摘要：并行工程环境中 ,上游产品设计活动和下游过程设计活动之间的重叠 ,可缩短产品开发过程的持续时间。但过多的重叠也会导致不必要的设计修改。为此 ,研究了产品与过程设计活动之间的并行度优化问题 ,并建立了数学模型 ,给出了求解该问题的算法 ,其目的是使因延迟产品开发完成时间和不必要的设计修改而带来的成本尽可能最低。

摘要：针对并行开发过程中设计活动间存在迭代和重叠的情形,提出一个时间计算模型及其优化方法。依据矩阵规划后的设计结构矩阵,将设计活动组划分为多个耦合活动块和非耦合活动块,按信息流方向依次计算活动重叠造成的设计修改时间,进而建立产品开发的时间模型。在给定成本约束下,将开发时间最短问题转化为有约束的最优化问题,并给出相应的求解算法。最后通过实例运算表明了时间模型及其优化方法的有效性。

摘要：针对产品设计时间估计中存在的小样本、不确定性数据等问题,将模糊回归理论与支持向量机方法相结合,提出一种Fν-SVM模型,给出相应的设计时间智能估计方法和参数优选算法。进行了注塑模具设计的实例分析,结果表明基于 Fν-SVM的时间估计方法是有效和可行的。

摘要：针对制造企业产品销售时序具有多维、小样本、非线性和多峰等特征,将混沌理论与支持矢量机(Support vector machine,SVM)参数优选方法相结合,证明了结构风险最小化原则是在概率意义下近似正确的,由此得到支持矢量机的表现形式并不是唯一的,具有多样性的特征,在此基础上提出一种混沌v-支持矢量机(Chaotic-v SVM,Cv-SVM)模型,给出相应的产品销售预测方法。最后进行了汽车销售时序预测,结果表明基于Cv-SVM的产品预测方法是有效和可行的。

摘要：首先利用质量功能配置技术从设计要求中提取产品特征,从而确定影响设计任务所需时间的因素集;其次给出一种模糊神经网络模型来融合数据并实现时间的预测,该模型通过模糊综合评判来精简结构;最后通过注塑模具设计应用表明了该智能预测方法的有效性和可行性.

摘要：产品销售时序通常具有正态高斯分布、幅值较大、奇异点等混合噪音,为此,设计了一种鲁棒损失函数,得到一种新的支持向量机,即鲁棒ν-支持向量机。它可以有效地压制销售时序的多种噪音和奇异点,具有很强的鲁棒性,而且比标准ν-支持向量机具有更简洁的对偶优化问题。最后进行了汽车销售预测的实例分析,结果表明,基于鲁棒ν-支持向量机的预测模型是有效可行的。

摘要：针对产品销售时序具有多维度、非线性的特征,通过设计一种扩展的径向基函数核函数,将其应用于支持向量机中,得到一种扩展的径向基函数核支持向量机;设计了一种改进的免疫优化算法对其参数进行寻优。将该方法应用于汽车销售预测实例中,并与反向传播神经网络、采用一般径向基函数核的支持向量机及多尺度支持向量机进行了比较。实验结果表明该方法可行有效,其预测精度优于其他三种方法。

摘要：针对产品设计时间预测中存在的小样本、不确定性数据等问题,将不确定数据处理成区间数,引入Hausdorff距离以计算区间数向量之间的距离,并将含有区间数的知识设计转换成核近似可嵌入的线性不等式,提出相应的产品设计时间智能预测方法,给出相关参数的优选方法。进行了注塑模具设计的实例分析,结果表明基于嵌入知识的核近似的时间预测方法是有效的。

摘要：针对知识化制造环境下的自适应调度问题,提出基于状态-动作不确定性偏向Q学习(state-action uncertainty bias based Q-learning,简称SAUBQ学习)的知识化制造自适应调度策略.该策略针对传统Q学习收敛速度慢,训练时间长等问题,引入信息熵的概念定义了状态不确定性测度,据此定义了Q学习动作偏向信息函数,通过对Q学习奖励函数采用启发式回报函数设计,将动作偏向信息利用附加回报的方式融入学习系统,并证明了算法的收敛性和最优策略不变性.在学习过程中,Q学习根据偏向信息调整搜索空间,减少了Q学习必须探索的有效状态-动作对数目,同时偏向信息根据Q学习结果不断进行调整,避免了不正确的误导.经仿真实验比较,结果表明,该策略具有对动态环境的适应性和大状态空间下收敛的快速性,提高了调度效率.

摘要：针对产品设计时间预测中存在的小样本、不确定性数据和异方差噪音等问题,将模糊回归理论与par--SVM相结合,基于Necessity模型构造约束条件,提出了par-F-SVM,并给出了相应的设计活动时间智能预测方法和相关参数的优选算法.最后通过注塑模具设计的实例分析表明了所提出的基于par-F-SVM的时间预测方法是有效、可行的.