DSM与GA驱动的消费者感性需求智能聚类

本文研究的焦点是"基于DSM和GA的消费者感性需求聚类"，这是一种创新的方法，旨在解决消费者复杂感性需求降维的问题。设计结构矩阵（DSM）被用来构建感性需求之间的关系模型，它通过分析需求的内在联系和层次结构，将多维度的需求转化为低维度的表示。DSM模型不仅反映了需求间的相互影响，还提供了结构化的视角来处理大量的感性数据。 遗传算法（GA）在这个过程中扮演了关键角色，作为优化工具，它用于搜索最优的感性需求聚类方案。通过将感性需求DSM模型转化为染色体编码，适应度函数得以建立，该函数评估每个聚类方案的质量，即其对原始数据的压缩和保持信息完整性的效果。遗传操作如选择、交叉和变异被用来迭代改进这个编码，直至找到最能满足需求的聚类配置。 论文以电动滑板车的消费者感性需求为例，展示了这种方法的实际应用。通过对电动滑板车用户的需求进行聚类，结果显示，基于DSM和GA的聚类方法显著提高了聚类效率和准确度，有助于企业更好地理解消费者的需求，从而进行更精准的产品设计和服务提供。 作者团队包括杨延璞、余隋怀、陈登凯、李博和戚彬，他们分别来自西北工业大学工业设计研究所，他们的研究领域涵盖了产品创新设计、知识管理、计算机辅助工业设计以及数字化设计艺术等多个方面，共同推动了感性需求分析领域的理论和实践发展。 总结来说，这篇论文的核心贡献在于提出了一种结合设计结构矩阵和遗传算法的消费者感性需求聚类方法，这在解决消费者需求分析中的复杂性问题上具有重要意义，并且通过实证研究证实了其有效性。这对于提升市场研究和产品开发的效率，以及消费者体验的个性化定制都有着积极的推动作用。