2　推理问题

　　支持概念设计遇到的第二个难题是采用何种合适的方法将用户需求映射到相应的物理空间。在实际推理过程中存在知识驱动和数据驱动两种方式，知识驱动应用在存在大量领域知识的情况下典型技术如知识推理和优化;而数据驱动指摈弃规则，依赖大量领域实际数据参与推理，如事例推理、神经网络和机器学习等。

　　2.1　知识推理

　　知识库中存放设计的过程知识和产品或领域知识，知识推理主要包括归纳、演绎、约束推理和非单调推理等。这些推理技术在概念设计中应用较早，也比较普遍。Tong和Gromory将演绎推理应用在小电机装置的设计中(e-works)，Rao则将归纳推理应用在给定一些参数(如负载类型、转速和应用场合等0的情况下如何选择合适的球轴承。Oh等人利用约束推理进行录象带设计的改进，而Smith和Boulanger将非单调推理技术应用到桥梁的设计中。

　　2.2　神经网络

　　人工神经网络从模拟人脑功能出发，以大量的、简单的处理单元广泛连接而形成复杂的网络系统。在处理方法上，由于其广泛互连的非线性动力学特性，神经网络更长于处理联想记忆、形象思维等问题，也更适合于作表象的、浅层的经验推理及模糊推理。其次由于具有分布记忆和并行计算的特点，有利于知识存储的简化和运行效率的提高。同时神经网络具有自组织和自学习的能力以及良好的容错性。机械设计是一个多阶段、多子任务的链式序列，现行专家系统采用符号匹配方式，为了不至使系统出现“死角”，必须将所有可能的组合考虑完全，极容易产生组合爆炸。而设计人员在进行方案构思时，往往只考虑几种可行方案，因此面对复杂的情况，能快速作出较好决策，同时在方案匹配时，不会因为部分信息的缺乏而出现匹配不上，没有方案可选的情况。因此这种选择的模糊以及高度综合的过程利用神经网络来模拟是比较合适的，如Grieson提出了结合神经网络和遗传算法的方法通过演变和人工学习解决了桥梁结构方案最优选择的问题，王小同等人将人工神经网络与传统人工智能相结合，开发了机翼结构方案智能设计系统[26]。但神经网络也具有一些缺点，如需要大量数据进行训练、训练时间较长、解释不足等缺点，其中针对神经网络的解释机制虽然人们已经提出了如采用基于规则的专家系统进行解释、从神经网络中提取用于解释的规则以及基于事例的解释等方法，但解释不足的缺点依然存在，严重影响神经网络在实际中的应用。

　　2.3　事例推理

　　事例推理(CBR)技术起源于70年代，是人工智能发展过程中涌现出来的区别于基于规则推理(RBR)和基于模型推理(MBR)的一种推理模式，它指的是利用旧的事例或经验来解决问题。评价解方案，解释异常情况或理解新情况。

　　CBR具有以下几个优点:

　　a.在设计规则难于总结时，以设计事例为主要设计依据的事例推理显得更为有效;

　　b.更符合领域专家的思维习惯;

　　c.具有自学习能力。

上一页  [1] [2] [3] [4] 下一页