一种基于多目标粒子群优化的产品变更方案设计方法与流程

1.本发明属于产品设计领域，具体涉及一种基于多目标粒子群优化的产品变更方案设计方法。


背景技术：

2.设计变更是产品研发过程中不可避免的环节，不合理的设计变更方案不仅会提高产品的研发代价，而且会显著影响产品的服务性能。在现实生产中，受产品迭代升级、供应链断裂和阻塞、法律法规修改等主客观原因的影响，常需要对产品零件进行重新设计或选型。更为重要的是，一个关键零件的变更会传播并影响产品中其它相关联的零件。对于零件数目多且联系紧密的复杂产品设计(cpd)问题，若不对产品设计变更过程进行有效分析与控制，变更会对产品的服务性能、成本、工期等产生很大影响，甚至导致变更失败。因此，研究产品变更设计具有重要意义。
3.研究复杂产品变更问题首先需要建立准确的产品零件关联模型。近年来，复杂网络技术的兴起，为产品变更研究提供了新思路。以产品零件为节点，以零件之间的关系为边，可以建立复杂产品网络，进而可以借助复杂网络知识分析并解决产品设计变更问题。与其它模型相比，复杂产品网络模型能够更好反映不同零件之间的耦合强度。现有工作主要采用产品结构矩阵(dsm)建立复杂产品网络模型,定量表示产品零件间的依赖关系。yu等[1]将客户满意度作为优化目标，提出了一种响应用户需求变化的复杂产品变更设计优化模型。jiang等[2]建立了一种适于产品设计的功能-行为-结构网络模型，并通过预测设计过程中功能的变化，给出了变更传播路径的确定策略。ma等[3]提出了一种定量预测变更传播影响的数学规划方法，并以变更传播预测结果为基础，建立了基于设计属性网络的变更分析模型(dcam)。zheng等[4]通过四个阶段综合评估产品变更对整个产品的影响，提出了一种分阶段的产品变更影响评估模型，提升了模型评估效率。这些成果为有效分析产品变更效应传播机制奠定了良好的基础，但是，它们在建立复杂产品网络模型时并未考虑与用户体验直接相关的服务性能指标，所建网络模型很难满足实际需求。
[0004]
建立产品零件关联模型后，还须确定合适评价指标来评估节点重要性或者变更方案的优劣。为了评估零件节点的重要性ma等[5]使用传播可能性、节点度、长链连接和设计裕度等指标估计变更传播，定量分析了变更传播的影响程度。为衡量网络变化程度对产品系统的影响，yu等[6]定义了网络变化规模、额外网络变化成本等两个指标。为更准确地评价变更影响，yang等[7]提出了基于多级复杂网络的产品工程变更影响评价指标体系，给出了一种基于组合加权三参数灰色关联模型的工程变更影响综合评价策略。然而，受上述所建复杂产品网络模型自身局限性的制约，这些指标并不能直观反映产品变更对服务性能的影响。如何揭示并量化零件变更对产品服务性能的影响，至今缺乏相应的研究成果。
[0005]
为有效控制变更效应传播对产品性能的影响，也需要搜索最优的产品变更传播路径或方案。近年来，学者们开始将具有全局搜索能力的进化优化技术用于解决产品设计变更优化问题。ma等[5]使用蚁群算法最小化累计变更传播强度，寻找最优变更传播路径。上
requirement change in customized complex product development,”int.j.info.tech.dec.mak.,vol.16,no.04,pp.1125
–
1149,jul.2017,doi:10.1142/s0219622017500195.
[0013]
[7]w.yang,c.li,y.yu,and b.li,“change impact analysis of complex product based on three-parameter interval grey number grey relational model,”in review,preprint,mar.2021.doi:10.21203/rs.3.rs-306321/v1.
[0014]
[8]r.haibing,l.ting,l.yupeng,and h.jie,“multi-source design change propagation path optimisation based on the multi-view complex network model,”journal of engineering design,vol.32,no.1,pp.28
–
60,jan.2021,doi:10.1080/09544828.2020.1858474.
[0015]
[9]i.ullah,d.tang,q.wang,and l.yin,“least risky change propagation path analysis in product design process:least risky change propagation path analysis,”syst eng,vol.20,no.4,pp.379
–
391,jul.2017,doi:10.1002/sys.21400.


