CN101014935A - 决定群体的设计喜好 - Google Patents

Abstract

本发明提供一种从用于决定标的及本身的属性的各种设计选项之间有效地分析选择者的设计喜好倾向的方法。选择者可以使用一个或一个以上的用户端***(10、20、30、40)以经由网络(100)与一个或一个以上的服务计算***(50、52、54)产生通讯。

Description

决定群体的设计喜好

发明背景

〔0001〕本发明涉及通过直接消费者参与，在开发新的产品及服务的过程及消费者参与活动研究、市场区隔、设计重复、市场测试与察觉消费者偏好倾向及态度的改善。

〔0002〕在过去，当设计新的产品时，很多产品开发组织倚赖在本身的设计或市场部门内或者本身的执行阶层内的少数人上。接着，这些人倚赖其本身的市场及消费者的知识、本身对于技术可能性的了解及本身的展望、判断、经验、喜好、成见与偏见。

〔0003〕最近，企业通过该阶层已经采行具有决策责任朝向更平面化的组织、较少阶层组织的模型，并且该企业已经采纳新的焦点于“客户的声音”上。这种移动是意在提醒他们身为设计者，对于所设计的商品或服务的最终消费者而言他们仅是代理人，并且对于该过程，客户的需求或渴望应该是最重要的输入。

〔0004〕但是从该客户的声音进入反应该声音的产品或服务的过程仍然充满着错误及钮曲的可能性。错误的第一个来源在于确认该客户的需要及需求上；第二在于转换该输入成为决定、产品、人工制品或服务的过程上未曲解及钮曲该客户的声音。执行者已经开发及使用数种工具及技术而想要评估该客户的需求及转换这些需求成为产品概念与成为工程上的要件。

〔0005〕传统上已经由市场研究者所开发的工具及仪器范围从借用自俗民志(ethnography)的高度定性的方法中，诸如开放式访谈、参与观察及焦点群体，乃至诸如调查研究及共同分析的高度一般性量化统计方法。标题为“用于动态的、即时的市场区隔的方法及装置”的申请日为2001年11月9日，申请号为10/053,353的共同申请中的美国申请案揭露已经具有非常显著的商业上的成功的新类型的工具，该申请案的揭露将参照并入本文中。

〔0006〕在新的产品或服务的开发期间，该设计组织通常将进行许多市场研究学习。在该计画期间的早期，该研究可能在本质上较为定性化，意在揭发潜在的需求或开发对于产品及服务的新的构想。近来，该研究可能更为聚焦，意在于该提出的产品的特定的特征或属性上由目前或潜在的客户中获得回馈。这些研究可能倚赖定性方法，例如焦点群体，以及定量方法，诸如调查或结构化的一系列访谈。采用要求参与者对于新产品上的回馈的消费者谘询团体的其中一个问题在于潜在的客户为通常仅显示有限数量的选择及要求有限数量的选择的意见。采用这种方式是为了保持于该参与者的认知需求在合理的水准并且因为呈现给该参与者的设计有时候是属于制造成本相当高的模型或原型的形式。

〔0007〕再者，消费者谘询团体假设人们拥有已完全发展及稳定的既存的喜好。该消费者谘询团体因此假设当看到该新的产品时该参与者所形成的态度是有效的并且当(及若)该产品进入市场上时反应他们将具有的态度。然而，众所周知的是在很多例子中，人们的长期意向朝向不同于本身的初始反应的产品。

〔0008〕采用谘询团体及焦点群体的另一个问题必须克服在于该情势所伴随的人际关系的变迁。通常，团体动力学(group dynamics)是希望能够感受到在参与者之间所发生的讨论是用于产生数据的机制，并且该预期的输出为该参与者的经验及意见的主动的分享及比较。问题发生于当其中一个或一些有影响力的个人最后主导及影响该讨论。另一个困难处在于找出彼此不认识对方的参与者。为了避免具有其中一个参与者选择特定的设计只因为他或她的朋友亦选择该设计，这种处理方式是需要的。当所设计的该产品或服务目标为小群体的使用者时，或者皆为相同群体的会员的使用者时，例如设计关于其中一个企业的员工的福利制度，这种情况时常发生。当该潜在的客户对于一项产品突然成为竞争者时，并且因此较不愿意一起坐下来及分享自己的喜好，类似的问题将产生。

〔0009〕共同分析是使用于评估对于产品及服务的不同的选择的消费者喜好。该共同分析为当在具有多重特征及益处的选择中作决定时，清楚地说明人们产生的主观的交易的多重属性的效用或喜好量测技术。在该方法的基本形成中，共同分析为一种分解技术：量测该决策者归咎于该产品的不同的方面的重要性的参数将使用统计回归技术由该决策者对该产品或服务的数个完整的数据描述的评估作推导。共同分析已经使用于广泛范围的应用上，从开发肥皂及饮食供应至改善在国防部内的军人职涯的求助。

〔0010〕在进行共同运用上的第一步在于确认欲探讨的该产品或服务的相关属性及确认对于每一个属性的兴趣层级。这种确认通常以具有类似产品的先前的经验及诸如开放式访谈或焦点群体的早期定性的研究为基础。例如，在汽车研究的例子中，引擎排气量可能是其中一个感兴趣的属性，具有待测的2.0、2.5及3.0公升三个层级；并且车体形式可能是另一个属性，具有“轿车(sedan)”及“双门小轿车(coupe)”为感兴趣的层级。接着，数个潜在的产品的完整数据的描述，亦即，其中每个属性以数值表示的描述，通常使用高度部分因子正交设计(highly fractionated factorial orthogonal design)(亦即，仅所有可能的产品数据的少量部分是使用于测试中)。这些数据为显示给应答者，传统上是以道具卡的形式，并且该应答者会被要求以喜好的程度而对该数据排序或对每一个该数据以间隔尺度评定等级，例如，从0-100。该回应接着使用诸如普通最小平方(Ordinary Least Square)回归的统计工具作分析以计算用于每一个该属性层级的成份效用值(part-worths)，亦即，每一个属性层级对于数据的整个喜好程度的贡献。回到该较早的例子，可以证实的是对于其中一个特定的应答者，2.0升引擎具有0.0的成份效用值，该2.5升为0.5的成份效用值，诸如此类等等；该“轿车”车体形式可能具有0.0的成份效用值，而该“双门小轿车”形式可能具有0.8的值。一旦对于个别的属性的成份效用值在这种方式中获得后，可以通过属性层级的所有可能的组合以组成对于该个人的最佳的产品，亦即，将给予他或她最高可能程度的效用性或他或她将具有最强烈购买倾向的产品。

〔0011〕共同分析研究通常采用超过一个以上的个体而进行，并且成份效用值通常为用于消费者的代表样本的获得。这种多重应答的数据可以使用于各种目的。其中一个在于确认对于该产品发展组织造成最大市场占有率的产品设计，而给予在市场上的竞争产品的属性(目前及期望的；亦即已知所谓的“选择分摊(share-of-choices)”问题)。另一个目的在于确认将最大化整体消费者效用的产品设计，亦即，所有该消费者效用的和；亦即已知所谓的“买者的福利(buyer’s welfare)”问题。解决这些搜寻问题是难以计算地；在数学上，这些问题为已知所谓的NP-Hard问题，需要启发式动态程式程序(heuristic dynamicprogramming)找出它们的解。最近，基因与演化(Genetic andEvolutionary)计算的适应式搜寻技术，尤其是基因演算法(GeneticAlgorithms，GAs)，已经更有效率地使用以找出对于这些问题的解答。

〔0012〕从参与者的代表群体收集共同数据的另一个目的在于确认具有不同的喜好数据的明确的市场区隔。这可以通过丛集分析(cluster analysis)而达成，该丛集分析为一种用于发现子群体应答者的统计技术，使得在子群体内的应答者同样地评估该不同的产品属性，但是不同于在其他子群体内的应答者。一旦丛集确认后，表示显著的商业潜力的该丛集可以当作具有特定产品设计的目标。

〔0013〕共同分析具有缺点。首先为参与该过程成为应答者的冗长的感觉。通常，因为与该产品本身的紧密关联及了解，该产品设计者及贩售者想要回答大量的议题及测试大量的属性。该客户另一方面通常较不受吸引及厌烦于顺应冗长的问卷。并且即使使用高度部分因子设计，应答者通常仍然应要求回应可观数量的可能性。例如，在其中具有12个产品属性的例子中，对于每一个属性具有四个不同的阶层，该应答者将面对大约35个数据。该数目常常乘以3倍以减少该随机误差的效应，造成该应答者必须面对超过100个问题。该过程的劳力通常导致混淆及失去注意力并且专注于部分该应答者上，该应答者常常最后以采取启发式作为捷径而用于完成该问卷(数个例子的共同分析可以在全球资讯网上找到；例如 www.conjointonline.com)。例如，除了适当地权衡彼此所有的属性外，该产品设计者及贩售者仅依赖一个或两个以作出本身的决定，而导致不正确的结果。

〔0014〕最近，着重于减少该过程的冗长及该结果所造成的不正确性的共同分析的数个修正已经提出及实际使用。这些混合的技术如同于现有的共同分析中并未专由假设产品的完整数据所构成，但是该混合的技术通过询问该应答者一组自我说明的问题(包含不涉及交易的非共同问题)而开始，并且接着部分数据描述。此类技术的例子包含适应性共同分析及较新的层级贝氏共同分析(Hierarchical Bayesconjoint analysis)。

〔0015〕在如同通过Sawtooth Software(在美国及欧洲两地最常用于商业共同研究的技术)所实现的适应性共同分析中，该调查通过询问该应答者而开始以消除他或她在任何情况下将发现无法接受的该属性阶层。该阶层在该后续的访问部分中将不再使用。接着，该应答者受到询问以将每个属性中的阶层减少为他或她最可能感兴趣的5个阶层。在该程序中之下一步要求该应答者评估个别的属性的重要性；这些评估尝试消除认为不重要的那些属性及产生该应答者的效用的初始计算，该应答者的效用接着经由使用以产生一组使用部分的数据的订制的配对比较问题。对于每一个回应，该应答者的效用的计算将作更新，并且适当的配对比较问题将产生。这些问题经由设计以收敛及聚焦在通过该应答者依据该较早的回应所呈现最喜好的属性比较的子空间上，而具有该应答者的交易数据的改进该计算的目标落在该有限的子空间内。

〔0016〕显然地，适应性共同分析极度地依赖该问券的自我说明的评估要素，其中该决策者为明白地受到要求以显示本身的态度个别地朝向各种属性。在该方法背后的关键假设在于该应答者的态度及喜好为预先存在及稳定的。适应性共同依赖该假设以快速地限缩呈现至该受访者的选择及减少施加至他或她上的负担。当他或她参与该研究时，适应性共同因此排除该应答者可能显露或发展新的个人喜好或态度交易数据的可能性。使用该方法的问题在于任何先入为主的想法或偏见的具体化的危险性，该应答者可能具有预先不健全形成的喜好，造成非最佳的产品设计问题。事实上，适应性共同分析的使用者受到警告不允许应答者消除属性阶层(描述于上一段落内的第一步骤)，除非没有其他方式以产生可让人接受简短的访谈。

〔0017〕层级贝氏共同分析的较近的发展通过稳健及理论上较佳防御统计的方法的使用而改善适应性共同。然而该方法并非在处理上文所描述的问题。再者，层级贝氏适应性共同分析倚赖其他参与者于该研究中的回应以改善每一个个别的效用的计算；换言之，层级贝氏能够增减在任何个别的应答者上所调查具有负担的数量。然而，该方法为在典型的个人电脑上需要数小时的执行时间的高计算密集的过程；因此，该方法在即时线上情况中并非非常有用。该现有的软体产品事实上在离线之后进行由适应性共同研究所获得的数据的层级贝氏分析。

〔0018〕未通过上文所讨论的任何改进的方法作处理的共同分析的第二个主要的缺点起源于该不同的产品属性为彼此独立的假设上。共同分析为“唯一主要作用(main effects only)”模型；该方法假设在属性之间并没有交互作用。在一般所使用的该附加的成份效用值模型中，用于特定产品的个别的喜好为假设以在该产品中的属性阶层的独立的功能的和所组成。再次使用汽车的例子，对于例如亮红与暗灰之外部的颜色的消费者的喜好为假设并非视是否待讨论的汽车为双门跑车(sport coupe)或豪华轿车(luxury sedan)的车体形式而定。然而我们依经验上知道亮红在双门跑车上比在豪华轿车上较受欢迎。若该研究者推测在两个属性之间可能具有某些交互作用(依据产品知识或来自统计分析)，在该共同分析架构内的解决方式在于定义该两个交互作用的属性的组合的混合变数(“超属性(superattributes)”)。这种超属性为给定通过组合该个别的属性层级所形成的层级。回到先前的例子，该混合属性将是“颜色-车体形式”，并且该属性将产生四个阶层(二乘二)：“亮红双门跑车”、“亮红豪华轿车”、“暗灰双门跑车”及“暗灰豪华轿车”。使用该周期运作的问题在于该方法对于该应答者负担上是高度有害的。(特别是在能够产生高度区分化因子设计的共同的所有该唯一主要作用观点之后)除了每个具有两个阶层的两个属性之外，现在我们拥有具有全部为八个阶层的三个属性。当更为实际数量的个别属性阶层使用时，这种组合的爆发性是非常严重的：在五种颜色及五种车体形式的例子中，我们将进行由10阶层(5+5)至全部的35阶层(5+5+(5×5))。欲通过该共同研究所计算的参数数量及因此应答者受到指定的问题的数量依这些阶层的数量成比例地增加。

