用户决策驱动的乘用车舱改进PSO布局优化模型

刘　昕　余隋怀　王淑侠　李文华　曲　敏　王　淼

西北工业大学陕西省工业设计工程实验室，西安，710072

用户决策驱动的乘用车舱改进PSO布局优化模型

刘昕余隋怀王淑侠李文华曲敏王淼

西北工业大学陕西省工业设计工程实验室，西安，710072

摘要：基于用户决策模型确定了车舱待布物的优化顺序，通过已优化待布物的定位确定尚未优化的待布物的定位，同时将PSO引入乘用车舱的三维布局分析。为避免陷入局部最优，采用自适应惯性权重系数对PSO进行了改进，提出了针对不同类型用户决策调整布局的优化新方法。利用JACK对不同优化方案和原方案进行了对比分析，验证了在用户决策驱动下，采用改进PSO进行布局优化的方式最符合人机工程学原理，可有效解决乘用车舱布局优化问题。

关键词：乘用车；布局优化；用户决策； 粒子群优化；人机工程

0引言

乘用车主要指用于载运乘客及其随身行李和临时物品的汽车，包括驾驶员座位在内最多不超过9个座位。根据GB/T3730.1-2001的定义，本文所提及的乘用车包括普通乘用车、活顶乘用车、高级乘用车、小型乘用车、敞篷车和舱背乘用车[1]。为迎合使用者的需求，乘用车的新功能越来越多。如何设置新功能操纵设备的位置，调整待布物的布局尺寸，需要合理的布局优化方法来解决。基于用户需求的车身设计已引起国内外学者的广泛关注[2-3]，但融入用户需求的乘用车内部设计较少[4-6]，因此提出基于用户决策的乘用车驾驶舱智能布局优化方法具有切实的意义。

目前，国内外关于舱内布局评价的研究较多[7-9]，但有关舱内布局优化的研究很少，近几年，舱内布局优化逐渐引起学术界的重视。但目前布局优化的相关研究针对的都是飞机、潜水器等非大众化的驾驶舱[10-12]，缺乏乘用车舱布局优化的有效方法。

粒子群优化算法(particleswarmoptimization，PSO)可用于解决球状舱体的圆形待布物和方体待布物的二维优化布局问题[13-14]。Kulturel-Konak等[15]将PSO成功运用于解决不规则图形的布局优化问题。Chen等[16]将PSO成功应用于解决船体垂直通道的布局优化。

笔者将PSO应用于乘用车舱的三维布局优化，提出一种用户决策驱动的乘用车舱智能布局优化新方法。为平衡PSO算法的全局搜索能力和局部改良能力，引入惯性权重模型对PSO进行改进。该优化方法能够满足不同类型的用户需求，并提高舱内空间利用率，促进各设备之间的良好搭配，保障乘员较长时间的舒适感，减少疲劳和误操作。

1构建乘用车舱布局优化模型

乘用车舱布局优化是在宝贵且有限的空间内，以乘用车舱的“人-机-环境”系统为优化对象，改善用户的驾驶条件，提高用户的舒适度，保障用户安全、舒适、高效地驾驶，提高乘用车舱空间利用率和促进各待布物之间的良好搭配，使整个乘用车舱总体布局达到最优。不同用户对乘用车的用途和需求不同，乘用车舱待布物的布局优化顺序也不同。

1.1乘用车舱布局优化的实现过程

乘用车舱布局优化实现过程如图1所示。首先，建立乘用车舱布局优化体系，对乘用车待布物分类。然后，构建用户决策模型，成立专家组，确定待布物的优化顺序(先优化的物体决定后优化物体的坐标位置)。之后，根据先优化物体的坐标位置和人机工程学准则，构建待布物优化位置的目标函数和约束条件。接着，利用优化算法得出待布物最佳坐标位置。由于不是所有待布物都能直接采用最佳坐标位置，应当根据需要相互妥协，得出乘用车舱最优布局。

1.2构建乘用车舱布局优化体系

乘用车舱布局优化体系是由用户共同决策构建的，本文所提及的“用户决策”中的“用户”包括普通用户(主体)与专家。选择操作经验丰富、专业基础扎实和长期关注信息动态的普通用户和具有专业设计或维修技能的专家对乘用车待布物分类。根据研究需要，用户个数建议为10～18[17]。为了使普通用户对调查结果起主导作用，首先让多名普通用户进行分类，并由组织者将普通用户的分类公示给所有专家作为参考；专家在普通用户分类的基础上再分类。分类过程中，专家根据需要可能要在普通用户需求和偏好的基础上做出一定妥协，可将普通用户脱离实际的待布物分类控制在科学范围内。以科学性、全面性、系统性、可行性为基本原则，经过反复咨询和统计处理，最终得到乘用车舱布局优化体系，如表1所示。