技术实现要素：

[0016]
本发明所要解决的技术问题是：提出一种基于多目标粒子群优化的产品变更方案设计方法，考虑产品变更效应传播对产品服务性能的影响，综合考虑服务性能影响度、变更时间、变更成本三个指标，建立一种多目标变更节点选择模型并提出一种问题特性引导(problem-characteristics-guided discrete multi-objective particle swarm optimization algorithm，p-dmopso)的整数型多目标粒子群优化算法求解该模型。
[0017]
本发明为解决上述技术问题采用以下技术方案：一种基于多目标粒子群优化的产品变更方案设计方法，具体包括如下步骤：
[0018]
步骤1：针对待变更的产品，建立包括服务性能层和零件层的产品多重网络模型，每种服务性能由若干个相关零件共同关联决定，服务性能间存在耦合关系；
[0019]
步骤2：每个零件作为一个节点，通过解耦变更效应传播中关联节点对服务性能的影响，生成一个包含服务性能影响度、变更成本和变更时间三个评价指标的变更节点多目标选择模型；
[0020]
步骤3：使用多目标粒子群优化算法求解多目标选择模型，得到pareto最优解集，即得到一组最优的变更方案；
[0021]
步骤4：使用模糊决策方法从pareto最优解集中选出一个满意度最大的解作为产品的最终变更方案。
[0022]
进一步的，所述产品多重网络模型构建方法如下：
[0023]
所述模型包括服务性能层和零部件层；模型中每个产品包含若干个需要考虑的服务性能，记为{sp1，sp2，
…
，spn}，其中n为所考虑服务性能指标的数目；
[0024]
将第i个零件vi与第j种服务性能spj的关联程度记为w'
ij
；w'
ij
越大，零件vi与服务性能spj的关联程度越强，零件vi对服务性能spj的影响越大；将第i个零件vi与第k个零件vk的关联程度记为w
ik
。
[0025]
进一步的，同时考虑变更成本、变更时间和服务性能影响度三个指标，变更节点多目标选择模型构建方法如下：
[0026]
步骤2.1：建立产品节点变更传播模型，通过该传播模型确定变更节点对产品网络的影响范围与程度，确定变更节点多目标选择模型的决策变量；
[0027]
步骤2.2：评价变更方案对产品服务性能的影响，即计算变更方案的服务性能影响度；
[0028]
步骤2.3：评价变更方案对变更成本和变更时间的影响，即计算变更方案的时间成本和经济成本指标；
[0029]
步骤2.4：结合变更成本、变更时间和服务性能影响度三个指标，生成变更节点多目标选择模型。
[0030]
进一步的，所述步骤2.1中，确定变更节点多目标选择模型的决策变量，方法如下：
[0031]
步骤2.1.1：建立产品节点变更传播模型；
[0032]
根据变更效应传播系数与上游节点的变更强度，计算下游节点vj的变更强度，公式如下：
[0033][0034]
式中，r(vj)是下游节点vj的变更强度，对于节点vj的一个上游节点vi，p(vi,vj)为vi对vj的变更效应传播系数；r(vi)是节点vi的变更强度；us(j)表示节点vj的上游节点集合；
[0035]
当一个节点发生变更后，首先由式(1)遍历其所有邻居节点，找到所有变更传播路径计算该变更对网络中每个相关节点的影响强度即变更强度，直到满足变更终止条件；
[0036]
设置如下两种情况作为终止条件：
[0037]
当前受影响节点的变更效应传播至出度为0，或者，当前受影响节点的变更强度小于其设计裕度；
[0038]
基于上述步骤，确定出受变更影响的所有节点及其受影响程度；
[0039]
步骤2.1.2：对变更节点选择策略进行编码；
[0040]
当初始节点vi发生变更后，由变更传播模型确定出受变更影响的所有节点的集合iv(vi)＝{iv1,iv2,
…
,ivm}，m为受影响节点数量，ivm为第m个受影响节点；
[0041]
受变更影响的所有节点的影响强度即变更强度分别为r(iv(vi))＝{r(iv1),r(iv2),
…
,r(ivm)}，r(ivm)为第m个受影响节点的影响强度；
[0042]
使用一个{0,1}编码的二进制向量表示节点vi引起的设计变更问题的一种变更方案或优化解，则所有受影响节点选择策略编码表示如下：
[0043]
cv＝(cv1,cv2,...,cvm),cvj∈{0,1},j＝1,2,
…
,m.
