来の）手段を用いる人々によって設計される商品形態を表示する染色体、このプロセスの目的に部分的に依存する他の方法の間の染色体を用いることである。
【００７４】
一旦初期集団が生成されると、所期集団が選択者に評価のために提示される。このステップは２１６で表示される。可能な解を提示することは２１３で決定された表現型転換スキームに遺伝子型を用いることを必要とし得る。ステップ２１６は、可能な解の全集団を選択者に提示することを含む。いくつかの特定の実施形態において、選択者は、広域（この場合では初期）集団の、サブセットまたは「窓」について提示される。ＣＡＤ／ＣＡＭシステムを含む実施形態について、ステップ２１６は、集団のそれぞれをレンダリングするＣＡＤ／ＣＡＭシステムを必要とする。最低限、可能な解の二つが選択者に提示される。２１６にて、商品形態の提示と共に、選択者はまた、商品形態の間の選好を表現する手段で提示される。これは、みなし品物（ｄｅｅｍｅｄ ｇｏｏｄ）であるモノにクリックすることから、提示された様々な形態に対する代入グレードを移動すること、選好の順序によって形態を順序付けることまでの任意の数の方法で実施され得る。上記方法のそれぞれにより、次のステップで取り込まれて用いられる選好データの特定のタイプが結果的に生じる。特に、選択者が彼または彼女の選好を示す一方法は、提示された形態のモノ、おそらくみなし満足されているモノに対する購入要求を発行することによる。
【００７５】
ステップ２１７において、選択者からの選好データは、典型的には電子的に収集され、分析される。一人より多くの個人が選択者を含む場合、異なる個人からの選好データは総計され、プロセスの次のステップにて使用可能であるように条件付けされなければならない。このステップにおいて、任意の数の投票集団方法が用いられ得る。投票集団方法、および、選択者の選好を表現するために選択者選択者に提供された方法が技術的に関係付けられる。
【００７６】
本発明の実行上で有用な投票システムは一般に五つのカテゴリ（１）多数決原理および多数決主義方法（ｍａｊｏｒｉｔｙ ｒｕｌｅ ａｎｄ ｍａｊｏｒｉｔａｒｉａｎ ｍｅｔｈｏｄｓ）、（２）ｐｏｓｉｔｉｏｎａｌ ｍｅｔｈｏｄｓ（３）ｍｕｌｔｉ−ｓｔａｇｅ ｍｅｔｈｏｄｓ（４）ｕｔｉｌｉｔａｒｉａｎ ｍｅｔｈｏｄｓ（５）比例法に分類される。
【００７７】
多数決原理および多数決主義方法は選択肢間のバイナリ比較からの情報のみに依存する。おそらく多数決原理の非常に精通された例は、しばしば二人の候補者間の選択である合衆国の大統領選挙プロセスである。多数決原理選挙スキームの勝者は投票者の半分より多数によって選ばれる選択肢（または候補者）である。二人の選択肢が提示される場合について、決選投票等のいくつか他の手順は、選択肢の数を２に減らす（または選択肢を二つのグループにグループ分けする）ことが必要とされる。一つの多数決原理は、ペアでの比較を実行し、上記比較にて負ける選択肢を排除することにより、２より多数の選択肢に適用され得る。本方法において、勝者は、ペアでの比較が実行される順番に依存し得る。他の多数決原理システムは、特に、ｔｈｅ Ａｍｅｎｄｍｅｎｔ Ｐｒｏｃｅｄｕｒｅ、ｔｈｅ Ｓｕｃｃｅｓｓｉｖｅ Ｐｒｏｃｅｄｕｒｅ、Ｔｈｅ Ｃｏｐｅｌａｎｄ Ｒｕｌｅ（ペアでの比較を用いて負けおよび勝ちをカウントする）およびＳｃｈｗａｒｔｚ ｒｕｌｅを含む。
【００７８】
Ｐｏｓｉｔｉｏｎａｌ Ｍｅｔｈｏｄｓは、多数決主義方法より、投票者の選好順序付けについてより多くの情報を利用する（必ずしも全順序付けではない）。複数の投票（ｆｉｒｓｔ ｐａｓｔ ｔｈｅ ｐｏｓｔとしても公知である）において、全ての投票者は彼または彼女の最も好むｎ選択肢に投票する。ここでｎは選挙されるべき候補者の数である。最も投票を得た選択肢が勝つ。多数決主義方法と異なり、第３の候補者が全選挙区によって好まれていなくとも、複数の投票の投票分割に起因して、十分に異なる第３の候補者に二人の類似の候補者が負けることがあり得る。Ｐｏｓｉｔｉｏｎａｌ ｍｅｔｈｏｄｓは、特に、本発明のいくつかの好適な実施形態に関連する。上記方法は、調査中に参加者に多数の選択肢を提示すること、および、参加者が選好の順番に選択肢を格付けを要求することを含む。
【００７９】
Ａｐｐｒｏｖａｌ ｖｏｔｉｎｇにおいて、投票者は、投票者が望む選択肢の多く（投票者が「是認する」選択肢全て）を選び得る。勝者は、一般に複数の投票（他の者より多くの投票）を受ける一般に選択肢である。
【００８０】
「得点」または「点」方法の例であるＢｏｒｄａ Ｃｏｕｎｔ ｖｏｔｉｎｇにおいて、それぞれの投票者がそれぞれの選択肢に多数の点を与える。ｎ選択肢の最も好まれるのはｎ−１点を与えられ、次に好まれるのはｎ−２点を与えられ、常に最も好まれない選択肢にｎ−ｎまたは０点である。勝っている選択肢は最多数の投票を受け取る選択肢である。
【００８１】
Ｍｕｌｔｉ−Ｓｔａｇｅ Ｍｅｔｈｏｄｓは、投票プロセスの異なるステージで異なる機能またはメカニズムを用いる。上記方法は、減少した数の選択肢に繰り返して同一のメカニズムを用い得る。上記方法の利点は、投票者が勝ちそうにない選択肢を選んだ場合に、投票者が彼または彼女の投票をムダにするのを恐れる必要がないことである。一つのこのような方法は、（連続的なペアの比較を通して）コンドルセ勝者が存在する場合にはコンドルセ勝者を選ぶＢｌａｃｋ’ｓ ｍｅｔｈｏｄである。コンドルセ勝者が見出されない場合、この方法はＢｏｒｄａ ｃｏｕｎｔ勝者を選ぶ。別のｍｕｌｔｉ−ｓｔａｇｅ ｍｅｔｈｏｄは、簡単に上述した、投票の第１ラウンドで大多数の勝者を欠く決戦手順であり、決戦単一多数決選挙は、最多数の投票を受け取った二つの選択肢間で行われる。別の、連続的にＢｏｒｄａ ｍｅｔｈｏｄを適用するｍｕｌｔｉ−ｓｔａｇｅ ｍｅｔｈｏｄは、勝者が残るまで各ラウンドで最小点の選択肢を排除するＮａｎｓｏｎ’ｓ Ｂｏｒｄａ−Ｅｌｉｍｉｎａｔｉｏｎ ｐｒｏｃｅｄｕｒｅである。このアプローチの利点は、定型的なＢｏｒｄａ ｍｅｔｈｏｄと異なり、この方法がコンドルセ敗者を決して選ばないことである。
【００８２】
Ｓｉｎｇｌｅ−Ｔｒａｎｓｆｅｒａｂｌｅ Ｖｏｔｉｎｇ（ＳＶＴ）またはＨａｒｅ’ｐｒｏｃｅｄｕｒｅが英国で人気がある。本方法では、投票者は全ての候補者にわたる投票者の選好ランキングを提出する。閾値数の第１の位置をより受け取る任意の候補者が選ばれる。選ばれた候補者が選挙に必要であるより多くの投票を受け取る場合、この候補者が有する余りの投票は、投票者の第２の選択選好に基づいて残りの候補者にわたって再分配される。再度、必要な数の投票より多くを受け取る任意の投票者が残りの投票の再分配に従って選ばれ、再分配の新しいラウンドが実行される。残りの勝つための投票がもはや利用不可能であり、勝者の必要な数が到達されていない場合、最小点候補者が排除され、その候補者に対する投票が再分配される。
【００８３】
ＳＶＴ手順には、勝つために必要とされる閾値に依存し、解放された投票を再分配するために用いられる手順に依存し、同点を解決するために用いられる方法に依存して多くのバリエーションがある。投票を再分配する一方法は「制御されたランダムネス」を含む。ＳＶＴは１選択肢のみを選ぶように用いられ得、この場合、再分配は排除された候補者のみからの投票を含む。（本方法はＡｌｔｅｒｎａｔｅ Ｖｏｔｅ ｏｒ Ｍａｊｏｒｉｔｙ Ｐｒｅｆｅｒｅｎｃｅ。）
Ｃｏｏｍｂ’ｓ ｐｒｏｃｅｄｕｒｅは、最も最後の位置を得る選択肢が排除される（選択肢の投票が再分配される）ことを除いてＳＶＴに類似している。ＳＴＶは最も集中して好まれる選択肢を選択する傾向があり、Ｃｏｏｍｂ’ｓ ｐｒｏｃｅｄｕｒｅが大多数によって最も好まれない選択肢を選択する傾向がある。
【００８４】
Ｕｔｉｌｉｔａｒｉａｎ Ｍｅｔｈｏｄｓ。選択肢の順序ランキングを提供するように投票者に単に要求する、これまで議論された方法と異なって、Ｕｔｉｌｉｔａｒｉａｎ ｍｅｔｈｏｄｓは基本的な格付けを要求する。投票者は、効用値を、投票者に提示された選択肢のそれぞれに割り当てるように要求される。上記効用値は、有限スケール（一般に用いられるスケールは１〜５、１〜７、０〜１０または０〜１００となるスケールである）を用いて、投票者がそれぞれの選択肢から派生すると期待する幸福または満足の量を反映するように意図される。区間スケール、および比率スケールの間で区別される。前者において、ゼロは意味がない。それは単に意味のある値間の差に過ぎない。後者において、ゼロは測定されている特性の欠如を意味する。ｕｌｉｔａｒｉａｎ ｍｅｔｈｏｄｓの結果は、様々な選択肢の投票者によって与えられた効用値の総計に基づいている。
【００８５】
これまで提示された方法と当該ｕｔｉｌｉｔａｒｉａｎ ｍｅｔｈｏｄｓ間の差をさらに分類するために、多数決主義方法は何回ｘが一つの他の選択肢に勝るかに基づく決定を基礎とすることが留意されている。Ｐｏｓｉｔｉｏｎａｌ ｍｅｔｈｏｄｓは何回ｘが全ての他の選択肢に勝るかに基づく決定を基礎とする。上記方法は、いずれも選択肢への投票者の直接的な評価に基づく決定を基礎としない（ｐｏｓｉｔｏｎａｌ ｍｅｔｈｏｄｓは時に誤って中断されるが）。Ｕｔｉｌｉｔａｒｉａｎ ｍｅｔｈｏｄｓは判断の強さ、すなわちどれだけ選択肢ｘが別の選択肢ｙに勝るかを説明する。以下の方法はＲｉｌｅｒおよびＭｕｅｌｌｅｒによって説明される。
【００８６】
本明細書で説明される好適な実施形態の一つに用いられえるようなＤｉｒｅｃｔ Ａｇｇｒｅｇａｔｉｏｎ ｏｆ Ｃａｒｄｉｎａｌ Ｕｔｉｌｉｔｙは、単純なＳｕｍｍａｔｉｏｎ ｏｆ Ｃａｒｄｉｎａｌ Ｕｔｉｌｉｔｙ ｍｅｔｈｏｄである。本方法において、それぞれの選択肢の効用値が追加され、最大合計を受けている選択肢が勝つ。別の方法は、ｍｕｌｔｉｐｌｉｃａｉｏｎ ｏｆ ｕｔｉｌｉｔｉｅｓを含む。効用値は合計される代わりに積算される。上記方法のバリエーションは、効用値を用いる前に（効用値をいくつかの正規スケールにフィットさせることにより）効用値を正規化する。上記投票方法の一つの問題は、（勝つチャンスを増やすために）投票者が投票者の好む選択肢に割り当てる効用値を投票者が増加させる傾向、および、投票者が好んでいない選択肢に投票者が割り当てる効用を減少させる傾向である。
【００８７】
本発明が利用し得る一つのバリエーションは、効用の合計または乗算の重み係数の使用を介して、異なる投票者またはグループまたは投票者が他のものより多かれ少なかれ投票力を与えられる場合である。これは結局「スーパー投票者（ｓｕｐｅｒ ｖｏｔｅｒ）」スキームである。例えば、マネージャまたは設計者は、選択者を構成する他のものよりもより投票力を与えられ得る。なお、上記で説明した順序投票スキームでは、スーパー投票者ステータスは、スーパー投票者に１より多い選択権を与えることを含む。
【００８８】
Ｄｅｍａｎｄ−Ｒｅｖｅａｌｉｎｇ Ｍｅｔｈｏｄｓ。本方法は上述のｄｉｒｅｃｔ ａｇｇｒｅｇａｔｉｏｎに関する問題を防ぐように試行する。ここで、投票者は投票者の好まれる結果に対する投票者の値を増加させる。このアイデアは、好まれる選択肢を得るために所定の量のお金を支払うように申し出ることにより、投票者に投票させることである。それぞれの選択肢に申し出られたお金の量が合計され、最大合計を獲得する選択肢が勝つ。勝っている選択肢の申し出が勝利マージンを超える投票者は、投票者の勝利への寄与に等しい税金を支払わなければならない。税金は、投票システムに関連した誰かの態度を堕落させないように、投票システムに関連した誰にも向かわないことになっている。このようなシステムの一つの否定的な面は、税金はが上記の投票者により多くのお金の供与を効率良く止めさせないことである。本発明の背景において、典型的に、値のいくつかのトークンが用いられる。税金は、ペナルティのいくつかの形態から成る。ペナルティはトークンまたは調査の背景にて参加者に対する価値の何か他のものを含み得る。
【００８９】
１局面において、本発明は、あるシステムから別のシステムへの投票スキームの切り換えを設計調査発展としてみなす。上述の投票システムのリストから明らかなように、参加を最大化する等の公平の確実な測定についてより良いものもあり、選択者を作り上げる人々のわずか一部が強く思っている選択肢を素早く見出す点でより良いものもある。言い換えれば、調査の間に与えらた任意の点にて、本発明に従って行われた調査の間に使用する投票システムは、例えば、マーケットリサーチの実施形態を利用する場合に、探索を支援するか、または、高速で最適化に到達することに支援するか、または、１人の人、または、例えば特定のマーケット部門の、選択者の代理を含む人の集合によって好まれた特定の設計に収束することを支援する。したがって、例えば、本発明は、ステージの初期に探索を支援し、後のステージで解へと突進する調査過程の間、投票パラダイム間で切り換えをすることによって実施される。この一般的な概念は、早期収束を防いで初期に利用を可能にする遺伝アルゴリズムに用いられたいくつかの標準的な技術の価値を有するとして認識される。これらは、評価関数から遺伝子アルゴリズムにフィードバックされるフィットネスデータのスケーリングを処理する。もちろん、これは本発明の実行に従って行われ得る。あるいは、投票システムの選択および変化は同じことを効率良く達成するために用いられる。
【００９０】
まだ本発明の別の局面では、本発明は並行に単純な投票システムを起動することを考慮する。例えば、初期生成または調査過程の間の割り当てられたポストでの出力を比較する。次いで、決定スキームまたはルールまたはスーパーバイザは、プロセスで次の繰り返しを行うために、これらの結果のいくつかの組み合わせを用いるべきどれか、または、おそらく用いるべきどれかを決定する。このような決定は、査定が行われる時間での現在の投票データだけに基づくのでなく、異なる投票またはデータ総計スキームおよび投票履歴または初期の繰り返しの結果に基づく。もちろん、この技術は、派生された商品選択肢を生成するコンピュータプログラムによって用いられ得る。しかし、再度、類似の結果が並列にいくつかの投票システムを起動することによって達成され得る。
【００９１】
ステップ２１８において、調査の選好データおよび他のパラメータ（時間経過、繰り返し起動の数等）は、停止条件が満たされたか否かを分かるように試験される。停止条件がまだ満たされない場合、プロセスはステップ２１９に移動する。このステップにおいて、遺伝子計算演算は、「新しい」または派生された解の集団を生成するために可能性のある解の集団にて実行される。このステージで用いられるアルゴリズムは、上述されたように広く変わり得る。好まれる形態において、この演算は、実数および整数値の遺伝子を備えた遺伝アルゴリズムである。遺伝子および進化的計算手法のほとんどの実施に典型的な演算子は選択または再現演算子、組換えまたは交差演算子、および突然変異演算子を含む。組換え演算子は、これらのフィットネスの関数として、解の現在の生成のメンバーのコピーを基本的に作製する。選択者によって好まれた、すなわち高い度合いのフィットネスを有するように選択者によって見出された上記の可能性のある解は、好ましくない解より選択されて再生されがちである。再生演算子のたいていの実施は決定論的ではなく、ランダムネスの要素を含むことに留意すべきである。言い換えれば、可能性のある解は解のフィットネスに従って変わるように再生されがちである。高度に適合した解により、結果的に再生のこの中間ステージに現われるその解のいくつかのコピーが生じ得ることに留意すべきである。
【００９２】
別の演算子は、再生演算の結果である解の中間集団に影響する交差演算子である。交差において、中間集団のメンバーがペアであり、それぞれのペアの二つの染色体が分割され、異なる部分が交差して組み合わされ、結果的に、子孫のペアすなわち可能性のある解の新しいペアが生じる。以下の模式図は一つのポイント交差の場合を表示する。
【００９３】
【表２】

