下载掌阅APP，畅读海量书库
立即打开
人工智能的发展，可大致分为符号智能、计算智能和群集智能三个阶段。符号智能构成了半个世纪以来人工智能研究的主流，为实现人类逻辑思维奠定了坚实基础。而以人工神经网络（artificial neural network，ANN）和遗传算法（genetic algorithm，GA）为代表的计算智能在近20年内取得了突破性的进展，为实现人类形象思维提供了可行途径。因此，依托于以人工神经网络和遗传算法为代表的计算智能方法进行设计知识的智能处理是当下研究的重点之一。
从广义上说，知识是人类对于客观事物规律性的认识，具有多种描述形式。就工程设计而言，数学模型、符号模型、人工神经网络是三种主要的知识描述形式。对于数学模型，我们在以往的学习中已经熟知。通过基于人工智能的知识处理技术，就可使读者对智能设计所涉及的主要知识形态有一个比较全面的认识和把握。此外，知识处理大致可分为知识获取、知识表示、知识集成和知识利用这四大环节。符号系统与人工智能相结合实现了知识获取和知识集成两个环节，这为实现知识自动获取和知识集成提供了一个成功范例和可行途径。
智能设计的发展经历了设计型专家系统和人机智能化设计系统两个阶段，设计自动化程度和创新能力正在逐步提高。以进化涌现等自然法则为核心思想的遗传算法为进一步提高设计自动化程度和创新能力提供了新的思路。利用智能算法的编码、选择、交叉、变异、适应度评价等操作进行产品方案设计是设计知识智能处理的主要方法。
产品设计早期的概念设计决定了产品全生命周期大部分的成本，其不仅决定着产品的质量、性能、成本、可靠性和安全性，而且其产品的设计缺陷无法在后续设计阶段弥补。在产品设计早期构建以概念设计为核心，贯穿于产品全生命周期的设计方法，可以从源头端有效地增强产品性能并减少设计的迭代，从而提高产品设计的效率与质量，使得在设计初期就能够对性能进行溯源、优化以及预测，有效提高产品的性能。该方法是产品设计理论与性能设计理论的总结与细化。
在智能概念设计中，行为定义为产品结构的状态变化，类似地，在设计早期阶段行为性能可以用来表达不同结构单元的状态序列，因此其中的智能行为性能被定义为在功能设计阶段表达不同配置单元的性能状态。设计早期的结构是指完成预定功能的载体，其中的智能预测性能是指在设计早期通过智能算法对产品方案中的关键性能的评估，可以为产品设计早期中的迭代提供依据。
功构映射是通过系统化与智能化的方法，将抽象的功能性描述转化为具有几何尺寸与物理关系的零部件，实现产品的功能约束与物理结构的多对多映射求解。针对功构映射过程模糊性、多解性与复杂性的特点，国内外学者开展了大量的研究工作，提出了启发式搜索、赋权自动机、商空间等智能方法进行功能求解。现有的推理方法聚焦于功构模型的可操作性与可表达性，忽略了结构性能约束在推理适配过程中的关键作用，导致得到的设计方案在整个设计过程中缺乏一致性与有效性，增加了设计的迭代次数。由于在设计早期约束信息具有模糊不确定性，性能适配需要以智能化的方法为依托，围绕模糊约束信息展开，以约束为设计边界，在功构映射与结构综合阶段准确地传递与满足性能约束，从而获得结构性能较为优良的设计结果。
设计方案的评价与选择是决定产品设计的关键。然而在这一活动中，由于客户需求映射的复杂性、模糊性以及客户和设计者之间交互语义一致性等问题而常常会导致产生的质量控制方案具有非唯一性。产品的质量控制方案对产品研发过程中的详细设计、工艺设计等后续工作具有重要的影响，所以对质量控制方案进行智能化选择是产品设计中的一个重要步骤。
就其本质而言，产品设计方案的评价与选择是一个不确定环境下的复杂性多评价准则群体协同决策活动。在此过程中，由于产品设计方案尚处于概念化阶段，因此难以利用精确、完善的度量尺度对每个准则进行评价，而且不同准则之间存在着错综复杂的交互与耦合关系；另一方面，不同的设计方案评价专家也具有不同的知识水平和决策背景，因此很难达成一致性决策结果。于是，客观、合理、科学地处理这些问题便成为有效评价方案的瓶颈。
智能设计系统的方案评价根据智能设计决策的需求围绕可接受性决策展开讨论，近年来的研究焦点主要集中于如何使用智能化的方法处理产品设计方案评价过程中评价信息的模糊性、不精确性和不完备性等不确定性问题，并且已有案例将人工智能领域中的不确定性信息处理方法成功地应用于产品设计方案评价中。该方法可接受实际需求性决策的核心内容和关键问题，对设计方案进行评价，而这种智能评价的方式要综合考虑所设计产品的技术指标、经济指标、社会指标等诸多方面的情况，同时设计方案的评价与选择将对整个产品研发过程的效率、成本、客户满意度等方面产生重要的影响。
产品设计涉及机械、控制、电子、液压和气动等多学科领域，设计参数繁多，并且参数之间彼此关联，其涉及的参数往往有百余个且大部分参数之间具有关联性。
产品设计参数数据有些往往很难直接准确地获取或估算，理论计算参数数据与通过复杂机电产品开发试验和产品样机运行记录得到的离散设计参数数据之间往往误差很大。为了给复杂产品多参数关联的性能驱动产品设计提供相对准确的连续设计参数数据，依据计算结果与在复杂产品开发试验和产品样机运行记录获得的数据结果，往往需要采用数值与几何结合的智能分析方法，借助智能优化技术，获得或逼近更实际的连续参数数据，从而有利于复杂产品关键多技术参数关联的定量分析。这对复杂产品设计的实现和参数优化具有重要的意义。
近年来，国内外学者对产品设计参数数据的获取与分析主要采用单纯的解析方法或数值方法。但是，对于复杂产品设计，单纯的解析方法与单纯的数值方法与实际设计对设计参数数据的需求尚有一些差距或难以实现，设计参数的智能优化也就极为重要。