〔0019〕当共同分析影响多少市场贩售者及产品开发者来思考本身的产品及服务时，共同分析的该“唯一主要作用”特质具有较敏感及潜在的作用。通过倚赖共同分析以获得该客户的声音，该市场贩售者及产品开发者倾向设计使用较能轻易地分解的产品的属性的研究；并且该市场贩售者及产品开发者以对于该应答者较容易分离产品的方式而呈现给该客户。应答者结束专注于一些该属性及启发式地使用该方法(如同较早前所提及)，并且不执行将在属性之间显现可能的交互作用的该额外的心理过程。该结果为针对该额外的成份效用值模型的人工上良好的搭配，但是具有较差的预测准确性。

〔0020〕在基本上，产品或服务可以通过一组属性阶层作适当地描述给消费者的绝对的观念本身即是问题。由于共同分析通过呈现可分解的刺激因素给该应答者而运作，该方法为特别不适于用于了解消费者如何评估产品的重要等级，亦即，通过该消费者所全部地察觉的产品。此类“单一的”产品的例子包含但不限定于艺术标的、食物、香味及音乐。在此类例子中，其中该应答者无法中断呈现给他或她的该激刺因素成为组成部分或属性，依据因子设计的研究而尝试建立该应答者的喜好的简单模型是不可能成功的。

〔0021〕相反地，本发明并不需要通过该市场贩售者或设计者所使用的相同的因素以改变呈现给该应答者的产品以评估他的或她的喜好。在本发明中，呈现给应答者的是具有符合其中他或她于真实生活中察觉该特定产品或服务的方式的激刺因素。

发明概述

〔0022〕本发明提供从对于群体，例如消费者的群体，的产品或服务(在此称为“决定目标”)的各种设计选择中有效地分析该设计喜好倾向的方法。该方法可以使用于收集任何给定目标群体的具有情报性的喜好的丰富的数据组，以察觉产品或服务的那个属性对于该群体是重要的或不重要的及显示忠实地回应于该“客户的声音”的产品形式并且不会有偏差。该方法以电子形式而实现并且通常非同步地经过相对短地时间周期。该方法可以设计以符合任何设计或市场研究目标的集合，并且获得关于任何形式的产品所考量的有关于任何特定的设计议题的数据。当参与者呈现具有相对大量的时间窗口以配合本身的约定于其内，并且可以让他们经由提供具有连结至网路所提供的来自任何方便的位置而进行运作及观看或其他感受该设计标的与记录本身的喜好的工具时，参与者比焦点群体更容易于招募。

〔0023〕广泛地说，该方法包括通过电子网路呈现给多个个别的“选择者”，具有多个组合的属性之一个或一个以上的决定标的的群体；由该选择者获得表示来自在该呈现的决定标的中的该个别的选择者的喜好的资讯；使用该资讯以发展或选择包括一个或一个以上的不同的组合属性的决定标的的衍生出的群体；使用衍生出的群体重复这些步骤以达成一个或一个以上的较佳的决定标的；及使用来自该选择者的至少某些资讯以实现共同分析以收集关于该选择者的属性喜好的资讯。这些数据通常组合成为构成用于成功产品开发的引导的报告。

〔0024〕在其他实施例中，本发明提供分析群体选择者的设计喜好倾向的方法，包括下列步骤a)通过电子网路呈现给多个选择者一个或一个以上的具有多个组合的属性的决定标的的群体；b)由该多个选择者获得表示来自在该呈现的决定标的中的选择者的喜好的数据；c)由步骤(b)使用至少某些数据以实现共同分析以收集关于该多个选择者的属性喜好的资讯；d)通过网路呈现给相同或不同的群体选择者具有多个组合属性之一个或一个以上决定标的的额外的群体；e)获得来自选择者表示由在该呈现额外的决定标的中的喜好的资讯；f)使用该资讯以发展或选择包括一个或一个以上的不同的组合属性的决定标的的衍生出的群体；g)重复步骤(d)至(f)，由步骤(f)使用衍生出的群体以达成一个或一个以上的较佳的决定标的；及h)当达到停止标准时，选择一个或群体较佳的决定标的而用于进一步的开发、制造、使用或贩售。

〔0025〕基因演算法可以经由使用以发展或选择该决定标的的衍生出的群体。该方法的步骤执行的顺序是弹性的。因此，步骤(c)可以在步骤(g)之后或在步骤(h)之后而执行。步骤(c)的共同分析的结果可以经由使用以影响在步骤(d)中所呈现的额外的决定标的的人口群的属性组合。呈现在步骤(a)中的该决定标的可以包括属性的随机组态，或者可以包括经由设计增强该共同分析的效能的属性。在步骤(a)之前，多个问题可以呈现给所有或某些该选择者以获取回复，从而获得人口统计学上的资讯及使该问题符合资格，或者通过使用选择者针对问题的回应而决定对于该活动执行的起始点以选择欲呈现给该选择者或其他人士的决定标的。

〔0026〕一般而言，本发明提供的方法系用以决定那一个大量的产品形式是由选择者所喜好(其中每一个形式具有多个选择属性或属性价值，亦即决定标的)及决定在该决定标的的属性中的喜好资讯。

〔0027〕如同在此所使用的“选择者”为本身的意见提供在本发明的方法的活动课程期间提受到考量之一位或群体的人员。该选择者可以包括个人、个人所组成的群体、诸如机器学习***之用于个人的代理主机、类神经网路、统计或其他数学模型或专家***，或者是该选择者的组合。“选择者”可以适用于参与活动执行的实体的集合或参与活动执行的个别的实体。选择者可以是焦点群体或该焦点群体的个别的成员、工作群体的设计者及/或在企业或专业设计服务组织内的经营者、代表目标人口统计群体的群体的人士、预设为某些活动或工作的俱乐部或班级的成员、成为对于特定产品的狂热者的潜在客户，诸如狗的主人、打高尔夫球的人、室内设计家、骑脚踏车的人、房子主人、十几岁的男孩、受雇于企业或在产业界工作者等等。担任选择者的人员已经接受到一次或例如大约两次至十二次或不同可能的设计形式的呈现。

〔0028〕该选择者亦可以包括雇用于产品的合作设计中的群体人员，诸如设计下个春季的流行时尚的群体的年轻女性、设计汽车座椅的专业工业设计群体、为客人设计住所的建筑师或谱出一件音乐作品的音乐家的群体。在这个例子中，一旦支持设计的意见达成，该方法可以包含产生多个单元的选择产品形式或类似该形式的产品的额外的步骤。当该选择者为群体人员时，形成呈现给在该群体内的人员所衍生出的群体产品可以使用显示由一个或一个以上在该群体内的其他人员所表示的喜好而产生。再者，本发明考量在特定衍生出的群体内重复特定产品形式的呈现给担任该选择者之一个或一个以上的人员。

〔0029〕如同在此所使用的“喜好(Preference)”，该喜好亦称为“爱好(affinity)”，显示对于具有一组属性的特定项目的选择者的喜欢(或不喜欢)。在其中一项实施例中，正向的爱好数值显示该选择者喜欢特定的项目而负向的数值显示该选择者不喜欢该项目。

〔0030〕在本发明的方法中，提出的设计为呈现给该参与者，并且来自后续的回馈经由例如连接于网路内的个别的个人电脑，诸如内部网路、外部网路或该网际网路而收集。因此可以控制在该参与者内的人与人之间的动态。并且可以完全地对人员彼此隔离，以便没有人可以知道由其他人所表示的喜好。本发明亦可以允许欲在该参与者内所分享的资讯的选择阶层、开启真实或虚拟的群体讨论、控制参与者可能感受到的社交压力的程度、满足关于该计画的状态或方向的资讯的需求或关于其他人已经发表何种产品的资讯。这种方法可用以仿效发生于真实生活中的连结外观，其中某些人员倾向喜欢与他们地位相当的人所购买或消费的相同的产品，而其他人可能选择采取相反的态度。在此类诸如流行服饰或配件、投资工具或组合、电脑软体等等的产品中，这种方法是重要的。再者，通过通过电脑软体连接参与者，本发明可以聚集位在非常不同的地理区域上的群体的参与者及允许非同步的参与。当设计者减少该需求以及时地通过完全地整合在不同的地点所接收的数据将所有参与者于同一时间聚在一起(在本发明的特定实施例中)，该方法因此亦使得时间管理变得容易。

〔0031〕如同在此所使用及于下文中作完整说明的“产品(Products)”系用以表示决定标的，并且系意指物品之一般的名词，诸如意指大量生产、模组化的物品、诸如包括适合用于大量客制化的具有多个可互换的组件的个人电脑、服务，诸如共同基金或旅行服务、包装或广告文案及计画，诸如用于支配个人或组织的未来导引的选择的撰述列表、诸如商业计画或由群体所消费的食品项目的菜单或其他已制成的消费物品。

〔0032〕如同在此所使用的产品的“属性(Attributes)”系意指组成决定标的的结构的、功能的、风格上的或经济上的特征，例如该产品的组件、服务或计画及诸如成本的事物、颜色或颜色组合、尺寸、人力、形状、形式、图案、长度、重量、意义特征、主题、选择、材料选择、柔软度等等。该产品属性可以是艺术上的或功能性的。特定的产品具有使用本发明的方法所组合之一系列可能的属性以开发设计。该设计或选择的标的的不同形式明显地将具有不同群体的可能属性。因此，例如，对于免手持电话的艺术上偏好的外部外观的设计将具有诸如材料(例如塑胶或金属)、材料的分布(例如具有金属盖的塑胶边框)、结构、颜色、颜色组合、长度、宽度及厚度的“属性”。用于大型广告看板的设计将具有诸如尺寸、方位比、主要颜色、背景颜色、颜色设计、印刷尺寸及插图材料的呈现或空缺的属性。

〔0033〕该名词“属性(attribute)”表示为绝对的及相对的的两要素，在感官上该绝对的要素为呈现于产品中或不呈现于产品中，并且在感官上该相对的要素可以具有很多数值的属性，或者分类成为很多子形式。在这种方面上，在此所使用的“属性”的意义是较为广泛的并且不同于如同在该共同分析文献中所使用的名词。该式样的例子为在自动仪表板设计中之时钟或服饰设计的项圈的呈现或缺乏。后者的例子为在船身设计的船首上的曲率的程度的半径或其他量测，或者玻璃覆盖建筑物的反射率。

〔0034〕广义地说，本发明包含产生及通常以电子形式呈现许多设计选择给参与该设计、选择或市场研究活动活动的人员。该参与者(选择者)传送表示在该呈现的设计选择之间的本身的喜好，并且该数据经由使用以衍生或选择新产生的设计选择或提议两者，作为用于共同分析的基础以决定属性喜好资讯。在特定的活动中，经由特别地设计或选择以增进共同分析(或随机决定标的)的决定标的为呈现给选择者。这些决定标的可能首先或在任何时间呈现，并且该数据经由使用以作为活动持续而立刻或在数据收集结束后执行共同分析。在其中一项实施例中，重复的设计活动如同揭露于共同中请中的美国专利申请号10/053,353而进行，其中所表示的喜好数据经由使用以推动后续呈现的决定标的的选择或即时发展欲于后续反复中所呈现的新的决定标的。在这种实施例中，该喜好资讯亦经由使用以进行共同活动。这允许不仅是整个设计的群体喜好决定，而且为推动该设计喜好的属性的群体喜好决定。在较佳的实施例中，来自较早呈现的决定标的的数据提供共同分析的基础。该共同分析的结果接着经由使用以定位或决定用于使用在后续中，通常为完全、重复的设计活动，的决定标的的属性阶层或属性的组合。在配置于该个别的呈现中的另一个实施例中，为设计以使共同分析变得容易的展示。在这种实施例中，该展示可能已经通过较早的喜好数据而推动。在收集充分的标的数据之后，共同分析可以在任何时间完成，例如，当该活动在进行中或在本身的数据收集阶段终止后。这种方式允许预测消费者行为的丰富的市场资讯的发展。

〔0035〕针对产生用于后续共同分析的数据的任务的呈现的决定标的可以具有随机选择的属性或者可以为了由专家或由演算法的目的而特别地设计。用于呈现于该重复的设计活动中的该新的决定标的或衍生出的产品形式较佳的是通过电脑程式的使用开发基因或演化计算技术而产生。这种程序是重复的，通常用于很多迭代或周期。

〔0036〕视尝试的目的及该方法如何设计及执行而定，该实验可以使用于许多新的及有用的方式中。该方法可以提供设计能引起个别的消费者或目标群体的消费者兴趣的新的产品或服务。该方法可以以较优于先前可能的方式使用于促使群体设计尝试变得容易或进行市场研究。例如对于特定的产品或服务，研究可以包含，但不限定于，探索个别消费、人口统计上定义的群体消费者或具有特定心智状态的消费者的共通性，而说明对于该消费者诉求该设计为重要的或不重要的的属性。

〔0037〕本发明可以采用各种方式以收集表示喜好的数据及采用各种方式以制表、过滤及总计并且使用该数据。因此，由包括该选择者的人员的子集合所获得的数据可能给予不按比例的影响于产品形成的衍生群体的产生上，亦即低估、于重要性上的提高或忽略。在衍生群体的迭代之前或期间，该选择者可以允许详载该产品的属性。这种方法可以包含固定该属性的数值在特定数值处，或者避免该属性位在该参与者发觉不想要的特定数值。在开始该重复选择/设计/分析过程之前，该***可以由该选择者获得特定喜好资讯并且可以使用在此类预先筛选中所获得的至少部分的资讯以限制衍生的产品形式之后续的产生。例如，此类资讯可以包含该贩售者对于该产品、产品形式资讯、颜色喜好、材料喜好、性能规格或选择者想要产品功能之列表等所想要给付的价格的范围。