【００９４】
【表３】

結果的な二つの染色体、遺伝子２と遺伝子３との間の単一の点交差に従う。
【００９５】
ペア形成プロセスがランダムに実行されることが留意されるべきであり、異なる染色体のフィットネスまたは好ましさに基づき得る。さらに、いくつかのスキームは、ペアの遺伝子類似性または非類似性に従って親をペア形成し得る（より複雑な類別交配スキームを本明細書の後半で説明する）。さらに、任意の所与のペアでの交差演算子を適用する決定がランダムネス要素を含み得る。単一点交差にて、交差位置は同様にランダムで決定され得る。（本明細書で用いられる実施形態のいくつか、および後に説明される、親のそれぞれのペアに対する単一の子孫が生じる。）
多数の交差演算子が研究者および遺伝計算分野の研究生によって発展されてきた。上記は、多数点交差および均一な交差を含み、それぞれは、異なる環境下で（収束または診査／外植トレードオフという点から）異なる性能を与える。実数値の遺伝子の場合において、交差演算子は、親染色体の対応する遺伝子の値の間で内挿および外挿の両方を含み得る。
【００９６】
交差に続いて、突然変異演算子は、子孫、すなわち交差の結果に適用される。突然変異は、可能性のある解空間の外挿を増加させるランダム演算である。内挿は用いられる特定の表示に依存する。バイナリ値の遺伝アルゴリズムが用いられる場合、遺伝子型は０’および１’のストリングからなる。突然変異は、所与の確率でランダムにビットをフリップさせる（０から１またはその逆）ことを含む。例えば、突然変異率が平均で０．１％、つまり染色体の集団内で直面される１０００ビットにつき一つである場合、一つがランダムに選択され、フリップされる。遺伝子が整数値を受け取る場合、適切な突然変異確率（例えば、平均で１０００遺伝子に一つ毎）で、整数は、その遺伝子に対する許可された値の範囲から、またはその遺伝子の現在の値の所定の近傍からランダムに選択された別の整数によって取り換えられる。
【００９７】
その点にて、全ての遺伝計算が可能性のある形態または解の集団に適用された後、派生された集団が得られ、ステップ２１９は効率良く完了する。（「モンスターキリング（ｍｏｎｓｔｅｒ ｋｉｌｌｉｎｇ）」と呼ばれる場合のある、適用されるさらなる動作があり得る。生成されてきた許可されていない染色体が排除され、置換が行われる。）
派生された集団は、ここで、ステップ２１６での評価のために、すぐに選択者に提示され、ループの一つの繰り返しを完了させる。
【００９８】
ブロック２１８で、停止条件の一つが認められる場合、このプロセスは、調査の終了を表示するブロック２２０に進行する。２２０では、好まれる形態またはいくつかの好まれる形態２２１が見出されてきた。異なる選択者で、または、同一の選択者だが異なる解の初期集団で、または両方で調査を繰り返すことが可能である。同一の設計または決定オブジェクトに対する異なる属性または属性範囲を用いて、関連した調査を実行するのもまた可能である（すなわち、２１０が変わらないが、ステップ２１１が異なる属性を得るように繰り返される。）これは階層的な設計プロセスが着手されている場合であり得る。商品の１局面が第１に設計され、次いで別の局面が設計される。例えば、１フェーズにおいて靴の形状を設計し、靴用のカラーパレットを選ぶ。
【００９９】
上述の実施形態が「生成の進化的アルゴリズム」と呼ばれる。集団のかなりのパーセンテージが子孫と取り代わられる。対照的に、定常状態進化的アルゴリズムは、通常このアルゴリズムの繰り返し毎に一つまたは二つの子孫のみを作製する。親は通常、より適合する個体を好むように重み付けをされた確率過程で選ばれる。一旦、一つまたは二つの子孫が作られると、新しい子孫の余地を作るために、集団から個体が除去用に選択されなければならない。非常に様々な除去の方法が定常状態アルゴリズム用に存在する。
【０１００】
例えば、最悪のフィットネスを有する個体が子孫によって取り代われる。あるいは、取り代わられるべきメンバは、より適合していない個体を好むように確率過程を用いて選ばれ得る。あるいは、それぞれの個体が除去される等しいチャンスを有するように、除去はランダムに行われ得る。Ｃｒｏｗｄｉｎｇ ｍｅｔｈｏｄｓは、取り代わりスキームのさらに別のセットを表示する。上記方法では、子孫は集団のいくつかのサブセットからほとんど類似した個体と取り代わる。公知のｃｒｏｗｄｉｎｇ ｍｅｔｈｏｄｓは、どのように上記サブセットが選ばれるか、および、どのように比較が為されるかについて異なる。しかし、定常状態アルゴリズムが集団の内容を徐々に変化させるにつれて、定常状態アルゴリズムは、通常の生成アルゴリズムより良く多様性の維持を提供し得る。
【０１０１】
図３は、許可された結果として購入する、一例である商品設計調査のプロセスフローを表示する。３１６を介してブロック３１０および３２０を介してブロック３１８は、図２で以前に説明されたのと同じである。本発明の本実施形態において、選好データがブロック３１７１に選択者から収集された後、選好データは、３１６に提示された商品形態の一つに対する選択者の任意のメンバからの任意の購入要求の存在のために調べられる。選好データがこのような購入要求または複数の購入要求を含む場合、選択された商品形態は、識別する情報と共に、ｅコマースサーバに向けられる。ここで必要とされる出荷および請求情報３３２は（複数の）個体から得られる。選択された商品形態についての情報は、３３３で実行センタ、または、説明されたプロセス外の製造および実行演算３３４に転送される。
【０１０２】
ここで図４を参照すると、概要を手短にすると、複数の選択者が同様の類似点を有する、項目の集合を動的に識別する方法は、項目の第１のグループを選択者のグループへの表示のために提示するステップ（ステップ４０２）と、少なくともいくつかの選択者のグループによって表現された項目選好を示すデータを取り込むステップ（ステップ４０４）と、取り込まれたデータに応答して項目の第２のグループを選択するステップ（ステップ４０６）と、それぞれの属性間の類似点を有する項目の第２グループのサブセットを識別するステップ（ステップ４０８）とを含む。
【０１０３】
さらに図４をさらに詳細に参照すると、項目の第１グループが図２のステップ２１６に関連して上述されたように選択者への表示のために提示される。例えば、項目は映像を用いて提示され得る。すなわち項目の図面または写真等のグラフィック表示が一以上の選択者に表示される。他の実施形態において、項目の表示は、コンピュータ支援設計（ＣＡＤ）ファイルまたはコンピュータ支援製造（ＣＡＭ）ファイル等のデータファイル準備を調べる。さらに他の実施形態において、項目は聴覚的に提示され得る。項目は、サーバコンピューティングノード３０、３２、３４またはクライアントコンピューティングノード１０、２０によって提示され得る。表示のための提示されるべき項目の選択はクライアントノード１０、２０、サーバノード３０、３２、３４、またはクライアントノードおよびサーバノードのいくつかの組み合わせによって実行され得る。
【０１０４】
項目選好を示すデータは、図２のステップ２１７に関連して上述されるように取り込まれる（ステップ４０４）。項目選好は、ステップ２０２の項目の表示に応じてそれぞれのクライアントノード１０、２０で取り込まれ得る。選択者が集団のｋエンティティをわたる選好を表現し得る多数の方法がある。選択者は、選好に応じてエンティティを格付けし得る。例えば、ここで、好まれたエンティティ（またはネクタイの場合には複数のエンティティ）はｋの点数を受け取り、次に好まれたエンティティはｋ−１の点数等を受け取る。あるいは、選択者は、０〜１００のスケールでそれぞれのエンティティを評価し得るか、どのエンティティが許容され、どれが許容されないかを単に示し得る。投票者フィードバックが与えられる態様に関わらず、全ての投票者からのフィードバックは、その後、応答が直接に比較できるように適切に測られる。
【０１０５】
スケーリングしている選択者は、選択者はいくつかのスケール（例えば［０、１００］）でエンティティを格付けすることによって応答する場合に生じる矛盾を取り除く。一つの選択者がｋエンティティの全てについて非常に熱心だが、別の選択者が熱心でない場合、応答の二つの集合のスケールが比較できない。結果として、熱心な選択者によって与えられた点数は、進化的システムのトラジェクトリにわたってより影響を有する。
【０１０６】
スケーリング問題は、正規化の使用を通じて解決される。ｕ^ｉ _ｊを、投票者ｉがエンティティｊに与えられる「ロウ」応答または点数とする。ベクトルｕ_ｊは、ベクトルｇ_ｉを作成するために正規化される。
【０１０７】
【数１】

明らかに、投票者がエンティティをランク付けることによって応答する場合、このステップは不必要である。ランク付けはスケーリング問題を発生できないからである。スケーリング問題が存在しない場合、それにも拘らず、正規化が実行され得る。正規化が投票データに無害だからである。
【０１０８】
取り込まれたデータに応答して項目の第２のグループを集合させること（ステップ４０６）は、上述のように、集団のメンバの「フィットネス」を決定すること、フィットネスに基づき、選択すること、交配の集団のサブセット、交配のための「連れ合い」を選択すること、結果的に生じる親ペアが「生殖」することを可能にすることを含む。
【０１０９】
図４Ａに示されるように、エンティティｊのフィットネスｆ_ｊは、そのニッチディスカウントで除算されたその点数（上記で与えられたｓ_ｊ）であると定義される。以下で説明されるようなニッチングディスカウントは、エンティティが集団に冗長性を増やす程度を反映する量である。冗長性の積極的に相関関数をディスカウントすることにより、遺伝（および、おそらく表現型）の多様性を維持する圧力を作る。多様性維持は、異なる種を上手に達成し、維持するために必然である。これは、分離した性能プロファイルおよび／または市場セグメントとしてみなされる。
【０１１０】
フィットネスベクトルｆは、確率を求めるために正規化され、この確率を用いて、子を生み出す各エンティティが選択される。このようなスキーマはフィットネス比例選択（ｆｉｔｎｅｓｓ−ｐｒｏｐｏｒｔｉｏｎａｔｅ ｓｅｌｅｃｔｉｏｎ）と呼ばれる。通常、フィットネス比例選択は、単純な「ルーレットホイール」アルゴリズムによってインプリメントされる。ここで、各エンティティは、その大きさが選択される確率に比例するルーレット「パイ」のスライスを有する。ホイールは、親を選択することを所望するたびに１回「回転」させられる。エンティティが選択される確率がｐであり、ホイールがｋ回回転させられる場合、エンティティが選択される予測回数はｐｋである。
【０１１１】
このルーレットホイールインプリメンテーションは、多項分布をもたらす。従って、回転数が多い場合、観測行動は予測行動と緊密に適合する。しかしながら、回転数が少ない場合、観測行動は予測行動から外れる確率が高い。回転の任意の有限数ｋについて、選択される確率０＜ｐ＜１．０を有するエンティティが０〜ｋ回と選択される非ゼロの確率が存在する。
【０１１２】
ベーカの初期集束法（Ｓｔｏｃｈａｓｔｉｃ Ｕｎｉｖｅｒｓａｌ Ｓａｍｐｌｉｎｇ）は、単純なルーレットホイールに対する選択肢であり、これにより、より良好な統計的特性を有することが示される。ルーレットホイールは、上述のように分割され、１つのポインタがｋ回回転させられるのでなく、むしろｋ個の均等な間隔のポインタが１回だけ回転させられる。エンティティが選択される確率ｐを有する場合、ＳＵＳは、エンティティが、少なくとも
【０１１３】
【数２】

回、および
【０１１４】
【数３】

回を超えないように選択されることを保証する。本実施形態において、ルーレットホイール上の「スライス」は、ランダムに構成される。例えば、スライスが、最小のもの（ただし、ｐ＜１／ｋ）が隣接し合うように構成される場合、隣接し合う２つのスライスは同時に選択され得ない。なぜなら、隣接し合う２つのスライスのうちの１つは、ｋ個の均等な間隔のポインタのペア間に必ずしも入らないからである（他の選択法は、文献に記載される）。
【０１１５】
組換え可能な変分オペレータ（例えば、交叉）を用いる実施形態については、ｋ個の子の生成は、ｋ個のペアの親を必要とする。フィットネス情報を用いて交配相手を選択するのではなく、交配選好（ｍａｔｉｎｇ ｐｒｅｆｅｒｅｎｃｅｓ）が用いられる。進化する各エンティティは、２つの別個の部分から構成されるゲノムを有する。ゲノムの一方の部分は、エンティティのメリット形質（ｍｅｒｉｔ ｔｒａｉｔ）（ヒトの投票者によって評価され、最終的に、エンティティのフィットネスに至る特性）を決定する。ゲノムのもう一方の部分は、エンティティの生殖形質（ｒｅｐｒｏｄｕｃｔｉｖｅ ｔｒａｉｔ）（エンティティの交配の選好を表す特性）を決定する。生殖形質は、エンティティのフィットネスに影響を及ぼさない。
【０１１６】
エンティティのメリット形質の正確な構造（対立遺伝子値のタイプおよび範囲）は、ドメインに依存する。対照的に、生殖形質は、実数であるように定義され、特定の範囲に入るように制限されない。すべてのエンティティは、同じ数の生殖形質（ｑ個の実価遺伝子）を有する。１つのエンティティのｑ個の生殖形質は、ｑ次元のユークリッド空間における点と解釈される。エンティティは、このｑ次元の「生殖」空間において、その１つのエンティティから遠いエンティティではなく、より近い他のエンティティと交配することを選好する。
【０１１７】
図４Ｂは、エンティティが交配相手を選ぶ態様を詳細に説明する。対称マトリックスＲが計算され、ここで、エントリＲ_ｉｊは、エンティティｉとエンティティｊとの間のユークリッド距離である。交配の選好を計算する次の工程は、後述するように、マトリックスＲからマトリックスＲ’を導出することである。エントリＲ’_ｉｊの値が大きいほど、エンティティｉは、エンティティｊと交配することをより所望する。エンティティは、自分自身とは交配し得ないので、そのマトリックスの対角線は、０で構成される。特に、エンティティｉがエンティティｊと交配する意志は、
【０１１８】
【数４】

