大规模定制既有大规模生产的低成本优势，又可以在一定程度上满足客户的需求，因此受到越来越多的公司的关注.产品配置设计作为能够满足个性化客户需求并有效支持产品快速定制设计手段，已经成为大规模定制的核心设计方法.目前，对于解决大规模定制产品配置的研究内容主要有产品配置成本评估,产品配置知识获取,产品配置动态驱动,产品配置性能预测,并取得了一定的成果。但是上述研究多集中在产品配置规划方面，对产品微观配置过程涉及不多。对于产品配置知识的表示，近年来的研究热点有基于约束满足的知识表示,基于资源的知识表示和基于描述逻辑的知识表示,并取得了一定进展，解决了一些实际问题。
但是对于像汽车这样复杂的产品，这些方法都有一定的不足：①产品知识获取困难；②忽略了过去已有的很有价值的设计知识和经验；③利用配置模板对产品从头开始配置设计，既耗时又易出错。
基于实例推理（case-basedreasoning,CBR）的产品配置方法能够充分考虑过去已有的有价值的设计知识和经验，已成为产品设计开发的一种有效实现方式.据调查，产品设计活动中有大约75%的设计是基于实例的产品设计.对于基于实例推理的产品配置技术，有学者从不同方面进行了研究。AHN等将CBR与基于知识的技术相结合来实现定制过程中多种类型过程知识的共享与重用；王新等提出了产品组需求类和需求匹配模板的概念，通过二级实例匹配求解实现产品配置；CHENG等提出将CBR与产品生命周期建模技术结合，应用于绿色产品配置开发。这些配置设计方法在解决产品的快速响应设计问题时具有一定优势，但是对于大规模定制下汽车的设计还存在以下不足：产品配置模型并没有全面表达像汽车这样复杂产品配置模块之间多层次的复杂约束信息和三维信息等，由于缺少这些重要的设计信息，可能导致最终得出的BOM无法或很难造型、布局或装配；对于客户的需求，多是对其进行分解和分析，然后转化为各种设计参数，作为产品配置的输入，而客户并没有实际参与到产品的设计中，像汽车这种很难量化的产品，如果客户没有实际参与到产品的设计过程中，很难得到令其满意的结果。
因此，针对以上问题，笔者提出一种基于实例的PIC模型，将汽车的部件、三维和约束信息整合为一个整体，然后利用交互式遗传算法进行产品配置的求解，并建立基于PIC模型的汽车操控台定制设计系统进行验证。
1.基于实例推理的PIC模型
产品配置知识的表示是解决产品配置问题的基础，其实质是对企业拥有的设计实例资源的整合，使其结构化、规范化，便于产品的快速定制。
笔者提出了一种基于实例的PIC3层模型，将企业拥有的设计实例资源整合为一个整体，以满足产品配置求解的要求，如图1所示。
图1基于实例推理的PIC模型
（1）P（parts）层为部件层，是PIC3层模型的基础层，实质为产品的各个组成部分的模块化树状模型。其可以表示为P=（NUM,NAME,F,PA）。NUM为各部件模块的标识；NAME为各部件模块的名称；F={f1,f2,…，fq}（q>0）为各部件模块的功能属性；PA={pa1,pa2,…，pau}（u>0）为各部件模块的特征参数。
（2）I（information）层为信息层，是P层的实例化，包含有P层各个部件的不同实例的三维信息、装配信息和拓扑信息，可以表示为I=（NUM,PNUM,3Dinfo,Tinfo,Ainfo）。其中：NUM为该实例信息模块的标识；PNUM为该实例信息模块对应的P层部件模块的标识；3Dinfo为该实例的3D信息，能够描述出该实例模块的基本空间位置和几何形状，并不涉及具体的尺寸与设计细节；Tinfo为该实例模块的拓扑信息，即在产品组装时与该实例模块相邻的上级、下级和同级的模块位置信息；Ainfo为该实例的装配信息，能够描述该实例模块在产品组装时自身的特征参数以及对相邻各模块的参数要求。
（3）C（constrains）层为约束层，是对于P层和I层约束信息的提取和整合，包括来自P层的非结构性约束和来自I层的结构性约束，可以表示为C=（NUM,NAME,TYPE,IF,THEN）。其中：NUM为该约束的标识；NAME为该约束的名称；TYPE为该约束的类型，TYPE=0,则该约束为结构性约束；TYPE=1,该约束为非结构性约束；IF为该约束的条件输入项；THEN为该约束的结论输出项。
2.基于交互式遗传算法的产品配置求解
对于产品配置问题的求解，充分考虑用户的个性需求，对于汽车的评价，不同的人有不同的看法，主观性很强，难以量化，因此笔者应用交互式遗传算法来解决产品配置问题。交互式遗传算法是将传统进化计算与人的智能评价有机结合，是一种解决隐式性能指标优化问题的有效方法。交互式遗传算法需要用户的评价来实现进化，因此能使用户积极地参与到产品定制设计中，最大限度地满足其要求。传统的交互式遗传算法流程如图2所示。