〔0038〕由另一个角度观的，当消费者考量本身的喜好或考量购买时，本发明包括在设计科学及另一方面由该消费者所采用的认知语言及思考过程的不相容组成的语言要素之间的电脑辅助桥接。就是这种至今已经阻碍针对设计任务的有效的消费者输入的二分法，输入为真实地反应本身的喜好。在此所描述的本发明的设计分析实施例本质上包括电脑中介的转译装置，完全及有效地转换消费者的喜好，亦即该消费者常常违抗口语上描述，成为通过于实现设计上有用的变数所规范的特定设计的数据。通过允许消费者评估一组发展的全部设计，每一个设计并入关于该消费者的喜好决定的方面，在不熟悉特定的设计属性或语言下，该消费者允许直接地推动该设计或产品选择过程。该产品选择过程可以通过该消费者有意识地显现该产品的喜好的(或不喜好的)特征或通过该消费者下意识地推动该吸引人的设计的发展而受到推动。

〔0039〕大致上如同前文所提到的，用于实现本发明的方法的该较佳的装置包括网路，其中该程式常驻于连结至多个终端的伺服器内。在该装置中所使用的终端可以包括电脑、电视、电话、个人数位助理或其他无线连接或通过线路至伺服器的电子装置。该装置通常包括多个终端。当然，依目前的资讯技艺的状态，其他***架构可以使用以包含于本发明的***内而用于实现本发明的各种方法。

〔0040〕本方法可以包含重复周期选择及衍生出的产品形式产生至足够数量的次数，以允许由选择者作出较为喜好之一个或多个产品形式的决定。尤其在其中该选择者为群体的消费者的群体设计成果中，本方法可以造成超过一个以上的较佳设计的确认。收集关于该选择者的人口统计学上的数据及使由该选择者较喜好的产品形式与该人口统计学上的数据产生关联允许市场区隔的确认，该市场区隔可以用不同的策略而发挥。因此，本发明使得新形式的市场研究变得容易，其中本身的经营者可以看出消费者或群体消费者对于给定产品形式的相对的共同性或看出市场区隔，例如，初期的适应者、后期的多数者等等，并且以决定属性喜好资讯。

〔0041〕该衍生出的群体产品形式接着呈现给包括选择者之一个或一个以上人员，该选择者再次输入表示本身的喜好的数据，这次有关于该新的类型的产品形式，并且该程序为重复直到符合停止标准。该停止标准可以例如是由该选择者对于购物作出的决定、预定重多目的周期、由包括该选择者的多个人员在属性上一致同意的达成；包括选择者的预定数目的人员的参与；预定的评估数量的达到、用于进行该活动的经过预定的时间、未来时间点的到达、管理者，诸如判断出良好的设计已经达到的人员的介入、如同由包括该选择者或管理者的人员所判断在显露产品形式上的改进的缺乏、或经过合适程式化的电脑；由包括选择者的人员的特定产品形式的选择、由该发展演算法所产生的所有设计选项的收敛至足够小数值的可能性(亦即，基因多样性的失去或在人口群设计的人口群中的相似性的特定水准的达到)或该停止标准的某些组合。

〔0042〕参与组成该选择者的活动的人员当然将具有在设计周期期间完整演化的喜好数据。该参与者可能在群体动态中受到隐约显现的选择所影响。再者，因为他或她以较严格的方式看见及思考有关的选项可能并非原来的情况，他或她的喜好可能受到调整。也许最有意义地，由人员参与设计活动可以完全地适任以增加该参与者的信心水准在提供的评估中。通常，产品选的较早期产生可能隐藏着低的信心评估。然而，在该演化的设计过程期间，当该消费的喜好为逐渐地反应于设计属性中时，该消费者的所属评估可以完全达到具有较高的信心。类似的现象为若某些消费者已经研究一种产品，该消费者更有信心地作出购物决定。再者，包含通过重复的步骤及专心思考有关什么真的是他的喜好的该消费者的设计可以完全地造成可能并非原来的情况的较高频率的购物。基于这种行为观察，依据本发明，在某些实施例中本方法可以有益于允许参与者输入表示该参与者至少在该重复过程中的某些情况具有本身的喜好的信心的数据。在设计中该信心水准依据参与者所表达的至少对于特定的参与者可以使用作为周期停止标准。

〔0043〕本发明考量各种不同的程式技术的使用以辅助特定活动的目标的达成。通常，很多已知的计算技术可以采用于使用在本发明的方法及装置的电脑程式的设计中。对于使用在重复设计活动上的较佳的技术为基因或演化计算技术(genetic or evolutionary computationtechnique，GEC’s)，诸如基因演算法、演化技术、分散计算演算法及基因规划法；使用本方法的其他计算技术为考量于本发明内，包含生产文法(generative grammars)、攀登法(hill-climbing)、模拟退火法(simulated annealing)、随机搜寻(random search)、随机属性数值的产生器、实验技术的统计设计或该技术的组合。现有的共同分析技术可以使用。

〔0044〕该程式可以执行基因演算法运算、演化技术运算、基因规划运算、生产文法运算、随机属性运算的产生器或任何其他用以产生衍生出的群体产品形式。该程式可以由一组产品属性来选择以收集一组衍生出的产品形式及/或可以采用能够产生新的或修正的属性的功能。该程式亦可以允许选择者删除产生的产品形式、在衍生出的群体产品形式内导入新的产品形式、强迫限制于衍生出的群体的产生上成为包括预先选择的属性或属性数值的该形式或成为未包括此类特定属性或属性数值的该形式或详述该活动的产品或其他标的的属性。该装置更可以包括用于储存由选择者所喜好的多个产品形式的工具及用于完成贩售给她所选择的产品形式的选择者。

〔0045〕这些各种计算技术不应考量成为本发明的目的，除了在该技术为结合如同在此所提出的其他程序步骤所使用的范围内或在可能于后附的某些申请专利范围的范围内。本发明亦包含使用多重阶层的基因或演化计算技术的***，例如，其中第一演算法的输出系用作为该下一个的输入。该电脑程式可以包括各种加速技术，亦即，缩减该参与者的票选负载的程式码实现逻辑，例如通过使用该参与者的适应性统计模型以评估某些设计，或者可以缩减所需的数量的设计周期的程式码以通过安排该产品形式人口群体具有“良好的”设计、通过演化首先于本质上为模组化的设计的案例中的较高阶层的模组或通过各种限制参数的使用以减少或消除不实际或不可能的设计而看出适当或最佳的形式。

〔0046〕该方法广义地包括例如通过电脑显示或某些类型的输出装置而呈现给选择者群体的产品形式的步骤，每一个该形式具有特定的组合属性。这些初始的产品形式设计及选择的方式可以包含过滤候选设计以预先反应该选择者或管理者的明确的喜好。另外该初始的产品形式依据来自一系列的初始呈现设计选择的喜好数据可以包括通过作业中(on-the-fly)的共同分析而察觉到对于该选择者为重要的的属性的组合。该呈现通常以电子方式制作，例如通过呈现图形、字母与数字或表示该设计选择或形式的其他视觉数据。当欲设计或选择的产品可能通过听觉所感受的聆听的产品时，诸如音调或铃声，该呈现的视觉感官并非本发明的要件。该产品的属性可能是触觉地感受以在光滑性、结构、温度、人体工学曲率或柔软度或该性质的程度之间作辨别。该属性亦可能使用本发明的方法及装置以设计或选择嗅觉感受的香味及口感或口感/嗅觉感受的味道。

〔0047〕接着，本发明的方法具有该选择者表示用于该呈现的产品形式的子集合(一个或一个以上)的喜好，并且表示由该选择者所显示的喜好的数据将保存而用于演化设计选择的使用及/或作为用于共同分析的基础。如同在此所揭露的，各种票选方案可以使用，具有用于累积、收集、过滤或其他以视该活动的目标而定的数据为条件的协议的选择。该保存的数据为进入用于产生衍生出的群体或“次世代(next generation)”的产品形式的程式内。这些包含的产品形式具有其中一个或皆具有新的属性(例如新的颜色或用于产品设计的零件或组件的新的形状)、具新的数值的属性或新的属性的组合。如同上文所提及的，该程式采用各种已知的或尚在开发中的方法、技术、数据处理方法及演算法以产生该衍生出的群体或下一个发展。

〔0048〕该程式由一组产品属性而选择以产生至少部分一组特定衍生出的产品形式，或者可以采用产生或修正属性的功能。该程式亦可以允许或鼓励选择者或第三参与人，例如该***的经营者或管理者，以在该周期中的任何关键点删除特殊产生的产品形式或导入新的产品形式。再者，该程式可以允许第三参与人或该选择者限制针对那些包括(或者，相反地，未包括)某些预先选择的属性(或属性数值)的衍生出的群体的产生，以便增加(或相反地减少)具有该属性的衍生出的产品形式的人口群体，亦即，可以回应于由该选择者或管理者控制该***的边界条件。

〔0049〕这些计算技术(或者如同下文所揭露的，票选技术)对于特定目标的适应性例如包含于该市场研究实施例的例子中，而控制该演算法/程式以便该参与者(通常在线上的大量消费者)通过该电脑程式为提供具有各种以连续产生方式的产品形式，该连续产生为经由特殊地设计以呈现不同材料的、各种不同的设计选项以便提升具有产品属性的各种组合的该设计空间的探索。可选择地，或额外地，该电脑程式产生衍生出的产品形式，该衍生出的产品形式收敛于一组匹配其中一个或子集合的消费者的喜好的产品属性上，亦即，演化朝向“合适产品”-最匹配该消费者的喜好的产品。在另一个目的中，该电脑程式产生衍生出的产品形式，该衍生出的产品形式收敛于具有多组产品属性匹配符合多个子集合的消费者的喜好的产品属性的多个产品形式上。因此，该***可以允许确认具有类似的喜好及满足该喜好的设计的群体消费者。

〔0050〕本方法可以包含重复选择的周期及衍生出的产品形式产生足够数量的次数以允许由该选择者所喜好之一个或多个产品形式的决定。尤其在其中该选择者为群体的消费者的群体设计成果中，本方法可以造成超过一个以上的喜好设计及观察的确认成为造成该设计及观察的隐藏的驱动者。收集关于该选择者的人口统计学的数据及使由该选择者所喜好的产品形式与该人口统计学的数据产生关联允许可能使用不同的技术所采用的市场区隔的确认。因此，本发明使得新形式的市场研究变得容易，其中该市场的经营者能够看出消费者或群体消费者对于特定的产品形式的相关的共同性，或者看出市场区隔，例如，初期的适应者、后期的多数者等等。

〔0051〕因此，本发明提供用于进行混合实验的方法，该方法通常结合收敛及非收敛活动以分析群体的选择者的设计喜好倾向。

〔0052〕在各种实施例中，该非收敛的活动包含共同分析并且该收敛的活动包括通过基因或演化演算法的使用而演化或选择决定标的。本发明的不同的实施例使用各种方法以在收敛及非收敛实验之间作转换，每一个方法在获得关于选择者的设计喜好的资讯的角度上为具有不同的益处。各种重复性、时间限制及其他标准经由使用以决定何时及如何在非收敛及收敛的活动之间作切换。在某些版本中，该实验为混合的收敛及非收敛的活动。在其他版本中，该实验为混合的数据收集及收敛活动。这些变化及其他方法在说明书的其他部分及后附的申请专利范围之中作较详细的讨论。

图式的简单说明

〔0053〕上文所描述的本发明与优点以及其他更多优点，可以通过参考结合该附加的图式之下列的描述而有更多的了解。在该图式中，类似的图式标号于全文的不同的型态中通常意指相同的部分。再者，该图式并非按比例呈现，相反地重点在于传达本发明的概念。

图1为说明用于执行本发明的该***的其中一项实施例的方块图。

图2为显示依据本发明所进行的决策或设计活动的程序步骤其中一项实施例的流程图。

图3A及3B包括显示欲在包含以购物决定作为最终结果的多种目标选择者个体的活动中所进行的步骤的其中一项实施例的流程图。

图4A为显示欲进行确认在演化设计活动中的市场区隔的步骤的其中一项实施例的流程图。

图4B为描述演化演算法特征演变及安置(niching)的其中一项实施例的流程图。

图4C为描述欲执行计算匹配机率的步骤的其中一项实施例的流程图。

图4D为描述欲执行计算及个体安置减量的步骤的其中一项实施例的流程图。

图5为描述使用于与本发明连结的注册页的其中一项实施例的萤幕画面撷取。

图6为描述使用于与本发明连结的对话画面的其中一项实施例的萤幕画面撷取。

图7A为使用于接收使用者输入的画面的其中一项实施例的萤幕画面撷取。

图7B为描述在票选提交之前的特定喜好评估的萤幕画面撷取。

图7C为描述在票选提交后的第二个票选画面的其中一项实施例的萤幕画面撷取。

图7D为显示“单击点取面板(pick panel)”及“进行程度列(progressbar)”的票选画面特征的实施例的萤幕画面撷取。

图8为描述依据本身的R-空间表示的项目显示的实施例的萤幕画面撷取。

图9为描述依据本身的特征表示的项目显示的实施例的萤幕画面撷取。

图10及11为显示在其中一项的设计活动期间呈现给参与者的项目的萤幕画面撷取。

图12为描述其中一项实施例的R-空间绘制的萤幕画面撷取。

图13及14为描述在其中一项实施例的设计活动的特征因子的分布的萤幕画面撷取。

图15为描述本发明的实施例的图示，其中非收敛活动转换为收敛活动的实验。

图16A及16B、18A及18B、19与20为依据本发明的各种实施例描述用于在非收敛活动及收敛活动之间作转换的方法的图示。

图17A至17C说明依据本发明的实施例的遗传距离(geneticdistance)的概念。

图21为依据本发明的实施例概略地描述在收敛实验之后用于执行非收敛实验的方法的图示。

图22A为依据本发明的各种实施例描述用于在收敛活动及非收敛活动之间作转换的方法的图示。

图22B为依据本发明的各种实施例描述用于在收敛活动及非收敛活动之间作转换的另一个方法的图示。

图23为依据本发明的实施例描述对于该保存的数据进行收敛实验及采用共同分析的图示。

图24为描述通常与收敛实验平行进行的非收敛实验的图示。

发明的详细说明

〔0054〕简要观的，本发明的申请专利范围提供一种从用于决定标的及本身的属性的各种设计选项之间有效地分析选择者的设计喜好倾向的方法。该方法可用以收集提供任何特定目标群体的喜好的资讯的丰富的数据集，以看出那一个产品或服务的属性对于该选择者是重要的或不重要的，并且忠实地显现较佳的产品形式及不会有偏差。该方法为电子式地实现并且通常非同步地经过相对短的时间周期。该方法可以经由设计以符合任何设计或市场研究目标的集合及获得有关于考量与任何类型的产品相关的任何特定的设计议题。在优点上，该方法利用收敛活动及非收敛活动以从该选择者获得各种不同喜好的资讯。