である。
【０１１９】
従って、交配する意志は、ユークリッド距離とともに急激に低下する。この低下は、係数βを用いて変倍され得る。β＝０である場合、エンティティは交配選好を有さず、ランダムに交配する（しかし、自己交配（ｓｅｌｆ−ｍａｔｉｎｇ）は、まだ生じない）。エンティティｉが、そのフィットネスに基づいて選択された場合、マトリックスＲ’の行ｉを正規化することによって、そのエンティティの交配相手が選択されて、交配相手を選択する確率が求められる。これらの確率は、ルーレットホイールを構成するために用いられる。ルーレットホイールは、所望の交配相手を選択するために１回回転させられる。このプロセスは、交配相手を捜すエンティティごとに繰返される。
【０１２０】
本インプリメンテーションにおいて、２つの親エンティティが交配すると、１つの子が生産される。メリット形質に適用される組換えオペレータは、許容される対立遺伝子値のタイプおよび範囲に依存し、従って、ドメインごとに異なる。親の生殖形質に適用される組換えオペレータは、生殖空間におけるこれらの位置の算術平均を計算する（子は、生殖空間における、その親間の中間に配置される）。１実施形態において、子の位置が計算された後、少量のガウス雑音が加算される。１つの特定の実施形態において、加算された雑音は、０と２．０の標準偏差との平均を有する。
【０１２１】
上述のように、エンティティのフィットネスは、エンティティが集団にもたらす冗長の量と相関関係にある割引き係数によって除算されるスコアであるように定義される。遺伝子型の類似性は、通常、測定が容易であり得るが、これは、表現型の必ずしも正確な予測値ではない。これは、相違が捜される空間である。さらに、表現型の類似性は、問題のドメインの性質、および遺伝子型−表現型マッピングの性質に依存して決定することが非常に困難または不可能であり得る。種は、他のエンティティのグループから生殖的に隔離されるエンティティのグループと定義され得、種の範囲内のエンティティは、互いに生殖し得る。種分化プロセス（ｓｐｅｃｉａｔｉｏｎ ｐｒｏｃｅｓｓ）は、フィードバックを用いて進められる。人の美的意見の収集が、２つの不適合な設計のグループにクラスタリングされて、第１のグループに属するエンティティは、第２のグループに属するエンティティと交配することによって生物（高いフィットネス）の子を生産し得ず、２つの種が形成される。ニッチングは、種分化プロセスを容易にし、かつ種がより安定して存続することを可能する。従って、生殖空間における他のエンティティとの近接を測定することによって、エンティティが集団にもたらす冗長が計算され得る。一方の種が集団を過剰に占有し始めた場合、そのメンバーは、他の種（より小さい大きさの）に属するエンティティよりも大きい割引きの受け取りを開始する。（後述される代替的実施形態は、フィットネス割引きを計算する基準との遺伝子型の類似性を用いる。）
図４Ｃは、ニッチング割引きが計算される態様を示す。交配相手を選択する手順を用いて、マトリックスＲで開始され、ここで、生殖空間におけるエントリＲ_ｉｊは、エンティティｉとエンティティｊとの間のユークリッド距離である。このマトリックスから、マトリックスＲ’が導出され、ここで、Ｒ’_ｉｊは、エンティティｉに適用されるべきエンティティｊに関して生成された割引きの量を示す。類似性計量を仮定して、類似性ベースの割引きを計算する三角法が用いられ
【０１２２】
【数５】

ここで、Ｓ_{ｔｈｒｅｓｈｏｌｄ}＝∈［０，１］は、いくらかの量の割引きを生成する類似性の最小量（または、相違の最大量）を決定するパラメータである。Ｓ_{ｔｈｅｒｓｈｏｌｄ}のより大きい値は、非ゼロ割引きを生成するために必要とされるエンティティｉとエンティティｊとの間の類似性の最小量を低減する。
【０１２３】
本発明の別の実施形態において、参加者は、任意の数の方法を用いて、設計またはマーケットリサーチの調査（ｅｘｅｒｃｉｓｅ）に参加するように募られるか、または誘われる。これらは、郵便または電子メールによる招待、電話、印刷広告または電子広告、口頭を含むが、これらに限定され得ない。これらの参加者は、任意の数の係数に基づいて選択されるか、または、特定のユーザグループ、ファンクラブ、人口統計学的グループ、組織等に属することを含むが、これらに限定されない。選択されたサブグループは、参加者と双方向通信するために１つ以上のコンピュータターミナルがセットアップされる物理的ロケーションであるロケーションか、またはインターネットを介してＵｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒアドレス（ＵＲＬ）に方向付けられる。各参加者は、図５に示されるものと類似のダイアログページ５００を介して、予め登録されるか、または調査に参加するためにサインアップするよう求められる。その時点で、人口統計学的情報または選好情報といった、参加者についてのさらなる情報が収集され得る。この情報は、次に、その特定の参加者に提供された選択にバイアスする調査の間か、または調査の間に取得されたデータを解析する際、および調査の終了時にこれらの結果を示す際に用いられ得る。図５に示される実施形態において、ユーザのｅメールアドレス、所望のパスワード、およびジップコードが、テキスト入力ボックス５０２、５０４、５０６に入力される。性別、年齢、出身国および所得範囲といった人口統計学的情報がプルダウンメニュー５１０、５１２、５１４、５１６を用いて入力される。他の情報は、チェックボックス５２０、５２２、５２４を用いて入力される。ラジオボタンおよびスライダといった、他のグラフィカルユーザインターフェース技術が用いられ得る。
【０１２４】
前節にて記載された準備作業の後、参加者は、調査に誘導される。いくつかの場合、個人が参加するように誘われる調査が１つ以上あり得、これらの場合、参加者は、制御された態様または予め指定された態様で、あるいは参加者が作業することを所望する調査を選択することを可能にするダイアログ画面を通じて異なった調査に誘われる。図６は、このようなダイアログを示す。図６に示される実施形態において、ユーザに３つの設計調査が提供される。これらは、ポロシャツ設計調査、Ｔシャツ設計調査および「デモ」調査である。
【０１２５】
図７は、参加者が調査に正しく到達した場合に参加者が閲覧する典型的な画面７００を示す。このような画面は、設計（または決定）オブジェクト７０２、７０４、７０６、７０８、７１０、７１２の複数の選択肢を参加者に提供する。この図において、設計オブジェクトは、ポロシャツであり、この特定の画面に提供される選択肢の数は６個である。各設計の選択肢の隣に、参加者（「投票者」とも呼ばれる）が、当該の設計の選択肢についての意見を表現する手段として「承認（ｔｈｕｍｂｓ ｕｐ）」７２０および「非承認（ｔｈｕｍｂｓ ｄｏｗｎ）」７２２ボタンが提供される。図７Ａは、参加者が設計の選択肢７０４ａに肯定票を投じ、設計の選択肢７０８ａに否定票を投じた後の同じ画面を示す。いくつかの実施形態において、対応する選択肢についての評価を参加者が忘れないように、ビジュアルフィードバックメカニズムとして緑色および赤色の輪郭が用いられ得る。この図において、４つの設計の選択肢７０２、７０６、７１０、７１２が、肯定的評価も否定的評価も受けていない状態であることは、参加者が、これらの選択肢に対して中立的または二律背反的であり、これらの選択肢を好きでも、嫌いでもないことを意味する。一旦参加者が自分の評価を入力すると、「投票」ボタン７３０をクリックすることによって票が投じられる。これにより、参加者が評価するための、設計の選択肢の新しいセットが提供され、上述のプロセスが新たに繰返される。図７Ｂは、導出された代替的設計のそのような１つのセットを含む画面を示す。本節に記載された特定のインプリメンテーションにおいて、繰返されるたびごとに参加者によって提供される評価または投票情報が、後述される複数の方法で用いられる。しかしながら、その前に、次節は、本実施例において用いられる特定の製品の特徴付け（ｆｅａｔｕｒｉｚａｔｉｏｎ）を説明する。
【０１２６】
本調査において用いられる設計オブジェクトは、１つの特定の製品の特徴付けを表す。ポロシャツは、無限の数の方法で特徴付けられ得る。この特定の実施例において、簡略化された特徴付けが用いられ、シャツのボディの色、襟の形および色、ならびに、特定の襟のタイプ（タブカラー（ｔａｂ ｃｏｌｌａｒ））の場合、タブ長さといった設計要素を含む。これらの設計要素、または設計の属性の各々は、任意の値のセットをとり得る。ボディの色の場合、例えば、１２の異なった色があり得る。襟の場合、例えば、４つの可能なスタイルがあり得、これらの各々が固定色を有する。最後に、タブカラーの場合、タブ長さは、指定された範囲（タブ長さがシャツのボディの長さを超えないように選択される）内の任意の実数値をとり得る。特定の設計候補は、ボディの色、襟のスタイル、およびカラータブ長さの特定の３つの条件に対応する（しかし、これらの値は、必要でない場合は用いられ得ない）。
【０１２７】
（進化的アルゴリズム（Ｅｖｏｌｕｔｉｏｎａｒｙ Ａｌｇｏｒｉｔｈｍ）） この特定の実施形態において、進化アルゴリズムは、より適合する設計に向かって進化させるため、すなわち、投票者によって表現される選好とより一致する設計を生成するために用いられる。各設計候補を表すために用いられる遺伝子型は、前節で述べられた３つの設計属性を表す変数または遺伝子に加えて、異なった設計候補が交配するために選択される方法を制御するために用いられるさらなる変数から構成される（より詳細に後述されるように、２つの「親」設計からの属性が組み合わされて、新しい「子」設計を生成する演算）。遺伝子の第１のセットＧ１、Ｇ２およびＧ３は、「メリット（ｍｅｒｉｔ）」遺伝子または変数と呼ばれ（さらに、「特徴」遺伝子または「属性」遺伝子とも呼ばれる）。なぜなら、これらの遺伝子は、設計候補の外見、従って、それが受ける承認の程度を決定するために直接的役割を果たす。遺伝子の第２のセットは、参加者への設計候補の見え方がこれらの遺伝子の値による影響を受けないという意味で、隠されている。これらの遺伝子は、後述されるように、交配および交配相手の選択において果たす役割のために「生殖」遺伝子または変数と呼ばれる。この特定のインプリメンテーションにおいて、これらの遺伝子は、実価であり、これらは、ユークリッド空間の直交寸法を表し、「生殖」空間と呼ばれる。以下の表１は、考察中のポロシャツ調査の遺伝子型を表す。この場合、２つの生殖遺伝子Ｒ１およびＲ２が用いられる。
【０１２８】
【表４】

進化アルゴリズムは、集合ベースのサーチおよび最適化アルゴリズムである。本実施形態において、アルゴリズムは、大きさＮの設計の集合とともに扱われる。ここで、Ｎは、通常、５０〜数百の範囲である。調査の開始時、この集合は、ランダムに、すなわち、遺伝子の可能な範囲からの各遺伝子について、対立遺伝子値をランダムに選択することによってシーディングされる。あるいは、本実施形態は、特定の所望の開始集団を反映するために、決定論的シーディングを考慮する。
【０１２９】
（繁殖）
（交配相手の選択）
参加者が、第１の画面の候補を評価した後に票を投じた場合、この情報は、以下の手順に基づいて新しい設計を生成し、参加者に提供される次の画面を占有するために用いられる。承認票を受信した第１の画面における各設計候補は、繁殖のために即座に選択される。換言すると、これは、親として選択され、Ｐ１と呼ばれる。次に、適切な交配相手が、そのために、より大きい設計の集団の中から選択される。その交配相手は、親Ｐ２になる。表示された候補の半分未満が承認を得た場合、本インプリメンテーションが設定され得、通常、設定され、従って、選択された候補の各々が２度繁殖する。この特定の実施形態において、その時点のＰ１と集団のすべての他のメンバーとの間の生殖空間におけるユークリッド距離に基づいて、交配相手の選択が確率論的（ｓｔｏｃｈａｓｔｉｃａｌｌｙ）になされる。より具体的には、集団（または「エンティティ」）の任意のＮ−１メンバーが、Ｐ１の交配相手として選択される確率は、式
【０１３０】
【数６】

に基づいて計算される。ここで、Ｐｒ（ｊ│ｉ）は、エンティティｊがエンティティｉ（Ｐｒ（ｉ│ｉ）＝０）として選択される確率であり、ここで、ｆ（ｄ_ｉｊ）は、生殖空間におけるエンティティｊとエンティティｉとの間のユークリッド距離の関数であり、すなわち、
【０１３１】
【数７】

である。
【０１３２】
この場合に用いられる特定の関数は、距離、特に、
【０１３３】
【数８】

とともに単調に減少し、ここで、βは、実価パラメータであり、交配する際の近接バイアス（ｐｒｏｘｉｍｉｔｙ ｂｉａｓ）の強度を決定し、ｄ_ｍａｘは、生殖空間における、その時点の任意の２つのエンティティ間の最大距離である。
【０１３４】
【数９】

βの値は、範囲［０，∞）にあり、ここで、０の値は、交配バイアス（ｍａｔｉｎｇ ｂｉａｓ）をもたらさず、より著しく大きい値がより限定的な交配バイアスをもたらす。
【０１３５】
関数ｆ（ｄ_ｉｊ）の別のバージョンもまた、本実施形態において用いられ、
【０１３６】
【数１０】

により求められる。この場合、γは、交配する際の距離バイアスの強度を決定する実価パラメータである。γの値は、範囲（０，∞）にあり、ここで、小さい数であるほど交配バイアスを著しくより限定的にする。
【０１３７】
従って、計算された距離の重み付き確率は、「ルーレットホイール」にロードするために用いられるか、または初期集束法において用いられる。一旦Ｐ１の交配相手が選択されると、そのエンティティは、生成されようとしている子の第２の親Ｐ２になる。これは、交叉演算によって行われ、続いて、選択的に、突然変異演算が行われる。
【０１３８】
交配相手を選択する１代替的方法において、ビットストリング表現が機能遺伝子のセット（特徴遺伝子に対応する）および交配を制御する遺伝子の他の２つのセット（生殖遺伝子に対応する）を含む遺伝子アルゴリズムが用いられる。交配遺伝子の１つのセットは、交配テンプレート、そして他のセットはタグと呼ばれる。両方のセットは、同じ数の遺伝子を有さなければならない。テンプレートおよびタグ遺伝子は、機能遺伝子の傍らで進化し、交叉および突然変異の対象になる。テンプレート遺伝子は、３つの値、すなわち０、１またはワイルドカード符号のうちの１つをとり得る。一方のテンプレートが他方のタグと適合した場合、２つの個体は交配することが可能である。タグ遺伝子は、０または１のいずれかである。０または１が１つの個体の特定のテンプレート遺伝子に指定される場合、同じ値が他方の個体の対応するタグ遺伝子に現れなければならない。ワイルドカードが特定のテンプレート遺伝子に現れる場合、対応するタグ遺伝子の任意の値が調和する。１つの交配法は、一方の個体のテンプレートが、他方のタグと調和することを必要とし、代替的方法は、交配が生じるように、各個体のテンプレートが、他方のタグと調和することを必要とする。どちらかの場合において、調和が見出されなかった場合、部分的調和が可能であり得る。
【０１３９】
通常、Ｒ空間の主旨は、設計が異なったクラスタ間の相互交配（ｉｎｔｅｒ−ｂｒｅｅｄｉｎｇ）を防止することである。にもかかわらず、相互交配に関する不定期な調査は、重要な革新をもたらし得る。Ｒ空間の次元の数は、クラスタ間の近隣構造、従って、異なったクラスタが相互交配調査を試み得る容易性に影響を及ぼす。１つの明らかな修正は、Ｒ空間の次元の数を２つからこれより多く増加することである。別の可能性は、同じ投票者から承認を受け取った２つの設計を、場合によっては、同じフォーカスウィンドウ内で相互交配することである。このような相互交配は、親設計者が配置される２つのＲ空間領域間のＲ空間に小さい橋を作成する。相互交配調査が成功した場合、新しいクラスタが形成される。調査が失敗した場合、子は絶滅する。
【０１４０】
（Ｒ空間に対する選択肢）
本発明の代替的実施形態は、上述のＲ空間スキーマとは対照的に、系統距離（ｇｅｎｅｏｌｏｇｉｃａｌ ｄｉｓｔａｎｃｅ）に基づいて交配選択を決定する上述の同型交配メカニズムを含み得る。特に、交配する２つの個体Ｐ_ｉおよびＰ_ｊの交配の尤度は、「系統樹」においてこれらを接続する最短経路の長さに関係する。初期集団における個体は子孫と考えられる。すなわち、初期集団を生成する「１次」親の存在が想定される。系統樹はグラフとして表され、ここで、個体に対応する頂点およびエッジは、親／子関係を表す。従って、これらのエッジのうちの１つが他のエッジの親である場合、およびその場合に限り、２つの個体間にエッジが存在する。各個体は、（正確に２つある）その親の同一性を記録し、従って、グラフが容易に作成される。この規則に対する唯一の例外が、初期集団における個体に当てはまる。これらの個体は、すべて、グラフに挿入される１つの親の頂点（「１次（ｐｒｉｍａｒｙ）親」）へのエッジを有する。２つの個体Ｐ_ｉとＰ_ｊ（これらのどちらも「１次」頂点ではない）間の距離ｄ_ｉｊは、グラフ上のこれらの個体間の最短経路の長さである。本インプリメンテーションにおいて、経路の長さは、１つの個体から別の個体に進むように移動される異なったエッジの数（または親−子関係）によって測定される（上述のＲ空間インプリメンテーションにおいて用いられるユークリッド距離と対照的に）。
【０１４１】
個体Ｐ_ｊがＰ_ｉの交配相手として選択される確率は、
【０１４２】
【数１１】

