蔣婷 丁晟春

〔摘 要〕產(chǎn)品設(shè)計支持系統(tǒng)是建立在知識重用的基礎(chǔ)上的，知識推理作為其中的重要技術(shù)，能夠維護和擴充知識庫，實現(xiàn)設(shè)計知識重用。本文綜述了近年來國內(nèi)外產(chǎn)品設(shè)計知識推理的發(fā)展，重點研究了3個方面：案例推理、不確定推理、混合推理及新推理技術(shù)，總結(jié)了各種方法和技術(shù)的優(yōu)勢以及待解決的問題，并探索了新的產(chǎn)品設(shè)計推理技術(shù)的發(fā)展。

〔關(guān)鍵詞〕推理；產(chǎn)品設(shè)計；案例推理；不確定推理；混合推理

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１２．０６．０４２

〔中圖分類號〕Ｇ２５０保 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１（２０１２）０６－０１６９－０５

研究數(shù)據(jù)表明，機械制造業(yè)內(nèi)平均一個新產(chǎn)品中的大約40%～50%的零件和已有的零件完全一樣，30%～40%要在己有零件基礎(chǔ)上作很少的修改，只有10%～20%的零件是全新的設(shè)計［１］。在產(chǎn)品設(shè)計過程中，設(shè)計人員大多在過去相似設(shè)計案例的基礎(chǔ)上進行修改調(diào)整而生成新的設(shè)計方案。由此可見，絕大多數(shù)的產(chǎn)品設(shè)計都是對己有設(shè)計知識的重用。重用已有的知識可以節(jié)省資源，并提高產(chǎn)品可靠質(zhì)量。面向產(chǎn)品設(shè)計的知識推理就是針對用戶提出的問題，對產(chǎn)品設(shè)計知識庫中的知識進行推理，得到問題的答案，最終實現(xiàn)知識的重用?，F(xiàn)有的產(chǎn)品設(shè)計知識推理主要完成兩種任務(wù)：一是維護和擴展產(chǎn)品設(shè)計知識庫，針對知識庫中的知識，通過推理得到隱含的信息或者不一致的信息；二是針對待解決的問題，從知識庫中找出與其相似的已有問題解決的方法。

經(jīng)典的知識推理模式是規(guī)則推理，規(guī)則推理是將知識、經(jīng)驗表述成規(guī)則，找到事實庫中與規(guī)則前提相匹配的事實的過程。由于規(guī)則推理直觀、模塊性強、邏輯清晰，所以被用來作為早期專家系統(tǒng)的開發(fā)。CONDES［２］是基于規(guī)則推理的產(chǎn)品概念設(shè)計系統(tǒng)。規(guī)則推理適用于知識比較規(guī)范、嚴謹?shù)念I(lǐng)域，但是規(guī)則推理不能適應(yīng)知識庫的動態(tài)發(fā)展；問題必須和規(guī)則相匹配；系統(tǒng)開發(fā)和維護困難；不具備記憶能力；推理效率低下、自適應(yīng)能力差等。隨著人工智能的發(fā)展，案例推理和不確定推理等相關(guān)推理模式得到運用，綜合使用多種推理方法的混合推理也逐漸成為知識推理發(fā)展的熱點。

１ 案例推理

案例推理是利用案例庫存儲歷史經(jīng)驗，檢索案例庫以找到與現(xiàn)有問題相似的案例，是重用過去的知識來解決當(dāng)前問題的一種推理方法［３］。案例推理具有信息的完全表達、增量式學(xué)習(xí)、知識獲取較為容易、求解效率高的優(yōu)點，早期出現(xiàn)基于案例推理的機械輔助設(shè)計系統(tǒng)CADET［４］，能檢索出以往成功的設(shè)計，同時避免出現(xiàn)過的問題。經(jīng)典的案例推理步驟是Aamodt在1994年提出的著名的4階段循環(huán)的“4R”理論，分別是檢索、重用、修正和保存。案例推理中重點要解決的問題是：案例表示，案例檢索與案例修正問題：