〔0055〕图1显示其中本发明可以使用的环境的其中一项实施例。选择者可以使用一个或一个以上之用户端***10、20、30、40以经由网路100与一个或一个以上的伺服计算***50、52、54产生通讯。该网路100可以是诸如乙太网路的区域型网路(local-area network，LAN)，或者诸如网际网路或全球资讯网的广域型网路(wide area network，WAN)。用户端***10、20、30、40可以通过包含标准电话线路、区域型网路或广域型网路连结(例如T1、T3、56kb、X.25)、宽频连接(整体服务数位网路(Integrated Service Digital Network，ISDN)、讯框传送(Frame Relay)、异步转移模式(Asynchronous Transfer Mode，ATM))及无线连接的各种连接而连接至网路100。该连接可以使用各种通讯协定(例如，传输控制协议/网际互联协议(Transmission ControlProtocol/Internet Protocol，TCP/IP)、网路封包交换(Internet PackageeXchange，IPX)、序列封包交换(Sequential Packet eXchange，SPX)、网路基本输入输出***(Network Basic Input/Output System，NetBIOS)、乙太网路、推荐标准232(Recommended Standard232，RS232)及直接非同步连接)而建立。例如，该网路100可以是连接在组织内的决策者与中央的决定引擎的法人内部网路，或者该网路100可以是连接诸如企业的供应商或谘询者的不同的实体与该企业的设计引擎的安全的外部网路或虚拟的私人网路。

〔0056〕如同在图1中所显示，用户端***10、20可以是通常由使用者所使用之用户端计算***，诸如任何的个人电脑(例如，286型、386型、486型、Pentium型、iTanium型、Power PC型)、视窗型终端(Windows-based terminal)、网路电脑(Network Computer)、无线装置、资讯家电、X装置(X-device)、工作站、迷你电脑、大型电脑、个人数位助理或其他计算装置。在这些实施例中，用户端***10、20可以使用诸多视窗导向的操作***的任何其中一个，诸如Windows3.x、Windows95、Windows98、WindowsNT3.51、WindowsNT4.0、WindowsCE、Macintosh、Java、Unix及Linux。在这个实施例中，该选择者包括通过该用户端10、20与该***互动的该使用者12、22。

〔0057〕在其他实施例中，用户端***40为一种位在零售商店的资讯站。在这些实施例中，该用户端节点40可以包含用于接收消费者入的触控感应式萤幕或薄膜式键盘。在其他实施例中，该用户端***40为由贩售交易收集消费者喜好资讯的零售的贩售点终端。在图1中之用户端***30描述为用于实际人员的代理主机的选择者的实施例，诸如电脑程式化及训练成为类神经网路、统计模型、分散计算演算法、增强或Q学习方法、学习分类***或其他机器学习方法或专家***。在这些实施例中，用户端***30可以是实现评估模型或演算法之一个或一个以上的程序(执行绪或其他)，诸如类神经模型、学习分类***、统计模型或专家***，该方法比较人们的票选喜好并且该方法通过代理主机进行票选。这些程序可以在用户端***30上执行并且经由网路100与伺服器***50、52、54通讯。另外，该用户端***30可以在该伺服器***50、52、54上执行并且使用管线、分享记忆体或诸如远端程序呼叫的信息类型通讯而与各种伺服器程序通讯。

〔0058〕在很多实施例中，其中一个该伺服器50、52、54为负责用于呈现给选择者产品形式的初始人口群、产生该衍生出的产品形式呈现给该选择者及保存与处理表示该选择者的喜好的数据。这个伺服器称为该“呈现伺服器(presentation server)”。至少其中一个属性数据库60储存可获得用于产生产品形式的可能的属性。至少其中一个票选数据库70储存在该程序进展期间来自该选择者所获得的喜好数据。在某些实施例中单一数据库系用以储存该可能的产品属性以及获得的喜好数据。

〔0059〕另一个伺服器50、52、54实现使用该储存的属性数据及该储存的喜好数据的创造及演化的计算程式以产生该产品形式的呈现。这种伺服器称为“产生伺服器(generate server)”。该呈现伺服器处理这些产品形式呈现以产生可以呈现给该选择者的产品形式。

〔0060〕另一个伺服器50、52、54负责担任票选总合分析伺服器。这个伺服器扮演数个角色：该伺服器保存来自该选择者的喜好数据及储存该数据于该票选数据库70内；该伺服器亦分析该数据及转换或处理该数据成为可以由产生伺服器所使用的格式；该伺服器亦用以发展模型，诸如统计或类神经网路型模型或其他该选择者喜好的机器学习模型，并且可以使用这些模型以在呈现该产品形式给该选择者之前，消除某些由该产生伺服器所产生的形式。此外，该伺服器可以提供表示该选择者的子集合的喜好的数据，该数据可以通过呈现伺服器附加于该呈现的形式。虽然以个别的伺服器作描述，该产生伺服器、呈现伺服器及票选总合/分析伺服器可以包括成为任何数量的实体伺服器。

〔0061〕于本发明的允许或采用由该选择者或该选择者的子集合的购物决定的实施例，其中一个该伺服器50、52、54可以是电子化商业伺服器(e-commerce server)。例如，购物决定可以对于设计活动或个体提供其中一个停止条件，包括该选择者可以允许提出用于其中一个本身发觉满意之中间的产品形式的购物订单。对于熟习该项技艺的人士所完全了解的该电子化商业伺服器使用含有诸如帐单资讯及运送地址的客户资讯的数据库。该电子化商业伺服器可以使用以从该用户端获得相关的帐单及运送资讯、处理该资讯、储存该资讯于该数据库中及传送该相关的数据给该订单完成实体。

〔0062〕该选择者亦可以包括经程式化成为统计模型、类神经网路、学习分类***、其他机器学习模型或具有其他适当的软体演算法“经由训练”以模仿或模拟消费者的喜好模式的电脑。此类代替的选择者在其他事物之间于电脑推动的紧急设计周期期间可以促使该回馈及评估过程变得容易。适当的电脑程式除了可能身为管理者之外，复可以促进或甚至消除该消费者的参与。例如，在进入训练时期之后，评估程式可以呈现用于一组特定的选择的建议的喜好模式(评估)给该消费者以在提出之前接受或调整成为针对该产生程式的输入。在重复周期之后，该消费者可以允许他的或她的个人评估程式以在暂停允许该消费者做调整之前，持续提供未受管理的输入至该产生程式数个周期。最后信任的感受可以发展于该消费者及允许该评估程式作为用于该消费者的代理主机的评估程式之间。此种方法的优点在于该评估程式的产生程式可以由很多初始安排的评估位置(选择)开始产生交互作用并持续数个周期，以在该消费者喜好及特定的设计选所述的间探求更为完整合适的式样。

〔0063〕该类神经网路、学习分类***、机器学习***、专家***或其他类型的评估程式可以经训练使用具有电脑产生的选项及消费者定义的评估之一组紧急的设计周期。该具有个人化的评估程式能够于未来协助与该紧急的设计程序产生沟通的期待对于消费者可以是一项诱因以形成一组大量的设计周期。

〔0064〕在本发明的其他实施例中，该选择者由单一的个体所组成，亦即，该***为单一使用者***。在这个例子中，并未具有多个票选作总合及分析。因此，该票选数据库70经由使用以储存该喜好数据于该整个设计活动或用于该特定选择者的决策程序。该票选数据库70亦可以含有来自其他选择者的喜好数据，该选择者可为已经参与目前该数据库之前的类似活动，包含来自其中该选择者先前已经参与之活动的数据。其中一个该伺服器50、52、54收集、分析及储存来自该选择者输入的喜好数据；该伺服器亦可以使用以通过提供数据给该呈现伺服器而提供回馈给该参与者，该呈现伺服器为表示通过该活动的持续期间该选择者的喜好的演化，或者该呈现伺服器可以提供该选择者具有用于比较目前喜好与储存在该票选数据库70内的依据。

〔0065〕图2为结合本发明的方法之用于例示性的决策或产品设计活动的程序流程图。

〔0066〕在这个实施例中，该程序开始于确认该活动的标的，亦即，由方块210所表示的该决定标的或该设计标的。在这个位置，该标的以非常一般的名词作确认，诸如“网球鞋的颜色”、“下一周的会议议程”、“用于下个月的共同会议的名单”。接着，在步骤211中，在该活动期间将允许改变的该标的的那些属性将受到确认，并且该属性将允许采用的不同的数值将作决定。例如，在上文所提及的网球鞋的颜色的例子中，步骤211可以包含确认受到设计变数所影响的鞋子的个别的元件；该结果可以是：该鞋面颜色、该鞋眼颜色、该鞋舌颜色、该鞋后跟颜色、该鞋底颜色及该鞋带颜色。再者，每一个这些元件可以采用的颜色的范围将会建立。例如，该鞋带可以具有该鞋带可以采用的三个不同的颜色，例如白色、黑色及红色，或者可以具有四个红的或使用不同数值的红色属性的阴影。在其他实施例中，属性可以具有连续范围的数值。

〔0067〕通过方块212所表示的在该程序中之下一步骤包含决定将使用以内部地呈现该特定设计或决定标的于该基因演算法、基因程式或其他基因或演化计算技术程式中的呈现或基因型编码(genotypiccoding)。在其中基因演算法的例子中，该“基因型(genotype)”为编码每一个属性数值的数据结构，使得属性结合的特定的距离或该结构的“数值”表示其中一个特定的产品形式。该属性为直接地连结至上一个步骤211，其中该属性及本身的可能数值将作决定，有时称为“特征化(featurization)”。接续该网球鞋颜色的例子，适当的基因型可以由六个串连一起的整数所组成，每一个整数可视为表示诸如该鞋带颜色的其中一个该确认的特征的基因。该整数接着将限于采用具区别性的整数数值，在此，例如，三个为0、1及2，每一个整数数值为使用以表示三个用于该鞋带的预定的、允许的颜色的其中一个。这个例子的基因型结构为概略地显示于下文中。

整数1

整数2

整数3

整数4

整数5

整数6

表示      表示      表示      表示      表示      表示

鞋面颜色  鞋眼颜色  鞋舌颜色  鞋后跟颜色  鞋底颜色  鞋带颜色

范围：0-7 ...       ...       ...          ...      范围：0-2

〔0068〕由方块213所表示的在该流程图之下一步骤包含决定由上文所描述的该基因型表示映射及转换数据结构内部至该演化演算法、至该基因型，该基因型为可以呈现给该选择者的对应的形式呈现。在该网球颜色的例子中，这种映射是简单的，如同在特定特征颜色及本身的索引数值之间具有简单的对应。在其他例子中，这种映射可能较为复杂。例如，基因程式化所使用的例子中，该基因型可以编码成产生产品形式的程式或一组指令，例如几何形状，或决定形状的参数化电脑辅助设计模型，该电脑辅助设计模型参数为通过整组基因而编码。

〔0069〕在该下一个步骤222中，非收敛的活动为选择性地进行。在非收敛的活动中，数据是由该选择者所获得，但是此类的数据最好不使用于演化决定标的或限制欲演化的决定标的的范畴。然而，在各种的实施例中，该数据可于收敛的活动中用以移驻(populate)一个或一个以上的由该选择者所注视的焦点视窗。另外，该数据可以储存及后续使用以分析及/或提出该选择者的喜好的报告。讨论收敛及非收敛活动的使用及交互影响的实施例及促使在该两者之间转换变得容易的切换条件在后述标题为“混合实验”的段落中将作更进一步的说明。

〔0070〕前述的步骤为用于该收敛部分的程序的准备步骤，该程序开始在步骤214。在步骤215中，用于该收敛活动-可能的设计、可能的决定、可能的名单-的可能的解决方案的初始人口群将产生。在基因及演化计算的语言中，这个初始人口群通常称为种子人口群(seedpopulation)或试验人口群(trial population)。典型的人口群尺寸范围从2至100,000。

〔0071〕该人口群的每一个成员为较早前所描述的基因型的例，亦即，其中每个场域(filed)或“基因”占有其中一个本身允许的数值的数据结构；这些数值亦称为染色体(chromosomes)。该种子人口群可以通过从对于在该染色体内的每个场域的允许范围选取随机数值而产生。另外，该种子人口群可以通过上文所描述的该非收敛活动222的使用而选择。例如，在这个阶段各种实施例依据由选择者进一步所接收的输入可以采用共同分析。其他可能的方式以移驻该可能解答的初始集合在于用作为上一个活动的结果的染色体，表示由人们使用其他(更多传统的)工具所设计的产品形式或在部分视该程序的目标而定的其他方法中的活动。