图1　乘用车舱布局优化实现过程

表1　乘用车舱待布物布局优化体系

1.3用户决策驱动模型

由于待布物数量较多，且并非所有待布物都能安排到最优位置，因此需根据待布物的重要性先确定优化顺序，再有条不紊地优化。用户需求不同，对待布物的定位要求和优化顺序也不同。用户通过对待布物评分的形式进行决策，乘用车舱布局优化体系中的待布物越重要，分值越高，为使分析更加科学、客观，用户评分的数值分布控制为正态分布。根据用户评分，形成用户决策矩阵A=[aij]n×m。由于分数越高表明结果越优，因此对A使用偏大型正态分布进行规范化处理：

r=0 a<601-exp[-(a-60500σ)2] a≥60{

(1)

其中，σ为标准差；a为用户给出的分值。从而得到规范化矩阵R=[rij]n×m。

某用户对所有待布物的打分差异相对较大，说明其对不同待布物及其坐标属性的优化需求程度有更鲜明的不同，则对待布物的权重和优化顺序将会起到相对更大的影响。每个用户依次对不同的待布物打分，假设用户的最优权重向量w=(w1，w2，…，wM)，wj≥0，j=1,2,…,M，M为用户数量。用Vij(w)表示用户uj给待布物Bi打分的分值与其他所有待布物打分的分值之间的离差，则可定义[18]：

(2)

i=1,2,…,N

式中，N为待布物数量。

(3)

其中，Vj(w)为对于用户uj而言，所有待布物分值与其他待布物分值间的总离差。加权向量w的选择应使所有用户对所有待布物的总离差最大。为此，构建目标函数：

(4)

于是，求权重向量w等价于求解：

maxV(w)=∑Mj=1∑Ni=1∑Nk=1|rij-rkj|wjs.t. wj≥0 ∑Mj=1w2j=1üþýïïïï

(5)

将式(5)化为拉格朗日函数：

(6)

(7)

求得最优解：

(8)

(9)

于是，求得用户决策驱动的待布物重要性权重：

(10)

通过用户决策驱动的舱内待布物重要性权重系数zj(w)，可确定待布物的优化顺序。

1.4构建布局优化的目标函数和约束条件

乘用车舱的待布物相对位置关系较复杂，为使各个设备控制器的布局更符合人机工程学的原理，需要同时构建多个目标函数，且全部目标都要在允许区域范围内达到最优，即实现多目标优化。求解多目标优化问题的Pareto最优解的常用方法有并列选择法、排列选择法、权重系数变换法等[19]。本文采用权重系数变换法：

minη=min∑Ni=1Wifi(φ)s.t. φ∈D}

(11)

式中，Wi为目标i的权值系数；D为可行解集。

为了方便操作和维修，不同设备之间、设备与舱体结构之间往往要预留一定的距离，从人机工程学的角度分析，不同待布物之间都会有一个最适宜的距离存在，但实际操作中，并非所有待布物都能按最适宜距离取值，有的待布物需要兼顾整体布局做进一步的调整。根据已优化待布物决定未优化待布物的定位思想，利用最小欧氏距离原理，构建目标函数f(x)，f(x)越小越好。将目标函数f(x)描述为

为有效预防小反刍兽疫，必须积极做好免疫接种工作。首先，牧区养殖户在引进外来动物时，相关部门应积极做好检疫工作，避免由于引进带病毒的动物，出现大面积的接触性传染。同时，应积极做好疫病防控工作，尤其是在雨季以及寒冷季节，更要提前做好防控工作。在小反刍动物2—6月龄时，使用小反刍兽疫疫苗进行免疫接种，采取皮下注射的方式，每只羊使用1支疫苗。此外，在完成接种1周后，羊只会产生相应的抗体，预防该病毒的发生。但是，仍然要做好消毒工作，切记不可掉以轻心。

(xixk+yiyk+zizk)2]1/2/(xixk+yiyk+zizk)}

(12)

y≥-E

式(12)中的约束条件包括待布物互不干涉约束和可达域约束。对人体进行可达域分析时，可根据需要，采用用户人群中不同百分位的人体尺寸标准进行计算。

1.5改进PSO求解布局优化原理

假设n维目标搜索空间中，由m个粒子组成一个群落以一定的速度飞行，定义xi=(xi1，xi2，…，xin)为粒子i在n维空间里搜索的位置，将xi代入目标函数可计算出每个粒子的适应度值，根据适应度值的大小衡量xi的优劣。vi=(vi1，vi2，…，vin)为粒子i的当前飞行速度。将第i个粒子迄今为止搜索到的个体最优位置记为pbi=(pbi1，pbi2，…，pbin)，将整个PSO迄今为止搜索到的全局最优位置记为gbi=(gbi1，gbi2，…，gbin)[21]。