图2交互式遗传算法的流程
欲使用IGA进行产品配置求解，还需要对汽车的各个模块实例进行编码，使之成为IGA能够识别的“基因”.笔者根据PIC模型用二进制来对汽车操控台进行编码。如图3所示，一条染色体代表一个设计产品，以汽车操控台为例，总体分为6个部分，分别对应操控台的5大模块和颜色模块，每一部分又进一步根据PIC模型中P层分为若干基因，每一个基因的二进制代码均代表一个具体的实例。图3中中控台的编码001001001即代表“第一类GPS导航、DVD音响系统、液晶显示屏”的实例。
将汽车的各个模块转变为IGA能够识别的“基因”之后，就可以按照IGA的算法流程对其进行遗传操作，经过进化最终得到用户满意的个体。
图3基于PIC模型的编码模式
3.基于PIC模型的操纵台定制设计系统
3.1系统的设计原理与结构
笔者提出的基于改进的交互式遗传算法的汽车操控台定制设计系统采用3层体系结构，分别为资源层、应用层和用户层，如图4所示。
（1）资源层是系统的基础层，为应用层以及用户层的各个功能的实现提供基础的数据和参考。资源层建立在包括硬件平台、数据库、PDM和网络等基础设施上，通过数据库服务器与应用层的各个客户端连接。资源层的数据涵盖了基于改进的交互式遗传算法的汽车操控台定制设计系统所需要的所有数据，包括产品实例库、三维信息库、拓扑信息库和配置约束库等。
（2）应用层是系统的核心层，由配置知识表示单元、配置知识管理单元，以及产品配置求解单元组成。来自资源层的数据首先通过配置知识表示单元转化为基于PIC模型的配置知识，进入到PIC模型数据库，再由配置知识管理单元进行维护。然后产品配置求解单元根据配置知识，通过与用户层交互，最终得出配置结果。每次的配置结果都会由配置知识管理单元自动添加到PIC模型数据库中，实现数据的实时更新。
（3）用户层是整个系统的关键，由客户、设计人员、系统维护人员和其他人员构成。用户层通过人机交互界面与应用层的应用服务器连接，使得客户对IGA算法产生的个体进行评价，促使种群进化，最终得出满意个体。设计人员、系统维护人员和其他人员负责系统的正常运行和对客户提出的问题进行解答。
图4基于PIC模型的汽车操纵台定制设计系统
3.2系统的实现
将资源层中的各种数据转换为能够用来配置求解的知识，其过程通过PIC模型来实现。下面针对汽车操控台，说明PIC模型的实施过程。
（1）汽车操控台的P层模型。P层实质为产品的各个组成部分的模块化树状模型，因此，将汽车操控台分为5大模块：方向盘、中控台、仪表盘、变速杆和空调出口。然后，每一模块又进一步向下细分，从而得出模块化树状模型，如图5所示。每一层级的模块均有不同的实例与其对应，而每一个实例均有三维信息、装配信息和拓扑信息，从而引出I层模型。
图5
（2）汽车操控台的I层模型。I层是P层的实例化，包含P层各个部件的不同实例的三维信息、装配信息和拓扑信息。以方向盘为例，它的某一个具体实例的三维信息（3Dinfo）如图6所示，由若干曲线、曲面和基准特征几何结构组成，能够描述出该实例模块的基本空间位置和几何形状；拓扑信息（Tinfo）以二维表的形式表示出该实例与上级（操控台整体）、下级（喇叭按钮、音量调节键等）和同级（操控台）的位置信息；装配信息（Ainfo）描述该方向盘实例在产品组装时自身的特征参数以及对相邻各模块（仪表盘）的参数要求。
图6
（3）汽车操控台的C层模型。C层是对于P层和I层约束信息的提取和整合。操控台的C层部分约束如表1所示。
表1操控台的C层部分约束
图7
图7为系统的交互界面，左侧可以显示这一代的个体（每代9个个体），右侧显示目前最优个体和上代最优个体以供参考，用户可以通过该界面来对系统产生的个体进行评价，促使种群进化，最终产生满意的个体。初始界面上显示的个体均为2D模式，如果对某一个体感兴趣，可以点击“3D”来查看该个体的3D图像。在用户发现自己满意的个体时，可以点击“best”来结束进化，系统则会自动输出最优个体对应的BOM.
4.结论
针对现有的汽车产品大规模定制中的产品配置方法存在的一些不足，提出一种基于实例推理的PIC模型来进行产品知识的表示，成功地解决了传统知识表示方法不能很好地表达三维和约束图7操控台定制设计系统交互界面信息的问题，然后采用交互式遗传算法进行产品配置的求解，使得用户能够充分参与到汽车产品的定制设计中，最大限度地满足其个性需求。最后建立了基于PIC模型的汽车操控台定制设计系统来对该方法进行验证。结果证明该方法能够较好地实现汽车产品的大规模定制设计，充分考虑了其三维信息和约束信息，并能够满足用户的个性化需求。（图标、参考文献略）