であり、ここで、ｄ_ｉｊは、頂点Ｐ_ｉと頂点Ｐ_ｉがＰ_ｊとを接続する最短経路の長さであり、ｄ_ｍａｘは、ｄ_ｉｊ（グラフの直径としても知られる）全体の最大値であり、ν_ｍｉｎ（パラメータ＜ｄ_ｍａｘ）は、関数ｆが返す最小値であり、互いに遠く離れた個体設計が交配する非ゼロ最小確率を提供する最小値である。
【０１４３】
しだいに、系統樹のより弱い枝は絶滅し、場合によっては遠い関係にあり得る他の枝は残る。この場合、異なった枝、従って、別個の種は生殖隔離される。絶滅する枝は、生き残る遺伝子の組み合わせと比べて劣った遺伝子の組み合わせである。従って、本方法は、同型交配についての別のアプローチを提供する。
【０１４４】
交叉演算は、以下において
【０１４５】
【表５】

模式的に表される。
【０１４６】
本明細書中に記載されるインプリメンテーションにおいて、親ゲノムは、遺伝子単位で交叉される。親Ｐ１および親Ｐ２からのボディスタイルＧ１の遺伝子は、これら同士で「組み合わされ」るか、または「交叉」され、続いて、Ｇ２が襟の色スタイルを表し、次に、Ｇ３遺伝子がタブ長さを表す。生殖空間遺伝子Ｒ１およびＲ２もまた、再び、個別に交叉される。用いられる特定の交叉演算は、当該の遺伝子の性質に依存する。例えば、カテゴリー的変数を表す遺伝子Ｇ１の場合、親の１つからの対立遺伝子値がランダムに選択される。これは、以下に模式的に示され
【０１４７】
【表６】

ここで、αは一様な分布から選ばれた確率変数
α〜Ｕ［０，１］
である。
【０１４８】
遺伝子Ｇ３は整数値を表す。これは、「１つの親からのランダムな選抜」スキーマに対する選択肢として異なった交叉オペレータを用いることを可能にする。１つの可能性は、親からの２つの値を用いて内挿値および外挿値を計算し、これらの２つの可能性のうちの１つをランダムに選択することである。このプロセスは、以下に記載される。第１に、ベルヌイ試行（Ｂｅｒｎｏｕｌｌｉ ｔｒｉａｌ）（「ｃｏｉｎ ｆｌｉｐ」）が、子の遺伝子の値を親の遺伝子の２つの値から内挿するか外挿するかを決定するために行われる。
【０１４９】
【表７】

ここで、γは、０と１との間の決定論的実価であるか、または例えば、一様な分布
γ∈（０，１）
または
γ〜Ｕ［０，１］
からの範囲内でランダムに生成された変数である。
【０１５０】
決定が内挿である場合、以下のような式
Ｇ３_０１＝Ｒｏｕｎｄ（μ・Ｇ３_Ｐ１＋（１−μ）・Ｇ３_Ｐ２）
が用いられる。ここで、μは、０と１との間の実価であり、調査の開始時または繁殖ごとに決定論的に選択されるか、またはランダムに取り出される。あるいは、異なった決定論的値または異なった分布（ランダムに取り出された変数の場合）が、調査における異なった点にて用いられ得る。Ｇ３が整数遺伝子であるので、内挿によって取得された値は、最も近い整数に丸められる。
【０１５１】
内挿の代わりに外挿が選択された場合、このような外挿の方向を決定するために親値の１つが選ばれ、これは、ランダムに行われる。Ｐ１の値が選ばれた場合、以下のような式
Ｇ３_０１＝Ｒｏｕｎｄ（ν・（（１＋μ）・Ｇ３_Ｐ１−μ・Ｇ３_Ｐ２））
が用いられ得、ここで、νは、（場合によってはランダムな）実価のパラメータであり、通常、１．０未満であり、行われた外挿工程の大きさを縮小するように選択される。上述の式に反映されないさらなる工程は、このように計算された値が遺伝子Ｇ３の許容範囲を超えないことを点検し、この値が許容範囲を超えた場合、その限界と等しくなるように設定することを含む。
【０１５２】
Ｐ２が、外挿の方向として選ばれた場合、以下の式
Ｇ３_０１＝Ｒｏｕｎｄ（ν・（（１＋μ）・Ｇ３_Ｐ２−μ・Ｇ３_Ｐ１））
が用いられ得る。
【０１５３】
生殖空間遺伝子Ｒ１およびＲ２は、実価であり、丸め演算が必要とされないことを除いて、同様に扱われ得る。本インプリメンテーションにおいて、修正された平均値算出演算が以下のように
Ｒ１_０１＝１／２・（Ｒ１_Ｐ１＋Ｒ１_Ｐ２）＋ε
用いられ、ここで、εは、ガウス雑音
ε〜Ｎ（０．２）
である。
Ｒ２_０２の計算が同様に進められる。
【０１５４】
複数の他のスキーマが当業者に公知である。
【０１５５】
（突然変異）
交叉演算に加えて、またはこれと同時に突然変異演算が適用されて、生成される設計候補に臨時確率変数が導入される。本インプリメンテーションにおいて、これは、再び、遺伝子ごとに行われる。各遺伝子について、交叉演算が行われる前または後に、突然変異が適用されるか否かについて決定が下される。これは、ベルヌイ試行に基づき、成功の確率が比較的低く、通常、約０．０１である。カテゴリー的遺伝子の場合、突然変異は、通常、２つの親の対立遺伝子値とは異なる、許容可能な対立遺伝子値の１つをランダムに選択することを含む。整数遺伝子および実価の遺伝子の場合、交叉演算が完了した後、取得された遺伝子値にガウス雑音が加算される。再び、突然変異値が許容範囲内であることを確認するための点検が行われる。突然変異値が許容範囲の外側に入る場合、この値は、適切に、上限または下限と等しくなるように設定される。この例（ポロシャツ）が用いられない別のケースは、遺伝子がバイナリビットまたはストリングとして符号化される場合である。１例は、ロゴまたは袖周りの環状部分といった設計の特徴である。これらは、そのビットがイネーブルされるか否かに依存してオンまたはオフになる。この場合、突然変異は、単にビットフリップを含む。
【０１５６】
これまで記載された突然変異は、繁殖イベントの後にのみ適用され、繁殖イベントは、承認票によってのみ引き起こされる。インプリメンテーションの改良は、承認票が生成されない場合にトリガされ、進化的プロセスが停滞することを防止する。この場合、投票者が承認を含まない票のセットを投じるたびごとに、いくつかのランダム個体（ｒａｎｄｏｍ ｉｎｄｉｖｉｄｕａｌ）が生成される。これらのランダム個体のメリット属性は、上述のように、集団を初期化するために生成される。これらのランダム個体のＲ空間属性は、投票者の「選抜」の再挿入について議論される節において後述されるように決定される。
【０１５７】
（置換（ｒｅｐｌａｃｅｍｅｎｔ）／排除（ｒｅｍｏｖａｖｌ）ポリシー）
一旦１つ以上の新しい設計候補（子）が生成されると、これらの候補は集団に導入される。これを行うために、対応する数の集団の現在のメンバーが置換のために選択されなければならない。この目的のために、純粋にランダムな選択から、フィットネス（またはその欠如）および冗長に基づく比較的複雑なスキーマまで、種々の戦略がとられる。（冗長および相違を測定するために用いられる種々の方法については後述される。）簡単な場合では、集団のメンバーは、ランダムに選択される。１とＮ（設計候補の集団の大きさ）との間に一様に分布する乱数ｉが生成され、集団のｉ番目のメンバーは、子によって排除および置換される。これは、交配イベントによって生成される子の数と同じ回数繰返される。本インプリメンテーションにおける別の選択肢は、フィットネス、または、むしろフィットネスの欠如による排除にバイアス（ｂｉａｓ）をかけることである。この場合、ミスフィットネススコアが集団のメンバーごとに維持され、そのスコアは、最高のミスフィットネススコア（単数または複数）を有するメンバー（単数または複数）を排除するために決定論的に、または、これらのミスフィットネススコアと比例する「ルーレットホイール」をロードすることによって確率論的に用いられる。フィットネススコアを計算するための非常に単純なアルゴリズム（これは、「承認」票にのみ頼る）は、以下のとおりである。第１に、まだ評価されていず、従って、票を受け取っていないＮ個の設計の任意の集団のメンバーは別にされ、排除の候補ではない。これは、絶対に必要とされない限り、設計候補の早期のロスを回避するためである（この時点で、一様にランダムに選ばれる）。次に、集団の残りのメンバーの各々について、「承認」の比率が、エンティティによって受け取られる票の総数で除算されるエンティティによって受け取られる「承認」票の比率として計算される（すなわち、「承認」、「非承認」および「中立」票）。次に、集団のすべてのメンバーの「承認」についての平均比率が計算され、設計の集団が、２つのグループ、すなわち平均より大きい「承認」比率を有するグループと、平均比率と等しいか、またはこれよりも小さい比率を有するグループとに分割される。後者のグループのメンバーは、必要に応じて、排除するためにランダムに選択される。
【０１５８】
３つのすべての票のタイプ（承認、中立、および非承認）を用いる、より際立った排除スキーマが、本インプリメンテーションにおいて時には用いられる。この場合、集団のｉ番目のメンバーのミスフィットネスｍ_ｉが、メンバーの承認、中立、および非承認の比率の重み付き合計として、以下のように
ｍ_ｉ＝ｗ^ｄｏｗｎ・Ｒ_ｉ ^ｄｏｗｎ＋ｗ^{ｎｅｕｔｒａｌ}・Ｒ_ｉ ^{ｎｅｕｔｒａｌ}＋ｗ^ｕｐ・Ｒ_ｉ ^ｕｐ
計算され、ここで、ｗ^ｔｙｐｅ項は、特定のタイプの票の重みであり、Ｒ_ｉ ^ｔｙｐｅ項は、ｉ番目のメンバーについての所与のタイプの票の比率であり、ただし、ｗ^ｄｏｗｎ＞０、ｗ^ｕｐ＜０、およびｗ^{ｎｅｕｔｒａｌ}は、通常、正である。例えば、
ｍ_ｉ＝３・Ｒ_ｉ ^ｄｏｗｎ＋１・Ｒ_ｉ ^{ｎｅｕｔｒａｌ}−４・Ｒ_ｉ ^ｕｐ
である。
【０１５９】
再び、参加者のいずれによっても閲覧されていない設計候補は、早期の消失を回避するために別にされる（絶対に必要とされない限り、例えば、いくつかの場合において、調査にて早期にオンにされる。）
排除ポリシーの別の変形は、同様の票がすべて同じ参加者によって投じられるのか、異なった参加者によって投じられるのかに基づいて、同様の票のミスフィットネス率への寄与を修正する。このバージョンの背後にある考え方は、多数の異なった参加者によって嫌われた場合、すなわち、異なった参加者が設計候補に非承認を与える場合、例えば、ただ一人の参加者から同じ数の非承認を得る場合と比較して、その設計候補により多くのペナルティを課すことである。このバージョンにおいて、各エンティティの個別票が追跡され、ミスフィットネスが、以下の式
【０１６０】
【数１２】

におけるように、各参加者の票の重み付き関数の減少またはスケジュールに基づいて計算され、ここで、ｍ_ｉは、エンティティｉのミスフィットネススコアであり、Ｖ_ｉは、その点までエンティティｉにより受け取られる票の総数、Ｖ_ｉ，ｊ ^ｔｙｐｅは、要素ｉについて投票者ｊによって投じられる所与のタイプの票の数であり、
【０１６１】
【数１３】

は、投票者ｊ全体の和を表し、γは、同じ参加者によって投じられる追加的票の影響を低減する、指数関数的に低下する重み付き関数の急峻性を決定する実際のパラメータである。
【０１６２】
排除スキーマの別のクラスは、そのミスフィットネスに加えて、集団の特定のメンバーがどれだけ冗長かを考慮に入れる。ここでの主旨は、以下の通りである。２つのエンティティが等しく不適合であると仮定すると、集団における遺伝子型の相違のロスを最小化するために、集団の他の多くのメンバーと遺伝子型が同様であるエンティティを排除することが望ましい。冗長性の計算は、生殖遺伝子、特徴遺伝子、またはこれらの両方に基づき得る。これらの計算は、次節において記載される。集団Ｐ_ｉのメンバーの冗長性の値をＲ（Ｐ_ｉ）と仮定すると、調整されたミスフィットネスの値ｍ’_ｉは
ｍ’_ｉ＝Ｒ（Ｐ_ｉ）・ｍ_ｉ
と計算される。
【０１６３】
次節は、冗長性、またはその逆の相違を測定する種々の方法を記載する。
【０１６４】
（相違の測定）
相違測定技術は、特徴遺伝子および生殖遺伝子の両方に適用される。突然変異比率（突然変異確率）等の進化アルゴリズム、ならびに排除（または置換）戦略、および参加者の投票ウィンドウ（後述される）を占有するように用いられる戦略等、システムにおいて用いられる種々の戦略の種々のパラメータを動的に制御するために、相違の測定値が用いられる。
【０１６５】
（冗長性）
Ｎ個の設計の進化する集団の相違は、進化する設計（「個体」）のペア間の遺伝子型（または表現型）の類似性のメトリックを用いて測定される。ペアごとの類似性メトリックＳ（Ｐ_ｉ，Ｐ_ｊ）が定義され、これは、０と１との間の値を返し、ここで、１は、Ｐ_ｉとＰ_ｊの遺伝子型（または、代替的に表現型）が同一であることを示す。従って、このメトリックは、進化する集団における各個体の冗長性を、集団全体を考慮に入れて、以下のように
【０１６６】
【数１４】

計算するために用いられる。
【０１６７】
高い冗長性の値を有する個体は、この集団と類似の集団において他の多くの個体が存在するという意味で、比較的一般的である。これらの冗長性の値は、後述されるように、より冗長の個体に対して排除ポリシーをバイアスすることによって相違の維持を支援するために用いられる。従って、冗長性の値は、さらに、遺伝子（または表現型）の相違がグラフに視覚化されるようにするために用いられる。
【０１６８】
２つの類似の関数が、本インプリメンテーションにおいて用いられる。１つは、特徴遺伝子に基づき、もう１つは、生殖遺伝子に基づく。ポロシャツの場合、最初の関数が、遺伝子型の最初の３つの遺伝子を用いる。（最初の２つは、カテゴリー的遺伝子であり、第３の遺伝子は、整数値遺伝子である。）関数Ｓは、次のように
【０１６９】
【数１５】

と定義され、ここで、Ｐ_ｉ ^ｋは、集団における個体ｉのｋ番目の遺伝子を示す。
【０１７０】
カテゴリー的遺伝子Ｇ１およびＧ２の場合、Ｓ’は
【０１７１】
【数１６】

によって与えられる。
【０１７２】
整数遺伝子Ｓ’である遺伝子３の場合、Ｓ’は、以下のように
【０１７３】
【数１７】

として計算され、ここで、ＭａｘΔ^３は、遺伝子Ｇ３の範囲、すなわち、選ぶことが許容される最大値と最小値との間の差異である。
【０１７４】
生殖変数に用いられるもののような実価の遺伝子の場合、異なった集団メンバー間のＲ空間におけるユークリッド距離ｄ_ｉｊ（上述）を用いて以下のように計算される。ｉ番目のメンバーの冗長性または密度は、
【０１７５】
【数１８】

によって与えられ、ここで、ｄ_ｉｊは、個体ｉと個体ｊとの間のＲ空間における距離であり、
【０１７６】
【数１９】

であり、ここで、閾値は、間隔（０，１］における定数であり、
【０１７７】
【数２０】

である。
【０１７８】
（エントロピー）
集団の相違は、集団における遺伝子型（または表現型）のシャノンエントロピーを計算することによってさらに測定される。高いエントロピー値は、相違のレベルが高いことを示す。エントロピーベースの相違の測定は、類似性のメトリックを必要としない。各遺伝子のエントロピーが独立して計算され、さらに、重み付き平均を用いて結果が組み合わせられる。遺伝子のエントロピーを計算するために、最初に、その遺伝子の可能な各対立遺伝子値が集団に現れる頻度がカウントされる。これらの頻度は、次に、標準的シャノンエントロピー等式
【０１７９】
【数２１】