粒子飞行速度和位置根据个体的飞行经验和群体的飞行经验进行动态调整，其速度和位置的更新方程为

vij(t+1)=vij(t)+c1r1(pbij-xij(t))+

c2r2(gbij-xij(t))

(13)

xij(t+1)=xij(t)+vij(t+1)

(14)

i=1，2，…，mj=1，2，…，n

其中，c1、c2为加速因子(学习因子)，用来调节粒子飞向个体最优值pb和全局最优值gb的最大步长，一般取值为2[22]；r1、r2为[0，1]的随机数[23]。

为调整PSO算法的全局探索能力和局部改良能力，采用自适应权重系数对PSO进行改进，其表达式为

vij(t+1)=wvij(t)+c1r1(pbij-xij(t))+

(16)

式中，wmax、wmin分别为权重系数的最大值和最小值；f为微粒当前的目标函数；favg、fmin分别为当前所有微粒的平均目标值和最小目标值，引入惯性权重系数的PSO可调节算法的全局搜索能力和局部搜索能力，但迭代初期局部搜素能力仍然较弱，即使已接近全局最优点，也容易错过，容易陷入局部最优，并且迭代次数难以预测，影响了算法的调节功能。当惯性权重可随微粒的目标函数值自动进行调整时，可大大减小陷入局部最优的概率。当各微粒的目标值趋于一致或趋于局部最优时，惯性权重变大；当各微粒的目标值比较分散时，惯性权重减小。同时，对于目标函数优于平均目标值的微粒，对应的惯性权重因子较小，从而保护该微粒，使该微粒向较好的搜索区靠拢[24]，改进后的PSO算法流程如图2所示。

图2　改进后的PSO算法流程图

2乘用车舱布局优化案例分析

以女性专用乘用车舱布局设计为例，根据小样本统计理论，邀请25名用户共同参与评分与注释，其中，女司机19名、乘用车设计领域专家3人、汽车修理师3人，打分的原始数据如表2所示。

表2　用户打分的原始数据

根据式(1)对表2所示的原始数据进行规范化处理，得σ=9.307 948，并将计算结果整理成规范化决策矩阵：

根据式(8)、式(9)得用户的最优权重向量

w=(0.0004，0.0007，0.0005，0.0006，0.0004， 0.0013，

0.0004，0.0009，0.0005，0.0005，0.0024，0.0024，0.0014，

0.0028，0.0036，0.0022，0.0033，0.0023，0.0051，0.0025，

0.0047，0.0084，0.0056，0.0329，0.0146)

根据式(13)～式(16)，使用MATLAB对自适应权重系数改进PSO算法编程，另外，再分别对标准PSO、权重线性递减改进PSO、遗传算法和蚁群算法进行编程，进而对这5种算法的优化效果进行对比。其中，标准PSO的学习因子取2，权重为0.9，微粒数为50；权重线性递减改进PSO的学习因子取2，最大权重为0.9，微粒数为50；自适应权重系数改进PSO的学习因子取2，最大权重为0.9，最小权重为0.4，微粒数为50；遗传算法的规模为50，交叉概率为0.6，变异概率为0.1；蚁群算法蚁群规模为50。采用以上5种智能算法得多功能显示器形心坐标最优值，如表3所示，所求得的多功能显示器形心坐标皆在我国人体可达域舒适范围之内，且设备互不干涉，迭代过程如图3～图6所示。虽然自适应权重系数改进PSO运算效率不如标准PSO和权重线性递减改进PSO，但是目标函数值可达到最小，遗传算法效率最低，而蚁群算法陷入局部最优，因而自适应权重系数改进PSO的效果最好。同理，通过自适应权重系数改进PSO求得储物箱形心坐标为(297.9 mm，-45.0 mm，-458.0 mm)，如图7所示。

