多目标驱动的产品形态基因网络模型研究

张文召，吕 健，潘伟杰，赵慧亮,2，刘征宏

多目标驱动的产品形态基因网络模型研究

张文召1，吕 健1，潘伟杰1，赵慧亮1,2，刘征宏3

(1. 贵州大学现代制造技术教育部重点实验室，贵州 贵阳 550025； 2. 贵州民族大学美术学院，贵州 贵阳 550025； 3. 贵阳学院机械工程学院，贵州 贵阳 550025)

为解决产品设计过程中用户需求的主观性、模糊性问题，进一步提高产品意象传达的准确度，提出一种多目标驱动的产品形态基因网络模型(M-FGN)构建方法。以品牌形象、用户偏好、社会情境为驱动目标，构建多目标驱动空间；分析产品形态基因节点与边的设计，以产品形态基因为节点，以节点之间的相关性为边，构建M-FGN网络；对网络进行拓扑分析，析出隐性设计知识辅助设计师进行产品形态设计。以某国有企业AGV小车形态设计为例，通过分析AGV小车侧面形态M-FGN网络，将析出知识提供给设计师进行针对性形态方案设计，对子代方案进行对比评价，验证了M-FGN网络模型的有效性。

多目标意象；基因网络；形态设计；用户需求

产品意象造型设计已经成为当前企业重要的设计策略[1]，用户需求的主观性和模糊性问题使得企业和设计师越来越难以把握用户需求[2]，而单纯依靠计算机辅助技术进行的设计实际应有价值有限[3]，且实际生产中，出现产品品牌形象与意象风格不符，产品外观造型与用户偏好、社会审美趋势脱节等问题。因此如何科学运用现代设计方法进行产品意象造型设计，有效融合用户偏好需求与社会审美趋势，并形成企业独特品牌外形基因，以辅助设计师与企业提高产品市场竞争力，是当前产品设计面临的重要问题。

产品基因网络(product gene network，PGN)是复杂网络思想运用到产品基因概念中形成的一种网络形式。有前PGN的研究，如刘肖健等[3]通过构建纯净水瓶形态参数网络，并结合交互式遗传算法验证了基因调控网络对设计的辅助作用；徐瑶[4]以保温杯为样本绘制GRN(gene regulatory network)网络并析出了相关设计知识；张露芳等[5]建立了办公椅形态关系网络；盛振[6]构建了汽车外形基因网络以及汽车感性词汇评价网络。此外，部分学者也进行了一些基于基因网络的配色设计研究[7-9]。以上研究倾向于利用复杂网络工具来分析描述实际生活中存在的大量产品设计要素之间的客观规律，如产品形态要素的重要度以及之间的相关性等。

而对于复杂网络思想在产品造型设计中用户感性意象所蕴含的隐性知识挖掘方面尚缺乏系统性探索，李雪瑞等[10]从用户感性意象需求角度构建汽车侧面外形基因网络模型，但所选意象指标单一，忽略了产品设计过程中用户需求的主观性及模糊性问题。且实际项目中，产品意象造型设计本身的复杂性使企业往往需要综合多方面因素进行设计，如同时考虑品牌形象、用户偏好需求以及社会发展情境等，以期设计出能够传达企业品牌内涵、满足用户感性偏好、符合社会审美趋势的差异化产品。提出运用复杂网络思想挖掘用户感性意象中的隐性知识，以及从多目标进行产品意象造型设计，将有益于提高意象传达准确度，保持企业产品市场竞争力。

综上，本文提出多目标驱动的形态基因网络模型(M-FGN)的构建流程。首先在建立产品案例库与目标约束信息库的基础上，构建基于品牌形象、用户偏好、社会情境多目标驱动空间；其次分析产品形态基因节点与边，通过权重系数变化法构建M-FGN网络，并对网络进行拓扑分析；最后以某国有企业AGV小车形态设计为例，将求得的子代方案与对照组方案进行对比评价，结果显示，子代方案能明显提高用户满意度，验证了M-FGN网络模型对设计的有效辅助作用，一定程度上提高了PGN网络模型的实际应用价值。