に代入され、ここで、Ｈ（Ｇ_ｋ）は、遺伝子Ｇ_ｋのエントロピーであり、
【０１８０】
【数２２】

は、Ｇ_ｋがとり得る異なった値または対立遺伝子すべての合計であり、Ｍ_ｉは、その遺伝子のｉ番目の遺伝子が集団で現れる数であり、Ｎは、集団の大きさである。これは、遺伝子Ｇ１およびＧ２に直接適用され得る。Ｇ１およびＧ２と同様であるが、可能な複数の離散（であるが規則的な）値の範囲に広がる遺伝子について、より小さいセットの離散値を取得するために粗い量子化を適用する。連続的空間に広がる上述の遺伝子Ｇ３等の遺伝子について、個別のビンのセットを取得するために連続体を量子化することによって、およびこれらのビンの各々に入る値のＭ_ｉ出現をカウントすることによって、連続体を符号のセットに変換する。
【０１８１】
別の可能な実施形態において、遺伝子間に生じる高次効率に基づいてエントロピーが計算され得る。これを行うために、対立遺伝子値の可能なｎ個の組の各々が、ｎ個の選択された遺伝子にわたって集団で現れる頻度に基づいてエントロピーが計算され得る。
【０１８２】
集団全体にわたる測定値であるエントロピーは、置換において、または投票ウィンドウを占有する場合、集団の特定のメンバーが捜される場合は用いられない。むしろ、これは、進化プロセスを追跡するため、および突然変異の確率等、大域パラメータを調整するために用いられる。
【０１８３】
（クラスタリング）
本節において、クラスタリングの問題が記載される。クラスタリングは、類似性測定値に頼り、後述されるように、本明細書中の実施形態において数回にわたって用いられる。上述の関数Ｓ（Ｐ_ｉ，Ｐ_ｊ）が個体Ｐ_ｉとＰ_ｊとの間の類似性を示す場合、これらの２つの個体間の非類似性を示す新しい関数
Ｄ（Ｐ_ｉ，Ｐ_ｊ）＝１−Ｓ（Ｐ_ｉ，Ｐ_ｊ）
が定義され得る。関数Ｄを用いて、非類似性マトリックスＭが計算され得、ここで、各エントリＭ_ｉｊは、個体Ｐ_ｉとＰ_ｊとの間の非類似性である。このマトリックスは対称的であり、その対角線上に０を有する。
【０１８４】
マトリックスＭを用いて、Ｋ−ｍｅｄｏｉｄクラスタリングアルゴリズムといった、Ｒ空間における遺伝子型の類似性または近接性に従って個体をグループ化する、任意の数の公知のクラスタリング技術が適用され得る。Ｋ−ｍｅｄｏｉｄアルゴリズムは、見出されるクラスタの数が知らされなければならない。データに最良に適合するクラスタの数が知られない場合、どれだけの数のクラスタが求められるかを決定するために、クラスタリングのシルエット値（ｓｉｌｈｏｕｅｔｔｅ ｖａｌｕｅ）が用いられ得る。
【０１８５】
人のユーザもまた、その投票行動に基づいてクラスタリングされ得る。この場合、ユーザＶ_ｉとＶ_ｊとの任意のペアの投票記録において相関関係が測定され、マトリックスＭにおけるエントリＭ_ｉｊが以下のように
【０１８６】
【数２３】

導出される。
【０１８７】
（投票ウィンドウを占有する戦略）
フォーカスウィンドウとも呼ばれる投票ウィンドウは、設計候補のセットを表示し、このセットについての投票者の評価を収集する目的で、各投票者に提供されるウィンドウである。投票が繰返されるたびごとにフォーカスウィンドウを占有するために用いられる種々のポリシーが本節において記載される。一般に、これらのポリシーは、多数の時には対立する目的を達成しようとする。これらは、ａ）参加者に設計空間の可能な限り多くを探索する機会を与えること、およびｂ）システムが参加者の投票に応答していることを認識させることである。
【０１８８】
（投票ウィンドウ混合ポリシー）
投票またはフォーカスウィンドウ混合ポリシーは、第１のフォーカスウィンドウから投じられた票を検討し、（現在システムが処理している票を有する参加者の）次のフォーカスウィンドウにおけるスロットの数を決定し、このフォーカスウィンドウは、ａ）第１のフォーカスウィンドウに示される設計候補の子、およびｂ）設計候補の一般的集団からの設計候補のサンプルで満たされる。
【０１８９】
本インプリメンテーションにおいて、承認票を受け取るフォーカスウィンドウにおけるすべての個体は、少なくとも１つの、しかしながら２つ未満の子を生み出す。承認票の数がフォーカスウィンドウスロットの数よりも少ない場合、承認票を受けとった個体は、各々が第２の子を生産するまでか、または新しいフォーカスウィンドウのスロットが満たされるまでか、どちらが早く起ころうとも、第２の子を生産するために用いられる。例えば、フォーカスウィンドウが６つのスロットを有し、２つの個体に承認が与えられる場合、両方が２つの子を生み出す。この子は、新しいフォーカスウィンドウの６つのスロットのうちの４つを満たす。その代わりに、４つの個体に承認が与えられた場合、最初の２つの個体が各々２つの子を生み出し、他方、最後の２つは、各々、１つの個体を生み出し、従って、全部で、フォーカスウィンドウの６つのスロットが満たされる。
【０１９０】
一旦すべての承認票が与えられ、任意のスロットが空の状態である場合、これらのスロットは、次節に記載されるように、個体の一般的集団をサンプリングすることによって満たされる。
【０１９１】
承認を受け取る候補ごとに、ただ１つの子が許可される場合、上述のポリシーは、わずかに修正される（上述の繁殖についての節を参照）。
【０１９２】
本インプリメンテーションにおいて用いられる代替的混合ポリシーは、エリート主義の概念（進化的計算の文献において周知である）をフォーカスウィンドウに導入するので、承認を受け取るいくつか、またはすべての個体が次のフォーカスウィンドウにおいて保持される。通常、エリート主義は、次の世代にわたって、高度に適合する集団のメンバーが消滅することを回避するために、進化アルゴリズムの世代バージョンにおいて用いられる。この場合、フォーカスウィンドウまたは投票者ウィンドウにおいて同様の概念が用いられる。このポリシーの背後にあるモチベーションは、前に選好した設計候補がフォーカスウィンドウから消滅することを不愉快であるとし得る参加者に継続するという意識を持たせることである。承認投票が用いられると、本実施例において記載されたように、次のウィンドウにおけるエリートスロットよりも多くのエンティティが承認を受け取った場合、エリートスロットが満たされるまで、承認を受信したこれらのエンティティの中でランダムなピックが行われる。
【０１９３】
本実施形態におけるさらに別の代替的ポリシーは、フォーカスウィンドウスロットの最小数および最大数を固定する。これらのフォーカスウィンドウスロットは、ａ）エリート（承認を受け取り、持ち続けられた個体）、ｂ）それらの承認を受け取った個体の子、およびｃ）一般的集団のサンプルに割り当てられる。承認票の数が子に割り当てられたスロットの数を超えた場合、サンプリング法が呼出されて、承認票を受け取った個体のいくつかのみが子を生み出すことができるようになる。あるいは、ユーザがフォーカスウィンドウごとに行うことが許される承認投票の数が制限され得る。さらに別の選択肢は、承認を受け取る個体ごとに子を生成することであるが、次のフォーカスウィンドウにおいて、すべての子は含まない（フォーカスウィンドウに現れない子は、依然として一般的集団に存在する）。
【０１９４】
（フォーカスウィンドウサンプリング）
集団全体からのサンプルのために利用可能であるフォーカスウィンドウスロットについて、これらの候補がどのように選択されるかを決定するためのポリシーが必要とされる。本インプリメンテーションにおいて、用いられる最も簡単なポリシーは、個体の集団にわたってランダムに、一様にサンプリングされるところで用いられるポリシーである。このサンプリングは、すべての子（承認が受け取られた個体によって生み出された）が集団に挿入された後に行われる。サンプリング手順は、フォーカスウィンドウにおいて同じ個体が２度現れることを防止することも、遺伝子型が同一の２つの異なった個体がフォーカスウィンドウに一緒に現れることを防止することも試みない。
【０１９５】
代替的アプローチは、高い冗長性の領域から離れたサンプリングをバイアスすることである（冗長性は、前節に記載されたように計算される）。これらのポリシーの利点は、これらのフォーカスウィンドウにおけるより大きい相違をもたらすことによって、参加者による設計空間のより大きい探索を可能にすることである。本実施形態において用いられる１つのこのようなポリシーは、Ｒ空間冗長性を利用して、特定の集団メンバーが選択されるべき確率が割り引かれる。より具体的には、ルーレットホイール選択が用いられ、集団のＮ個のメンバーの各々に与えられたスライスが、そのメンバーの冗長性と反比例する。
【０１９６】
【数２４】

別のポリシーは、特徴空間冗長性（特徴遺伝子に基づいて計算される）を用い、再び、上記と同じ式を用いてサンプリングをバイアスする。
【０１９７】
本システムにおいて実施された代替的ポリシーは、集団における個体のクラスタ解析（上述の）を実行し、Ｒ空間における位置、それらの遺伝子型特性またはこれらの両方を考慮に入れる。一旦クラスタが決定されると、各クラスタにおける個体の数に関係なく、各クラスタが、開いたフォーカスウィンドウスロットに個体を等しい確率で提供するように、ランダムサンプリングが実行される。このスキーマの利点は、参加者が、調査の間に現れる（種の形成は後述される）異なった種または選好クラスタ（または、美的（ａｅｓｔｈｅｔｉｃ）クラスタ）から等しくサンプリングすることを可能にすることである。これは、事実上、クラスタの大きさと比例して、各クラスタからサンプリングされる一様なサンプリングと対照的である。関連するアプローチは、各クラスタの代表的設計候補が選択されるアプローチである（そのクラスタのセントロイドまたはｍｅｄｏｉｄ）。
【０１９８】
さらに別のポリシーにおいて、その参加者によってまれにしか閲覧されない個体に有利になるようにサンプリングがバイアスされる。この場合、集団のメンバーが選択される確率は、その参加者のフォーカスウィンドウに現れた回数と反比例する。ルーレットホイールにロードするために用いられる確率は、
【０１９９】
【数２５】

によって与えられ、ここで、ｍ_ｉｊは、設計候補Ｐ_ｉが参加者ｊのフォーカスウィンドウに現れた回数であり、ｆ（ｘ）は、単調関数である。例えば、
ｆ（ｍ_ｉｊ）＝ｍ_ｉｊ ^２
である。
【０２００】
関連するポリシーにおいて、まれにしか閲覧されない特徴特性を有する個体に有利に（特徴類似性に基づいて）、またはフォーカスウィンドウにおいてまれにしか閲覧されなかったＲ空間の領域における個体に有利になるように選択がバイアスされる。ここでもまた、選択するルーレットホイールにロードするために用いられる確率が
【０２０１】
【数２６】

によって与えられ、ここで、所与の参加者のｔ番目のフォーカスウィンドウＷ^ｔ（Ｗ^ｌは、現在のウィンドウ、Ｗ^２は、前のウィンドウ等）に関する集団メンバーＰ_ｉの冗長性Ｒ（Ｐ_ｉ│Ｗ^ｔ）
【０２０２】
【数２７】

によって与えられ、ここで、
【０２０３】
【数２８】

は、フォーカスウィンドウにおけるすべてのｑ個のメンバーまたは設計候補の和であり、Ｓ（Ｐ_ｉ，Ｗ^ｔ _ｑ）は、フォーカスウィンドウＷ^ｔのエンティティＰ_ｉとｑ番目のメンバーとの間の類似性である。最後に、類似性の関数Ｓは、前節において冗長性および類似性に関して与えられた方法のいずれかを適切に用いて計算される。
【０２０４】
このポリシーに関する変形は、最後のフォーカスウィンドウだけでなく、最後のいくつかの、またはｎ個のフォーカスウィンドウが追跡され、かつ冗長性の計算において、これらのすべてに等しい重みが付与されるか、またはより最近のフォーカスウィンドウのコンテンツに、より大きい重要性が付与されるというものである。これの１つの特定のバージョンは、最後のｎ個（例えば、ｎ＝３）のフォーカスウィンドウに見え、これらのウィンドウに異なった重みを付ける。この場合にルーレットホイールにおいて用いられるスライスまたはシェアは、
【０２０５】
【数２９】

によって与えられ、ただし、例えば、重み付け関数ω_ｔは、
ω_ｔ＝１／ｔ
とともに減少する。
【０２０６】
本インプリメンテーションにおいて用いられる、さらに別のサンプリングポリシーにおいて、フォーカスウィンドウが占有されている参加者によって非承認表が与えられた個体に関する冗長性（特徴空間の類似性または生殖空間の類似性、あるいはこれらの両方に基づいて）である個体から離れたサンプルがバイアスされる。これは、すでに投票で否決された設計候補に参加者をさらす可能性を最小化することを意図する。これは、この場合、用いられる冗長性がＲ（Ｐ_ｉ│Ｗ^ｔ）ではなく、（Ｐ_ｉ│Ｗ^{ｄｏｗｎ，ｔ}）であり、これは、当該の参加者から否定的な票を受け取ったフォーカスウィンドウメンバーに関してのみ計算されることを除いて、前のポリシーにおいて記載されたものと同様の態様で行われる。関連するポリシーは、フォーカスウィンドウが占有されているユーザによって承認票（あるいは、中立票）が与えられた個体に関して冗長性（特徴空間、生殖空間、またはこれらの両方のいずれか）である個体に向かってサンプルがバイアスされるポリシーである。この場合、Ｒ（Ｐ_ｉ│Ｗ^ｕｐ，ｔ）
が用いられ、ルーレットホイールにおいて用いられる確率またはシェアは、冗長性と直接比例し、反比例と対照的に、例えば、
【０２０７】
【数３０】