〔0072〕一旦该初始人口群产生，该人口群呈现给该选择者用于评估。这个步骤由216表示。呈现该可能的解答可能需要使用在步骤213中所决定的该基因型至表现型(phenotype)转换技术。步骤216可以包含呈现可能的解答的所有人口群给该选择者，或者该步骤216可以包含呈现该人口群的子集合。在某些特定的实施例中，该选择者为呈现具有该整体的(在这个例子中，该初始的)人口群的子集合或具有“视窗”于该整体的人口群上。至少，两个可能的解答系呈现给该选择者。在步骤216，结合该产品形式的呈现，该选择者亦呈现具有用于表示在该产品形式之间的喜好的工具。这种工具可以以任何数量的方式而实现，从点击认为良好的的产品、至移动该指定的分数至所呈现的各种形式、通过喜好的指令订购该形式等等。这些方法每一个产生保存及使用于下一个步骤中的特定类型的喜好数据。尤其，选择者可能通过发出对于其中一个所呈现的形式的购买请求，作为表示他的或她的喜好的其中一种方式，该形式为假设认为满意的形式。

〔0073〕在步骤217中，来自该选择者的喜好数据通常以电子形式被收集及分析。在其中包括该选择者的超过一个以上的个体的例子中，来自该不同的个体的喜好数据必须经过总计及处理以使该数据能使用于该程序之后续步骤中。在这个步骤中，可以使用任何种类的票选总计方法。应该注意的是该票选总计方法及提供给该选择者以表示本身的喜好的方法是技术上相关联的。

〔0074〕使用于本发明的实行上的该票选***可以包含但不限定于下列几项：

〔0075〕多数原则及多数决方法(Majority Rule and majoritarianmethods)仅依赖来自选项之间的二元化比较的资讯。可能多数原则的最熟悉的例子是在美国的总统选举，该选举通常是在两个候选人之间的选择。多数原则选举技术的赢家是由超过半数的选举人所喜好的选择(或候选人)。

〔0076〕定位方法(Positional Methods)使用比多数决方法更多关于投票者的喜好顺序的资讯(但是并非必然整个顺序)。在多个票选中(亦已知为领先者当选制(first past the post))每个投票者票选他或她最喜欢的选项，其中n为待选择的候选的数目。具有最多票选的选项将胜出。不像多数决方法，因为在多个投票中的票选分散，对于两个类似的候选可能皆输给具充分差异性的第三个候选，即使该第三个候选在整个选民中较不受喜爱。由于定位方法包含呈现数个选项给在该活动中的参与者并且要求该参与者依喜好顺序排列选项，该方法特别地与本发明的数个较佳的实施例有关。

〔0077〕多重阶段方法(Multi-Stage Methods)在该票选过程的不同的阶段使用不同的函数或机制；该方法亦重复地使用相同的机制于递减数目的选项上。

〔0078〕在单记让渡投票(single-Transferable Voting(STV))中，投票者排序出所有的候选而送出本身的喜好。任何接收超过下限数目的第一序位的候选将受到选定。若该选定的候选接收比必要的选定更多的票选，该候选已经接收的超过的票选为依据该投票者的第二选择喜好而重新分配于该剩余的候选上。并且接着，接收超过该必要数量的票选的任何投票者，接续该超过票选的重新分配，将受到选定，并且新的回合的重新分配将执行。若未获得超过胜出的票选并且该必要数量的胜者并未达成，该最低的得票候选将消除并且对于该候选的票选将重新分配。

〔0079〕库氏程序(Coomb’s procedure)为类似于单记让渡投票，除了收集最后序位的选项将消除(并且本身的票选重新分配)。而单记让渡投票倾向选择最极度相似的选项，库氏程序倾向由该多数选择最不相似的选项。

〔0080〕实用性方法(Utilitarian Methods)。不像目前所讨论的方法，该方法仅需要该投票者提供该选项之一般排序，实用性方法需要主要的评价。该投票者为受要求以指定实用性数值给每一个呈现给该投票者的选项。这种实用数值是意在反应该投票者由每个选项预期衍生出的快乐或满意的数量，使用有限的等级(通常所使用的等级为由1至5、1至7、0至10或由0至100分布的等级)。在实用性方法中的结果为依据由该投票者对于各种选项所给定的实用性数值的总合。

〔0081〕在其中一项实施例中，本发明考量当该设计活动进行时由其中一个***至另一个的票选策略的切换。在另一个实施例中，各种票选方法经由考量用于收集在收敛及非收敛活动中的资讯。

〔0082〕如同由上文所提及的票选方法的列表将显而易见的，某些方法在公正性的特定量测上是较佳的，诸如扩大参与者，而其他方法在快速发现于潜在上仅少部分组成该选择者的人员感觉强烈的选项上是较佳的。换言之，在依据本发明所进行的活动期间所使用的票选***在该活动期间于任何特定的情况例如当采用该市场研究实施例时，可以辅助探索或辅助达到快速最佳化，或收敛至由包括例如特定市场区隔的该选择者的代表的人员或一组人员所喜爱的特定设计。因此，本发明的申请专利范围可以在该活动的进行期间，通过在票选模型之间的切换，而实行以早期辅助探索及接着推动朝向在后续阶段的解决。同样地，不同的票选方法可以结合该收敛及非收敛活动而使用。这种一般性概念已经公认为具有使用于基因演算法的特定标准技术的数值而用于避免过早收敛及允许提早探索。

〔0083〕本发明的另一个型态考量并行地执行简单的票选***及例如在该活动的进行期间比较在每个产生或在指定位置处的输出。决策方案或原则或管理者接着可以决定那一个使用或可能使用本身的结果的某些组合以在该程序中推动下一个重复比较。此类的决定不仅可以依据在作出评估的同时间的目前的票选数据，而且可以依据不同的票选或数据总计方案及票选历史记录或较早的重复比较。

〔0084〕在步骤218中，该喜好数据以及该活动的其他参数(诸如该时间经过、重复执行的数目等等)将作测试以看出是否已经符合停止条件。若停止条件并未符合，该程序移至步骤219上。在这个步骤中，该基因计算的运算为执行于可能的解答的人口群上，以产生“新的”或衍生出人口群的解答。在这个阶段所使用的演算法如同上文所提及的可以大量地改变。在该较佳的形式中，该运算为具有实数及整数数值的基因的基因演算法。通常最常以基因与演化计算而实现的运算器包含选择或重制运算器、重组或交错运算器及转换运算器。重制运算器基本上建立目前产生的解答的成员的复制作为本身的适合性的函数。由该选择者所喜好的可能的解答，亦即，由该选择者所发现以具有高程度的适合性的解答，比发现为较不需要的解答为较有可能受到选择及重新制作。应该要注意的是重制运算器的大部分的实现并非决定论的，而是包含随机的要素。换言之，可能性在于可能的解答将是依据本身的适合性而改变的重制。亦应该注意的是高度适合的解答可能造成该解答的数个复制在重制之中间阶段而显露出来。

〔0085〕另一个运算器为该交错运算器，该运算器作用在为该重制运算的结果的解答之中间的人口群上。在交错中，该中间的人口群的成员是配对的，并且每一对的两个染色体分离的及不同部分交错组合的，造成一对子代，亦即，新配对的可能解答。下文的示意图表示单点交错的例子。

亲代1及2

G1P1	G2P1	G3P1	G4P1	G5P1	G6P1
G1P2	G2P2	G3P2	G4P2	G5P2	G6P2

交错点

子代1及2

G1P1	G2P1	G3P2	G4P2	G5P2	G6P2
G1P2	G2P2	G3P1	G4P1	G5P1	G6P1

〔0086〕该结果的产品具有两个染色体，依循在基因2及3之间的单点交错。

〔0087〕该配对过程可以随机执行，依据该不同的基因的适合性及符合性。此外，特定方案依据本身的基因相似性或不相似性可以使亲代配成一对(在此之后将描述更复杂多样的配对方案)。再者，对于在任何给定配对上的有效交错运算的决定可能包含随机的要素。在单点交错中，该交错位置亦可以随机决定。(使用于本发明的某些实施例并且于后续所描述的，对于每一对亲代造成单一子代)

〔0088〕许多交错运算器已经由研究者及在基因计算的领域中的从业者所开发；这些运算器包含多点交错及均匀交错(uniformcrossover)，每一个运算器在不同的条件下提供不同的效能(以收敛或该探索/利用交换表示)。在实数数值基因的例子中，该交错运算器可以包含在该亲代染色体中的该对应的基因的数值之间之内插法及外插法。

〔0089〕接续交错式(following crossover)，转换运算器系使用于该子代上，亦即，交错的结果。转换为意在增加可能的解答的空间的探索的随机运算。该实现视所使用的该特定的表示而定。在其中使用二元化数值基因演算法的例子中，该基因型组成0与1的串列；在该例子中，转换包含在特定的机率下随机翻转位元(由0至1，或由1至0)。例如，若该转换率为0.1％，则在平均上，壹(one)在该染色体的人口群中每1000个位元将会遇见，壹将随机受到选择及翻转。在基因采用整数数值的例子中，则在适当的转换机率下(假设平均上每1000个基因中的每一个)，该整数以随机方式由用于该基因的允许的数值的范围或由该基因的某些邻近的该目前的数值选择另一个作替换。

〔0090〕在该交错点上，在所有基因计算为使用于可能的形式或解答的人口群后，衍生出的人口群将可获得，并且步骤219为有效地完成。(可能具有额外的运算会使用，有时称为“怪异消除(monsterkilling)”，藉以可能已经产生的不允许的染色体将会消除及产生替换。)

〔0091〕该衍生出的人口群现在准备好呈现给该选择者用在步骤216处作评估，因此完成该回圈的其中一个重复运算。

〔0092〕在方块218，若其中一个停止条件符合，该程序进入至方块220，该方块220表示该收敛活动的结束。在步骤220处，较佳的形式或数个较佳的形式221已经找到。在这个地方能够以不同的选择者或以相同的选择者但具有不同的初始人口群的解答或两者而重复该活动。该方法亦能够执行相关的活动，对于该相同的设计或决定标的使用不同的属性或不同的属性范围(亦即，虽然步骤210未做改变，步骤211经由重复以获得不同的属性。)。若阶层式设计程序正在进行，这方法将是一个例子，因此该产品的其中一个目的首先在于设计，接着为另一个目的。例如，在其中一段时间设计鞋子的形状，接着为选择用于该鞋子的颜色种类。

〔0093〕在该收敛活动之前、期间或之后各种实施例亦可以并入选择者的调查或问卷。这将说明于用于这个实施例的步骤220中。对于在该项技艺中已知的人士而言，该调查可以是标准的市场研究调查、设计以诉诸于选择者的意见。通过调查的使用所获得的资讯可以并入选择的非收敛活动222、223内或作分析，或者依据在此所描述的方法而提出报告。

〔0094〕图3A及3B表示用于具有购物作为允许的结果的例子设计活动的程序流程。方块310至316以及方块318至320为类似于用于图2的先前描述的本身的对应版本。方块336及338揭露选择性地进行非收敛活动，如同于图2的方块222及223。

〔0095〕在本发明的这项实施例中，在喜好数据从在方块317内的选择者所收集之后，该数据受到检查关于来自该选择者对于呈现于316内的其中一个产品形式的任何成员所请求的任何购物的呈现。若该喜好数据包含此类的购物请求或多个请求，该选择者的成员结合确认该选择的产品形式的资讯系导向至电子化商业伺服器，其中该需要的运送及帐单资讯332由该个体所获得。关于该选择的产品形式的资讯在步骤333中为发送传递至实现中心或至该说明过程之外的制造及实现运作334。

〔0096〕现参考图4A并且在简单的概观中，动态确认对于多个选择者具有类似的共同性之一组项目的方法包含该步骤：呈现用于显示给群体的选择者第一群体的项目(步骤402)；保存显示由至少某些该群体的选择者(步骤404)所表示的项目喜好的数据；选择相应该被保存数据的第二群体项目(步骤406)；及确认在个别的属性之间具有类似性的子集合的第二群体项目(步骤408)。

〔0097〕再参考图4A及更多的细节中，第一群体项目如同上文所描述结合图2的步骤216为用于显示而呈现给群体选择者。例如，该项目可以图形化呈现，亦即，诸如该项目的图式或照片的图形化呈现为显示给一个或一个以上的选择者。在其他实施例中，该项目的显示意指诸如表示一个或一个以上的项目的电脑辅助设计(computer-aideddesign，CAD)文件或电脑辅助制造(computer-aided manufacturing，CAM)文件的数据文件的提供。在其他实施例中，项目可以听觉呈现。该项目可以通过该伺服器计算节点30、32、34或该用户端计算节点10、20而呈现。欲呈现用于显示的项目的选择可以通过该用户端节点10、20、该伺服器节点30、32、34或用户端节点及伺服器节点的某些组合而执行。

〔0098〕表示项目喜好的数据如同上文所描述在图2的连结步骤217将作保存(步骤404)。项目喜好可以保存在每一个用户端节点10、20以回应于在步骤202中的项目的显示。本发明存在具有很多的方式其中选择者可以通过该人口群的k个实体表示喜好。例如，该选择者可以依据喜好排序该实体，其中该最喜爱的实体(多个实体，例如领带)接收k分，该次喜爱的为k-1分等等。另外，该选择者可以以零至一百的尺度评估每一个实体，或只是标示那一个实体为可接受的及那一个为无法接受的。不管其中所给定的投票者回馈的方式，来自所有投票者的回馈接着为适当地按比例调整使得回应是直接可比较的。

〔0099〕按比例调整选择者回应移除来自该例子的不符合部分，其中该选择者通过评估实体回应于某些比例调整上(例如，〔0，100〕)。若其中一个选择者对于所有k个实体是高度狂热的，同时另一个是非常冷淡的，则该两组回应之比例调整将不作比较。因此，由该狂热的选择者所给定的分数对于该演化***的轨迹将具有较大的影响性。

〔0100〕该比例调整的问题通过标准化的使用而解决。令uⁱ _j为“原始的(raw)”回应或得分，给定由投票者i至实体j。投票者u_j为经由标准化以建立向量g_i：