1 M-FGN网络模型构建方法

产品形态设计本质上是设计师自身知识与经验的设计，因此本文构建M-FGN网络模型目的就是辅助企业以及设计师准确定位产品设计知识，从而提高设计效率。如图1所示，基于M-FGN网络模型的产品整体设计流程包括4个阶段：①建立包含品牌形象、用户偏好、社会情境的多目标驱动空间。②建立产品形态基因集合。③通过M-FGN网络建立驱动目标与产品形态基因之间的映射关系。④M-FGN网络拓扑分析及进行下一步优化设计。

图1 基于M-FGN网络模型的产品创新设计流程图

设基于M-FGN网络模型的产品创新设计方法流程为，即

1.1 构建多目标意象认知驱动空间

1.1.1 驱动目标与驱动词汇提取

①构建目标约束信息库，包括企业自身的品牌信息资料及从网络、期刊和书籍等途径收集的能够描述目标产品造型的形容词汇。②确定驱动目标，将将其分为定性及定量2类目标。定性目标指用具体语言描述对象属性或特征的目标，如品牌形象、用户偏好、社会情境等感性需求；定量目标包括成本、功能质量、工艺、结构、人机性能等确定性的量化标准。

基于驱动目标获取驱动词汇。定性驱动目标可以通过感性词汇加以描述，如科技感、人性化等。常采用的方法有聚类分析法、因子分析法[11]、主成分分析法[12]等。定量目标可通过成本调查法、企业产品案例库等方法获取。为研究与产品意象造型设计有直接关联的用户感性意象与形态基因的关系，以帮助设计师定位用户感性意象中的隐性设计知识，提高产品意象传达的准确度，本文选取品牌形象、用户偏好、社会情境3个驱动目标为研究对象进行驱动词汇获取，阐述M-FGN网络模型的构建方法。品牌形象指企业有目的的传递并被消费者感知的各类视觉形象构成的集合；用户偏好指用户在购买和使用产品过程中产生的与形态、功能、情感及价值有关的主观认知[13]，反应了用户个人的需求、喜好及兴趣；社会情境指体现当下社会的审美情趣并与社会发展趋势紧密联系的造型语言。其他驱动目标同样可以适用于本研究方法。

1.1.2 构建多目标意象认知驱动空间

由此可得所有被试者在品牌形象驱动下对所有特征样本的意象评价值构成了高维认知空间。基于此，设所有被试者对特征样本下任意形态基因的品牌形象意象评价均值为(B)，即

同理可得：

设用户偏好意象评价均值为

设社会情境意象评价值为

1.2 获取产品形态基因集合

获取产品形态基因集合首先要建立产品案例库，包括自有产品、竞争产品和其他产品。自有产品指企业长期发展中不断迭代累积下来的产品，包括已经量产的产品方案以及未能量产的概念方案；竞争产品指市场上与企业产品定位相同或近似，构成竞争关系的产品；其他产品指社会环境下能够代表主流审美趋势如时装、电影、汽车等行业的代表性产品。

对收集到的产品案例库中目标产品形态进行编号，去除相似度高的形态方案，同时为避免色彩对形态的影响，对所有样本进行灰度处理。由有经验的专家及设计师进行筛选确定初步样本。通过意象认知实验对初步样本做进一步筛选获取特征样本集合。采用SD法结合Likert量表，调查用户在品牌形象、偏好、社会情境下对每个代表性样本的意象评价值，对每个方案下的3个驱动目标进行求和排序，剔除掉与驱动目标关联性不大的样本形态，取分值较高的代表性样本确定为最终的特征样本集合S。

将产品特征样本分解获得产品形态基因。实际产品形态由较多的特征构成，而消费者形成的视觉印象往往是某些重要的特征元素构成的，因此本文通过专家访谈、形态拆解法[15]及特征线[16]概念对产品特征样本进行分解，得到产品形态基因集合。采用曲线控制法对获得的形态基因进行编码处理。将外形特征样本导入到矢量绘图软件AI (adobe illustrator)中，利用3次贝塞尔曲线对样本形态特征边缘进行提取。最终获得所有编码完成的形态基因集合L。