である。
【０２０８】
さらに別のポリシーは、設計候補の遺伝的内容に関するフォーカスウィンドウにおける相違を最大化することを試み（特徴遺伝子、生殖遺伝子、またはこれらの両方のいずれかに基づいて）、次に続く各サンプルは、フォーカスウィンドウに配置される個体の特性から離れてその瞬間までバイアスされる。理由は、参加者のフォーカスウィンドウにおける相違を増加させることである。
【０２０９】
上述のポリシーのいずれか、またはこれらの変形は、参加者が、進行中の調査からしばらく離れた後に再び戻る場合、参加者のウィンドウを占有するために用いられ得る。特にその目的のために用いられる別のポリシーは、戻ってくる参加者のウィンドウを、この参加者が最後にログオフした時の最後のフォーカスウィンドウにおいて存在したものと同じ候補で再ロードすることを含む。しかしながら、このポリシーは、多くの場合、問題をはらむ。なぜなら、これらの候補は、おそらく、集団から排除されており、集団に再生成および再挿入されることを必要とするからである。１選択肢は、本設計集団の可能な限り広いサンプリングを参加者に提供することである。これは、上述のように、クラスタの代表からサンプリングすることによって行われる。このポリシーは、さらに、調査が一定の期間行われた後で調査に加わり、かつ任意の特定の選好セグメントで識別されない参加者の場合に用いられる。
【０２１０】
１実施形態において、特定の改良点が投票ウィンドウに付加される。これらは、以下のうちのいくつか、またはすべてを参加者に提供することが意図される。これらは、ａ）調査の間の進歩の測定または表示、ｂ）調査中にゴールポストに到達したという達成感、ｃ）進化プロセスのより直接的な制御、ｄ）設計プロセスにおける参加者仲間のコミュニティにおける会員意識、またはすべてが参加者に提供することように意図される。図７Ｃは、右手側にこれらの改良点の２つを有する投票ウィンドウを示す。これらは、０％〜１００％の範囲に及び、かつ着色された部分によって進歩のレベルを示すプログレスバー７８０を含む。同じ図において示される他の改良点は、「ピックパネル」７８８であり、これは、投票ウィンドウの右手側のパネルであり、プログレスバーの下にあり、「マーカ設計」と表示される。図において、ピックパネルは、垂直方向に構成された３つのバツ印を示す。これらの１つは、選択されており、他の２つは、依然として空白である。ピックパネルは、後述される戦略のうちの１つに基づいて、調査の間の特定の時点における特定の設計候補を示す。示されるケースにおいて、選択されたピックの下の「Ｘ」マークは、参加者が、ピックを解除し、特定のピックに至った調査の部分を再スタートすることを可能にする。
【０２１１】
４つのクラスの戦略が、この実施形態において用いられ得る。戦略の第１のクラスは、参加者によって投じられる票の数が固定されることに頼り、第２のクラスは、参加者の最後のいくつかの投票ウィンドウに示される候補の中の類似性の程度に依存し、従って、当該の参加者により投じられる可変の数の票を含み得る。第３のクラスは、承認および非承認ボタン（本図においては示されない）の隣の特別なボタンを用いることによって、参加者が投票ウィンドウにおける設計候補者のうちの１つを直接選択することを可能にする。最後に、戦略の４つのクラスは、その参加者に、他の参加者がどのように選択しているかを示すためのピックパネルを用いる。
【０２１２】
（戦略Ｉ：投票およびピックの現在の数の解析）
本戦略において、システムは、各参加者が投票ウィンドウの現在の数ｎを見、かつ評価することを可能にするようにセットされる。ここで、ｎの通常の値は、６〜４０の間である。この場合、プログレスバーは、参加者がその時点まで閲覧した投票ウィンドウの比率と比例して現在の数ｎまで増加する。ｎ個の票が投じられた後、後述されるように、参加者の投票パターンに基づいて、参加者の代わりに自動的にピックされ、プログレスバーが０にリセットされ、設計の集団によってランダムに占有される新しい投票ウィンドウ、およびｎ個の投じられた票の新しいセット全体が開始される。図７Ｃに示される投票ウィンドウは、参加者がｎ個の投じられた票の３つのセットに目を通すよう求められ、その結果、３つがピックされる場合に対応する。
【０２１３】
投票ウィンドウが現在の数ｎになった後、これらのｎ個のウィンドウへの参加者による投票について解析が実行される（すべての票が検査され得るか、またはｎ個の投じられた票の最後の８０％のみが検査されて、任意の「トレーニング」または適応効果が除去され得る）。１つのスキーマにおいて、解析は、各対立遺伝子によって受け取られる承認票をカウントすること、および属性値の最多「選択」の組み合わせを生成するカウントを用いることを含む。その時点で、これらの最多選択属性値を用いて組立てられ、これがピックになる。このアプローチは、遺伝子間に依存が少ないか、または依存がない場合に有効である。より改良された有効な解析は、依存がある場合でも以下の工程を含む。これらは、投じられたｎ個の票が受け取られた後、肯定票（承認）を受け取ったこれらの投票ウィンドウにおけるすべての候補が収集される。その後、第１の肯定票候補が選択され、その候補の第１の遺伝子で開始し、他の肯定表候補のどれだけがその遺伝子の同じ対立遺伝子を共有するかがカウントされる。これは、選択された候補のすべての遺伝子について繰返され、これらのｋ個のカウント（ｋは、遺伝子の数）が積算される。このカウントは、その候補の「代表性（ｒｅｐｒｅｓｅｎｔａｔｉｖｅｎｅｓｓ）」スコアである。このプロセスは、肯定票候補の各々について繰返され、これらは、スコアに基づいて格付けされる。これらのうち、トップクラスの肯定票候補は、ピックとして選択される。
【０２１４】
１変形において、参加者には、選択したピックを拒絶する可能性が与えられ、この場合、次に高いスコアのものがピックとして選択される等である。いくつか（例えば、３つ）が拒絶された場合、ｎ回の反復のセットが再始動される。別の変形において、参加者には、３つの最高スコアのピック候補を示すパネルが提供され、参加者投票してきたものに最も近いと考えるものを選択する機会が与えられる。
【０２１５】
（戦略ＩＩ：フォーカスウィンドウ集束ピック）
進行表示戦略の第２のクラスにおいて、プログレスバーは、単調に増加しないが、参加者の行動に依存して後退し得る。投票者がむらなく投票した場合、その投票者の連続的な投票ウィンドウは、同様の設計候補によってしだい占有される可能性がより大きい。この場合、連続的投票ウィンドウのコンテンツの類似性と連動するプログレスバーは増加する。この場合、ピック選択の前に投じられた票の数は様々である。投票ウィンドウにおける設計候補の特定の分数（例えば、３／４）が、同一かまたは非常に類似になると、最も複製された候補がピックとして選択される。ピックが行われ、そのピックが参加者によって拒絶されない場合、新しいフォーカスウィンドウが占有され（例えば、ランダムに）て、参加者は、次のピックをもたらすプロセスの次の段階を開始する。ピックが拒絶された場合、戦略Ｉにおいて述べられたものと類似の選択肢が続く。
【０２１６】
（戦略ＩＩＩ：直接選択）
この場合、特定の数の投票が参加者によって行われた後、フォーカスウィンドウにおける設計候補の各々の隣のさらなるボタンがイネーブルされる。このボタンは、ダイレクトピックボタンであり、参加者が、ピックになる対応する候補を選択することを可能にする。あるいは、ダイレクトピックがイネーブルされた場合、参加者には、投票ウィンドウ内の位置から所望の候補をピックパネル領域にドラッグし、そこにコピーが配置されることが可能になる。一旦参加者がダイレクトピックを行うと、ダイレクトピックボタンが、投票の反復の現在の数について再びディセーブルされる。ピックパネルは、ピックを保持する定数のスロットを有し、新しいピックがダイレクトピックボタンをクリックすることによって挿入された場合、このピックは、ピックパネルの上部に配置され、他方、その他のものはすべて、下方の１つのスロットに移動し、下部のスロットを占める設計は廃棄される。ピックがピックパネル上にドラッグすることによって作成される場合、ピックされた設計は、ドラッグおよびドロップされるスロット内の項目を置き換えるか、またはそのスロットの項目はそれ以下が１スロット下にずらされる（下のスロットにおける項目は、再び廃棄される）。ピックパネルが管理される態様に関係なく、すべてのピックの履歴は、次に続く解析について記録される。
【０２１７】
このスキーマの変形は、さらに、参加者が、設計候補がなくなったという印象を受けた場合、参加者がピックパネルにおけるピックの１つ以上を、調査において、後から再挿入して設計候補の集団に戻すことを可能にし、従って、投票ウィンドウのフォーカスにおいても）する。この場合、その候補のＲ空間値は、その間に、Ｒ空間において起こり得る変化を反映するように更新される。候補の前のＲ空間座標が、Ｒ空間の現在の構成と適合することは当てにされ得ない。なぜなら、Ｒ空間は、常に一定だからであるからである。新しいＲ空間の位置は、以下の方法のうちの１つで選択され得る。
【０２１８】
１）再挿入が所望される設計に最も類似である設計を含むＲ空間の領域が、特徴遺伝子の類似性に基づいて配置され、再挿入された設計に新しいＲ空間座標が与えられる。この新しいＲ空間座標は、その設計をその近隣に配置する。集団における設計のいずれも、再挿入されるべき設計と十分に類似でない場合、
ａ）Ｒ空間座標を、現在の集団の境界ボックス（ｂｏｕｎｄｉｎｇ ｂｏｘ）内（選択的に、多少拡張される）でランダムにピックし、
ｂ）再挿入された個体をＲ空間の最小密度の領域に配置する。
【０２１９】
ｃ）Ｒ空間の占有された領域の周辺部において再挿入された個体を、クラスタの代表間の平均距離によって決定された周辺部からの距離で配置する。
【０２２０】
（戦略ＩＶ：社会ネットワーク効果スキーマ）
これは、参加者の投票パターンに基づいて推定されるピックのみでなく、他の投票者のピック（候補または現在の）もまたピックウィンドウにおいて参加者に示すことを含む。この場合、投票者全体に最も人気のある設計候補は、肯定票候補が、現在議論されている投票ウィンドウを有する参加者からのみでなく、すべての参加者から収集されることを除いて、上記の戦略Ｉにおいて記載されたものと同じ技術を用いて推定される。
【０２２１】
（種分化および動的（または共進化）セグメンテーション）
交配相手の選択のために用いられるβパラメータ（例えば、式（３））は、例えば４０．０といった十分に高い値に設定されると、すでに概説されたメカニズムおよび手順が、異なった選好プロファイルがプロセスの間に現れ、かつ共存することを自動的に可能にする。（その代わりに式（５）が用いられた場合、γパラメータは、十分小さい必要がある。）参加者は、市場における消費者の集団を表すまで、および、その市場における異なったサブグループが、製品属性の異なった組み合わせの選好を最終的に進化させるまで、システムは、事実上、その市場の動的セグメンテーションの一種を実行する。「動的」という用語は、本明細書中において、選好プロファイルおよび対応する好適な設計は、プロセスにおいて、共進化されることを示すために用いられる。これは、所与の選好プロファイル（適切な設計が開発される）か、または適切な顧客が識別される所与の設計を想定する市場セグメンテーションについての既存のアプローチと異なる。本節は、現在のインプリメンテーションがそのセグメンテーション能力をどのようにもたらすかを説明し、簡単な例を提供することが意図される。
【０２２２】
（同型交配）
特定の個体（設計候補）間の交叉演算が、参加者によりわずかにしか選好されない新しい候補をもたらすまで、このような交配が生じることの防止に努められる。しかしながら、このような交配が有害であることは先験的に知られない。個体の交配選択を表すＲ空間メカニズムは、しだいに学習され得る。どの交配相手のペアが適合性があり（ｃｏｍｐａｔｉｂｌｅ）、どれが適合性がないか、および現在の交配の結果の参加者による評価に基づいて学習し得る。成功する遺伝物質のペアリングは、しだいに、より頻繁に生じる傾向になり、これによって、あまり成功しないペアリングを締め出す。特定の交配ペアの禁止（または尤度の低減）は、同型交配として知られ、同じセットのメンバー間で交配し合うことは許されるが、別のセットのメンバーとの交配は許されない個体の各セットが種として知られる。
【０２２３】
種の進化（種分化）は、動的参加者の選好セグメンテーションにとって直接的に重要である。設計の調査が開始すると、Ｒ空間は一様であり、設計候補の集団のＲ値は、Ｒ空間内に一様に分布する。進化が進行すると、遺伝物質のどのペアリングが、他よりも成功するかについての情報が取得される（参加者のフィードバックによって）。参加者の評価、および生殖遺伝子に対する交叉演算の結果として、Ｒ空間における遺伝子値の分布は不均一になる。換言すると、Ｒ空間は、クラスタリングを開始する。この不均一性は、特定の個体を互いに近付けて、および他の個体から離して保持する態様で構造化される。これらのクラスタは、種、すなわち、生殖的に隔離される個体のセットに対応する。生殖隔離が現れると、各種は、投票によって進化させた参加者とともに、設計空間の特定のサブ領域に限定されるようになり、これらの種は、他の種からの妨害にあまりさらされない。
【０２２４】
（エコロジーにおける複数のニッチ）
市場の複数のセグメントを有する場合、これらのセグメントの各々について異なった選好プロファイルのセットが存在する。各セグメントの選好は、設計探索空間における領域を表す。これらの領域は、別個のエコロジーニッチと考えられ得る。同型交配ダイナミックは、複数の種が表れて存続することを可能にし、ここで、各種は、固有のニッチ内に生息する。各セグメントをサポートする参加者の数（市場セグメントの大きさの代用となる）は、そのニッチの環境収容力、従って、対応する種の大きさを決定する。換言すると、Ｒ空間クラスタが形成されると、クラスタの大きさ（特定の種に属する設計候補の数）は、市場セグメントの大きさを反映する（各参加者に提供される投票画面の数を制限することによってか、または、参加者が、割り当てられた票の数に到達した所与の参加者によって投じられた票を無視することによって、現在のインプリメンテーションにおいて制御され得て、参加者の投票レベルが平衡されることを想定する。）参加者がシステムと相互通信すると（およびこれによって意見を形成する）設計の可能性を発見し、設計は、その参加者に応答して進化するので、設計と参加者との相互通信は、ある意味で共進化的であると説明され得る。進化する設計によって進化させられた選好は、システム全体として、市場における複数のセグメントをうまく描く設計のセットに向かって集束することを可能にする。
【０２２５】
図８〜図１４は、この動的セグメンテーションプロセスの例を提供する。本例において、２つの参加者が、同時にシステムと相互通信した。このプロセスは、候補の集団のランダムなシーディングに基づいて、一様に分布する生殖遺伝子および特徴遺伝子で開始する（図８および図９をそれぞれ参照）。複数の投票周期の後、一方は参加者１に対応し、他方は参加者２に対応する２つのセグメントが現れる。図１０および図１１は、調査におけるその時点の２つの参加者のフォーカスウィンドウを示す。各フォーカスウィンドウのコンテンツは、その参加者が選択した設計によって支配され、すなわち、第１の参加者に示される設計選択は、色、パターンおよび設計スタイル（例えば、タブ長さ）が、第２の参加者に提供される設計選択とは異なり得る。いずれかの参加者に示される設計選択は、Ｒ空間に高度に集中され得る。すなわち、各設計選択は、参加者に示される他の設計選択の各々と非常に類似であり得る（例えば、類似の色、類似のパターン等）。他の調査において、参加者に提供される設計選択は、Ｒ空間に分散され得る。すなわち、各設計選択は、参加者に提供される他の設計選択とは異なった色またはパターンを有し得る。図１２は、その時点のＲ空間プロットを示し、ここで、設計候補は、強調表示される２つのセグメントに対応し、本実施形態において、２つのクラスタは、明確に区別される。最後に、図１３および図１４は、プロセスにおける、その時点の各参加者の特徴遺伝子値の分布を示す。図１３は、参加者１の特徴遺伝子１〜３の分布を示す。スタイル「２」は、両方のセグメントによって選好されるため、唯一生き残った色スタイルである。参加者１は、紫色かかったボディスタイル（ボディスタイル「１」）および短いタブ長さ（１２３と等しい値）を選好する。
【０２２６】
図１４は、参加者２の特徴遺伝子の分布を示す。色スタイル「２」（タブの色）は、唯一生き延びた色スタイルである。参加者２は、緑色のボディスタイル（ボディスタイル「６」）および長いタブ長さ（１３１０と等しい値）を選好する。
【０２２７】
１実施形態において、各ユーザについて収集された人口統計学的情報は、上述の進化アルゴリズムをバイアスするために用いられ得る。例えば、システムは、ユーザの幅広い分野（ｕｎｉｖｅｒｓｅ）から入力を受信するが、設計オブジェクトの分野を進化させる目的で、特定の人口を有するユーザのセットからの入力のみを用い得る。本実施形態は、製造業者が特定の市場セグメントの選好を決定することを可能にし、その際、製造業者がマーケットリサーチ活動を特定の人口統計学的市場に積極的に向けることを必要としない。
【０２２８】
別の実施形態において、上述のシステムは、競争が激しい製品に関してデータが集められることを可能にするために用いられ得る。これは、これらの製品が競争の激しい製品を、「生き残る」か否かを見出すように設計された製品のセットに含むことによって達成される。１つの特定の実施形態において、進化アルゴリズムは、競争の激しい製品が、１つ以上の選択者によって選択された製品設計のセットと遺伝子的に類似であるのはいつかを認識し、その競争が激しい設計を製品選択肢の次の世代に挿入する。
【０２２９】
さらに別の実施形態において、上述のシステムは、消費者が１つ以上の製品を購買することを決定する際に誘導する「仮想販売員」として用いられる。本実施形態において、製品設計は、企業によって売り出された項目の分野を表し、製品の次の世代が、受信されたユーザ入力に基づいてその分野から選択される。
【０２３０】
さらに別の実施形態において、進化設計システムは、製造業者に原材料を供給する商業アクターからの情報を含む。例えば、納入業者は、製品に含むために利用可能なハンドルに関する情報を提供し得る。情報は、通常、寸法情報およびスタイル情報を含むが、価格付け情報もまた含み得る。本実施形態において、選択者には、潜在的設計のコストに関する情報が提供され得、その遺伝因子が、選択者によって検討される製品の次の世代を生成する際に考慮され得る。
【０２３１】
さらに別の実施形態において、上述の進化設計技術は、シミュレーションされた推奨データまたは他の販売促進スキーマおよび戦略を選択者に提供することによって強化される。本実施形態において、意見形成者として理解される選択者は、投票者に表示される投票選好を有し得る、他の選択者が意見形成者の投票選好を知ることに基づいて自分の票を変更するか否かを決定する。
【０２３２】
当業者によって、本発明の主旨および範囲から逸脱することなく複数の変更および修正がなされ得る。従って、示された実施形態は、例示の目的でのみ示されることが明確に理解されなければならず、上記の請求項によって定義される、本発明を限定すると理解されるべきでない。従って、以下の請求項は、請求項によって示されることが文字通り含むだけでなく、実質的に同じ方法で実質的に同じ機能を実行して実質的に同じ結果を得るが、その他の点では、上記の説明において示され、かつ説明されることと同一ではない他のすべての等価値の要素もまた含むと読まれるべきである。
【図面の簡単な説明】
【図１】
図１は、本発明を実行するシステムの１実施形態を例示するブロック図である。
【図２】
図２は、本発明に従って行われた決定または設計調査のプロセス工程の１実施形態を示すフローチャートである。
【図３】
図３は、結果として購入決定をする多目的選択者エンティティに関係する（ｉｎｖｏｌｖｉｎｇ）調査中に行われた工程の１実施形態を示すフローチャートである。
【図４】
図４は、進化的設計調査中にマーケットセグメントを識別するために行われる工程の１実施形態を示すフローチャートである。
【図４Ａ】
図４Ａは、種形成およびニッチング（ｎｉｃｈｉｎｇ）の特徴を示す進化的アルゴリズムの１実施形態を示すフロー図である。
【図４Ｂ】
図４Ｂは、マッチング確立を計算するために行われる工程の１実施形態を示すフロー図である、
【図４Ｃ】
図４Ｃは、計算するために行われる工程およびエンティティのニッチングディスカウントの１実施形態を示すフロー図である。
【図５】
図５は、本発明に関係して有用な登録ページの１実施形態を示すスクリーンショットである。
【図６】
図６は、本発明に関係して有用なダイアログスクリーンの１実施形態を示すスクリーンショットである。
【図７】
図７は、ユーザ入力を受信するのに有用なスクリーンの１実施形態を示すスクリーンショットである。
【図７Ａ】
図７Ａは、開陳物（ｓｕｂｍｉｓｓｉｏｎ）に投票する前に特定の選好アセスメントを示すスクリーンショットである。
【図７Ｂ】
図７Ｂは、投票開陳物が続く第２の投票用のスクリーンの１実施形態を示すスクリーンショットである。
【図７Ｃ】
図７Ｃは、「ピックパネル（ｐｉｃｋ ｐａｎｅｌ）」および「発展バー（ｐｒｏｇｒｅｓｓ ｂａｒ）」を特徴とする投票用スクリーンの１実施形態を示すスクリーンショットである。
【図８】
図８は、アイテムのＲ空間表示に基づくアイテムのディスプレイの実施形態を示すスクリーンショットである。
【図９】
図９は、アイテムの特徴表示に基づくアイテムのディスプレイの１実施形態を示すスクリーンショットである。
【図１０】
図１０は、設計調査の１実施形態の間に、参加者に提示されたアイテムを示すスクリーンショットである。
【図１１】
図１１は、設計調査の１実施形態の間に、参加者に提示されたアイテムを示すスクリーンショットである。
【図１２】
図１２は、Ｒ空間プロットの１実施形態を示すスクリーンショットである。
【図１３】
図１３は、設計調査の１実施形態の特徴遺伝子の分布を示すスクリーンショットである。
【図１４】
図１４は、設計調査の１実施形態の特徴遺伝子の分布を示すスクリーンショットである。