１.１ 案例表示

案例表示是將知識表示成案例的形式。Gilboa在1995年提出了案例的三元組表示方法：〈問題描述、解描述、效果描述〉。常用的案例表示方法有：特征向量表示法、框架表示法、語義網(wǎng)絡(luò)表示法、面向?qū)ο蟊硎痉ǖ龋部梢曰旌鲜褂眠@些方法進行案例表示。

特征向量表示法是將案例的各個屬性提取出來，并賦予相應(yīng)的權(quán)值，案例就表示成一組特征向量。產(chǎn)品創(chuàng)新設(shè)計原型系統(tǒng)PIRS［５］中，采用87個屬性作為特征，案例檢索時將待檢索的案例與案例庫中的案例進行匹配。特征向量表示模型簡單，結(jié)構(gòu)清晰，但是只能定量的描述簡單案例，這種方法存在很多缺陷：如果對新問題不熟悉就無法確定案例的特征，也無法表示案例中隱含的信息，并且很難確定一組適用于所有產(chǎn)品案例的權(quán)重值。

語義網(wǎng)絡(luò)表示法是利用概念及語義關(guān)系來表示知識。維修案例推理［６］采用六元組形式的產(chǎn)品本體。語義網(wǎng)絡(luò)表示法明確、簡潔，表示范圍廣泛，表示能力強；但是網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜時推理就難以進行，不便于表達判斷性知識與深層知識。

面向?qū)ο蟊硎痉ㄖ邪咐怯蓪ο蠼M成，對象表示案例的一個部分。如采用面向?qū)ο蟮漠a(chǎn)品設(shè)計［７］，實現(xiàn)了模塊化設(shè)計，具有較高的推理效率。其優(yōu)點是自然，易于理解；繼承的層次性和結(jié)構(gòu)性能降低問題描述和推理的復(fù)雜度；便于知識庫的修改和維護，推理效率高。面向?qū)ο蟊硎痉ň哂辛己玫募嫒菪院挽`活性，能夠結(jié)合其它表示方法進行表示，常用面向?qū)ο蟊硎痉ㄅc框架表示法結(jié)合［８］，案例作為對象，一個框架描述一個對象，框架的槽描述對象的特征，框架的值用來描述案例對象的特征參數(shù)。

復(fù)雜產(chǎn)品的知識類型多樣、結(jié)構(gòu)復(fù)雜，單一表示方法表示產(chǎn)品案例存在一定的局限性，一些案例還包含許多非結(jié)構(gòu)化的設(shè)計信息，因此，要確定合理的案例表示方法來解決問題。

１.２ 案例索引與案例檢索

案例推理中主要采用的檢索策略有：最近相鄰策略、歸納推理策略、知識引導(dǎo)策略、模板檢索法、模糊檢索及神經(jīng)網(wǎng)絡(luò)檢索模型等，這些策略可以單獨使用也可以混合使用。案例的相似性計算則會結(jié)合一些技術(shù)：決策樹、粗糙集、證據(jù)理論、聚類分析、同異反度量算法、層次分析法。

最相鄰近方法適用于案例由特征向量表示的系統(tǒng)。該方法通過計算新舊案例各特征的加權(quán)平均和來度量案例的相似性，其優(yōu)點是方便實用，在案例數(shù)量較小的情況檢索效率較高，但是案例庫中案例數(shù)量增加時其檢索效率下降。一些研究針對最近相鄰法的不足提出了改進：自動武器設(shè)計系統(tǒng)［９］結(jié)合聚類算法對其進行改進，首先進行案例的聚類，推理時新案例直接根據(jù)聚類的均值在聚類中搜索相近案例。產(chǎn)品設(shè)計［１０］研究結(jié)合模糊推理對其進行改進，解決相似度計算中屬性的非線性影響和權(quán)重的不精確性問題。

歸納索引法不斷的從案例的各組織成分中歸納出最能將該案例與其它案例區(qū)分開來的成分，并對案例庫建立索引，將案例組織成一個層次結(jié)構(gòu)。歸納法適用于案例比較多的情況；但是歸納索引必須有足夠的典型案例，才能進行有效的歸納；復(fù)雜產(chǎn)品案例庫的規(guī)模往往比較大，對于以歸納法為基礎(chǔ)的檢索模型，建立案例庫的決策樹需要花費大量的時間。

