خلاقیت تجاری و نوآوری سیستماتیک

یک چالش رایج در کاربرد روش‌شناسی طراحی محاسباتی، تشخیص این است که پارامترهای موثر بر نتیجه پروژه ممکن در اطراف یک پارامتر طراحی که در مدل پارامتری و روش کاوش فرم گنجانده نشده است. این چالش زمانی بیشتر محتمل است که اهداف طراحی متناقض در یک پروژه وجود داشته باشد. سپس طراح ممکن است یکی از معیارهای طراحی را بر سایرین ترجیح دهد، یا مصالحه کند (معادل) و راه حلی در میان گروهی از موارد مناسب انتخاب کند. در چنین مواردی ممکن است  متناظر جبهه پارتو[1] برای یافتن بهترین راه حل های مبادله ای بین دو یا چند هدف طراحی اجرایی مطالعه شود. رویکرد سوم می تواند تلاش برای حذف تضاد به صورت ابتکاری باشد. بر این اساس، طراح ممکن است از تکنیک های داده کاوی یا الگوریتم های خوشه بندی و طبقه بندی برای اطلاعات سطح بالاتر یا اهداف جستجوی ضمنی برای دستیابی به تصمیم گیری نهایی استفاده کند.

خدادادی(2019) در تز دکتری خود به معرفی یک روش جستجوی طراحی که یک طراح غیرمتخصص در زمینه داده کاوی لازم دارد می پردازد که هم در فرمول بندی یک مسئله طراحی و هم در اکتشاف آن را درک کرده و در ارائه راه حل های تولید شده به کار گیرد.  این روش جستجوی محاسباتی مزایای استفاده از الگوریتم ژنتیک[2] و نظریه حل مسئله ابداعی(TRIZ) را به صورت همزمان دارد که در آن دو ابزار اصول اختراع TRIZ و ماتریس تناقض ها با ترکیب "الگوریتم ژنتیک جمعیت پویا غیر مخرب[3] " موسوم به NDDP GA در روش ParaGen استفاده می شود[4]. اصول ابدعی TRIZ می تواند مرکز توجه طراح را در جهتی کاملا متفاوت از زمانی که او به نظر می رسد در یک مجموعه مبادله ای خاص مسدود شده است ترسیم کند. روش GA+TRIZ به طراح در ساخت بهتر یک مدل پارامتری که در آن همه متغیرهای مربوطه امکان غلبه شدن را ندارند کمک می‌کند. متدولوژی GA+TRIZ شامل مراحل زیر است:

1) تعریف اهداف طراحی و یافتن تضادهای احتمالی

2) ترکیب اهداف طراحی در فاکتورهای اساسی آنها و بیان مجدد مشکل خاص طراحی به یک موضوع کلی‌تر و مفهومی

3) استفاده از اصول اختراع TRIZ و ماتریس تناقض مرتبط برای یافتن یک راه حل مفهومی برای مسئله مفهومی

4) تفسیر راه حل مفهومی به راه حلی خاص برای حل تعارضات بین اهداف طراحی

5) تعیین متغیرهای طراحی و ایجاد مدل پارامتریک و انجام تنظیم مقدماتی

6) ایجاد و ارزیابی یک سری راه حل و انجام تنظیمات اولیه

7) مطالعه نتایج و استفاده از ابزار TRIZ برای تعریف تابع برازش[5] جهت تولید راه حل سیستماتیک

8) ایجاد راه حل های بیشتر به طور سیستماتیک با استفاده از تابع برازش

9) اتخاذ تصمیم نهایی و فرا- پردازش مورد نیاز با استفاده از اصول ابداعی TRIZ

که در ابتدا توسط پیتر فون بوئلو[6] معرفی شد و هنوز هم تحت عنوان توسعه در آزمایشگاه هیدرا دانشگاه میشیگان[7]، یک روش تکامل چند هدفه [8]MOE  است. روش اکتشاف برای مراحل طراحی اولیه مشکلات معماری در نظر گرفته شده است. در مقایسه با روش های مشابه MOE، ویژگی مهم ParaGen عبارت از ظرفیت ارائه آن در تعامل مناسب بین طراح و مولد فرم محاسبات است. در طول دهه های 1960 و 1970 الگوریتم های ژنتیک در دانشگاه میشیگان تحت هدایت جان هالند[9] توسعه یافتند. در الگوریتم ژنتیک، متغیرهای مدل پارامتریک مشابه هستند. استفاده مولد از یک الگوریتم ژنتیک مستلزم تفکر توپولوژیکی است. برای تعریف مدل پارامتریک راه حل‌ها، طراح باید بر نسبت ها و روابط بین اجزاء و نه در طول و مساحت تأکید کند.