Claims (109)

1. セットの項目のサブセットを動的に識別する方法であって、該項目に対して複数の選択者が同様の類似点を有し、それぞれの該項目は組み合わせの属性を有し、該方法は、
   （ａ）グループの選択者のそれぞれに対するディスプレイのために第一グループ項目のサブセットを提示するステップであって、該第一グループ項目のそれぞれが特定の組み合わせの属性を有する、ステップと、
   （ｂ）グループ選択者の少なくとも幾人かによって提示された項目のサブセットに対して表わされた項目選好を示すデータをキャプチャするステップと、
   （ｃ）該キャプチャされたデータに応じて第二グループ項目を選択するステップと、
   （ｄ）各属性間の類似点を有する該第二グループ項目のサブセットを識別するステップと
   をも含む、方法。
2. 停止基準が満足されるまで、ステップ（ａ）〜（ｄ）を繰り返すステップをさらに包含する、請求項１に記載の方法。
3. 表わされた項目選好の間の類似性を有するグループ選択者のサブセットを識別するステップをさらに包含する、請求項１に記載の方法。
4. ステップ（ａ）は、ユニバース（ｕｎｉｖｅｒｓｅ）項目のそれぞれ全てのディスプレイのために提示するステップを包含する、請求項１に記載の方法。
5. ステップ（ｂ）は、前記グループ選択者の少なくとも幾人かによって提示された項目のサブセットに対して表わされた相対的な項目選好を示すデータをキャプチャするステップを包含する、請求項１に記載の方法。
6. ステップ（ｂ）は、前記グループ選択者の少なくとも幾人かによって提示された項目の少なくともいくつかに割り当てられた格付けを示すデータをキャプチャするステップを包含する、請求項１に記載の方法。
7. それぞれの選択者からの前記キャプチャされたデータを正規化するステップをさらに含む、請求項１に記載の方法。
8. ステップ（ｃ）は、進化的アルゴリズムを使用して、前記キャプチャされたデータに応じる第二グループ項目を選択するステップを包含する、請求項１に記載の方法。
9. ステップ（ａ）は、第一グループ選択者に対するディスプレイのために第一グループ項目を提示するステップを包含するステップであって、それぞれの項目は、セットのメリット（ｍｅｒｉｔ）属性のおよびセットの生殖属性を有する、請求項１に記載の方法。
10. 前記項目に対する前記キャプチャされたデータに応じるフィットネススコアおよび前記項目の生殖属性を、前記第一グループ項目のそれぞれに対して決定するステップをさらに包含する、請求項１に記載の方法。
11. 複数の前記第一グループ項目のフィットネススコアを含む正規化された該フィットネススコアベクトルを作成するステップをさらに含む、請求項１０に記載の方法。
12. フィットネス比例アルゴリズムを使用して、生殖親として、前記第一グループ項目の一つを選択するステップをさらに包含する、請求項１０に記載の方法。
13. 前記生殖親は、ルーレットホイールアルゴリズムを使用して選択される、請求項１２に記載の方法。
14. 前記生殖親は、Ｓｔｏｃｈａｓｔｉｃ Ｕｎｉｖｅｒｓａｌ Ｓａｍｐｌｉｎｇアルゴリズムを使用して選択される、請求項１２に記載の方法。
15. 交配相手および生殖親の生殖属性に応じてそれぞれの該生殖親に対して該交配相手を選択するステップをさらに包含する、請求項１２に記載の方法。
16. ステップ（ｃ）は、それぞれの交配生殖親ペアの前記メリット属性に組み換えオペレータを付与することによって新しい項目を選択することを包含する、請求項１５に記載の方法。
17. 前記組み換えオペレータは、交叉オペレータである、請求項１６に記載の方法。
18. 前記第二グループ項目のそれぞれに対して複数の生殖類似性のファクタを決定するステップをさらに含むステップであって、該複数の類似性のファクタのそれぞれは、該第二グループ項目の該一つの項目および各他の項目の該生殖属性の類似性を表わす、請求項１６に記載の方法。
19. ステップ（ｄ）は、前記第二グループ項目のサブセットを識別するステップを包含するステップであって、該項目のそれぞれ一つは、該サブセットのそれぞれの他の項目に関して、所定の閾値より小さい生殖類似性ファクタを有する、請求項１８に記載の方法。
20. 商品形態に対する消費者のそれぞれのグループに相対的類似点を決定し、商品またはその一部を含み、組み合わせの属性を有する方法であって、該方法は、
    ａ）グループの消費者の少なくとも幾人かにグループの商品形態を提示するステップであって、該商品形態のそれぞれが特定の組み合わせ属性を有する、ステップと、
    ｂ）該グループの消費者の該少なくとも幾人かが該提示された商品形態のサブセットに対する選好を表わすことを有効にするステップと、
    ｃ）該グループの消費者の該少なくとも幾人かによって表わされる該選好を示すデータをキャプチャするステップと、
    ｄ）新しい属性または新しい組み合わせの属性を有する形を含む派生されたグループの商品形態を生成するためにコンピュータプログラムに該データを入力するステップであって、該生成は、該キャプチャデータによって影響される、ステップと、
    ｅ）該派生されたグループの商品形態を消費者の該グループの該少なくとも幾人かに提示するステップと、
    ｆ）商品形態に対して該消費者またはグループの消費者の相対的な類似点を示すデータを収集するためにステップｂ）からステップｅ）を繰り返すステップと を包含する、方法。
21. 代替的な組み合わせの商品属性に対する消費者の選好の調査を推進する種々の派生された商品形態を生成するために、前記キャプチャされたデータが条件付けられるか、または前記コンピュータプログラムが条件付けられる、請求項２０に記載の方法。
22. 一人またはサブセットの消費者の前記選好を適合するセットの商品属性に収束する派生された商品形態を生成するために、前記キャプチャされたデータは条件付けられ、または前記コンピュータプログラムは構成される、請求項２０に記載の方法。
23. 対応する複数のサブセットの消費者の前記選好に適合する複数のセットの商品属性に収束する派生された商品形態を生成するために、前記キャプチャされたデータは条件付けられ、または前記コンピュータプログラムは構成される、請求項２０に記載の方法。
24. 前記コンピュータプログラムは、派生されたグループの商品形態を生成するために遺伝的または進化的計算技術を利用する、請求項２０に記載の方法。
25. 前記コンピュータプログラムは、前記グループの消費者の少なくとも一つの表わされた該選好から派生された商品形態の属性の重み付けコンジョイント分析評価を利用する、請求項２０に記載の方法。
26. 選択者によって選好される複数の商品形態のどれかを決定する方法であって、該商品形態のそれぞれは、複数の代替的属性を含み、該方法は、
    ａ）セットの商品形態を該選択者に提示するステップであって、該商品形態のそれぞれが特定の組み合わせの属性を有する、ステップと、
    ｂ）該選択者が該提出された商品形態のサブセットに対する選好を表わすことを有効にするステップと、
    ｃ）該選択者によって表わされた該選好を示すデータをキャプチャするステップと、
    ｄ）新しい属性または新しい組み合わせの属性を有する形態を含む、派生されたセットの商品形態を生成するためのコンピュータプログラムに該データを入力するステップであって、商品形態の該生成はキャプチャされたデータに影響される、ステップと、
    ｅ）該派生されたグループの商品形態の少なくとも一部分を該選択者に提示するステップと、
    ｆ）停止基準が満足されるまでステップｂ）からステップｅ）を繰り返すステップと
    を包含する、方法。
27. 前記選択者は、一人の人、一グループの人々、マシン学習システム、神経網、統計モデル、またはエクスパートシステムのような人の代用となるもの、またはこれらの組み合わせである、請求項２６に記載の方法。
28. 選択された商品形態に基づく商品を前記選択者またはサブセットの選択者にセールを行う、さらなるステップを包含する、請求項２６に記載の方法。
29. 前記選択された商品形態に基づく商品は、前記停止基準が満足された後、前記選択者またはサブセットの選択者に配送するために生産される、請求項２６に記載の方法。
30. 前記選択された商品形態に基づく前記商品は、前記停止基準が満足される前に存在する、請求項２６に記載の方法。
31. 前記選択者は複数の人々を含み、該複数の人々またはそのサブグループの前記選好を示すデータを、選択者またはサブセットの選択者に提示するさらなるステップを包含する、請求項２６に記載の方法。
32. 複数のユニットの選択された商品形態を生産するさらなるステップを包含する、請求項２６に記載の方法。
33. グループの商品形態は、電子ネットワークを介して前記選択者に提示される、請求項２６に記載の方法。
34. ステップａ）の前に、前記商品またはその範囲の属性を識別し、該属性または属性の範囲を表わすためにコードを決定し、または、該コードと属性提示の関係を決定する、さらなるステップを包含する、請求項２６に記載の方法。
35. 前記選択者はグループの人々であり、該グループの人に提示された派生されたグループの商品形態は、該グループの一人以上の他の人々によって表わされた前記選好を示すデータを使用して生成される、請求項２６に記載の方法。
36. 前記プログラムは、遺伝的アルゴリズム演算、遺伝的プログラミング、コンジョイント分析、生成文法、ランダム属性のジェネレータ、遺伝的計算技術、進化的計算技術、またはこれらの組み合わせを使用して、前記派生されたグループの商品形態を生成する、請求項２６に記載の方法。
37. 前記プログラムは、前記派生されたセットの商品形態の少なくとも一部分を生成するためにセットの商品属性から選択する、請求項２６に記載の方法。
38. 前記プログラムは、前記派生されたセットの商品形態またはその要素を生成するために、属性を作成または修正する関数を利用する、請求項２６に記載の方法。
39. 上記ステップｅ）の前に前記派生されたグループの商品形態から生成された商品形態を削除し、または、前記派生されたグループの商品形態に前もって取り入れられた商品形態を再び取り入れるさらなるステップを包含する、請求項２６に記載の方法。
40. 派生されたグループの商品形態の生成を前もって選択された属性を含む商品形態に制限するさらなるステップを包含する、請求項２６に記載の方法。
41. 選択者またはそのサブセットの選択者が、派生されたグループの商品形態の生成を選択者によって選ばれた属性を含む商品形態に制限することを、許可させるさらなるステップを包含する、請求項２６に記載の方法。
42. 前記選択者を含む前記人々のサブセットから取得されるデータは、前記派生されたグループの商品形態の前記生成の不均衡な影響でもって供給される、請求項２６に記載の方法。
43. 派生された商品形態の前記生成を制限するために前記選択者と関連する属性の選好情報またはデモグラフィック情報の少なくとも一部分を使用するステップを包含する、請求項２６に記載の方法。
44. 前記取得された属性の選好情報は、前記買物客が進んで前記商品に対して支払を望む価格の範囲、選択者のボディサイズ情報、商品スタイル情報、色の選好、材料の選好能仕様または選択者の所望の商品の機能のリストである、請求項４３に記載の方法。
45. 商品属性は美観に関するものである、請求項２６に記載の方法。
46. 商品属性は機能である、請求項２６に記載の方法。
47. 商品属性は前記選択者によって、視覚的に、聴覚的に、触覚的に、経口的にまたは鼻音（ｎｏｓａｌｌｙ）で感知される、請求項２６に記載の方法。
48. 前記商品は、物品、サービス、メニューまたは計画である、請求項２６に記載の方法。
49. 前記選択者が、好み属性を有する前記派生された商品形態を豊かにするために前記コンピュータプログラムにおいて前記商品の属性が好まれることを可能にするさらなるステップを包含する、請求項２６に記載の方法。
50. 前記停止基準は、
    ｇ）前記選択者またはサブセットの選択者によってなされる購入決定と、
    ｈ）ステップｂ）〜ｅ）の所定の繰り返しの数のサイクリングと、
    ｉ）前記選択者を含む複数の人々による属性の一致条件（ｃｏｎｓｅｎｓｕｓ ａｇｒｅｅｍｅｎｔ）に到達することと、
    ｊ）該選択者を含む人々による個々の評価の所定の数に到達することと、
    ｋ）前記方法の所定の持続時間の経過と、
    ｌ）監督者の介入と、
    ｍ）時間内に所定のポイントへの到達と、
    ｎ）該選択者を含む人によって判断された商品形態の出現における改良の欠如と、
    ｏ）監督者によって判断された商品形態の出現における改良の欠如と、
    ｐ）該選択者によって表わされた前記選好を示す入力データとして使用するコンピュータプログラムまたはサブルーチンによって判断された商品形態の出現における改良の欠如と、
    ｑ）異なる属性または組み合わせの属性に対する該選択者のサブセット間の明確な選好の識別と、
    ｒ）該選択者を含む人による特定の商品形態の選択と、または、
    ｓ）該新生の商品形態の間の相違点の欠如と、または、
    ｔ）その組み合わせ
    である、請求項２６に記載の方法。
51. 一人または対応する複数の人々によって選好された一つまたは複数の商品形態の決定を可能にするためにステップｂ）〜ｅ）を十分多くの回路の繰り返しを行うステップを包含する、請求項２６に記載の方法。
52. 前記選択者またはサブセットの選択者についてのデータを収集し、そして、該選択者またサブセットの選択者によって選好される前記商品形態と該データを相関させるさらなるステップを包含する、請求項２６に記載の方法。
53. 前記選択者またはサブセットの選択者についての前記データは、該選択者の心の状態を示すデータであり、または、デモグラフィックデータである、請求項５２に記載の方法。
54. 前記選択者またはサブセットの選択者によって表わされた前記データは、公称上のデータであり、該データは、前記提示された商品形態の該選択者による所定のカテゴリの分類を示すものであり、提示された商品形態の中の選好の順序を示す順序データであり、商品形態の一つまたはサブセットに対する選好であり、商品形態に与えられる格付けを含む主要なデータであり、実用的な投票データであり、選択者またはサブセットの選択者によって作られる商品形態の属性の改変であり、所定の商品形態に対する該選択者の選好における該選択者、またはサブセットの選択者の信頼性の表示、または、それらの組み合わせである、請求項２６に記載の方法。
55. ステップｃ）の後、前記データは、監督者によって条件づけられ、または前記コンピュータプログラムは、監督者によって所望される商品形態への収束を推進するために構成される、請求項２６に記載の方法。
56. 前記データは条件付けられ、また、前記コンピュータプログラムは、前記処理を加速するために、それによる停止基準に達するために必要なサイクルの数を減らすように構成される、請求項２６に記載の方法。
57. 前記コンピュータプログラムは、並列にまたは直列に実行する複数のプログラムを含む、請求項２６に記載の方法。
58. ステップｄ）の前に、総計のランキングを示すデータを取得するために前記選択者を含む複数の人々からデータを総計するステップを含む、請求項２６に記載の方法。
59. 前記選択者は一人の人を含み、前記処理は、該人の選択または選択者として従事した他人の選択の履歴の少なくとも一部を示すデータを該人に提示するさらなるステップを包含する、請求項２６に記載の方法。
60. グループの選好を決定する方法であって、
    ｕ）グループの人々の個体要素による選択のための一つまたは一連の選好の選択肢を電子的に提示するステップと、
    ｖ）多数の該個体要素を含む第一グループの人々のメンバーがセットの提示された選択肢に電子的に応答した後に、該第一グループの選好の傾向を決定するために該メンバーの選択を要約するステップと、
    ｗ）個体のメンバーによる選択に対する該決定された選好の傾向を適応させるために変えられた選好の選択肢の異なった一つまたは一連の多数の選択を電子的に提示するステップと、