知識引導(dǎo)策略是利用已知的知識來引導(dǎo)和確定案例檢索中關(guān)鍵的特征屬性，并根據(jù)這些特征屬性來進行案例檢索，其特點是案例的組織和檢索具有動態(tài)的特征。如產(chǎn)品包裝設(shè)計研究［１１］中，按產(chǎn)品特性對產(chǎn)品包裝的影響程度依次檢索，直至得到與該產(chǎn)品各個特性最接近的產(chǎn)品包裝設(shè)計方案。該策略常和其它策略一起使用，特別在大型案例庫及領(lǐng)域理解還不一致的情況。需要人工確定產(chǎn)品案例中重要影響的特征。

一些研究結(jié)合多種檢索策略，智能方案設(shè)計支持系統(tǒng)［１２］中，檢索策略結(jié)合最近相鄰策略和知識引導(dǎo)策略。首先根據(jù)關(guān)鍵指標對案例庫進行初步檢索，然后將初步檢索后得到的各案例指標集輪流與設(shè)計方案要求指標集輸入神經(jīng)網(wǎng)絡(luò)推理機進行相似度計算。

目前的相似度計算方法在復(fù)雜環(huán)境下，明顯存在下列不足：相似度的計算難以處理不確定屬性，而且很難綜合考慮表層特征和深層信息。

１.３ 案例修正

案例修正就是對案例進行調(diào)整、修改，使其更能準確地反映問題的本質(zhì)特征，并向?qū)嶋H情況逐漸逼近。案例修正［１３－１４］的方法主要有4類：替換修正，將舊的案例中的相關(guān)值進行替換；轉(zhuǎn)換修正，使用啟發(fā)方式來修正案例；特定目標驅(qū)動修正，利用規(guī)則推理給進行適應(yīng)性修改；派生重演，將基于回歸分析和規(guī)則推理相結(jié)合［１５］修正案例。目前實現(xiàn)上述修正方法主要是運用一些人工智能和機器學(xué)習(xí)的技術(shù)，如數(shù)據(jù)挖掘、約束滿意問題解決、基于規(guī)則推理等。其中規(guī)則推理是比較常用的方法，在混合推理部分進行介紹。

１.４ 案例推理的改進

現(xiàn)有的復(fù)雜產(chǎn)品設(shè)計研究理論大多是針對單級案例的檢索方法進行討論的，而實際工程設(shè)計中，一個復(fù)雜產(chǎn)品案例包含有多個且具有多層次結(jié)構(gòu)的功能，由此很多研究提出多級案例推理算法模型，對案例進行深入檢索。

文獻［１６］提出的多級案例推理模型就是首先將案例庫分為若干個模塊，每個模塊對應(yīng)相應(yīng)的模塊案例庫，檢索時根據(jù)模塊特征屬性檢索模塊案例庫，對搜索結(jié)果進行綜合處理形成初始設(shè)計方案；若模塊結(jié)構(gòu)特征比較復(fù)雜，則可以分解為更多級，通過檢索子模塊的解決方案來獲得父模塊的解決方案。類似研究有：大型水輪機結(jié)構(gòu)投標方案設(shè)計［１７］、大型復(fù)雜產(chǎn)品方案設(shè)計［１８］。多級案例推理與重用方法的實施，使得只需修改或者替換歷史相似設(shè)計實例的部分模塊就可以得到目標方案，并且有可能在實例不充分的情況下獲得有效的設(shè)計方案，豐富了復(fù)雜產(chǎn)品方案設(shè)計與知識重用技術(shù)的研究內(nèi)容。還有一些學(xué)者將案例分為兩個層次［１９］：原型案例概括設(shè)計過程的基本特征并對應(yīng)一組功能案例；功能案例檢索限制在所選擇的原型案例的范圍內(nèi)，推理進行兩次檢索和匹配，通過限定檢索空間提高檢索效率。一些研究引入其它的方法來進行案例庫的構(gòu)建［２０］：使用自組織映射神經(jīng)網(wǎng)絡(luò)實現(xiàn)案例的動態(tài)聚類，并在此基礎(chǔ)上構(gòu)造分層多級案例庫，采用粗、細兩級檢索策略進行相似案例的選擇。