1.3 M-FGN网络构建

以品牌形象、用户意象、社会情境为例构建M-FGN网络，设()为目标约束下的产品形态基因网络(product form gene network，FGN)，则

其中，()为与品牌形象相关的FGN网络，()=(V,E)；()为与用户意象相关的FGN网络，()=(V,E)；()为与社会情境相关的FGN网络，()=(V,E)。对M-FGN网络的构建过程做如下形式化描述。

1.3.1 M-FGN网络节点与边的设计

1.3.2 M-FGN网络自相关矩阵构建

本文通过SPSS 20.0软件实现样本数据的相关性系数计算，从而建立各驱动目标下的自相关矩阵。本文构建的3个驱动目标分别来自企业、用户以及社会审美趋势3个角度，因此本文采用权重系数变化法，将多目标问题转化为单目标问题进行求解。具体步骤如下。

步骤2.建立用户偏好驱动下的形态基因自相关矩阵。设Y为用户偏好驱动下任意两个形态基因节点之间的相关系数，则个形态基因节点的自相关矩阵为

步骤3.建立社会情境驱动下的形态基因自相关矩阵。设Z为用户偏好驱动下任意两个形态基因节点之间的相关系数，则个形态基因节点的自相关矩阵为

步骤4.建立M-FGN网络自相关矩阵。本文采用权重系数变化法，将多目标驱动问题转化为单目标驱动问题，设，，分别为3个驱动目标的权重值，可知

设多目标驱动形态基因自相关矩阵为，则在矩阵中可以直接用表示，，三者的关系，由此可得

1.4 M-FGN网络拓扑分析

借鉴复杂网络中图论的相关概念对M-FGN网络进行拓扑分析，主要计算网络中节点的度、节点敏感性及节点集团，以析出相关设计知识辅助设计师进行产品造型设计。

节点的度指与网络中任意节点V相连的边的条数，记为K，K的值越大代表该节点在网络中越重要。节点敏感性反映了网络中形态基因值的稳定性程度。可以通过计算节点基因的方差来表示。敏感性越小代表形态基因的稳定性越差，即该基因受其他基因的影响越大。反之则越小。其数学式为

节点集团指在基因网络中一群互相联系并共同起作用的节点集合[17]。通过对基因网络设置相关系数阈值来析多目标约束下的节点集团，阈值大小的不同，网络呈现不同的结构关系，当相关性阈值越高，网络将形成几个大的节点集团。其节点集团内部联系紧密，代表产品形态基因之间具有较强的关联性，在设计时需要同时考虑这些形态特征线条。

2 实例研究

以某国有企业AGV小车形态设计为例，阐述多目标中品牌形象、用户偏好、社会情境3个目标驱动下AGV小车M-FGN网络的构建以及网络模型在辅助设计师精确定位用户感性需求中的隐性知识，提高产品意象传达的准确度方面的作用。

2.1 获取感性词汇

建立企业AGV小车案例库以及目标约束信息库，限于篇幅此处不做详述。从建立的产品案例库中各选出一组代表性样本进行形容词提取。①通过实验收集被试者对代表性样本产生的直观感性语言描述；②采用语义转化法结合目标约束信息库将被试者描述性的语言以及企业自身的品牌信息转化为感性词汇，由3名有经验的设计师对获得的感性词汇进行筛选，去除与用户偏好、社会情境相关性较小的词汇，得到代表性感性词汇。将得到的感性词汇与代表性样本结合，采用SD法结合7点Likert量表进行3个驱动目标下的调查问卷实验；③通过因子分析、聚类分析获得各个驱动目标下的感性词汇(表1)。

表1 感性词汇

2.2 特征样本与形态基因提取

对特征样本方案，通过形态拆解法将AGV分为顶面轮廓、侧面轮廓、显示面板、指示灯、分割线等5个重要形态要素，结合专家访谈法及特征线概念对形态要素进行分析，最终确定AGV侧面轮廓线及显示面板为研究对象。将其导入到AI软件中，并进行特征边缘提取。

