生成式设计在工业产品设计中的运用

崔强

摘要：随着数字化设计方法的不断发展，新的设计手段与其他领域的结合带来了全新的设计观念。生成式设计就是一种新的设计流程，这个流程通过计算机强大的计算能力，高效的生成设计方案。本文通过分析生成式设计的概念、方法和工业产品案例作为依托，阐述了生成式设计在工业产品设计中的应用，探讨了算法和数字建模技术在工业产品设计中运用的潜能及对生成式设计未来发展的展望。

关键词：生成式设计；产品设计；算法

中图分类号：TB472 文献标识码：A

文章编码：1672-7053（2018）03-0111-02

1 前言

随着科技的发展，计算机与计算机辅助设计对工业产品设计有着重要的影响。早期的计算机辅助设计只能辅助设计师进行模型制作及效果图表现。虽然这使得设计的过程更加有效率，但是并没有改变设计的流程。传统思维下的设计师依靠头脑风暴产生很多设计的可能性，从中去深化特定的设计概念，但这往往会受到设计师自身想象力的束缚。然而，随着计算机技术的发展，计算机可以更高效的帮我们完成出方案的过程，因此计算机的角色从辅助我们表现方案到帮助我们生成方案。通过输入设计的目标，计算机能自动生成大量的可视化图形，辅助设计师发现一些他们难以想到的优秀设计方案。

1.1 从传统设计到参数化设计

在十几年前，参数化设计工具的出现全完改变了设计师创作的方式，这种设计方法让设计师通过设计整个生成系统来生成设计，而不是传统的直接建立模型。通过这个设计的系统，设计师可以改变其中的变量来生成不同的设计。尽管这种设计方法在设计之初会消耗大量的精力，但是它给设计师设计方案提供了很多便利。首先，参数化设计方法可以很方便的生成出不同的设计方案。不同于传统的手工建模方式，参数化设计可以直接通过调整参数来生成不同的模型；其次，参数化模型可以在设计完成后不断修改，不需要手动的一次次修改模型。最重要的是，参数化设计方法可以让设计师更广更深的研究设计问题。传统的设计方法是设计师分析设计问题，寻找灵感解决问题，然后根据设计师的经验与技能来创作出一个设计方案。使用参数化设计的方法，设计问题的约束与目标会被直接写进参数模型，随后参数模型便可根据不同的参数生成与之相符的设计方案。

1.2 从参数化设计到生成式设计

虽然参数化设计方法扩展了设计的可能性，推动了计算机辅助设计在设计过程中的位置，但是设计空间（Design Space）的创造仍然受到设计师个人能力的限制。一些变量依据设计的限制与需求确定，但仍然需要设计师手动的调整变量并根据自身的经验选择合适的生成结果，这其实和传统的设计方法并无两样。生成式设计方法充分发挥了设计师和计算机各自擅长的领域，自动帮助设计师在设计空间里发掘设计方案，并回馈设计师哪个方案符合后期深化的要求。计算机处理信息要比人类快数以万倍，因此这个系统可以发掘更深入更复杂的设计空间。对于一些复杂的模型，生成式设计方法也被用来发掘设计空间中一些设计师用传统设计方法很难发现的创新性方案。

2 生成式设计的基本原理

2.1 生成原则

生成式设计由设计师给出一个大致的设计空间（结构、体积、形态元素），计算机通过数据的计算可以高效的生成大量的设计方案，然后基于用户的限定筛选出符合设计要求并且高质量的方案。生成式设计不但能够在方案数量上有优势，而且还能产生出很多有创新的设计，构造设计师难以想象的复杂形态，激发设计师的灵感。生成式设计需要设计师更多地去考虑一个多维度的设计空间，每个空间维度表示一个设计的评价标准，每个设计方案都会在这个设计空间里有一个特定的位置。

生成设计模型要满足以下两个方法。第一，每个模型必须包含可以被设计评估的度量标准，由于计算机没有评判设计好坏的直觉，设计师要向计算机明确什么样的设计是好的，什么是不好的。第二，计算机需要有能够改变控制变量的算法，并且能够从变量中得到反馈，发掘所有的设计可能性。其中的一个较常用的算法是多目标优化算法（multi-objective genetic algorithm），它使用进化的原理来生成一些列设计，并随着时间的推移不断产生更好的结果。

