Product form optimization algorithms for computer-aided industrial design instruction
Notice bibliographique
Résumé
Based on the concept of "user-centered", this paper designs a product form optimization model based on ant colony algorithm.Through mining the online reviews of the products, we determine the perceptual imagery of users, and categorize the perceptual imagery and determine the weights from the perspective of user satisfaction.Combining the factor analysis of perceptual imagery and the contribution value of morphological features on perceptual imagery, the product morphology optimization fitness function is constructed.Solve the model according to the basic principle of ant colony algorithm, and study the decision-making method to assist product optimization.Take a brand A model forum word-of-mouth data as an example to analyze, obtain users' perceptual imagery through SO-PMI algorithm, and assign values to perceptual intention weights with the help of cluster analysis.Determine the contribution value of morphological features through the SD investigation of product morphological differences.Genetic algorithm is introduced to carry out comparative experiments to verify the superiority of ant colony algorithm in optimizing model solving.Finally, the application effect of the predictive model solving scheme is analyzed through user satisfaction survey.The results show that the output of the product optimization design model based on ACO algorithm Model A is 8. 23.11% of the users are very satisfied with the optimized Model A, 65.55% of the users are satisfied, and 85.72% of the survey respondents are very willing and ready to buy the optimized Model A.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».