图2 AGV侧面形态特征边缘提取

表2 贝塞尔曲线编码后的形态基因集合

2.3 AGV小车侧面形态M-FGN网络绘制

通过意象认知实验可获取用户对形态基因的情感评价值。实验选取45名被试者，其中有经验的设计师、企业管理人员和具有3年以上物流经验的人员各15名，对案例库中筛选的48个AGV特征样本下的14个形态基因逐个评价。由此得到一个复杂高维的用户评价意象空间。

2.3.1 自相关矩阵构建

通过SPSS 20.0计算14个形态基因之间的Pearson相关性系数，以确定AGV小车侧面形态M-FGN网络中边的关系。

从用户评价意象空间中选取与品牌形象相关的数据，计算基因变量之间的Pearson相关性系数，可以分别得到与品牌形象、用户偏好以及社会情境相关的14个基因节点的自相关系数矩阵(表3)。

与企业商讨确定，AGV小车新产品形态设计中品牌形象传达度为30%，用户偏好满意度为50%，社会情境满足度为20%，则=0.3，=0.5，=0.2，带入式(13)和式(14)中，得到AGV小车侧面形态M-FGN网络中14基因节点自相关矩阵见表4。

2.3.2 M-FGN网络绘制

将构建的多目标相关的14个形态基因节点自相关矩阵输入到网络分析软件UCINET 6.186中通过设置不同阈值得到AGV侧面形态M-FGN网络图。如图3所示，其中节点的直径代表节点的度值。

2.4 网络拓扑分析及设计知识转化

对绘制的AGV小车侧面形态M-FGN网络进行拓扑分析，计算形态基因节点的度数、节点敏感性和节点集团，将析出的显性设计知识提供给设计师，辅助设计师定位关键形态线条。

表3 品牌形象相关的14个基因节点Pearson相关系数

表4 多目标相关的14个基因节点Pearson相关系数

图3 不同阈值下的AGV小车侧面形态M-FGN网络图

2.4.1 节点度数及节点敏感性计算

计算构建的AGV小车侧面形态网络中基因节点度数。当相关性阈值[]=0.3时，14个形态基因节点中度数最大的4个基因节点为v3，v8，v2，v10，其度数分别为9，7，6，5。

基于SPSS 20.0计算网络中形态基因节点的方差，得到节点敏感性值，14个基因节点中敏感性最大的4个基因节点为v8，v3，v6，v14，方差/均值分别为10.31%，6.22%，4.10%，2.51%。

2.4.2 节点集团识别

通过设置相关性阈值析出节点集团。相关研究表明设计师同时处理的形态要素数量应控制在3个左右，因此取相关性阈值[]=0.53时，AGV小车侧面形态网络中共析出4个节点集团，两个独立节点。如图4所示。

图4 相关性阈值[r]=0.53时AGV小车侧面形态基因网络

2.4.3 设计知识转化

分析节点度数、节点敏感性及节点集团特征的目的是，将多目标驱动下用户感性意象中的隐性设计知识转化为显性设计知识，以供给设计师进行产品设计。

(1) 代表AGV小车顶部与侧面交接处的形态基因v3，具有最高节点度数以及第二敏感性的特征，是多目标驱动下的形态基因关键节点。表明该处形态基因与其他基因关联性最高，且形态基因的变化对AGV小车整体意象影响较大，在设计中需要最优先考虑。对照节点集团可以看出v3与代表侧面形态基因的v2以及代表显示屏顶部与侧面转角的形态基因v12构成两两连接关系，且v2的度数排第3，因此这3个形态基因需要设计师协同考虑，且主从顺序为v3，v2，v12。

(2) 代表顶部下凹载货区的形态基因v8具有最高的敏感性，以及第2高的节点度数，表明该处基因的变化对AGV小车整体意象影响最大，且与其他基因具有较高的关联性。代表显示屏底部转角形态的v10与代表顶部下凹载货区与侧面转角形态的v7，以及代表显示屏顶部形态的v13，3者与v8一起构成一个四元节点集团，在设计时需要同时进行优化考虑。

(3) 顶部与下凹载货区转角形态基因v5与显示屏底部形态基因v14以及顶部形态基因v4之间存在关联，共同构成一组节点集团。相对于形态基因v5及v4而言，v14是敏感节点，对AGV小车整体感性意象影响更大，在该节点集团中处于优先位置。