ꢀꢀꢀ
(2)
[0044]
其中，cv表示节点vi引起的设计变更方案，cvj＝1表示对iv(vi)中节点ivj进行变更；否则，节点ivj保持不变。
[0045]
进一步的，所述步骤2.2中，计算变更方案的服务性能影响度，方法如下：
[0046]
对关于初始变更节点vi的变更方案cv，使用节点集iv(vi)中未变更节点来评价该方案对服务性能的影响程度；
[0047]
具体地，变更方案cv对第k种服务性能的整体影响度如下：
[0048][0049]
其中，w
′
ik
代表节点vi对服务性能影响spik的权重；代表对二进制元素cvi取反，
若节点vi不进行变更，则否则，sp(vi)为当节点vi发生变更时，其对相关联服务性能的总体影响；对于第k种服务性能spk，其相关零件节点集合为vsp(k)，模块度为q，选取(1 q)-1
为去耦合系数。
[0050]
进一步的，所述步骤2.3中，对于一个变更方案cv＝(cv1,cv2,...,cvm),其对应的时间成本和经济成本分别为：
[0051][0052][0053]
其中，ti和costi分别表示变更方案cv中第i个零件执行变更所需的时间成本和经济成本。
[0054]
进一步的，所述步骤2.4中，生成变更节点多目标选择模型：
[0055][0056]
同时，依据实际问题加入相应的模型约束，约束包括零件因供应链问题无法变更，零件因设计原因必须变更。
[0057]
进一步的，所述步骤3中，使用多目标粒子群优化算法求解多目标选择模型，步骤如下：
[0058]
步骤3.1：初始化：随机初始化nsize个粒子的二进制位置；设置惯性权重ω，算法最大迭代次数iter
max
，学习因子c1和c2；初始化每个粒子的个体最优点为其自身；初始化一个外部储备集为空集；
[0059]
步骤3.2：采用式(6)计算所有粒子的目标函数值，从粒子群中选出互不支配的解，并将其保存在外部储备集中；从个体最优点中随机选择每个粒子的初始全局最优点；
[0060]
步骤3.3：使用下式更新每个粒子的位置；
[0061][0062]
其中，k为算法迭代次数，ω为惯性权重，c1和c2为学习因子，rand1、rand2、rand3和rand4为服从均匀分布u(0,1)的随机数；pbest和gbest分别表示粒子的个体最优点和全局最优点，xi和ui分别表示第i个粒子的位置和速度；sv(ui)为映射函数；
[0063]
步骤3.4：修正违反约束的粒子位置；采用公式(6)计算每个粒子的目标函数值，并使用罚函数法惩罚不可行解，进而得到这些违反约束粒子新的适应值；
[0064]
步骤3.5：根据储备集中粒子的拥挤度排序，更新外部储备集，确定每个粒子的全局最优点gbest和个体最优点pbest；
[0065]
步骤3.6：如不满足终止条件即迭代次数大于最大迭代次数iter
max
，返回步骤3.3；
否则，输出外部储备集中保存的非劣解集，即pareto最优解集。
[0066]
进一步的，所述步骤4中，使用模糊决策方法，采用一个模糊隶属度函数模拟决策者对任务的偏好，并从pareto最优解集中选出一个满意度最大的解作为产品的最终变更方案；
[0067]
具体地，对储备集即pareto最优解集中最优解xj，定义它的满意程度为：
[0068][0069][0070]
其中，μ为反映决策者偏好的模糊隶属度函数；μi(xj)为最优解xj第i个指标的模糊隶属度值；fi(xj)表示最优解xj的第i个指标值；f
imax
和f
imin
分别是第i个指标评价结果的最大值和最小值；wei,i＝1,2,3表示决策者对变更成本、变更时间和服务性能影响度三个指标的偏重；
[0071]
储备集中具有最大μ值的元素即为所求折中解，即满足用户需求的一个最佳变更方案。
[0072]
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
[0073]
1)建立一种引入服务性能的复杂产品多层网络模型。首次引入服务性能层的概念，该模型较传统模型更能全面反映设计变更对与产品的影响。并给出服务性能影响度的概念，用以评估变更效应传播对产品服务性能的影响。定义的服务性能影响度可以更精确地预测产品变更对其服务性能的影响程度。
[0074]
2)同时考虑变更成本、变更时间和服务性能影响度指标，建立变更节点多目标选择模型。与现在常用的变更路径规划模型相比，建立的变更节点选择模型能够全面刻画变更对关联节点的影响，所得变更方案的可操作性更强。
[0075]
3)提出了一种问题特性引导的整数型多目标粒子群优化算法(p-dmopso)，用来求解建立的变更节点选择模型。通过引入整数粒子位置更新策略，显著提升了粒子群优化算法处理上述模型的能力。
[0076]
4)本发明所提多目标变更节点选择模型综合考虑了服务性能、变更时间和变更成本3个指标，可以为决策者同时提供多组备选变更方案。决策者可以根据自身偏好从备选方案集中选择最为合适的变更方案。本发明所提变更选择模型综合考虑了所有受影响的节点，得到的变更方案可以同时覆盖多条传播路径上的关键节点，更符合实际设计需要。通过设置合适的约束条件，可以最大限度确保变更方案的可行性。