與傳統(tǒng)單級案例推理相比較，多級案例推理將復(fù)雜產(chǎn)品設(shè)計過程中的所有特征屬性映射至各級模塊中，使整個產(chǎn)品案例的檢索分解為各級模塊檢索，簡化了復(fù)雜產(chǎn)品的檢索難度，因此多級案例推理方法更具靈活性，檢索結(jié)果更準確合理，能有效提高案例推理系統(tǒng)性能。

２ 不確定推理

產(chǎn)品設(shè)計問題的求解必須面向結(jié)構(gòu)不良的復(fù)雜問題，設(shè)計問題的信息常常具有不確定性、模糊性和不完備性。不確定推理的過程就是由初始證據(jù)的可信度值和規(guī)則強度出發(fā)，更新結(jié)論的可信度值生成新的證據(jù)及其可信度值，重復(fù)過程直到得出結(jié)論為止［２１］。產(chǎn)品設(shè)計的推理中最常用的不確定推理方法有：模糊Petri網(wǎng)，模糊神經(jīng)網(wǎng)絡(luò)，定性推理、多色集合理論等。

２.１ 模糊Petri網(wǎng)（Fuzzy Petri Net，F(xiàn)PN）

模糊Petri網(wǎng)是基于模糊產(chǎn)生式規(guī)則的FPN模型和基于遞歸的逆向知識推理算法。具有較強的動態(tài)分析能力，突出的并發(fā)性；適合描述系統(tǒng)的并發(fā)，資源的競爭、同步等特性，因而常用于產(chǎn)品設(shè)計中流程的建模、工作流、計算機系統(tǒng)設(shè)計等方面［２２］。采用Petri網(wǎng)推理進行數(shù)碼產(chǎn)品的設(shè)計［２３］；提出基于面向?qū)ο笾RPetri網(wǎng)的產(chǎn)品設(shè)計和規(guī)劃集成方法；一些研究結(jié)合其它方法針對Petri網(wǎng)進行改進［２４］：提出基于分層有色Petri網(wǎng)的設(shè)計流程建模方法，既能層次化的描述復(fù)雜的建模過程，避免了系統(tǒng)結(jié)構(gòu)過于龐大缺乏柔性，又把簡單模型和詳細模塊有效的結(jié)合在一起。

２.２ 模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模擬人腦組織結(jié)構(gòu)和人類認知過程的信息處理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)的推理過程實際上是數(shù)值計算，神經(jīng)網(wǎng)絡(luò)利用遺傳算法的學(xué)習(xí)能力，輔助專家系統(tǒng)自動獲取知識，形成決策規(guī)則。把神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識推理，能夠充分利用其學(xué)習(xí)能力、集團運算能力以及大規(guī)模并行分布式存儲與處理能力，實現(xiàn)求解空間的并行聯(lián)想搜索和自適應(yīng)推理。如橋梁甲板的結(jié)構(gòu)優(yōu)化問題研究［２５］，將人工神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合，用于橋梁甲板的結(jié)構(gòu)優(yōu)化問題，通過集成推理，使得到優(yōu)化方案的時間大大減少。但模糊神經(jīng)網(wǎng)絡(luò)還存在著一些不足：難以表達知識，需要大量數(shù)據(jù)，且訓(xùn)練時間長；依賴于設(shè)計特征和特征值的相似性，難以處理事先未訓(xùn)練的異常情況。因此，實際應(yīng)用中往往與其他推理技術(shù)結(jié)合使用。

２.３ 定性推理

定性推理在信息不完全情況下可以給出系統(tǒng)的行為預(yù)測及大致的設(shè)計方向，能夠部分提高概念設(shè)計階段的計算機輔助設(shè)計水平。文獻［２６］研究了定性推理在產(chǎn)品概念設(shè)計中的應(yīng)用，利用定性推理在信息不完全情況下所具有的定性行為預(yù)測功能，能夠部分提高概念設(shè)計階段的計算機輔助設(shè)計水平。