(4) 代表载货区下凹深度的形态基因v6与代表显示屏侧面高度的形态基因v11构成一组二元节点集团，需要协同考虑。且在敏感性方面，v11具有较高敏感性，因此在该二元节点集团中具有主导地位。

(5) 得到两个独立形态基因节点，在节点度数以及敏感性方面都较低，在设计时可以不做重点考虑。

3 对照实验

将析出的设计知识提供给设计师进行产品形态设计，以验证M-FGN网络对设计师的辅助作用。实验包括样本获取实验以及对照评价实验两部分。

从AGV特征样本库中选取3个代表性方案作为实验基础样本，邀请5名有3年以上工作经验的专业设计师，要求在实验基础样本基础上每人设计出一款能够延续企业品牌形象(稳重感和大气感)，满足用户偏好(简洁感、整体感)且符合社会审美趋势(现代感和精致感)的AGV子代产品，将其作为实验对照组。并将析出的设计知识提供给设计师，在同等条件下使每位设计师再次设计出一款AGV形态方案作为实验组。最终得到2组共30个形态方案，并通过软件矢量化表达，图5为通过2组实验得到的部分形态方案。

图5 实验获得的部分形态方案

将未提供设计知识(对照组)与提供设计知识(实验组)各得到的15个形态方案进行对照评价实验。实验采用语义差异法，结合Likert7级量表(1~7)制作品牌形象、用户偏好以及社会情境相关的调查问卷。选取24名被试者，包括设计师、企业管理人员以及物流工厂操作工人。结果如图6所示，分析可知，对比对照组样本，实验组样本在品牌形象、用户偏好和社会情境方面平均得分分别提高了1.11，0.40，1.42；在满意程度方面分分别提高了31.00%，20.50%，30.50%；分值在6分以上人数比例分别由50.00%，37.50%，41.67%提高到75.00%，62.50%，58.33%。由此验证了M-FGN网络模型的有效性。

4 结束语

为解决产品设计过程中用户需求的主观性、模糊性问题，提高产品意象传达的准确度，本文首先提出了M-FGN网络构建方法；然后以某企业AGV小车侧面形态设计为例构建了品牌形象、用户偏好、社会情境驱动的形态基因网络模型；最后通过对照评价实验验证了M-FGN网络模型的有效性，实验结果表明，通过给设计师提供网络模型析出的设计知识，子代方案在品牌形象、用户偏好、社会情境满意度方面分别提高31.00%，20.50%，30.50%。M-FGN网络使传统的单纯依靠设计师经验进行的设计活动变得更加科学化，提高了AGV小车品牌形象及用户感性需求传达的准确度，对设计师挖掘用户感性意象中的隐性设计知识提供了的辅助作用。

图6 3个驱动目标相关的实验评价数据

后续将从3个方面进行深入研究：①从AGV产品侧面形态基因网络模型的构建扩展至整个产品形态的研究，验证多目标驱动形态基因网络模型的稳定性；②进一步研究定量驱动目标如成本、工艺、结构等的AGV形态基因网络模型构建方法，提高形态基因网络模型的实际适用性；③通过引入智能算法实现多目标驱动AGV形态智能进化设计，以进一步帮助企业及设计师提高设计效率。

[1] 苏建宁, 刘志君, 王鹏. 基于感性意象的产品族造型设计方法研究进展[J]. 机械设计, 2017, 34(11): 112-116.

[2] 刘征宏, 谢庆生, 李少波, 等. 基于潜在语义分析和感性工学的用户需求匹配[J]. 浙江大学学报: 工学版, 2016, 50(2): 224-233.

[3] 刘肖健, 孙艳, 吴剑锋, 等. 产品基因调控网络模型及其对设计过程的辅助[J]. 计算机集成制造系统, 2013, 19(7): 1463-1471.

[4] 徐瑶. 基于基因调控网络的产品优化设计[D]. 浙江: 浙江工业大学, 2014.

[5] 张露芳, 盛振, 孙伦, 等. 基于基因网络的产品形态设计研究[J]. 浙江工业大学学报, 2016, 44(5): 584-590.

[6] 盛振. 汽车造型设计的基因网络模型构建研究[D]. 浙江工业大学, 2016.