附图说明
[0077]
图1是复杂产品多重网络模型；
[0078]
图2是改进的sigmod函数图示；
[0079]
图3是创维某型号电视复杂产品网络图；
[0080]
图4是对比算法lrcpp得到的最优变更路径；
[0081]
图5是变更方案pareto前端。
具体实施方式
[0082]
下面结合附图和实施例对本发明的技术方案作进一步的说明。
[0083]
本发明所述的复杂产品变更方案的多目标粒子群生成方法，首先建立一种新的复杂产品多重网络模型；接着，通过分析并评估变更效应传播对产品服务性能的影响，给出服务性能影响度的定义；随后，同时考虑服务性能影响度等多个指标，建立变更节点的多目标选择模型，并根据问题特性提出一种改进的粒子群求解方法。
[0084]
具体包括如下步骤：
[0085]
步骤1：为准确分析变更传播机制及其对产品服务性能的影响，针对任意给定的一个待变更的产品，建立一种引入服务性能的复杂产品多重网络模型。
[0086]
图1展示了模型的具体结构，图中上层为服务性能层，下层为传统的零部件层。每个产品通常包含多个需要考虑的服务性能，不妨记为{sp1，sp2，
…
，spn}，其中n为所考虑服务性能指标的数目。将第i个零件vi与第j种服务性能spj的关联程度记为w'
ij
。w'
ij
越大，零件vi与服务性能spj的关联程度越强；进而，零件vi对服务性能spj的影响越大。将第i个零件vi与第k个零件vk的关联程度记为w
ik
。以v1和v2两个节点以及第1个服务性能sp1为例，v1和v2的连边为e
12
，其权重为w
12
；零件v2与服务性能sp1的关联程度记为w'
21
。
[0087]
可以看出，该模型具有如下特点：
①
该网络模型包含一个服务性能层(spi layer)和一个零件层(part layer)。与传统产品网络模型相比，该模型首次引入了服务性能层的概念。
②
每种服务性能由多个相关零件共同决定，但是每个相关零件对服务性能的关联程度不同。
③
一个零部件可能影响多种服务性能。尽管各服务性能之间并没有直接关联关系，但是，受共同关联的零件的影响，这些服务性能之间也存在耦合关系。
[0088]
步骤2：通过解耦变更效应传播中强关联节点对服务性能的影响，生成一个包含服务性能影响度、变更成本和变更时间三个评价指标的变更节点多目标选择模型(分析产品变更影响机制并建立变更节点多目标选择模型)。
[0089]
为选择更为合适的产品变更方案，同时考虑变更成本、变更时间和服务性能影响度三个指标，将变更节点选择问题建模为一类多目标组合优化模型。不失一般性，后续将零件统称为节点。首先，给出本发明所用产品节点变更传播模型，并通过该模型确定变更节点对产品网络的影响范围与程度。由此，确定出变更节点多目标选择模型的决策变量及其取值范围。随后，给出面向单个节点的服务性能影响度的定义，进而计算出面向一个变更节点选择方案(即一个候选解)的服务性能整体影响度；最后，考虑变更成本和变更时间两个指标以及实际约束，建立问题的多目标优化模型。
[0090]
步骤2.1：确定变更节点多目标选择模型的决策变量并对其进行编码。
[0091]
步骤2.1.1：建立产品节点变更传播模型。
[0092]
一个节点受到多个上游节点变更效应传播的影响，根据变更效应传播系数与产品变更强度，可以计算出下游节点vj的变更强度，公式如下：
[0093][0094]
式中，r(vj)是下游节点vj的变更强度，对于节点vj的一个上游节点vi，p(vi,vj)为vi对vj的变更效应传播系数；r(vi)是节点vi的变更强度；us(j)表示节点vj的上游节点集合。
[0095]
当一个节点发生变更后，首先由式(1)遍历其所有邻居节点，找到所有变更传播路径计算该变更对网络中每个相关节点的影响强度即变更强度，直到满足变更终止条件。
[0096]
设置如下两种情况作为终止条件：
[0097]
当前受影响节点的变更效应传播至出度为0，或者，当前受影响节点的变更强度小于其设计裕度。
[0098]
基于上述步骤，可以确定出受变更影响的所有节点及其受影响程度。
[0099]
不妨设节点vi变更后，受影响的节点集合为iv(vi)＝{iv1,iv2,
…
,ivm}，m为受影响节点数量，它们的影响强度分别为r(iv(vi))＝{r(iv1),r(iv2),
…
,r(ivm)}，ivm为第m个受影响节点，r(ivm)为第m个受影响节点的影响强度。
[0100]
步骤2.1.2：对变更节点选择策略进行编码。
[0101]
当一个初始节点vi发生变更后，由变更传播模型可以确定出受变更影响的所有节点的集合iv(vi)。
[0102]
不失一般性，考虑由节点vi变更引起的产品设计变更问题，其受影响的节点集合为iv(vi)＝{iv1,iv2,
…
,ivm}。
[0103]
使用一个{0,1}编码的二进制向量表示节点vi引起的设计变更问题的一种变更方案或优化解，则所有受影响节点选择策略编码表示如下：
[0104]
cv＝(cv1,cv2,...,cvm),cvj∈{0,1},j＝1,2,
…
,m.