$g_j^i=\frac{u_j^i}{{\mathrm{\Σ}}_{m=1}^k{u}_m^i}$

其中

$g_j^i\∈\left[\mathrm{0,1}\right]$

并且

$\underset{j}{\mathrm{\Σ}}{g}_j^i=1.0$

实体j的分数给定为：

$s_j=\underset{j}{\mathrm{\Σ}}{g}_j^i$

〔0101〕显然地，由于排序不会产生比例调整的问题，若投票者以排序实体而回应，这个步骤是不必要的。由于该方法并不会损害该投票数据，其中比例调整问题并不存在，标准化仍可以执行。

〔0102〕收集回应于该保存的数据(步骤406)的第二群体项目如同上文的描述包含决定该人口群的成员的“适合性”、依据适合性选择用于匹配的该子集合的人口群、选择用于该项目的“配对”及允许该结果的亲代对以“重制”。

〔0103〕如同在图4B中所显示，实体j的适合性f_j定义为本身的分数(上文给定为S_j)除以本身的位置扣减。在下文中详细描述的该位置扣减是一种反应实体加入冗余于该人口群的程度的量化。通过产生扣减冗余的正相关的函数，我们建立一种迫近以维持基因的(及假设表现型的)多样性。多样性维持是必须的以成功地达到及维持明确的种类，该种类可以视为个别的喜好介绍及/或市场区隔。

〔0014〕该适合性向量f经由标准化以获得每一个实体将受到选择以产生子代所具有的机率。此种方法称为适合性比例的(fitness-proportionate)选择。通常，适合性比例的选择是通过简单的“轮盘式(roulette wheel)”演算法而实现，其中每一个实体具有在尺寸上等比例于本身受到选择的机率的轮盘“派(pie)”的刀片。在每一次我们希望选择亲代时该转轮将“旋转”一次。若受到选择的实体的机率为p，并且我们旋转该转轮k次，则该实体将受到选择的该期望数目的次数为pk。

〔0105〕这种轮盘式实现产生多项式分配。因此，若该旋转的数目够大时，该观察到的行为将接近符合该期望的行为。但是若旋转的数目过小，该观察到的行为具有较高机率脱离期望的行为。对于任何有限的旋转数k，存在着具有机率0＜p＜1.0受到选择的实体在任何地方从零至k次将受到选择的非零的机率。

〔0106〕对于使用重组变化运算器(亦即交错式)的实施例，k子代的产生需要k对亲代。选择该配对将使用匹配喜好而非使用适合性资讯。每一个演化的实体具有组成两个明确的部分的基因。该基因的其中一个部分决定实体的评量特性(merit traits)-由人类投票者所评估的特征并且最终导致该实体的适合性。该基因的另一个部分决定实体的再制特性(reproductive traits)-表示该实体的匹配喜好的特性。再制特性并未影响实体的适合性。

〔0107〕实体的价值特性的确切的结构-遗传因子数值的形式及范围-是视范围而定的。相反的，再制特性是定义为实数并且不限定于落在特定的范围内。所有的实体具有相同数量的再制特性-q实数值基因。我们解释实体的q再制特性为在q维度的欧几里德(Euclidean)空间内的点。实体喜好与在这q维度的“再制”空间内较接近的其他实体匹配更甚于较远的实体。

〔0108〕图4C详述实体如何挑选配对。对称的矩阵R将作计算，其中项目Rij为在实体i及j之间的欧几里德距离。在计算配对喜好中之下一步在于由R衍生出R’，如同下文的定义。项目R’_ij的较大的数值、该较多的实体I将倾向与实体j配对。实体可能不与本身配对，因此该对角由零所组成。尤其，对于实体i与实体j配对的意愿为：

$R^{\′}\mathrm{ij}=\left\{\begin{array}{cc}0& \mathrm{ifi}=j\\ e^{-\mathrm{\β\γ}}& \mathrm{otherwise}\end{array}\right\}$

其中

$\mathrm{\γ}=\frac{\mathrm{Rij}}{\max \left(R\right)}$

〔0109〕因此，对于配对的意愿以欧几里德距离而指数性地下降。这种下降可以使用系数β而比例调整。若β＝0，则该实体未具有配对喜好并且将随机配对(虽然自我配对将仍然不发生)。若实体i已经因为本身的适合性而受到选择，我们对该实体通过标准化矩阵R’之列i而挑选配对以获得配对选择的机率。这些机率为使用于建构旋转一次以选择所需的配对的轮盘。这种过程将重复用于每一个寻找配对的实体。

〔0110〕在这个实施例中，当两个亲代实体匹配时，单一子代将产生。使用于价值特性的该重组运算器系视所允许的遗传因子数值的形式及范围而定，并且因此随着定义域而改变。使用于该亲代的再制特性的该重组运算器计算在再制空间中的本身的位置的该算术平均值-该子代是位在再制空间中的本身的亲代之间之中间。在其中一项实施例中，在该子代的位置计算之后，同时小量的高斯(Gaussian)杂讯将加入。在其中一项特定的实施例中，该加入的杂讯具有零的平均值及2.0的标准差。

〔0111〕如同上文所讨论的，实体的适合性定义为本身的分数除以关于该实体带给该人口群的冗余的数量的扣减因子。虽然基因型的类似性通常为容易于量测，该基因型的类似性并不必要是表现型的类似性的精确预测器，该表现型的类似性为其中多样性所寻找的空间。再者，表现型的类似性可能是非常困难或不可能决定的，视问题定义域及基因型-表现型映射的本质而定。物种(species)可以定义为重制与其他群体的实体隔离的群体的实体；在物种内的实体可以彼此重制。该物种演变过程是通过使用回馈而推动。若人类审美的意见的收集集中成为两个不相容的群体设计，使得未有属于第一群体的实体通过与属于第二群体的实体配对而可以产生可实行的(高度适合性的)子代，则两个物种将形成。安置促使物种演变过程变得容易并且允许物种更稳定地持续存在。因此，我们可以通过量测本身与在再制空间内的其他实体的接近程度而计算实体带给该人口群的冗余。若其中一个物种开始过多地充满该人口群，该物种的成员将开始接收比属于其他(较小尺寸的)物种更大的扣减。(描述于后述的使用基因型类似性作为用于计算该适合性扣减的基础的另一实施例)

〔0112〕图4D显示该安置扣减如何作计算。如同使用该配对选择程序，我们以使用矩阵R开始，其中项目R_ij为在再制空间中的实体i及j之间的欧几里德距离。由这个矩阵我们衍生出矩阵R’，其中项目R’_ij表示相对于使用在实体i的实体j所产生的扣减量。给定我们的类似性特性，我们使用计算类似性类型的扣减的三角法(triangular method)：

$R_{\mathrm{ij}}^{\′}=\max (\frac{-1}{S_{\mathrm{threshold}}}\frac{R_{i,j}}{\max \left(R\right)}+\mathrm{1,0})$

其中S_threshold∈[0，1]为决定将产生某些数量的扣减的最小量的类似性(或最大量的相异性)的参数。S_threshold的较大的数值减少在需要产生非零扣减的实体i及j之间的最小量的类似性。

〔0113〕在显示于图5中的实施例里，使用者的电子邮件位址、所需的密码及邮递区号为输入在文字登录区块502、504、506内。诸如性别、年龄、国家来源及收入范围的人口统计的资讯为使用下拉式选单510、512、514、516而输入。其他资讯为使用核取区块(check boxes)520、522、524而输入。本发明亦可以诸如选取按钮(radio buttons)及滑动条的其他图形的使用者介面技术。

〔0114〕在输入人口统计的资讯之后，该参与者为导向该活动。在某些例子中，可能具有其中该人员已经受邀参加之一个以上的活动；在该例子中，该参与者为导引至该不同的活动，不论是用控制或预先说明的方式或通过允许该参与者选择他或她希望进行的活动的对话萤幕。图6显示此类的对话画面。在显示于图6的实施例中，三个设计活动系呈现给该使用者：polo衫设计活动；T恤设计活动及“示范(demo)”活动。

〔0115〕图7A显示由参与者一旦他或她适当地移动至该活动将会看到的典型的萤幕画面700。此类的萤幕画面呈现给该参与者具有用于该设计(或决定)标的702、704、706、708、710、712的许多项目的选择。在这个图示中，该设计标的为polo衫，并且呈现于这个特定萤幕内的选项数目为六个。接着移动至设计选项，“赞成”720及“反对”722按钮为提供作为用于该参与者(亦称为“投票者”)表示关于在讨论中该设计选项之本身的意见的工具。图7B显示在该参与者已经给予该设计选项704正面的票选及该设计选项708负面的票选之后的相同的萤幕画面。在某些实施例中，绿色及红色的边框可以使用作为视觉的回馈机制以提醒该参与者于该对应的选项之本身的评价。在这个图示中，该剩余的四个设计选项702、706、710、712既未接收正面也未接收负面评价，亦即该参与者为该中性或矛盾地看待该选项，既非喜欢也非不喜欢它们。一旦该参与者已经输入他的或她的评价，票选为通过敲击该“票选”钮730而送出。这造成一组欲呈现用于评估给该参与者的设计选项，触发新的重复运算于上文所描述的程序中。图7C显示含有其中一组此类衍生出的选项设计的萤幕画面。在描述于这个章节的该特定的实现中，在每一个重复运算由该参与者所提供的该评价或票选资讯使用于各种方式中，该方法将于下文作描述。然而在此之前，下一段描述使用于这个例子中的特定的产品特征。

〔0116〕使用于这个活动中的设计标的表示其中一个特定的产品特征。polo衫可以以有限数量的方式特征化。在这个特定的例子中，将使用简化的特征化，而组成下列的设计要素：该衬杉本体的颜色、该衣领的式样及颜色及在该特定的衣领形式的例子中-该垂饰衣领-该垂饰的长度。每一个这些设计要素或设计属性可以具有一组任意数值。在该本体颜色的例子中，可例如为具有十二种不同的颜色。在该衣领的例子中，例如可以具有四种可能的款式，每一个款式具有固定的颜色。最后，在该垂饰衣领的例子中，该垂饰长度可以采用在特定范围内的任何实数值(该范围经由选择以便该垂饰长度不会超过该衬衫的本体的长度)。特定设计候选对应于特定连续三个的本体颜色、衣领款式及衣领垂饰长度(虽然该后者的数值若不需要时可能不会使用到)。

演化演算法

〔0117〕在其中一项实施例中，演化演算法为使用于演化该设计朝向较为适合的设计，亦即，以产生与该投票者所表达的喜好较为一致的设计。使用于表现每一个设计候选的该基因型组成在上一个段落中所描述的表示该三个设计属性的变数或基因，同时结合使用于控制其中不同的设计候选为选择用于匹配的方式的额外的变数(更详细描述于下文中之一种运算，其中来自两个“亲代”设计的属性为经由组合以产生新的“子代”设计)。由于该基因为直接地负责用于决定设计候选看起来什么，并且因此决定该设计所获得的认同程度，该第一组基因，G1、G2及G3为称为“评量(merit)”基因为变数(或者，“特征”基因或“属性”基因)。该第二组基因是隐藏的，在其中设计候选由该参与者看起来是不受这些基因的数值所影响的方式的感受中。这些基因为称为“再制(reproduction)”基因或变数，用于该基因扮演匹配及配选择的角色，如同在后续中的描述。在这种特定的实现中，这些基因为实数数值的并且该基因表现欧几里德空间的正交维度，称为该“再制”空间。下表1表示待讨论之用于该polo衫活动的基因型。在这个例子中，将使用两个再制基因，R1及R2。

G1(衣领式样)

G2(本体式样)

G3(衣领垂饰长度)

R1(再制变数1)

R2(再制变数2)

表1：基因型的概略表示

〔0118〕该演化演算法为人口群基础的搜寻及最佳化演算法。在本实施例中，该演算法以尺寸N的设计的人口群而进行，其中N通常范围从50至数百。在该活动的初始，这个人口群为随机挑出，亦即，通过对于该基因从该允许的范围对于每一个基因随机选择遗传因子。另外，该目前的实施例允许决定论的挑出，以反应特定所需开始的人口群。

繁殖(Breeding)

配对选择

〔0119〕当参与者在评估第一个候选的萤幕画面之后送出票选时，该资讯系用以产生新的设计及停驻在依据下列的程序而呈现给他或她之后续萤幕画面上。在接收赞成票选的第一个萤幕画面中的每一个设计候选为立即地选择用于繁殖；换言之，该候选选择成为亲代，称该候选为P1。接着，适当的配对由在设计的该较大的人口群之间经选择用于该候选。该配对变成亲代P2。若该显示的候选少于一半接收到赞成，该目前的实现可以及通常经由设定以便每一个该选择的候选为繁殖两次。在这种特定的实施例中，配对选择为依据在P1及即时在该位置处的人口群的所有其他成员之间的再制空间内的欧几里德距离而随机地完成。尤其，该人口群(或“实体(entities)”)的任何该N-1成员将受到选择成为用于P1的配对的机率为依据该下列的公式而计算：

$\mathrm{Pr}\left(j\right|i)=\frac{f\left(d_{\mathrm{ij}}\right)}{\underset{j\≠i}{\mathrm{\Σ}}f\left(d_{\mathrm{ij}}\right)}$

其中Pr(j|i)为实体j将受到选择成为用于实体i(具有Pr(j|i)＝0)的配对的机率并且其中f(d_ij)为在该再制空间中的实体j及i之间的欧几里德距离的函数，亦即：

$d_{\mathrm{ij}}=\sqrt{{({R1}_i-{R1}_j)}^2+{({R2}_i-{R2}_j)}^2}$

〔0120〕使用于这个例子中的该特定的函数随着距离而单纯地递减；尤其：

$f\left(d_{\mathrm{ij}}\right)=e^{-\mathrm{\β}(d_{\mathrm{ij}}/d_{\max })}$

其中β为决定在配对中的接近偏差的强度的实数数值参数，并且d_max为即使在该位置处于任何两个实体之间的再制空间中的最大距离：

d_max＝MAX_i，j(d_ij)