２.４ 多色集合理論

多色集合中元素及集合可通過顏色來描述，用來表示研究對象和其元素的性質(zhì)，能很好地描述功能方法樹中層與層之間的關(guān)系，因而用多色集合理論可以作為功能分解和方案求解的推理基礎(chǔ)，文獻［２７］則采用多色集合理論建立工藝規(guī)劃模型，并結(jié)合模糊算法和遺傳算法進行決策推理。

３ 混合推理及新技術(shù)

隨著系統(tǒng)要求的提高，單個推理方法逐漸不能滿足推理要求，混合推理是使用兩種或兩種以上的推理技術(shù)，通過一定的信息交換和相互協(xié)作共同生成概念設(shè)計優(yōu)化方案，解決單一推理方法效率低下、不能快速獲得最優(yōu)方案的缺點。

３.１ 結(jié)合案例推理與規(guī)則推理

大多數(shù)產(chǎn)品設(shè)計的推理研究采用案例推理和規(guī)則推理相結(jié)合的方法，規(guī)則推理的案例推理的混合推理一般有兩種模式：一是采用規(guī)則推理對檢索出來的案例進行案例修正或改寫參數(shù)實現(xiàn)改型設(shè)計，當(dāng)案例不存在或者不完全匹配時，直接采用規(guī)則推理得到的參數(shù)。如PANDA［２８］是發(fā)動機設(shè)計系統(tǒng)，采用規(guī)則和子案例組合實現(xiàn)案例修正，采用KNN策略進行案例檢索。采煤機概念設(shè)計［２９］研究中，首先進行案例推理，檢索到相似案例，然后利用規(guī)則推理改寫參數(shù)，最后人工干預(yù)修改后為新問題所重用。類似研究有計算機輔助產(chǎn)品的過程設(shè)計［３０］。但規(guī)則推理進行案例修正主要存在以下問題：如何保證規(guī)則的一致性及完備性；如何提高推理速度等。二是先進行規(guī)則推理形成初始方案，然后再進行案例推理。如規(guī)則推理解決參數(shù)之間的關(guān)聯(lián)問題，如斗式提升機設(shè)計專家系統(tǒng)［３１］研究，利用規(guī)則推理初算一個可行解，再根據(jù)這個可行解進行案例推理。針對復(fù)雜產(chǎn)品中的案例推理和規(guī)則推理相結(jié)合可以處理不同的知識，產(chǎn)品設(shè)計中可用規(guī)則推理定位需求再進行案例推理。

３.２ 結(jié)合模糊神經(jīng)網(wǎng)絡(luò)和案例推理

結(jié)合神經(jīng)網(wǎng)絡(luò)和案例推理主要有兩種方式：一是利用與求解問題及初始條件相關(guān)的案例訓(xùn)練神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的運算結(jié)果還原后就是案例推理的結(jié)果，如［３２］產(chǎn)品設(shè)計系統(tǒng)，利用神經(jīng)網(wǎng)絡(luò)對案例訓(xùn)練，能增強案例推理的自學(xué)習(xí)，自適應(yīng)能力。二是將神經(jīng)網(wǎng)絡(luò)用于案例的相似度計算：如［３３］導(dǎo)彈產(chǎn)品設(shè)計，將知識表示成廣義模糊產(chǎn)生式規(guī)則，然后將規(guī)則轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)，通過神經(jīng)網(wǎng)絡(luò)對樣本的學(xué)習(xí)自動修正網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和連接權(quán)值。經(jīng)過神經(jīng)網(wǎng)絡(luò)計算后的輸出即是當(dāng)前設(shè)計任務(wù)與各案例的相似度。

一些研究結(jié)合定性推理和案例推理，如［３４］中案例推理采用基于劃分聚類和模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計案例相似性檢索方法。案例調(diào)整采用神經(jīng)規(guī)則的定性描述量參數(shù)調(diào)整和基于定性規(guī)則的量化參數(shù)調(diào)整。

３.３ 語義網(wǎng)推理技術(shù)