ꢀꢀꢀ
(2)
[0105]
其中，cv表示节点vi引起的设计变更方案，cvj＝1表示对iv(vi)中节点ivj进行变更；否则，节点ivj保持不变。
[0106]
步骤2.2：评价变更方案对产品服务性能的影响，即计算变更方案的服务性能影响度。
[0107]
对关于初始变更节点vi的变更方案cv，使用节点集iv(vi)＝{iv1,iv2,
…
,ivm}中未变更节点来评价该方案对服务性能的影响程度。
[0108]
具体地，变更方案cv对第k种服务性能的整体影响度如下：
[0109][0110]
其中，w
′
ik
代表节点vi对服务性能影响spik的权重；对二进制元素cvi取反；若受影响节点vi不进行变更，则否则，sp(vi)为当节点vi发生变更时，其对相关联服务性能的总体影响；对于第k种服务性能spk，设其相关零件节点集合为vsp(k)，模块度为q，选取(1 q)-1
为去耦合系数。
[0111]
步骤2.3：评价变更方案对变更成本和时间的影响，即计算变更方案的时间成本和经济成本指标。
[0112]
当一个节点vi需要变更时，需对该节点进行重新设计或选型。这不仅会提高产品设计的经济成本，而且延长其工期。为此，使用时间成本和经济成本作为另外两个指标，来评价一个变更方案的优劣。
[0113]
对于一个变更方案cv＝(cv1,cv2,...,cvm),其对应的时间成本和经济成本分别为：
[0114][0115][0116]
其中，ti和costi分别表示变更方案cv中第i个零件执行变更所需的时间成本和经济成本。
[0117]
步骤2.4：同时考虑变更成本、变更时间和服务性能影响度三个指标，生成变更节点多目标选择模型：
[0118][0119]
同时，依据实际问题加入相应的约束，约束包括零件因供应链问题无法变更，因设计原因必须变更等，以确保所得变更方法可行。
[0120]
步骤3：使用一种整数型多目标粒子群优化算法求解多目标模型，求得一组最优的变更方案。
[0121]
为求解上述模型，给出一种问题特性引导的改进二进制粒子群优化算法，求解上述模型。所述改进二进制粒子群优化算法的具体执行步骤如下：
[0122]
步骤3.1：初始化：随机初始化nsize个粒子的二进制位置；设置惯性权重ω，算法最大迭代次数iter
max
，学习因子c1和c2；初始化每个粒子的个体最优点为其自身；初始化一个外部储备集为空集；
[0123]
步骤3.2：采用式(6)计算所有粒子的目标函数值，从粒子群中选出互不支配的解，并将其保存在外部储备集中；从个体最优点中随机选择每个粒子的初始全局最优点；
[0124]
步骤3.3：使用下式更新每个粒子的位置；
[0125][0126]
其中，k为算法迭代次数，ω为惯性权重，c1和c2为学习因子，rand1、rand2、rand3和rand4为服从均匀分布u(0,1)的随机数。pbest和gbest分别表示粒子的个体最优点和全局最优点，xi和ui分别表示第i个粒子的位置和速度。为防止粒子飞行速度过快，设置粒子速度上下限u
max
＝4和u
min
＝-4。sv(ui)为改进后的映射函数，该函数图像如图2所示。
[0127]
步骤3.4：修正违反约束的粒子位置；采用公式(6)计算每个粒子的目标函数值，并使用罚函数法惩罚不可行解，进而得到这些违反约束粒子新的适应值；
[0128]
步骤3.5：根据储备集中粒子的拥挤度排序，更新外部储备集，确定每个粒子的全局最优点gbest和个体最优点pbest；
[0129]
步骤3.6：如不满足终止条件即迭代次数大于最大迭代次数iter
max
，返回步骤3.3；否则，输出外部储备集中保存的非劣解集，即pareto最优解集。