    ｘ）多数の個体のメンバーを含む第二のグループが、変えられた選択肢に電子的に応答した後、洗練された選好の傾向を決定するために該第二のメンバーの選択を要約するステップと
    を含む、方法。
61. 商品の多数の形態の中でどれかを決定する装置であって、該形態のそれぞれは複数の代替の属性を有し、該形態は一人以上の人々を含む選択者によって選好される、該装置は、
    グループの商品形態を選択者に提示するための端末であって、商品形態のそれぞれは、特定の組み合わせの属性のを有する、端末と、
    該選択者が選好する該提示された商品形態のサブセットに対するその選好を示すデータをログすることを有効にさせる該端末に対する入力と、
    該端末から中央コンピュータへのデータリンクと、
    複数の生成の派生されたグループの商品形態を生成するためにコンピュータによって実行可能なプログラムであって、商品形態の該生成は、該選択者から該リンクを介して受け取られた該データによって影響され、
    該派生されたグループの商品形態を選択者に該データリンクを介して提示し、
    該派生されたグループの商品形態は、新しい属性および新しい組み合わせの属性を有する形態を含む、プログラムと
    を含む、装置。
62. 複数の端末を介してリンクされたサーバにプログラムが常駐するネットワークを含む、請求項６１に記載の装置。
63. 前記ネットワークは、インターネット、イントラネットまたはエクストラネットである、請求項６２に記載の装置。
64. 前記端末は、コンピュータ、テレビジョン、電話またはパーソナルデジタルアシスタントである、請求項６１に記載の装置。
65. 前記選択者はグループの人々であり、前記装置は複数の端末を含み、そして該グループの人に提示された派生されたグループの商品形態は、該グループの一人以上の他の人々によって表わされた該選好を示すデータを使用して生成される、請求項６１に記載の装置。
66. 前記プログラムは、前記派生されたグループの商品形態を生成するために、遺伝的アルゴリズム演算、遺伝的プログラミング演算、コンジョイント分析演算、生成文法演算、ランダム属性のジェネレータ、または、進化的戦略演算を実行する、請求項６１に記載の装置。
67. 前記プログラムは、前記派生されたセットの商品形態を組み立てるためにセットの商品属性から選択する、請求項６１に記載の装置。
68. 前記プログラムは、前記派生されたセットの商品形態を生成するために属性を変更するために変化され得る関数を利用する、請求項６１に記載の装置。
69. 前記入力は、選択者が生成された商品形態を削除すること、または前記派生されたグループの商品形態の生成間の新しい商品形態を導入することを可能にさせるための手段を含む、請求項６１に記載の装置。
70. 前記入力または前記プログラムは、所定の選択された属性を含む商品形態に対して派生されたグループの商品形態の生成の制限を課する事を可能にするための手段を含む、請求項６１に記載の装置。
71. 前記入力は、前記選択者が該選択者によって選好される属性を含む商品形態に、派生されたグループの商品形態の生成を制限することを可能にする、請求項６１に記載の装置。
72. 前記入力は、前記選択者からの選好情報を取得するための手段を含み、前記プログラムは、派生された商品形態の前記生成を制限するために該選好情報の少なくとも一部を使用する、請求項６１に記載の装置。
73. 前記端末は、商品属性を前記選択者に、視覚的に、聴覚的に、触覚的に、経口的にまたは鼻音にて該端末で提示する、請求項６１に記載の装置。
74. 前記端末は、前記選択者が前記商品の属性を特定することを可能にするための手段を含む、請求項６１に記載の装置。
75. 前記選択者によって選好される複数の商品形態を格納するための手段をさらに含む、請求項６１に記載の装置。
76. 選択者に対して選択された商品形態のセールをもたらすための電子手段をさらに含む、請求項６１に記載の装置。
77. 商品の多数の形態の中のいずれかを決定するためのコンピュータ上で動作可能なソフトウェアであって、該形態は複数の代替的属性を有し、この形態は一人以上を含む選択者によって選好され、該装置は、
    選択者にグループの商品形態を端末上に提示するコードであって、該商品形態のそれぞれが特定の組み合わせの属性を有する、コードと、
    選択者が提示された商品形態のサブセットに対するその選好を示すデータを有効にするコードと、
    該端末から中央コンピュータにデータを伝送するためのコードと、
    該コンピュータで実行されるプログラムであって、該プログラムは、複数の生成の派生されたグループの商品形態の生成のためであり、該商品形態の生成が該選択者から受け取った該データによって影響され、および端末で選択者に該派生されたグループの商品形態を提示するためのものであり、
    該派生されたグループの商品形態は新しい属性または新しい組み合わせの属性を有する形態を含むプログラムと
    を含む、装置。
78. 選好を示す前記データは、提示された商品形態と、以前から存在している商品、消費者によって選好される商品または消費者に人気がある商品との間として、選好を示すデータを含む、請求項２６に記載の方法。
79. 選好を示す前記データは、選択者の選好表現において選択者の前記信頼性を示すデータを含む、請求項２６に記載の方法。
80. 派生された商品形態の生成の戦略または選好された商品形態に対する収束の歩調の制御において、選択者の信頼を示すデータを使用するさらなるステップを含む、請求項７９に記載の方法。
81. 共有された類似点を有するグループの人々に対するメンバー候補を識別する自動化された方法であって、該方法は、
    ａ）セットの選択肢をグループの参加者に提示するステップであって、該選択肢のそれぞれが特定の組み合わせの属性を有する、ステップと、
    ｂ）該参加者またはサブセットの参加者が、提示された選択肢のサブセットに対する選好を表わすことを有効にさせるステップと、
    ｃ）該参加者またはサブセットの参加者により表現された該選好を示すデータをキャプチャするステップと、
    ｄ）新しい属性または新しい組み合わせの属性を有する選択肢を含む派生されたセットの選択肢を生成するためにコンピュータプログラムに該データを入力するステップであって、該属性の生成は、該キャプチャされたデータによって影響される、ステップと
    ｅ）該派生されたグループの属性の少なくとも一部を参加者に提示するステップと、
    ｆ）一つの選択肢またはセットの選択肢に対する共有された類似点を有するグループの人々が、認識されるまでステップｂ）からステップｅ）を繰り返すステップと
    を含む方法。
82. ステップｄ）において生成された前記セットの商品はまた、人によって特定された少なくとも一つの商品形態を含む、請求項２６に記載の方法。
83. 代替的な属性を含む潜在的に多数の形態を有する商品を設計する方法であって、該方法は、
    ａ）グループの商品形態を複数の人々のそれぞれに電子的に提示するステップであって、該商品形態のそれぞれが特定の組み合わせの属性を有する、ステップと、
    ｂ）該人が該提示された商品形態のサブセットに対する選好を表現することを有効にさせるステップと、
    ｃ）該人によって表わされた該選好を示すデータをキャプチャするステップと、
    ｄ）新しい属性または新しい組み合わせの属性を有する形態を含む派生されたグループの商品形態を生成するためのコンピュータプログラムに該データを入力するステップであって、該属性の生成は、該キャプチャされたデータによって影響されるステップと
    ｅ）該派生されたグループの商品形態を複数の人々に提示するステップと、
    ｆ）停止基準が満足されるまで、ステップｂ）からステップｅ）を繰り返すステップと
    を含む、方法。
84. 選択された商品形態に基づいて、複数のユニットの商品を生産するさらなるステップを含む、請求項８３に記載の方法。
85. 選択された商品形態に基づいて、一人以上の前記人々に商品のセールを行うさらなるステップを含む、請求項８３に記載の方法。
86. 人に提示された派生されたグループの商品形態は、一人以上の他の人々によって表わされた前記選好を示すデータを使用して生成される、請求項８３に記載の方法。
87. 前記商品属性は、前記人々によって、視覚的に、聴覚的に、触覚的にまたは鼻音で感知される、請求項８３に記載の方法。
88. 前記人々によって、選好される一つまたは複数の商品形態の決定を可能にするために十分な回数、ステップｂ）〜ｅ）を繰り返すステップを含む、請求項８３に記載の方法。
89. 前記人の心の状態を示すデータまたは該人々からのデモグラフィックデータを取得し、および前記データと商品形態選好と相関するさらなるステップを含む、請求項８８に記載の方法。
90. 少なくとも一人の前記人は、職業的な設計者である、請求項８３に記載の方法。
91. グループの人々の前記選好と、サービス、物品、または計画の設計との間の類似点の計算され自動化された最大化が行われるための方法であって、該方法は、
    停止基準が満足されるまで、サービス、物品、または計画の選択肢の生成および評価のサイクルを繰り返すステップを含み、
    それぞれのサイクルにおける該生成および評価は、変えられたセットの物品、サービスまたは計画の選択肢を生産し、
    それぞれの生成ステップは、第１ステップを除いて、その入力として該評価ステップの出力を使用し、
    それぞれの評価ステップは、その入力として該生成ステップの出力を使用する、方法。
92. 前記停止基準は、グループの選好の人々でもって提示された個体または、グループのサービス、物品または計画の集合である、請求項９１に記載の方法。
93. サイクルの前記評価ステップは、複数の人々、エキスパートシステム、または神経網によって行われ、それによって前記停止基準が満足される際の時間を短縮する、請求項９１に記載の方法。
94. 前記生成ステップは、遺伝的または進化的計算技術を使用して、物品、サービス、または計画の選択肢を生成するためのコンピュータプログラムによって行われる、請求項９１に記載の方法。
95. サイクルの前記評価ステップは、特定の人の選好をシミュレートするために訓練された神経網によって実施される、請求項９１に記載の方法。
96. サイクルの評価ステップは、複数の別の評価プログラムによって実施される、請求項９１に記載の方法。
97. 複数のサイクルを含み、該サイクルにおいて、人は該サイクルの少なくとも一部での前記評価を実施する方法であって、該方法は、該サイクルでの前記選択および評価を示すデータを格納することおよび評価エンジンを含む神経網を訓練するためのデータを使用するステップをさらに含む、請求項９１に記載の方法。
98. 商品のコンピュータ支援進化的設計のための自動化された方法であって、該方法において選択者と前記設計オブジェクトとの間の類似点は、停止基準が満足されるまで、代替的な設計のコンピュータプログラム駆動の生成および該選択肢の選択者駆動の評価のサイクルの繰り返しを介して増加される、方法。
99. 潜在的な多数の代替的な属性を含む計画において一致に達する方法であって、該方法は、
    ａ）グループの計画の選択肢を複数の参加している人々のそれぞれに電子的に提示するステップであって、それぞれの該計画は、特定の組み合わせの属性を有する、ステップと、
    ｂ）該人が該提示された計画の選択肢のサブセットに対する選好を表現することを有効にさせるステップと、
    ｃ）該人々によって、表現される該選好を示すデータをキャプチャするステップと、
    ｄ）新しい属性または、新しい組み合わせの属性を有する計画を含む派生されたグループの計画選択肢を生成するためのコンピュータプログラムに該データを入力するステップであって、属性の該生成は、該キャプチャされたデータによって影響される、ステップと、
    ｅ）該派生されたグループの計画選択肢を複数の参加している人々に提示するステップと、
    ｆ）一致条件が達成されるまでステップｂ）からステップｅ）を繰り返すステップと
    を包含する、方法。
100. インターネット、イントラネット、またはエクストラネットを含むネットワーク上で提示するステップを包含する、請求項９９に記載の方法。
101. 監督者によって選好される計画選択肢を生成し、前記人々に監督者の選好の計画の属性を選択するように仕向けるために該人々に該計画選択肢を提示するさらなるステップとを包含する、請求項９９に記載の方法。
102. 派生されたグループの計画選択肢の生成をあらかじめ選択された属性を含む計画選択肢に制限するさらなるステップを包含する、請求項９９に記載の方法。
103. 代替的な属性を含む多数の同様の商品形態の間から商品の選択を推進するための方法であって、該方法は、
     ａ）グループの商品形態を買物客に電子的に提示するステップであって、該商品形態のそれぞれが特定の組み合わせの属性を有する、ステップと
     ｂ）該買物客が該提示された商品形態のサブセットに対する選好を表わすことをを有効にさせるステップと、
     ｃ）該買物客によって表わされた該選好を示すデータをキャプチャするステップと、
     ｄ）新しい属性または新しい組み合わせの属性を有する形態を含む派生されたグループの商品形態を生成するためコンピュータプログラムに該データを入力するステップであって、該商品形態の生成は、該キャプチャされたデータによって影響される、ステップと
     ｅ）該派生されたグループの商品形態を該買物客に提示するステップと、
     ｆ）停止基準が満足されるまで、ステップｂ）からステップｅ）を繰り返すステップと
     を含む、方法。
104. 前記停止基準は、前記買物客による購入のための特定の選好された商品形態の選択である、請求項１０３に記載の方法。
105. 前記買物客は、特定の商品形態を選択し、前記方法は、停止基準が満足された後、組み立てられた該特定の商品形態を有し、かつ該買物客に該商品を売るさらなるステップを包含する、請求項１０３に記載の方法。
106. 前記洗練された選好の傾向に適応するために、変更される異なるセットの一つまたは一連の選好の選択肢を電子的に提示するさらなるステップと、
     複数の個体のメンバーを含む第３のグループが、該変更された選択肢に電子的に応答した後、より洗練された選好の傾向を決定するために該第三のメンバーの選択を要約するさらなるステップと
     を包含する請求項１１１に記載の方法。
107. 選好の傾向を決定するために、選択を要約するステップは、遺伝的または、進化的計算アルゴリズムを使用して派生されたグループの選好の選択肢を発生するためのコンピュータプログラムによってなされる、請求項１１１に記載の方法。
108. 前記選択肢は、インターネット、イントラネット、またはエクストラネットを介して提示される、請求項１１１に記載の方法。
109. 共有の類似点を有するグループの人々に対してのメンバー候補を識別することに対する自動化された方法であって、
     ａ）セットの選択肢をグループの参加者に提示するステップであって、該選択肢のそれぞれは特定の組み合わせの属性を有する、ステップと、
     ｂ）該参加者またはサブセットの参加者が、該提示された選択肢のサブセットに対する選好を表現することを有効にさせるステップと、
     ｃ）該参加者またはサブセットの参加者によって表わされた該選好を示すデータをキャプチャするステップと、
     ｄ）新しい属性または新しい組み合わせの属性を有する選択肢を含む派生されたセットの選択肢を生成するためにコンピュータプログラムにデータを入力するステップであって、該属性の該生成は、該キャプチャされたデータによって影響される、ステップと
     ｅ）該派生されたグループの属性の少なくとも一部を参加者に提示するステップと、
     ｆ）ひとつの選択肢またはセットの選択肢に対する共有の類似点を有するグループの人々が識別されるまでステップｂ）からｅ）を繰り返すステップと
     を含む、自動化された方法。

Images