由于本體具有共享和重用的特性，本體技術(shù)也逐漸應(yīng)用到產(chǎn)品設(shè)計的支持系統(tǒng)中。通過語義技術(shù)，信息能被計算機本身所理解，計算機能在理解的基礎(chǔ)上進行推理操作。本體推理的目標一方面是從已知的知識中推理隱含的知識，另一方面是沖突檢測、優(yōu)化表達等。

基于本體推理在產(chǎn)品設(shè)計系統(tǒng)中的應(yīng)用主要體現(xiàn)在兩個方面：描述邏輯推理和SWRL推理。描述邏輯的主要作用是進行隱含信息推理，支持描述邏輯的推理機有Racer、Pellet、FACT+ +等。采用描述邏輯推理實現(xiàn)產(chǎn)品的概念分類。Jess、prolog、CLIPS等推理引擎支持SWRL，能夠利用OWL DL進行規(guī)則推理［３５］，采用Jess推理機在OWL知識庫上進行推理。SPARQL偏重于對本體進行查詢，Jena推理引擎支持查詢。這些方法無法單純的應(yīng)用到復(fù)雜產(chǎn)品的推理中，僅僅使用本體無法全面的對復(fù)雜產(chǎn)品領(lǐng)域的知識進行表示和推理，因此常常將語義網(wǎng)技術(shù)結(jié)合其它方法來進行知識推理。

將案例推理技術(shù)結(jié)合語義網(wǎng)技術(shù)應(yīng)用到產(chǎn)品開發(fā)設(shè)計過程中在國內(nèi)外均處于起步階段，國內(nèi)外相關(guān)的研究主要集中在兩個方面：一是本體與案例推理相結(jié)合的方法研究，如基于語義的案例推理框架［３６］研究，知識密集型領(lǐng)域的案例推理框架［３７］研究。二是利用本體對產(chǎn)品設(shè)計的案例進行表示，然后進行推理應(yīng)用。這樣的研究有：產(chǎn)品設(shè)計原型系統(tǒng)［３８］，復(fù)雜產(chǎn)品層次語義模型的研究［３９］。有些學(xué)者針對本體表示和案例推理的方法進行改進，如［４０］用本體描述復(fù)雜產(chǎn)品案例的子案例，以框架組織子案例成復(fù)雜產(chǎn)品案例，采用語義相似度計算子案例的相似度，采用最近相鄰策略來進行整體案例的相似度計算。與傳統(tǒng)案例知識的表示相比，結(jié)合語義網(wǎng)的案例表示方法具有如下特點：良好可擴展性，采用本體進行表示，這種案例組織結(jié)構(gòu)自然，結(jié)構(gòu)清晰；數(shù)據(jù)與方法相獨立，本體數(shù)據(jù)與案例推理方法相獨立；可重用性和共享，案例庫之間可以進行共享。

４ 總 結(jié)

對產(chǎn)品設(shè)計來說需要用到各種知識，經(jīng)驗型和案例型知識通?？梢杂冒咐评韥斫鉀Q，而啟發(fā)式知識、過程知識、約束知識等解決產(chǎn)品結(jié)構(gòu)參數(shù)設(shè)計比較適合用規(guī)則推理來解決。產(chǎn)品設(shè)計中存在一些模糊知識，無法用確定的知識表示方法進行表示，因而適用不確定推理進行表示。而混合推理能夠結(jié)合多種方法的優(yōu)勢，能夠彌補單一推理方法的缺陷，也成為近年來復(fù)雜產(chǎn)品知識表示研究的重點。

隨著語義網(wǎng)的發(fā)展，結(jié)合語義網(wǎng)技術(shù)的復(fù)雜產(chǎn)品推理也成為一個新的研究方向，復(fù)雜產(chǎn)品設(shè)計中存在大量概念和復(fù)雜的關(guān)系，通過語義技術(shù)可以使計算機在理解的基礎(chǔ)上推理出隱含的語義關(guān)聯(lián)，維護知識的一致性，實現(xiàn)知識的共享與重用。

參考文獻

［１］M.Rezayat.Knowledge-based Computer-Aided Design［Ｊ］.Product Development using XML and KCS，2002，(5):209-299．

［２］Kusiak A.,Szczerbicki E.,Vujosevic R.Intelligent design synthesis:an object-oriented approach［Ｊ］.International Journal of Production Research,1991,29(7)：1291-1308．

［３］Diaz-Agudo,B.and P.A.González-Calero,An Ontological Approach to Develop Knowledge Intensive CBR Systems,in Ontologies,R.Sharman,R.Kishore,and R.Ramesh,Editors.2007,Springer US.p.173-213.