در GA، کروموزوم ها (مقادیر پارامتریک) برای ایجاد بدنه هندسی جدید پرورش می یابند. راه حل ها در ابتدا مجموعه ای از راه حل های تصادفی تولید و در یک پایگاه داده ذخیره می شود. سپس جمعیتی از والدین به صورت پویا از این استخر (پایگاه داده) بر اساس تناسب انتخاب می‌شوند. عملکردی برای پرورش کودکان جدید دارد. اپراتور خصوصیات متقاطع ژنتیکی بین والدین را برای تولید کودک تازه متولد شده و گاهی اوقات یک عملگر جهش مقدار ژن را به یک مقدار تصادفی جدید تغییر می دهد. بر اساس روش تقاطع نیمه یکنواخت[10] HUX، نوزاد فرزند (راه حل) ممکن است برخی از ویژگی های دقیق والدین 1 یا دقیقاً ویژگی های والد 2 یا 1 و یا ترکیبی از این دو را به ارث ببرد(سیسوردا[11]، 1989). شکل(1) اصول HUX را نشان می دهد. ویژگی های والدین 1 و 2 از نظر اشکال هندسی توصیف شده اند.

شکل(1): نمایش شماتیک از تقاطع نیمه یکنواخت(HUX)

عملکرد جدید راه حل با استفاده از نرم افزارهای شبیه سازی مختلف ارزیابی می شود. سپس، هم عملکرد و هم هندسی مقادیر در پایگاه داده آپلود می شوند. تصاویر نیز گنجانده شده و به راه حل پیوند داده شده است. در یک رویکرد سنتی GA، هر راه حل معیوب یا عملکرد ضعیف از جمعیت مولد معمولاً حذف می شود(کشته می شود خاموش). با این حال، در NDDP GA همه راه حل ها، هر دو عملکرد خوبی دارند و راه حل های ضعیف در پایگاه داده ذخیره می شوند. بنابراین اگر معیارهای طراحی با تغییر باشد، راه حل هایی که قبلاً به عنوان معیوب و ضعیف شناخته می شدند نیز ممکن است وارد عمل شوند. از این رو، از طریق فرآیند تعریف و حل مسئله طراحی، NDDP GA نه تنها اجازه تنظیم مورد نیاز با توجه به زمینه می‌دهد، بلکه همچنین برای طراح برای یادگیری چه چیزی آموزنده است راه حل خوبی ایجاد می کند(فون بوئلو، 2013).

در واقع روش GA+TRIZ ، ترکیبی از روش ParaGen با نظریه حل مسئله اختراعی  TRIZ است. روش کاوش ParaGen می تواند با ارائه تعدادی راه حل مناسب با هندسه و خواص اجرایی متفاوت دیدگاه طراح را گسترش دهد. در نتیجه به بهترین راه حل یا یک ارزیابی کمی صریح محدود نمی شود. با در نظرگرفتن تعداد راه حل های تولید شده، این روش نسبتاً کارآمد است. در این مطالعه، ماتریس تضاد و 40 اصل اختراعی به سه دلیل برای ادغام با روش مبتنی بر GA ParaGen انتخاب شده‌اند.

- اول، TRIZ یک روش سیستماتیک حل مسئله  است در حالی که برخی از روش های دیگر حل مسئله، صرفاً فهرستی از الگوهای کشف شده را که ممکن است کاوش شود ارائه دهید.

- دوم، برخی از روش‌های دیگر، کمتر انتزاعی هستند و در برخی رشته ها یا زمینه های خاص کاربرد بیشتری دارند.

- سوم، اصول TRIZ تحلیلی، فرمولی و قابل آموزش هستند. که در به طور خاص، ماتریس تضاد، این پتانسیل را دارد که در قالب نرم افزار یا کد می توان آن را با یک ابزار طراحی محاسباتی دیگر ترکیب کرد و از اثر سینرژیک آنها آن بهره برد.

روش ترکیبی GA+TRIZ برای بهبود مراحل ساختاربندی مسئله و تصمیم گیری در فاز مفهومی طراحی در زمینه معماری توسعه یافته است. این روش جستجوی محاسباتی، مزایای همزمان کاربرد یک الگوریتم ژنتیک و نظریه حل مساله ابداعی TRIZ را فراهم می‌کند. از طرفی‌دیگر، اجرای الگوریتم ژنتیک جمعیت پویا غیر مخرب NDDP GA  مورد استفاده در روش ParaGen امکان بررسی راه حل های غیر منتظره و تنظیم آن در فرآیند جستجو را فراهم می کند. سپس، طراح می تواند به صورت پویا به هر تغییری در زمینه طراحی یا ترجیحات شخصی خود توجه کند. از سوی دیگر، کاربرد TRIZ سطح بالاتری از اطلاعات را برای تصمیم گیری بهتر در صورت وجود اهداف طراحی متضاد ارائه می دهد.