β的值是在(0，∞)的范围内，其中零的数值造成未配对偏差并且较大的数值给予逐渐增加的较严格的配对偏差。

〔0121〕另一个版本的函数f(d_ij)，亦使用于这个实施例中，是给定为：

$f\left(d_{\mathrm{ij}}\right)=\frac{1}{\sqrt{\mathrm{\γ\π}}}{e}^{-d_{\mathrm{ij}}^2/\mathrm{\γ}}$

〔0122〕在这个例子中，γ为决定在配对中的距离偏差的强度的实数数值参数。该γ的数值是在(0，∞)的范围内，其中较小的数值给予逐渐增加的较严格的配对偏差。

〔0123〕因此所计算的该距离权重的机率为使用于载入“轮盘式”，或者为使用于随机全域取样(Stochastic Universal Sampling)方法中。一旦配对为选择用于P1，该实体变成该第二个亲代，P2，而用于建立有关的子代。此方法可以选择性地接续转换运算而通过交错运算来达成。

〔0124〕在其中一个用于配对选择的另一个方法中，基因演算法系经由使用该位元串列表示包含一组功能性基因(该基因对应于我们的特征基因)及控制配对两组其他基因(该基因对应于我们的再制基因)。其中一组配对基因称为配对样版并且其余组称为标签。两组必须具有相同数目的基因。该样版及标签基因沿着该功能性基因而演化并且受到交错及转换所支配。样版基因可以具有三个数值的其中一个：0，1或万用字符(wild-card)符号。标签基因将是0或1。若其中一个样版符合另一个的标签，两个个体为允许配对。若0或1为列在用于其中一个个体的特定的样版基因，则相同的数值必须出现于另一个个体的该对应的标签基因内。若该万用字符出现于特定的样版基因内，则任何该对应标签基因的数值将符合。其中配对技术需要其中一个个体的样版匹配另一个的标签；另一个方法需要每一个个别的样版匹配用于产生配对的另一个的标签。在任何一个例子中，若未发现符合，将允许部分符合。

〔0125〕通常，R空间的推量在于避免在明确丛集的设计之间之内部繁殖。尽管如此，具有内部繁殖的偶发实验可能造成重要的革新。R空间的维度影响在丛集之间的邻近结构，且因此不同的丛集易于受该影响而尝试内部繁殖实验。一种明显的修正在于增加该R空间从两个至更高数量的维度。另一个可能性在于内部繁殖已经由相同的票选者接收赞成的两个设计，也许在相同的焦点视窗内。此类的内部繁殖将在R空间内于该亲代设计所位在的该两个R空间区域之间建立小的桥梁。若该内部繁殖实验是成功的，则新的丛集将形成。若该实验是不成功的，则该子代将变成消灭。

对于R空间的另一个选择

〔0126〕本发明的另一个实施例，相对于上文所描述的R空间距离方法，可以包含依据家族距离决定配对选择的相称的配对机制。尤其，两个个体P_i及P_j配对的可能性涉及在该“族谱(family tree)”中连接该两个体的最短路径的长度。在该初始人口群中的个体考量为兄弟姐妹，亦即，我们假设建立该初始人口群的“最初(primary)”亲代的存在。该族谱以图形表示，其中顶点对应于个体，并且边缘表示亲代/孩子关系。因此，唯有其中一个个体为另一个的亲代，边缘始存在于两个个体之间。每一个个体记录明确具有两个的本身的亲代的特性，因此该图形可轻易地建构。对于这个原则的唯一的例外是施用于在该初始人口群中的个体，所有该个体具有边缘至***该图形中的单一亲代顶点(该“最初”亲代)。在两个个体P_i及P_j之间的距离d_ij(两者皆非该“最初”亲代)为在该图形上的两个体之间的最短路径的长度。在该目前的实现中，路径的长度为通过从其中一个个体至另一个个体所横跨的明确边缘(或亲代一孩子关系)的数目所量测(相对于较早所描述的使用于该R空间实现中的欧几里德距离)。

〔0127〕经选择成为用于P_i的配对的个别的P_j的机率为：

$\mathrm{Pr}\left(j\right|i)=\frac{f\left(d_{\mathrm{ij}}\right)}{\underset{j}{\mathrm{\Σ}}f\left(d_{\mathrm{ij}}\right)}$

其中：

f(d_ij)＝max(d_max-d_ij，v_min)

并且其中d_ij为连接顶点p_i及p_j的最短路径的长度，d_max为超越所有d_ij的最大值(亦已知为该图形的直径)，且v_min(参数＜d_max)为函数f将回归的最小值，以提供用于非常远离彼此的个体设计的配对的非零的最小机率。

〔0128〕经过一段时间，族谱的较薄弱的分支将消灭，而留下可能是明确相关的其他分支。若如此，则该不同的分支为再制隔离的并且因此为明确的物种。进行消灭的该分支系弱关联于所存活的基因组合的基因组合。因此，这种方法提供相称配对的另一个方法。

〔0129〕交错运算为概略地呈现于下文中：

亲代1

G1P1

G2P1

G3P1

R1P1

R2P1

↓

子代

G1O1

G2O1

G3O1

R1O1

R2O1

↑

亲代2

G1P2

G2P2

G3P2

R1P2

R2P2

〔0130〕在此所描述的实现中，该亲代遗传因子为交错于基因对基因(gene-by-gene)偏差上。换言之，来自亲代P1及亲代P2之用于该本体式样的基因，G1，为通过本身作“组合”或“交错”，接续为该G2基因表示该衣领式样，接着该G3基因表示垂饰长度。该再制空间基因，R1及R2亦为再一次个别地交错。所使用的该特定的交错运算视在讨论中的该基因的本质而定。例如，在基因G1的例子中，该基因表示类别变数，由其中一个亲代的该遗传因子数值为随机选择。同样地对于基因G2亦如此。这种方式为概略地显示如下：

其中α为由均匀分布中所挑选的随机变数

α～U[0，1]

〔0131〕基因G3表示整数数值，该数值能够使用不同的交错式运算器，成为对于该“由其中一个亲代的随机挑选”方法的另一个选择。其中一个可能性在于使用来自该亲代的两个数值计算内插及外插数值，并且接着随机选择这两者可能性的其中一个。该过程描述于下文。首先，伯努力试验(Bernoulli trial)(“硬币投掷(coin flip)”)经执行以决定是否为从该两个亲代基因的数值内插或外插用于该子代基因的数值。

〔0132〕其中γ为在0及1之间的决定的实数数值或在该范围内的随机产生的变数，例如来自均匀分布的其中一个：

γ∈(0，1)

或

γ～U[0，1]

若该决定为内插法，将使用诸如下文的其中一个公式：

G3_O1＝Round(μ·G3_P1+(1-μ)·G3_P2)

其中μ为在0及1之间实数数值，不论是决定选择或随机导引，在活动的开始时或在每一个繁殖处。另外，不同的决定数值或不同的分布(在变数随机导引的例子中)可以在该活动中的不同的位置处使用。由于G3为整数基因，通过内插法所获得的该数值为取在最接近的整数。

〔0133〕若选择外插而非内插，其中一个亲代数值经由挑选以决定此外插的方向；这种方式为随机完成。若P1受到挑选，则可以使用类似下列其中一个的公式：

G3_O1＝Round(v·((1+μ)·G3_P1-μ·G3_P2))

〔0134〕其中v为(可能随机的)实数数值的参数，通常小于1.0，经选择以缩减所采用之外插阶距(step)的尺度。并未反应于上文的公式中的额外的步骤包含检查因此所计算的数值并未超过用于基因G3的允许的范围，并且若该数值超过时设定该数值等于该限定值。

〔0135〕若P2为挑选作为该外插方向，则可以使用下列公式：

G3_O1＝Round(v·((1+μ)·G3_P2-μ·G3_P1))

〔0136〕除了不需要取整数运算之外，为实数数值的该再制空间基因，P1及R2，可以类似地处理。在本实施例中，可以使用修正的平均运算，如同下文：

${R1}_{O1}=\frac{1}{2}\·({R1}_{P1}+{R1}_{P2})+\mathrm{\ϵ}$

其中ε为高斯杂讯：

ε～N(0，2)

R2_O2的计算为同样地进行。

〔0137〕很多其他的方法是落在一般熟习该项技艺的人士的知识领域内。

转换

〔0138〕除了该交错式运算之外，或者与该交错式运算同时产生，转换运算经由使用以导入偶发的随机变数于所产生的该设计候选中。在该目前的实施例中，这种运算是再次于基因对基因上而完成。对于每个基因，将作出是否转换将使用于该交错式运算之前或接续该交错式运算的决定。这个决定可以依据具有相对低的成功机率的伯努力试验，通常大约为0.01。在分类的基因的例子中，该转换包含随机选择其中一个允许的遗传因子数值，通常为不同于该两个亲代的数值的数值。在整数及实数值基因的例子中，在该交错式运算完成之后，高斯杂讯为加入所获得的基因数值中。再者，将执行检查以确认该转换的数值是在该可容许的范围之内；若该数值落在该范围外部，该数值将以适当方式设定等于该上限或下限。未使用于这个例子中(该polo衫)的另一个例子在于基因在何处编码成为二进位位元或字串。其中一个例子为诸如商标图案(logo)或在该袖子附近的套环的设计特征，该设计特征为开启或关闭，视是否该位元致能(enabled)而定，在该例子中，转换将简单包含位元翻转。

〔0139〕如同目前所描述，转换仅在繁殖事件之后而使用，并且繁殖事件仅通过赞成票选而触发。当未产生赞成票选时，对于该实现的再分析将触发以避免该演化过程停滞。在该例子中，当每一次投票者送出一组未含有赞成的票选时，我们产生某些数目的随机个体。对于这些随机个体的价值属性为如同上文所描述而产生以用于初始化该人口群。对于这些随机个体的R空间属性将如下文描述作决定，在讨论投票者“挑选”的重新***的章节中。

替换及移除策略

〔0140〕一旦一个或一个以上的新的设计候选(该子代)建立后，该候选将导入该人口群内。为了要完成该导入，该人口群的对应数量的目前成员必须选择用于替换。各种技术可使用于该目的，范围从单纯随机选择至依据适合性(或该适合性的缺乏)及冗余的相对复杂的方法。(使用于量测冗余及多样性的各种方法将在后续作描述。)在该简单的例子中，人口群成员为随机选择：均匀地分布在1及N之间(设计候选的人口群的尺寸)的随机整数i将产生，并且该人口群的第i个成员系通过该子代所移除及替换。这个过程将重复次数是由配对事件所建立的子代数量。该目前的实现中的另一个选择在于通过适合性，或相反地，通过适合性缺乏而偏离该移除。在该例子中，不合适性分数对于该人口群的每一个成员是维持不变的，并且该分数为决定使用于移除具有最高不合适性分数的该成员，或者为通过载入具有刀片的“轮盘式”而统计上与这些不合适性分数成比例。一种用于计算不合适性分数的非常简单的演算法，其中一个演算法仅倚赖“赞成”票选，为在下文中。首先，尚未作评估及因此未接收到票选的该人口群的N个设计的任何成员为设定保留及并非用于移除的候选。除非绝对需要(在该位置处我们随机均匀地挑选)，这种方式在于避免设计候选的过早损失。接着，对于每一个该人口群的剩余成员，“赞成”率计算为由该实体所接收的“赞成”票选除以由该实体所接收的所有数目的票选(亦即，“赞成”、“反对”及“中性”票选的和)接着，对于该人口群的所有成员的“赞成”的平均率将作计算，并且该人口群的设计将分成两个群体，具有“赞成”率大于平均值的群体及具有“赞成”率等于或小于该平均率的群体。该后者的群体的成员依需要为随机选择用于移除。

〔0141〕使用三种所有类型的票选-赞成、中性、反对-的较多的辨识移除方法有时候使用于该目前的实现中。在该例子中，用于该人口群的第i个成员的不合适性m_i计算为该成员的赞成、中性及反对率的权重的和，如下：

$m_j=w^{\mathrm{down}}\·R_j^{\mathrm{down}}+w^{\mathrm{neutral}}\·R_j^{\mathrm{neutral}}+w^{\mathrm{up}}\·R_j^{\mathrm{up}}$

〔0142〕其中该w^type项为用于该特定类型的票选的权值，并且R_i ^type项为用于该第i个成员的给定类型的票选率，具有w^down＞0，w^up＜0，并且w^neutral通常为正值。例如：

$m_i=3\·R_j^{\mathrm{down}}+1\·R_i^{\mathrm{neutral}}-4\·R_i^{\mathrm{up}}$

〔0143〕再者，并未由任何该参与者所看到的设计候选为设定保留，以避免本身的过早删除(除非绝对地必要，例如在先前活动中的某些例子里)。

〔0144〕在该移除策略上的另一个变动依据是否所有的票选系通过相同的参与者或通过不同的参与者所投掷而修正类似的该票选的不合适性率的贡献。在这个版本之后的想法在于若该选项受到许多不同的参与者所排斥，亦即，例如，相比于当该选项仅由其中一个参与者得到相同数目的反对，若不同的参与者给予该选项反对而处罚较多该设计候选。在这个版本中，用于每个实体的该个别的票选将受到追踪，并且该不合适性为依据对于每一个参与者的票选的递减权重函数或程序而计算，如同在下列的方程式中：

$m_j=\frac{1}{V_i}[w^{\mathrm{down}}\·\underset{j}{\mathrm{\Σ}}\underset{n=1}{\overset{V_{i,j}^{\mathrm{down}}}{\mathrm{\Σ}}}{e}^{-\mathrm{\γ}(n-1)}+w^{\mathrm{neutral}}\·\underset{j}{\mathrm{\Σ}}\underset{n=1}{\overset{V_{i,j}^{\mathrm{neutral}}}{\mathrm{\Σ}}}{e}^{-\mathrm{\γ}(n-1)}+w^{\mathrm{up}}\·\underset{j}{\mathrm{\Σ}}\underset{n=1}{\overset{V_{i,j}^{\mathrm{up}}}{\mathrm{\Σ}}}{e}^{-\mathrm{\γ}(n-1)}]$