[7] 李愚, 刘肖健, 孙艳, 等. 产品配色设计的色彩邻接网络模型[EB/OL]. [2018-09-19]. http://kns.cnki.net/ kcms/detail/11.5946.TP.20180504.1326.045.html.

[8] 刘肖健，曹愉静，赵露唏. 传统纹样的色彩网络模型及配色设计辅助技术[J]. 计算机集成制造系统, 2016, 22(4): 899-907.

[9] 刘肖健, 李桂琴, 孙守迁. 基于交互式遗传算法的产品配色设计[J]. 机械工程学报, 2009, 45(10): 222-227.

[10] 李雪瑞, 余隋怀, 初建杰, 等. 意象驱动的产品形态基因网络模型构建与应用[J]. 计算机集成制造系统, 2017, 19(7): 1463-1471.

[11] 赵慧亮, 何林, 林丽. 数字化人机界面的多目标意象设计决策研究[J]. 工程设计学报, 2016, 23(1): 28-34.

[12] 袁树植, 高虹霓, 王崴, 等. 基于感性工学的人机界面多意象评价[J]. 工程设计学报, 2017, 24(5): 523-529.

[13] 徐江, 王海贤, 张克俊. 基于贝叶斯网络的品牌风格语言知识建模方法[J]. 中国机械工程, 2013, 24(19): 2611-2616.

[14] 刘征宏, 谢庆生, 黄海松, 等. 多维变量感性工学模型构建及其性能评估[J]. 四川大学学报: 工程科学版, 2016, 48(2): 198-206.

[15] 张硕, 吴俭涛. 基于BP神经网络的壁挂式充电桩产品形态研究[J]. 图学学报, 2017, 38(6): 865-868.

[16] 赵丹华, 赵江洪. 汽车造型特征与特征线[J]. 包装工程, 2007(3): 115-117.

[17] 汪小帆, 李翔, 陈关荣. 复杂网络理论及其应用[M]. 北京: 清华大学出版社, 2006.

Research on Model of Product Form Gene Network Driven by Multi-Objective

ZHANG Wen-zhao1, LV Jian1, PAN Wei-jie1, ZHAO Hui-liang1,2, LIU Zheng-hong3

(1. Key Laboratory of Advanced Manufacturing Technology, Ministry of Education, Guizhou University, Guiyang Guizhou 550025, China; 2. The Ares College of Guizhou Minzu University, Guiyang Guizhou 550025, China; 3.School of Mechanical Engineering,Guiyang University, Guiyang Guizhou 550025, China)

To solve the subjectivity and ambiguity of user demands in the product design process, and to enhance the accuracy of express product image, this study proposed a product form gene network driven by multi-objective (M-FGN). Taking brand image, user preference and social context as the driving targets, we constructed the multi-object goal driven space and analyzed the product form gene node and the edge design. Thus the product form gene was set as node, the correlation of nodes as edges, so as to construct the M-FGN network. The network with topology was also analyzed to generate the implicit design knowledge to assist designers in product form design. Taking a state-owned enterprise tobacco logistics equipment AGV design as an example, we analyzed the side form of AGV’s M-FGN network, provided the knowledge generated to the designers for the specific form design, and made a comparative evaluation of the sub-design, which verified the effectiveness of the M-FGN network model.

multi-objective image; gene network; form design; user demands

TH 116；TB 472

10.11996/JG.j.2095-302X.2019020335

A

2095-302X(2019)02-0335-09

2018-06-21；

2018-08-29

国家自然科学基金项目(51505094)；贵州省科技项目(LH字[2016]7467、[2016]2327、[2017]1046、[2017]2016、[2018]1049、[2016]12)；贵州省教育厅高等学校人文社会科学研究项目(2018qn46)；贵州省教育厅青年科技人才成长项目(黔教合KY字[2017]239)

张文召(1992-)，男，河南新乡人，硕士研究生。主要研究方向为产品创新设计方法。E-mail：592617465@qq.com

吕 健(1983-)，男，河北承德人，副教授，博士。主要研究方向为工业设计、智能设计。E-mail：jlv@gzu.edu.cn