一种基于交互遗传算法的家具个性化定制系统及方法
本创新成果聚焦于家具定制个性化这一领域，尤其是一种运用交互遗传算法技术实现的家具个性化定制系统及其操作流程。
背景技术：
越来越多的人倾向于居住在小户型住宅或loft风格公寓中，他们对家具的需求已不再仅限于传统家具的单一功能，而是需要根据他们的居住环境、生活习惯以及收纳需求，量身定制出既符合个性化又满足多样化空间收纳的布局方案。现代家庭装修中，定制家具愈发成为不可或缺的关键元素，其特色在于可根据个人需求定制，同时兼具环保、时尚和专业的优势；不过，目前市场上的个性化定制方案多集中在外观设计上，而对于家具内部储存空间的布局，尚无统一的标准，往往依赖用户与设计师的经验进行定制，这种做法不仅使得家具成品难以满足用户的实际需求，还增加了用户和设计师在人力与物力上的投入。
交互遗传算法，作为一种计算机智能算法，旨在扩展传统遗传算法的应用范围。它目前主要被应用于建筑、音乐、工业和服装等设计领域。该算法将人的主观因素，如心理、情感和爱好等，这些难以转化为具体目标函数的影响因素，作为进化过程中的关键指标，融入算法体系之中，以此指引种群的进化方向。然而，在家具设计领域，尚未有研究采用交互遗传算法来优化家具的储存功能布局。因此，在家具储存功能布局的设计中引入交互遗传算法，无疑具有开创性的重要意义。
技术实现要素：
本发明的宗旨是设计一套基于交互遗传算法的家具定制系统及其操作方法kaiyun.ccm，以解决先前提到的问题。
本发明旨在实现既定目标，采用以下技术途径：构建一个基于交互遗传算法的家具定制系统及其操作方法。该系统和方法具有以下特点：首先，依据a1标准对特定家具的功能模块进行分类；其次，对各个功能模块进行空间定位，并确定其尺寸范围；接着，运用栅格法构建数学模型，并借助字母符号法（从a至y）沿纵轴从左至右进行编号；然后，为家具模块设定单元模数、生长方向和层级变量，这些变量作为家具染色体的基因位点，影响家具各功能区域的表现型；随后，依照基因解码规则，从小到大顺序解码染色体中的所有基因信息，直至解码完毕，家具内部存储空间的布局以显性表现型全面展现；此外，设立四项针对不同功能区域的限制规则，并增加目标函数的惩罚项；最后，将初始种群规模设定为m=60p55，获取初始种群p54，进行适应性评估，并选取m=60。
作为初始种群规模数量，对初始种群进行适应度评价。
采用单点交叉法实施基因交叉变异的基因操作，将种群的交叉率设定为0.8，变异率设定为0.1；输出最佳设计方案，或者在用户评价次数累计至45次时，展示可视化的家具设计方案。
在本发明中，优选方案设定了a1标准作为最佳标准，该标准具体要求将家具划分为若干个功能区域，并对每个区域预先确定相应的存储物品和常用配件。
本发明的优选方案中，家具内部空间被划分为五个不同区域（a至e）：区域a的空间高度设定在600至1400毫米之间；区域b的空间高度设定在1400至1800毫米之间；区域c的空间高度则超过1800毫米；而区域d和e的空间高度则被设定在600毫米以下。
本发明优选方案中，针对不同的功能模块，设定了相应的空间尺寸区间，确保这些尺寸能够满足实际生活中该区域内物品使用的具体需求。
本发明优选方案中，对细胞进行标识，赋予其编号n，该编号对应于i号细胞。
a≤i≤y
该功能模块的初始生长点基因信息以三元数组（ai, bi, ci）的形式呈现，其中ai代表单元模数变量，bi代表生长方向变量，ci代表层级变量。
本发明的优选方案中，染色体的基因型长度确定为75个碱基对，具体为25个三联体基因序列的累积。其获取方式是通过将编号从a至y的单元格中储存的基因位信息，依次排列并连接起来，从而形成完整的基因型序列。
本发明优选方案中，通过在染色体个体的基因序列中采用三元数组的方式，对八个功能模块的表现型进行表述，进而将功能模块的转译规则整理成表格形式。
本发明优选方案中，表现型可分为两种类型：隐性表现型和显性表现型。在用户参与交互遗传算法过程中开元棋官方正版下载，隐性表现型中的基因处于隐藏状态，不可见；而显性表现型则呈现为可见。解码优先级被用作八个模块的隐性或显性表现型判断标准，其中，在a至y号单元格中，字母序号越靠前，解码顺序的优先级越高。在此，我们仅将显性表现型生成的家具整体储存布局方案以可视化形式展示给用户，以便用户进行评分。
