社群化制造中众包设计任务间模糊加权图建模与优化重组.docx

社群化制造中众包设计任务间模糊加权图建模与优化重组
随着社群化制造的兴起，众包设计成为了一种非常重要的设计模式。在众包设计中，由一群不相互认识的设计师共同完成同一个设计任务。然而，在众包设计中，任务间模糊性是一个非常常见的问题，这种模糊性不仅来自任务本身的复杂性，还可能来自设计师之间的沟通不畅和设计思路的不同。因此，在社群化制造中，如何建立一个任务间模糊加权图并进行优化重组，以确保设计师的协作效率和设计质量成为一个重要的研究问题。
一、任务间模糊性的概念及研究现状
任务间模糊性是指在众包设计过程中，任务本身的复杂性和设计师之间的沟通不畅导致设计任务的不确定性。这种模糊性很难被完全消除，因此，如何建立一个有效的任务间模糊加权图成为了社群化制造中的一个研究难点。
目前，研究者们通过调研和实验等方式，积极探讨如何建立任务间模糊加权图的问题。例如，一些研究者使用聚类算法，通过分析任务之间的相似性来将任务分组，以此建立任务间的加权图。另外，一些研究者使用形状和颜色等视觉特征来构建任务间的加权图。这些方法虽然可以一定程度上降低任务间模糊性，但仍然存在一定的不足，需要更加深入地研究和改进。
二、建立模糊加权图的原理及方法
模糊加权图是一种能够有效解决任务间模糊性的工具，在社群化制造中有着广泛的应用。模糊加权图是基于模糊数学理论而建立起来的，它可以通过考虑任务间的相似性和差异性等因素来对任务进行加权处理，并给出相应的优化重组方案。
建立模糊加权图的方法有很多种，但主要可分为两类：基于属性的方法和基于关系的方法。基于属性的方法主要是根据任务各自的特征和属性来对任务进行加权处理，其中常用的方法有属性重心法和模糊规则生成法等。基于关系的方法主要是通过研究任务间的关系来对任务进行加权处理，其中常用的方法有基于关系矩阵的方法和基于熵的方法等。
三、优化重组的原理及方法
优化重组是指在模糊加权图建立后，通过一定算法和方法来对任务进行重组，以遵循某些约束条件并获得最优的设计方案。优化重组的方法也有很多种，其中常用的有遗传算法、神经网络和模拟退火等。
在设计任务优化重组时，应该考虑以下几个方面：对设计团队的规模进行合理的控制；对提出方案的数量进行限制；对市场环境和技术环境等外部因素进行全面的考虑，并制定相应的策略。
四、结合实例的应用研究
将所建立的任务间模糊加权图应用到实际设计活动中，可以帮助设计团队高效地完成任务。例如，在某汽车车灯的设计中，通过建立一个任务间模糊加权图并对其进行优化重组，设计团队得以快速地选择出最优的设计方案。在该设计任务中，设计师们将车灯任务划分为四个子任务：灯丝设计、反射杯设计、光学设计和模拟仿真。通过对任务间的关系和重要性进行分析，设计团队最终选择了一种针对灯丝设计、反射杯设计和光学设计三个子任务的最优方案。
五、结论
众包设计在社群化制造中已经成为了一种非常重要的设计模式。任务间模糊性是一个非常普遍存在的问题，在社群化制造中建立一个任务间模糊加权图并进行优化重组是非常必要的。模糊加权图是一种有效的工具，它可以通过对任务间相似性和差异性的考虑来对任务进行加权处理。在优化重组方面，需要考虑到设计团队规模、提案数量和外部因素等多方面的因素。最后，本文以一个实际案例来论证了模糊加权图在实际设计中的应用价值。