2.2 多目标优化算法

多目标优化算法也就是多个目标的遗传算法，起源于对自然发展过程的模拟，是通过达尔文的生物进化论演变而来的随机优化生成方法。随着软硬件和相关技术的发展，多目标优化算法解决复杂工程设计问题在工程领域很常见，建筑领域也有将类似的优化方法应用于各种架构问题。然而，受限于工程问题的目标，这些应用仅限于使用结构性能作为优化标准。相对于工业产品设计而言，生成式设计需要一个更加灵活的工作流程可以适应各种各样的优化标准。生成设计在工业产品设计中的工作流程可以分为四个步骤：（1）设计模型需要有一定变化空间，能够产生多样化的可能性；（2）用一系列评估标准来评估单个设计的性能；（3）通过多目标优化算法对模型的设计空间进行探索；（4）通过统计分析對设计数据进行梳理。

3 生成式设计在工业产品设计中的创新应用

3.1 设计概述

本设计运用生成式设计把结构设计与形态设计作相结合，通过目标优化使计算机能够辅助设计师把结构作为形态设计的基础，创造出结构合理形态优美的设计方案。通过给定设计基因（形态元素），计算机通过数据的计算可以高效的生成大量不同的设计方案，然后通过评分筛选出符合要求的设计方案。设计结果为一把结构稳定、重量轻的树枝元素椅子。

3.2 设计主题

自然界是人类灵感的重要来源，本设计的灵感来源于自然界中树枝的形态。树枝存在着潜在的结构合理性，比如独特的生长方式能够把营养传递到所有树叶，能够支撑起整个树的重量等。通过对树枝生长方式的分析并结合一些研究，提取了树枝生长的规律。例如树枝分叉在树木的生成过程中不断调整、斐波那契数列生长规律、树干粗度等于第二级树枝总粗度。运用这些规律生成树枝算法（图1），可以在突出方案表现力的同时，兼顾一定的力学性能。在设计之初需要明确设计的目标和约束。设定约束包括：（1）能够承载人的重量；（2）高度在人机工程标准范围内；（3）以树枝生长为元素；（4）保证结构稳定性；（5）总重量在一定范围内。

由于还没有专门用于生成式设计的软件出现，所以使用基于Rhino建模软件的Grasshopper插件进行程序编写。通过选取椅子的支撑点，让树干从支撑点按照一定的规则生长、分叉、转向、相交和终止，得到相应的结构形式。根据形态的规律和有限元分析对结构的优化计算生成设计方案。为了减少计算量，在设计之初减少了影响设计生成的参数数量。最终几何模型的建立，一共有三个主樹干，每个主树干分出两个二级树权，因此在设计空间里有10的6次方个不同解。

3.3 方案的评价

为了使程序能够自动筛选出最优解，需要确定设计的目标以便程序对每个设计进行评分筛选出评分高的设计。对于一些工程性问题如强度、质量等，设计的目标很容易转换成数据。但是像美感、情感等感性的目标却很难用数据表达，需要设计师去参与最终方案的选择。

设计的目标评估参数：（1）重量（体积*材料密度）；（2）稳定性（Karamba有限元分析插件计算）；（3）支撑强度（Karamba有限元分析插件计算）；（4）设计感（设计师把控）；（5）创新性（设计师把控）。

3.4 方案选择

经过目标优化算法筛选出100个符合要求的方案，每个设计有相应的评分数据生成，比如模型的重量，稳定性和承重能力等（图2）。但是多目标优化没有最优解，有一个相对的最优解范围。在这个范围内，设计师根据自己的喜好先择相应的方案继续深化。最终设计方案如图（图3）。

4 生成式设计的不足及未来发展趋势

现阶段的生成式设计还有一定的不足，例如模型不能有过多的变量，因为每多一个影响参数，计算的难度将会指数级的增加，这大大降低了生成效率。生成式设计的技术较复杂，需要设计师有编程的能力，因此运用生成式设计方法的门槛较高。生成式设计也很难对感性的目标进行评价，例如美感。但是随着机器学习技术的发展，评价美感的能力也逐渐能被计算机掌控，未来生成式设计结合Ai技术和机器学习将会创造出更多可能性。

5 结语

生成式设计需要根据设计要求、功能和参数等，选择适当的算法发觉设计的可能性，而不是简单地利用算法生成一系列造型。新的技术手段使设计不在仅仅依靠设计师的个人能力，而是结合其它因素共同决定，这相对于传统的设计方法会更加的高效和理性。本文中的设计方案主要是生成式设计应用于工业产品设计领域，生成式设计还有更广阔的应用层面，包括建筑设计、室内设计、城市规划设计等。利用算法结合日照分析、人流量分析和建筑性能分析等，更能突出生成式设计的优势。在信息时代背景下，生成式设计是将艺术与科学、理性与感性结合的新的设计方法，在未来会有很广阔的发展前景。