[0130]
步骤4：使用模糊决策方法求得满足用户需求的一个最佳变更方案。
[0131]
采用一个模糊隶属度函数模拟决策者对任务的偏好，并从pareto最优解集中选出一个满意度最大的解作为产品的最终变更方案。
[0132]
以储备集中最优解xj为例，定义它的满意程度为:
[0133][0134][0135]
其中，μ为反映决策者偏好的模糊隶属度函数，该函数用以模拟决策者对任务的偏好；μi(xj)为最优解xj第i个指标的模糊隶属度值,fi(xj)表示最优解xj的第i个指标值，f
imax
和f
imin
分别是第i个指标评价结果的最大值和最小值，wei,i＝1,2,3用来反映决策者对变更成本、变更时间和服务性能影响度三个指标的偏重。
[0136]
储备集中具有最大μ值的元素即为所求折中解，即满足用户需求的一个最佳变更方案。
[0137]
下面针对本发明所述方法进行具体实验分析。
[0138]
为验证所建模型和所提算法的有效性，以创维rgb电子有限公司某型号电视为例进行实验分析。该产品包含wi-fi模块，屏幕模块，电源模块等10个模块，101种零件，图3展示了其复杂产品网络图。根据零件间的物理和功能关系建立其dsm矩阵与双层产品网络模型。
[0139]
与一种经典的路径优选算法进行对比，验证所提方法的高效性。所选对比算法为文献[9]所记载算法，记为lrcpp。在初始节点发生变更后，该算法会得到一条变更效应连续路径传播。选择零件87(线性稳压ic)为初始变更节点，图4展示了lrcpp算法得到一条最优传播路径。该算法所得变更路径在图中加粗表示，具体变更路径信息如下：
[0140]
零件87(线性稳压ic)
→
零件61(贴片功率电感1)
→
零件52(fpc针座)
→
零件82(dc-dc1)
→
零件46(插件双极型三极管 )
→
零件79(贴片ntc热敏电阻)
→
零件66(贴片射频陶瓷电感2)
→
零件62(贴片功率电感2)。
→
符号表示该变更路径的方向。进一步，使用公式(6)计算本发明考虑的3个指标值，可以得到该最优路径的服务性能影响度为0.54、变更时间为473小时，变更成本为19.04万元。
[0141]
同样以零件87(线性稳压ic)为初始零件，运行本发明所提方法可以得到一组变更方案。图5展示了这些方案对应的pareto前端，其中五角星为lrcpp算法所得结果。可以看出，lrcpp算法的结果被p-dmopso算法得到的多个解支配。不失一般性，从这些解中随机选择一个变更方案与为lrcpp算法的结果进行详细对比。具体的变更方案如下：零件1(电子线)、零件12(封装led1)、零件13(lens)、零件14(封装led2)、零件30(红外接收器)、零件80
(功放ti)、零件82(dc-dc 1)、零件87(线性稳压ic)、零件88(wifi芯片rtl8188)、零件97(pwm控制ic)。该变更方案的服务性能影响度为0.24、变更时间为205小时，变更成本为14.24万元。
[0142]
对比上述两种方法得到的变更方案可知：(1)lrcpp算法每次只能找到一条变更传播路径；而本发明所提p-dmopso算法可以同时得到多组变更方案，以供决策者选择。(2)考虑服务性能影响度这一指标，本发明方法所得多个变更方案的指标值都明显优于lrcpp算法。这主要因为，lrcpp算法仅对其所选最优路径上的零件进行变更，忽略了其它变更路径上显著影响服务性能的零件。相反，本发明方法得到的变更方案可以同时覆盖多条传播路径上的关键零件，如图5所示。(3)同时考虑服务性能影响度、变更时间和成本三个指标，本发明方法所得多组变更方案也都优于lrcpp算法。