在本发明的优选方案中，我们引入了惩罚函数，并建立了相应的惩罚机制。这一机制不仅针对选定的单一显性表现型进行考量，还将其他具有相同显性表现型的染色体个体适应度统一设定为0，并予以隐藏。如此操作，旨在防止这些个体参与到用户的交互评价过程中。
在本发明的优选环节中，系统会筛选出与惩罚机制相匹配的染色体个体，将其评定为低分并认定为无效个体；而其他个体则被认定为有效。随后，系统对有效个体进行解码，并将视觉化储存布局方案的表现型呈现给用户，供其进行选择和评价。
本发明优选方案中，单点交叉法的交叉率是影响种群收敛性能的关键因素；交叉率过高或过低均可能对种群中优良个体的基因型产生不利影响；为此，引入变异算子，即对父代染色体的特定基因位进行随机变异操作，以生成新的个体；这一操作有助于提升算法的全局搜索效率。
相较于现有技术，本发明展现出以下优势：在家具设计领域kaiyun全站登录网页入口，本发明引入交互遗传算法对家具的储存布局进行可视化方案设计，用户与设计师得以超越传统交流模式，直观地提取需求，此举不仅降低了人力物力成本，还显著提升了设计效率及企业定制服务的体验；此外，在交互遗传算法的基础上，本发明还加入了惩罚函数，即对选定的种群个体在系统操作过程中实施惩罚规则约束，确保用户参与选择及评价的储存布局方案既合理又可行。[id_392379243]
附图说明
图1展示了本发明实施例中交互式交互遗传算法的流程图；图2描绘了本发明实施例中定制衣柜内部存储空间的网格布局；图3呈现了本发明实施例中染色体的编码方式；图4展示了本发明实施例中功能模块的转译规则；图5展示了本发明实施例中父代染色体的单点交叉操作；图6展示了本发明实施例中父代染色体的变异操作；图7以柱状图形式展示了本发明实施例中最佳存储布局方案的最佳适应度值；图8以趋势图形式展示了本发明实施例中最佳方案所经历的迭代次数以及每代的最佳适应度值变化。
具体实施方式
以下是对本发明进行详细阐述，具体涉及附图展示的基于交互遗传算法的家具个性化定制系统及其操作步骤：首先，根据既定的高标准，对特定家具进行功能模块的细致划分。其次，对指定家具的各个部分进行细致的模块化处理。
对各个功能模块实施区域划分，并确定其尺寸区间；运用栅格技术构建数学模型，并借助字母符号法，从a至y依次标注纵轴方向上的顺序；为家具模块设定单元模数、生长趋势及层级变量，这些变量作为家具基因的一部分，调控着家具各功能区的表现形态；依照基因解码的规则，对染色体中所有基因信息进行从小到大的顺序解码，直至所有基因信息解码完毕，家具内部存储空间的布局被显性表现型完全覆盖；制定四项针对不同功能区域的限制性规则，并增加目标函数的惩罚项；将初始种群规模设定为m=60p55，提取初始种群p54，进行适应性评估，选取m=60作为初始种群的规模，并对该种群进行适应性评估。
采用单点交叉技术执行基因交叉变异处理，将种群的交叉比和变异比分别设定为pc等于0.8，pm等于0.1；随后，展示最佳设计方案，或者当用户评价次数累计至45次时，呈现可视化的家具设计方案。
a1标准被视为最佳标准，该标准要求将家具分割成若干个功能区域，同时针对每个区域精心安排相应的储物需求和常用配件。
家具内部空间被划分为五个不同的区域（分别标记为a至e）：其中，a区域的空间高度被设定在600至1400毫米之间；b区域的空间高度介于1400至1800毫米之间；c区域的空间高度则超过了1800毫米；至于d和e区域，它们的空间高度则被限制在600毫米以下。
针对各个功能模块，设定了相应的空间尺寸区间，确保其与实际生活中该区域内物品的使用需求相匹配。
将单元格进行编号，代码为n，其中n号单元格n=i
a≤i≤y
该功能模块的初始生长点基因信息以三元数组（ai, bi, ci）的形式呈现，其中ai代表单元模数，bi代表生长方向，ci代表层级。整个染色体基因型的完整长度为25乘以3，即75位。获取这一基因型的方法是，