表3　多媒体显示器形心坐标最优值和目标函数最小值

图3　多媒体显示器目标函数迭代图

图4　多媒体显示器变量x迭代图

图5　多媒体显示器变量y迭代图

图6　多媒体显示器变量z迭代图

图7　储物箱目标函数迭代图

3虚拟模拟验证

采用软件JACK6.1分别构建第99、第50和第1百分位的我国女性人体模型，并模拟女性司机完成倒库、移库的一系列标准动作。使用新陈代谢分析工具比较女性司机分别使用原布局，以及采用标准PSO、权重线性递减改进PSO、自适应权重系数改进PSO、遗传算法和蚁群算法改进的布局完成该流程所消耗的能量。

从表4可看出，经过虚拟模拟测试，女性驾驶员使用优化后布局所消耗能量明显小于使用原布消耗的能量，自适应权重系数改进PSO优化算法为最优，使女性司机驾驶时相对更加舒适和省力，则使用自适应权重系数改进PSO优化的布局为最优布局。

表4我国女性司机完成倒库和移库所消耗能量

kJ

通过JACK的可视域和可达域分析工具对最优方案进行分析，可知待布物皆在合理的可视域和可达域范围内。根据JACK的工作姿势分析工具分析出的司机舒适度水平为1，说明司机在驾驶过程中舒适度处于较高水平。另外，使用JACK建立我国男性人体模型进行驾驶模拟，证明男性也可安全驾驶，但舒适度不如女性高。

4结语

基于用户决策，对乘用车舱空间布局有次序地进行了深入分析。根据人机工程学原理，构建了驾驶舱布局优化的目标函数。在布局优化中引入PSO，并采用自适应权重系数对PSO进行了改进，同时与常用的其他优化算法的优化效果进行了对比。通过JACK分析验证可知，用户决策模型驱动的自适应权重系数改进的PSO能有效解决乘用车舱的三维人机布局问题。

参考文献：

[1]国家质量监督检验检疫总局. GB/T3730.1-2001 中国汽车分类标准[S]. 北京：中国标准出版社，2001.

[2]Fan K, Chiu C, Yang C. Green Technology Automotive Shape Design Based on Neural Networks and Support Vector Regression[J]. Engineering Computations, 2014,31(8):1732-1745.

[3]杨延璞, 刘琼. 设计意图驱动的产品形态设计方法[J]. 计算机集成制造系统, 2015(4):867-874.

Yang Yanpu, Liu Qiong. Product Form Design Method Driven by Design Intent[J].Computer Integrated Manufacturing Systems, 2015(4)：867-874.

[4]Nagamachi M. Kansei Engineering as a Powerful Consumer-oriented Technology for Product Development[J]. Applied Ergonomics, 2002, 33(3)：289-294.

[5]李月恩, 王震亚, 徐楠. 感性工程学[M]. 北京: 海洋出版社，2009.

[7]Shen K S, Chen K H, Liang C C, et al. Measuring the Functional and Usable Appeal of Crossover B-Car Interiors[J]. Human Factors and Ergonomics in Manufacturing & Service Industries, 2015,25(1)：106-122.

[7]Chen J, Yu S, Wang S, et al. Aircraft Cockpit Ergonomic Layout Evaluation Based on Uncertain Linguistic Multiattribute Decision Making[J]. Advances in Mechanical Engineering, 2014: 10.1155/2014/698159.

[8]Reed M P, Manary M A, Flannagan C A, et al. A Statistical Method for Predicting Automobile Driving Posture[J]. Hum Factors, 2002, 44(4)：557-568.

[9]Li F, Li Y. A Computer Aided Conceptual Evaluation of Excavator Cab Based on Ergonomics[J]. Applied Mechanics and Materials，2011，121/126：1844-1848.

[10]钮松. 面向民机驾驶舱人机工效设计的布局优化研究[D]. 南京：南京航空航天大学, 2013.

[11]范文, 余隋怀, 王文军, 等. 蚁群算法求解人机布局优化问题[J]. 机械科学与技术, 2013(7)：955-962.

Fan Wen, Yu Suihuai. Ant Colony Algorithm for Human-machine Layout Optimization[J]. Mechanical Science and Technology for Aerospace Engineering. 2013(7)：955-962.

[12]韩端锋, 韩海辉, 刘峰, 等. 载人潜水器驾驶舱三维布局优化研究[J]. 船舶工程, 2013(1)：76-80.

Han Haihui, Han Duanfeng, Liu Feng. Research on 3D Layout Optimization of HOV Cabin[J]. Ship Engineering, 2013(1)：76-80.

[13]刘飞, 孙明, 李宁, 等. 粒子群算法及其在布局优化中的应用[J]. 计算机工程与应用, 2004(12)：71-73.

Liu Fei,Sun Ming, Li Ning, et al. Particle Swarm Optimization and Its Application of Constrained Layout Optimization[J]. Computer Engineering and Applications. 2004(12)：71-73.