［４］Sycara K.CADET:a case-based synthesis tool for engineering design［Ｊ］.International Journal for Expert System，1992,4(ii):157-88．

［５］Wu,M.C.,Y.F.Lo,and S.H.Hsu,A case-based reasoning approach to generating new product ideas［Ｊ］.International Journal of Advanced Manufacturing Technology,2006，30(1-2):166-173.

［６］聞敬謙,李青.基于本體的語義相似在維修案例推理中應(yīng)用［Ｊ］.北京航空航天大學(xué)報,2009，(2)：223-226.

［７］張榮,段黎明,周劍波.基于案例推理的自動化產(chǎn)品輔助設(shè)計研究［Ｊ］.機械制造與自化,2004，(3):67-69.

［８］宋玉銀，等.基于案例推理的產(chǎn)品概念設(shè)計系統(tǒng)［Ｊ］.清華大學(xué)學(xué)報：自然科學(xué)版,1998，(8):6-9.

［９］胡良明．改進最近鄰法在基于案例推理的自動武器設(shè)計系統(tǒng)中的應(yīng)用［Ｊ］.制造業(yè)自化,2008，(11):93-95.

［１０］Cheng,C.B.,A fuzzy inference system for similarity assessment in case-based reasoning systems:An application to product design［Ｊ］.Mathematical and Computer Modelling,2003，38(3-4):385-394.

［１１］于江,王征,嚴新民．基于案例推理的產(chǎn)品包裝設(shè)計系統(tǒng)［Ｊ］.計算機應(yīng)用,2003，(1):39-40，43.

［１２］徐曉臻,卞瑞花,高國安．基于BP網(wǎng)的案例推理在智能方案設(shè)計支持系統(tǒng)中的實現(xiàn)［Ｊ］.哈爾濱工業(yè)大學(xué)學(xué)報,2000，(4):10-13.

［１３］Policastro C A,Carvalho,A C P L F,Delbem,A C B,A Hybrid Case Adaptation Approach for Case-Based Reasoning［Ｊ］.Application Intelligent，2008,28:101-119.

［１４］Susan Craw,Nirmalie Wiratunga,Ray C Rowe.Learning Adaptation Knowledge to Improve Case-Based Reasoning［Ｊ］.Artificial Intelligence，2006,170(16-17):1175-1192.

［１５］宋欣, 郭偉，王志勇．基于回歸分析和規(guī)則推理的實例調(diào)整機制［Ｊ］.天津大學(xué)學(xué)報,2009，(2):95-100.

［１６］凌衛(wèi)青,趙艾萍,謝友柏.基于案例的產(chǎn)品設(shè)計知識獲取方法及實現(xiàn)［Ｊ］.計算機輔助設(shè)計與圖形學(xué)學(xué)報,2002,14(11):1014-1019.

［１７］鐘詩勝,李江,王泉龍,等.基于案例的大型水輪機結(jié)構(gòu)投標方案設(shè)計［Ｊ］.計算機集成制造系統(tǒng),2004,10(6).

［１８］王體春,卜良峰,王威．基于知識重用的產(chǎn)品方案設(shè)計多級案例推理模型［Ｊ］.計算機集成制造系統(tǒng),2011，(3):571-576.

［１９］史琦,李原,楊海成．基于案例推理的產(chǎn)品概念設(shè)計模型研究［Ｊ］.計算機應(yīng)用,2000，(S1):81-83.