依次将a至y编号的基因位点信息进行排列，将它们的首尾相接。在染色体个体的基因序列中，采用三元数组的方式展现八个功能模块的表型特征，并据此编制了一份功能模块的翻译规则表格。
表现型可区分为隐性和显性两种，在遗传算法的交互过程中，隐性表现型中的基因处于隐藏状态，不可被直接观察到，而显性表现型则呈现为可见状态；解码优先级被用作八个模块在隐性和显性表现型之间的区分标准，在a至y的单元格编号中，字母顺序越靠前，其解码的优先级就越高；在此，我们仅将显性表现型所生成的家具整体布局方案以直观的视觉形式展示给用户，以便他们进行评分。
设立惩罚措施，构建惩罚体系，针对除所选的一个明确表现型之外，系统将所有其他具备相同显性表现型的染色体个体适应性统一调整为零，并予以隐藏处理，以确保它们不参与用户的评价互动流程。
在系统筛选阶段，那些符合惩罚机制的染色体个体被判定为低分，并认定为无效个体；而其他个体则被认定为有效。随后，对有效个体进行解码，并将视觉化的储存布局方案表现型呈现给用户，供其进行选择和评价。
单点交叉法的交叉率对种群收敛性能有决定性作用，交叉率过高或过低均可能对种群中优良个体的基因型产生不利影响。为此，引入变异算子，即对父代染色体的某一基因位进行随机变异操作，以生成新的个体，进而增强算法的全局搜索能力。
以衣柜为例，鉴于普遍消费者对定制衣柜的存储布局需求较为多样，而老年人与儿童群体则有其独特需求，因此在设计过程中需遵循特定的规则，故本研究以普通消费者作为主要研究对象，确保年龄和性别分布均衡，即选定20至55岁用户作为定制衣柜的主要测试对象，共有6名测试者，并进行了分组和编号。具体信息见下表：年龄区间、性别、编号分别为20-29岁男性1号、20-29岁女性2号、30-39岁男性3号、30-39岁女性4号、40-55岁男性5号、40-55岁女性6号。测试群体使用里克特五级量表进行评分，评分标准为0-20分表示极不满意，20-40分表示较不满意，40-60分表示一般满意，60-80分表示较满意，80-100分表示极满意。若用户对存储布局方案评分超过95分，系统将自动认定该方案为最佳方案，并终止算法并输出该方案；当用户参与评价的次数累计至45次时，系统将根据评价结果筛选出当前最佳方案，并自动结束算法。
在算法操作系统内，通过精英选择法促进种群间的遗传进化。用户在评价选择环节中，若个体得分不足20分，则该个体将自动被淘汰。若得分介于20至80分之间，系统将启动变异算子，执行交叉变异操作。而当得分超过80分时，该个体将得以保留。
选定的六位受试者参与评价的次数大多在40至45次之间，其中最高适应度得分达到了95分，平均适应度得分是89.7分（详见图7），数据分析结果表明，交互遗传算法在家具设计内部存储布局设计方面展现出合理性和实用性，用户能够借助该算法在较少的选择和评价次数中，直观且高效地找到令人满意的方案。
对1号受试者的资料进行具体案例分析，在挑选及评估策略的过程中，每一代成员的表现和特性都得到了细致的考量与评价。
最佳匹配度数值会有所变动，然而，随着评价次数的增加，后续的评价匹配度数值趋于稳定，这一点也反映出，当用户评价数量增多时，系统通过算法计算出的方案愈发贴近用户的具体需求。
本发明在家具设计领域实现了创新，通过引入交互遗传算法对家具的储存布局进行可视化方案设计，使得用户与设计师能够超越传统交流模式，直观地提取需求。这一做法不仅降低了人力和物力成本，还显著提升了设计效率及企业定制服务的体验。此外，在交互遗传算法中融入了惩罚函数，对选定种群个体在系统操作中的行为进行约束，确保用户参与选择和评价的储存布局方案既合理又可行。在算法体系中融入变异机制，对父代染色体的特定基因位点实施随机变化，以此生成新的个体。当种群迭代接近收敛，求解范围宽广，而最佳目标函数解尚未显现时，此举能够增强算法的全局搜索效能。
本发明的基本原理、主要特征及其优势已在上述内容中得到展示和阐述。行业内的技术人员需认识到，本发明并不局限于所提供的实施例，那些实施例及说明书中的描述仅用于解释本发明的原理。在遵循本发明的基本精神和适用范围的前提下，本发明将展现出多种变化和改进，而这些变化和改进均属于本发明所要求保护的技术范畴之内。
