面向大批量定制的设计重用策略与应用

针对设计重用如何以低成本满足多样化个性化客户需求问题,结合大批量定制"减少产品内部多样化、提高产品外部多样化"的思路,提出了"多视图、多层次、多粒度"的设计重用模型(MVMLMG-DRM)。该模型综合考虑了产品设计中的使用性和经济性两方面。研究了大批量定制模式下的设计重用策略,通过在设计重用中实施产品族、模块化、标准化、系列化、通用化等方法,在满足使用性能的基础上保障了多样化个性化需求环境下所开发产品的经济性,为实现大批量定制打下了基础。最后,开发了应用系统实例。

基于基因遗传的定制化产品资源重用策略及其选择

产品设计资源重用程度是影响企业响应市场需求时间和设计成本的关键因素.在明确定制化产品与资源重用关系基础上对定制化产品基因的表征方式进行界定,基于基因传导机理和定制化产品开发过程得出的产品资源重用策略分为复制重用、变异重用和突变重用三类策略.为方便人们选用策略,基于相似度分析对资源可用性进行评价,用欧氏距离法计算现有产品与定制产品基因体之间的相似度,并依据韦伯定律来设定相似度阈值以确定资源合理重用策略.最后以定制化可重构小型农业作业机的设计为实例验证该策略的可行性.

基于拓扑图形的服务知识重用策略研究

为解决服务配置组合过程中服务知识的重用问题,建立服务知识重用策略及其表示方法。采用了形式化定义的方法对孤立服务知识进行建模,析取常见的服务知识重用模式与策略,提出利用拓扑模型的方式对服务知识的重用策略进行描述,构建基本的服务重用拓扑模型结构。实验分析结果表明,该方法使复杂的服务知识组件关系变得清晰、完整,解决以往的建模方法中信息描述不完全的问题。

建筑结构工程设计重用策略分析

在建筑各个标准层中结构设计重用有效利用可以提升工作质量与效果。通过分析建筑结构工程设计重用策略与标准,其具有可行、增效以及操作便捷的特征,可以在根本上提升设计质量与效果。基于此,文章主要对建筑结构工程设计重用策略进行简单的分析研究。

Keepaway抢球任务中基于策略重用的迁移学习算法

在RoboCup Keepaway中,球员使用强化学习能获得很好的高层策略。然而由于Keepaway任务的状态空间巨大,强化学习需要探索很多步才能收敛,学习过程十分耗时。针对这一问题,对于5v4规模的Keepaway任务,将策略重用技术应用于抢球球员高层决策的强化学习中,以实现迁移学习。首先合理设计了球员在4v3和5v4任务间的迁移学习方案及状态与动作空间的映射,然后提出了基于策略重用的迁移学习算法。实验表明,对于5v4任务,在训练时间约束下,迁移学习比强化学习获得了更短的任务完成时间和更高的抢断成功率,从而学习到了较优的高层策略。因此,为达到相同策略水平,迁移学习所需的训练时间明显比强化学习少。

强化学习中的策略重用:研究进展

策略重用(policy reuse, PR)作为一种迁移学习(transfer learning, TL)方法,通过利用任务之间的内在联系,将过去学习到的经验、知识用于加速学习当前的目标任务,不仅能够在很大程度上解决传统强化学习(reinforcement learning, RL)收敛速度慢、资源消耗大等问题,而且避免了在相似问题上难以复用的问题。本文综述了RL中的PR方法,将现有方法细分为策略重构、奖励设计、问题转换、相似性度量等方面来分别介绍和分析各自的特点,及其在多智能体场景和深度RL(deep RL, DRL)中的扩展。并且,介绍了源和目标任务之间的映射方法。最后,基于当前PR的应用,叙述了该课题在未来发展方向上的一些猜想和假设。

设计重用及其在产品设计中的应用

以工业设计的应用为全新视觉,从产品、企业、设计师三个角度对设计重用在产品设计中的研究意义进行了深度剖析。利用知识工程的思想对设计重用应用策略进行了分析,总结了设计知识的识别与获取、表达、运用中的关键问题,最后给出了产品设计重用的过程模型。

基于轨迹式的Q学习算法对探索环境预处理的研究

为了处理探索环境中的变化和减少智能体不必要的从头学习的时间,研究了对探索环境的预处理方法,提出了运用轨迹标记的Q学习算法尝试对探索的路径进行标记学习和对探索环境的变化部分进行预处理,来减少智能体学习时间。实验仿真中与使用策略重用的算法对比分析表明,该算法减少了智能体学习时间,并改进了对探索环境的变化的处理机制。