[14]孙明, 刘飞, 孙德宝, 等. 旋转卫星舱内长方体群的布局[J]. 计算机工程与应用, 2004(34):92-94.

Sun Ming, Liu Fei, Sun Debao,et al. Layout Optimization of Cube Group in Rotation Module[J]. Computer Engineering and Applications, 2004(34):92-94.

[15]Sadan Kulturel-Konak, Abdullah Konak. A New Relaxed Flexible Bay Structure Representation and Particle Swarm Optimization for the Unequal Area Facility Layout Problem[J]. Engineering Optimization, 2011, 43(12):1263-1287.

[16]Chen Wenzhe, Dai Pinqiang, Chen Yonglu. Particle Swarm Optimization Based Algorithm for Ship Vertical Passage Layout Optimization[J]. Advanced Materials Research, 2012, 479/481:1885-1888.

[17]Miaskiewicz T, Kozar K A. Personas and User-centered Design: How Can Personas Benefit Product Design Processes?[J]. Design Studies, 2011,32(5):417-430.

[18]徐泽水. 不确定多属性决策方法及应用[M]. 北京：清华大学出版社, 2005.

[19]雷英杰, 张善文, 李续武. MATLAB遗传算法工具箱及应用[M]. 西安: 西安电子科技大学出版社, 2005.

[20]丁玉兰. 人机工程学[M]. 北京：北京理工出版社, 2000.

[21]Iqbal N, Zerguine A, Al-Dhahir N. Decision Feedback Equalization Using Particle Swarm Optimization[J]. Signal Processing, 2015, 108:1-12.

[22]王文格, 饶兴华, 谭仕威. 一种凸轮曲线调制处理及粒子群优化方法[J]. 中国机械工程, 2014，25(19):2665-2668.

Wang Wenge, Rao Xinghua, Tan Shiwei. A Method for Modulating Cam Curve and Optimization Using Particle Swarm Technique[J]. China Mechanical Engineering, 2014，25(19):2665-2668.

[23]Barbieri R, Barbieri N, de Lima K F. Some Applications of the PSO for Optimization of Acoustic Filters[J]. Applied Acoustics, 2015, 89：62-70.

Ye Nanhai, Qi Yinan,Chen Kai,et al. A Computational Method on Reliability Robust Optimization Based on Improved PSO[J]. China Mechanical Engineering, 2012，23(5)：551-555.

[25]国家技术监督局. GB/T14775-93 操纵器一般人类工效学要求[S]. 北京：中国标准出版社，1994.

(编辑张洋)

ImprovedPSOLayoutOptimizationModelforSaloonCabinDrivenbyUsers’DecisionMaking

LiuXinYuSuihuaiWangShuxiaLiWenhuaQuMinWangMiao

ShaanxiEngineeringLaboratoryforIndustrialDesign,NorthwesternPolytechnicalUniversity,Xi’an,710072

Abstract：Based on the users’ decision making, groups and sequences of facilities position optimization were determined approximately, and facilities optimized determine positions of which were not optimized. The PSO was adapted to develop a new method of saloon cabin layout optimization in 3D. To avoid obtaining partial optimal solutions, an improved PSO by adaptive inertia weight was used and the new method of layout optimization which might be adjusted according to different users’ needs was proposed. The different optimized solutions were analyzed and compared to the original one by JACK, the results show the optimization method of the improved PSO is the best one and consistent with ergonomic principles. The method can solve the saloon cabin layout optimization problems effectively.

Key words:saloon cabin; layout optimization; users’ decision making; particle swarm optimization(PSO); man-machine engineering

收稿日期：2015-02-05

基金项目：国家科技支撑计划资助项目(2015BAH21F01);国家自然科学基金资助项目(51105310)；国家社会科学基金资助项目(13BG068)：高等学校学科创新引智计划资助项目(B13044);西北工业大学研究生创新基地资助项目

中图分类号：TP391.7

DOI：10.3969/j.issn.1004-132X.2016.01.019

作者简介：刘昕，女，1985年生。西北工业大学机电学院博士研究生。主要研究方向为人机工效设计、产品设计、设计管理。发表论文12篇。余隋怀，男，1962年生。西北工业大学机电学院教授、博士研究生导师。王淑侠，女，1978年生。西北工业大学机电学院副教授。李文华，女，1990年生。西北工业大学机电学院博士研究生。曲敏，女，1979年生。西北工业大学机电学院博士研究生。王淼，女，1983年生。西北工业大学机电学院博士研究生。