［２０］杜輝,葉文華,樓佩煌．基于案例推理技術(shù)在模塊變型設(shè)計中的應(yīng)用研究［Ｊ］.山東大學(xué)學(xué)報：工學(xué)版,2011，(1):78-85.

［２１］Zadeh L.A.，F(xiàn)uzzy sets,Information and Control,1965,（8）：338-353．

［２２］Yuan,S.C.and X.K.Jiang,Application of Petri net in digital product design.3rd China-Japan Conference on Mechatronics 2006 Fuzhou,2006:295-299.

［２３］X.F.Zha.An object-oriented knowledge based Petri net approach to intelligent integration of design and assembly planning［Ｊ］.Artificial Intelligence in Engineering，2000,14:83-112．

［２４］黃洪鐘,劉偉,李麗.產(chǎn)品協(xié)同設(shè)計過程建模研究［Ｊ］.計算機集成制造系統(tǒng)-CIMS.2003，9(11):955-959．

［２５］Srinivas V,Raman jane yulu K.Anintegrated approach for optimum design of bridge decks using genetical gorithms and artificial neural networks［Ｊ］.Advances in Engineering Software,2007,38(7):475-487.

［２６］趙克,李向?qū)?石莉.定性推理在產(chǎn)品概念設(shè)計中的應(yīng)用研究［Ｊ］.機械科學(xué)與技術(shù),2002,21(6)：1028-1030.

［２７］劉曉陽．基于多色集合理論的加工工藝規(guī)劃建模與推理技術(shù)的研究［Ｄ］.河北科技大學(xué)，2011.

［２８］S Roderman,C Tsatsoulis.PANDA:A Case-Based System to Aid Novice Designers［Ｊ］.Artificial Intelligence for Engineering Design,Analysis and Manufacturing,1993(2)：125-134.

［２９］丁華,楊兆建,姚晶．采煤機概念設(shè)計的知識表示與知識推理［Ｊ］.機械設(shè)計與制造,2011，(6):216-218.

［３０］Pham,D.T.and C.Gologlu,A computer aided process planning system for concurrent engineering［Ｊ］.Proceedings of the Institution of Mechanical Engineers Part B-Journal of Engineering Manufacture,2001，215(8):1117-1131.

［３１］王飛．基于實例與規(guī)則推理的斗式提升機設(shè)計專家系統(tǒng)研究［Ｄ］.燕山大學(xué)，2006.

［３２］Jung,S.,T.Lim,and D.Kim,Integrating radial basis function networks with case-based reasoning for product design［Ｊ］.Expert Systems with Applications,2009，36(3):5695-5701.

［３３］李海剛,高國安．面向產(chǎn)品并行設(shè)計的知識基智能化推理決策系統(tǒng)研究［Ｊ］.機械設(shè)計,2000，(2):37-39.

［３４］谷建光．基于知識工程的固體發(fā)動機設(shè)計方法及其應(yīng)用研究［Ｄ］.國防科學(xué)技術(shù)大學(xué)，2008.

［３５］Tsai,M.P.,A Knowledge-based System for Product Design with Modules.Advanced Design and Manufacture Ii,2010：419-420，553-556.

［３６］Bichindaritz I．，M餰moire：A Framework for Semantic Interoperability of Case-based Reasoning Systems in Biology and Medicine［Ｊ］．Artificial Intelligence In Medicine，2006，36(2)：177-192．

［３７］Diaz-Agudo B．，Gonzalez-Calero P.A．Ontologies in the Context of Information Systems，An Ontological Approach to Develop Knowledge Intensive CBR systems, p.45．Springer，2006．

［３８］王生發(fā)，等．面向案例推理的產(chǎn)品設(shè)計本體建模研究及應(yīng)用［Ｊ］.機械工程學(xué)報,2007，(3):112-117.

［３９］Christopher D C,William C R,Ilya B,et al.A collaborative 3D environment for authoring of design semantics［Ｊ］.IEEE Computer Grahics and Applications,2002,22(3):43-55．

［４０］張鵬程．基于語義的復(fù)雜產(chǎn)品案例庫和推理技術(shù)研究［Ｄ］.南京理工大學(xué)，2008.

（本文責(zé)任編輯：王 涓）