其中m_j为实体i的不合适性分数、V_i为由实体i所接收达到该点的全部的票选数目、V_i，j ^type为通过投票者j对于要素i所投掷的该特定类型的票选的数目、∑_j表示超过所有投票者j的和及γ为决定减少由相同的参与者所投掷的额外的票选的冲击的指数递减权重函数的降幅的实数参数。

〔0145〕除了本身的不合适性之外，另一个移除方法的课题考量该人口群的特定成员为冗余的程度。在此该想法如下：给定为相当不合适的两个实体，最好移除其中一个基因型为类似于该人口群的很多其他成员，藉以最小化在该人口群中的基因型多样性的损失。该冗余计算可以依据该再制基因、该特征基因或两者。这些计算为描述于下一个章节中。给定用于该人口群P_i的成员的冗余数值R(P_i)，该冗余数值的调整的不合适性数值m’i经计算为：

m′_i＝R(P_i)·m_i

〔0146〕该下一个章节描述量测冗余的各种方式，或本身相对的多样性。

多样性量测

〔0147〕多样性量测技术为使用于特征基因以及再制基因。我们使用多样性的量测以动态地控制该演化演算法的各种参数，诸如该转换率(转换机率)，以及使用于该***中的各种技术，诸如该移除(或替换)技术及使用于常驻参与者的票选视窗(该票选视窗为在后续作描述)的技术。

冗余性

〔0148〕在N个设计的演化人口群中的多样性为使用在一对演化设计(“个体”)之间的基因型的(或表现型的)类似性的价性而量测。成对相似性价值S(P_i，P_j)将作定义，该价值回归到在0及1之间的数值，其中1表示P_i及P_j为基因型(或可为表现型)相同的。我们接着使用这个价值以计算在该演化人口群中的每一个个体相对于该整个人口群的冗余性，如下：

$R\left(P_i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}S(P_i,P_j)$

〔0149〕具有高冗余数值的个体为相对地普及的，在感受上为具有存在很多其他的个体于相似于该个体的人口群中。这些冗余数值为通过偏离移除策略朝向更多的冗余个体而使用于辅助维持多样性，如同在下文作更详细的说明。冗余数值亦经由使用以提供基因(或表现型的)多样性的图形化想象。

〔0150〕两个相似性函数系使用于目前的实施例中。其中一个函数为依据该特征基因，另一个为依据该再制基因。在该polo衫的例子中，前一个使用该基因型之前三个基因。(前两个为类别基因而第三个为整数数值基因。)我们定义我们的函数S如下：

$S(P_i,P_j)=\frac{1}{k}\·\underset{k}{\mathrm{\Σ}}{S}^{\′}(P_i^k,P_j^k)$

其中P_i ^k表示在该人口群中的个体i的第k个基因。

〔0151〕在该类别基因，G1及G2，的例子中，S’给定为：

$S^{\′}(P_i^{\mathrm{1,2}},P_j^{\mathrm{1,2}})=\left\{\begin{array}{cc}1& {\mathrm{iffP}}_i^{\mathrm{1,2}}==P_j^{\mathrm{1,2}}\\ 0& \mathrm{otherwise}\end{array}\right\}$

〔0152〕在为整数基因的基因3的例子中，S’为计算如下：

$S^{\′}(P_i^3,P_j^3)=1-\frac{|P_i^3-P_j^3|}{\max {\mathrm{\Δ}}^3}$

其中MaxΔ³为基因G3的范围，亦即，该数值所能允许采用在该最大及最小数值之间的差。

〔0153〕在诸如使用于该再制变数的基因的实数值基因的例子中，冗余或密度为使用在该不同的人口群成员之间的R空间中的欧几里德距离d_ij(较早前所描述)而计算，如下。第i个人口群成员的冗余或密度为给定为：

$R\left(P_i\right)=\underset{j}{\mathrm{\Σ}}f\left(d_{\mathrm{ij}}\right)$

其中d_ij为在个体i及j之间的R空间中的距离，并且

$f\left(x\right)=\max [1-\frac{x}{\mathrm{threshold}\·d_{\max }},0]$

其中临界值(threshold)为在区间(0，1)中的常数并且

d_max＝max_ij(d_ij)

丛集

〔0154〕在这个章节中，我们描述丛集主题，该丛集依赖相似性量测，并且该丛集为使用在此所描述的实施例中的不同的时期，如同后续的讨论。若上文所描述的该函数S(P_i，P_j)表示在个体P_i及P_j之间的相似性，则我们可以定义新的函数

D(P_i，P_j)＝1-S(P_i，P_j)

以表示在这两个个体之间的不相似性。通过该函数D，可以计算不相似性矩阵M，其中每一个项目M_ij为在个体P_i及P_j之间的不相似性。这个矩阵为对称的并且具有零在对角线上。

〔0155〕通过该矩阵M，我们可以使用任何数目已知的丛集技术以依据基因型相似性或在R空间中的接近度而组合该个体，诸如该K中心点(K-medoid)丛集演算法。该K中心点演算法必须受到告知欲寻找的丛集的数目。若将最佳匹配该数据的丛集的数目并不知道，则丛集的侧影(silhouette)值可用于决定有多少丛集应该搜寻。

〔0156〕我们亦可以依据本身的票选行为而丛集人类使用者。在这个例子中，我们量测在任何对使用者V_i及V_j的票选记录中的相关性并且衍生出在矩阵M中的项目M_ij，如下：

$M_{\mathrm{ij}}=1+\frac{\mathrm{correlation}(V_i,V_j)}{2}$

用于常驻该票选视窗的策略

〔0157〕该票选视窗，亦称为焦点视窗，为呈现给每一个投票者用于显示一组设计候选的目的及收集该候选的投票者的评价的视窗。在每一个投票重复处用于常驻该焦点视窗的各种方法将在这个章节中作描述。一般来说，这些方法寻求达到许多有时候相互矛盾的目标：a)给予该参与者一个机会以尽可能地探索该设计空间，以及b)给予该参与者该***是在回应于他的或她的票选的感受。

票选视窗混合策略

〔0158〕该票选或焦点视窗混合策略检查由第一焦点视窗所送出的票选并且决定在下一个焦点视窗中的槽(slot)数目(用于其票选该***正在进行中的参与者)，该焦点视窗将填入具有：a)显示于该第一焦点视窗中的设计候选的子代，以及b)来自一般人口群的设计候选的设计候选的样本。

〔0159〕在本实施例中，在接收赞成票选的焦点视窗中的所有个体将养育至少其中一个但不超过两个的子代。若赞成票选的数目为小于焦点视槽的数目，则已经接收赞成票选的该个体将使用以产生第二子代直到每一个均已经产生第二子代为止，或者直到该新的焦点视窗的槽为填满为止，以何者先完成而决定。例如，若该焦点视窗具有六个槽，并且两个个体为给定赞成，则两者将养育两个子代，该子代将填满该六个槽的该焦点视窗的四个。若相反地，四个个体是给定为赞成，则该前两个个体每一个将养育两个子代，同时该最后两个每一个将养育一个，因此完全地填满该焦点视窗的六个槽。

〔0160〕若一旦所有该赞成票选为产生效用，任何槽仍然是空缺的，则该槽为通过取样该一般的个体的人口群而填满，如同在下个章节中所描述。

〔0161〕当仅其中一个子代为允许用于接收赞成(见上文的繁殖章节)的每一个候选时，描述于上文的策略将作些微地修正。

〔0162〕使用于该目前的实施例中的另一种混合的策略导入精英管理(elitism)的概念-在该演化计算文献中为众所周知的-进入该焦点视窗内，使得某些或所有接收赞成的个体是保留于下一个焦点视窗内。通常，精英管理使用于演化演算法的世代间的版本中藉以避免通过后续的世代的该人口群的高度匹配的成员的消失。在这个例子中，我们使用类似的概念于该焦点视窗或票选者视窗中。在该策略背后的动机系在于提供对于参与者由先前较喜好的设计候选的焦点视窗的消失可能觉得不舒服的连续性的感受。当使用赞成时，如同在这个例子中所描述，若较多的实体接收赞成甚于具有精英槽于下一个视窗中，随机挑选为采用于接收赞成的那些实体中，直到该精英槽填满为止。

〔0163〕在该目前的实施例中的另一个选择策略为固定将分配给：a)精英(已经接收赞成及已经保留的个体)、b)已经接收赞成的该个体的子代及c)该一般人口群的样本的焦点视窗槽的最少及最多的数量。若赞成票选的数目超过分配给子代的槽的数目，则取样方法将采用使得仅某些赞成票选的接收者为能够养育子代。另外，我们可以限定使用者允许产生每一个焦点视窗的赞成票选的数量。另一个选项在于建立用于接收赞成的每一个个体的子代，但是不包含在该后续焦点视窗中的所有该子代(未出现于该焦点视窗中的子代将仍然在一般人口群中)。

焦点视窗取样

〔0164〕对于能够从该大量人口群取得样本的焦点视窗槽，需要策略以决定这些候选应如何选择。该目前的实现中，所使用的最简单的策略系均匀地通过个体的人口群随机取样其中一个。该取样在所有子代(通过已经收到赞成的该个体而养育)已经***于该人口群内而发生。该取样程序并未尝试避免相同的个体出现两次于该焦点视窗中，该取样程序也未尝试避免为基因型相同的两个个别的个体一起出现于该焦点视窗中。

〔0165〕另一个方法系使该取样偏离高度冗余的区域(冗余为如同在先前章节中所描述而计算)。这些策略的优点在于通过在本身的焦点视窗中提供更大的多样性而允许由该参与者对于该设计空间的更大的探索。使用于这实施例的其中一个此类策略使用R空间冗余以扣减特定的人口群成员被选择的可能性。尤其，使用轮盘式选择，具有该刀片给予每一个该N个成员的人口群系与该成员的冗余性成反比：

$\mathrm{Pr}\left(P_i\right)=\frac{1}{N\·R\left(P_i\right)}/\underset{i}{\mathrm{\Σ}}\frac{1}{N\·R\left(P_i\right)}$

〔0166〕另一个策略使用空间冗余(依据该特征基因而计算)以偏离该取样，再次使用如同上文的相同的公式。

〔0167〕包含于本发明内的另一个策略执行在该人口群中的个体的丛集分析(上文所描述)，不论是相对于在R空间中的本身的位置、本身的基因型特性或两者。一旦该丛集决定后，该随机取样将进行使得每一个丛集为同样可能提供用于该开放焦点视窗槽的个体，而不管在每一个丛集中的个体的数目。这种方法的优点在于允许该参与者由该不同的物种或在该活动期间(物种演化在后续作讨论)所显露的喜好丛集(或审美的丛集)同等地取样。这种方式为对比，事实上，我们由每一个丛集依该丛集尺寸之比例取样的均匀性取样。相关的方法系选择用于每一个丛集(该丛集的重心或中心点)的代表的设计候选的方式。

〔0168〕在另一个策略中，我们偏离该参与者已经鲜少观看的对个体有利的取样。在这个例子中，经由选择的该人口群的成员的机率为反向关联于在他的或她的焦点视窗中已经出现的次数数目。使用于载入该轮盘式的机率给定为：

$\mathrm{Pr}\left(P_i\right)=\frac{1}{f\left(m_{\mathrm{ij}}\right)}/\underset{i}{\mathrm{\Σ}}\frac{1}{f\left(m_{\mathrm{ij}}\right)}$

其中m_ij为设计候选P_i已经出现于参与者j的焦点视窗中的次数数目，并且f(x)为单调(monotonic)函数。例如：

$f\left(m_{\mathrm{ij}}\right)=m_{\mathrm{ij}}^2$

〔0169〕在相关的策略中，我们偏离对具有已经鲜少观看的特征性质的个体(依据特征相似性)或对在该焦点视窗中已经鲜少观看的R空间区域中的个体有利的选择。在此，使用于载入用于选择的轮盘式的机率给定为：

$\mathrm{Pr}\left(P_i\right|W^t)=\frac{1}{R\left(P_i\right|W^t)}/\underset{i}{\mathrm{\Σ}}\frac{1}{R\left(P_i\right|W^t)}$

其中R(P_i| W^t)，相对于该特定的参与者的第t个焦点视窗W^t(W¹为该目前的视窗，W²为该前一个视窗等等)的人口群成员P_i的冗余给定为：

$R\left(P_i\right|W^t)=\underset{q}{\mathrm{\Σ}}S(P_i,W_q^t)$

其中∑_q为通过所有q成员或在该焦点视窗中的设计候选的和，并且S(P_i，W_q ^t)为在实体P_i及焦点视窗W^t的第q个成员之间的相似性。最后，S，该相似性函数，系适当地使用给定于前面章节中于冗余性及相似性上的任何方法所计算。

〔0170〕在这个策略上的变化中不仅追踪该最后的焦点视窗，而且追踪该最后数个或n个焦点视窗并且其中我们给予所有该视窗同等的权重或给予该较新的焦点视窗之内容较大的重要性于该冗余计算中。这种方式的其中一个特定的版本注视最后n个焦点视窗(例如，n＝3)，并且分别地加重该视窗。在这个例子中使用于该轮盘中的刀片或分配给定为：

$Q\left(P_i\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\·(\frac{1}{R\left(P_i\right|W^t)}/\mathrm{\Σ}\frac{1}{R\left(P_i\right|W^t)})$

例如具有权重因子ω随着下式而减少

${\mathrm{\ω}}_i=\frac{1}{t}$

〔0171〕在另一个使用于这个实施例的取样策略中，我们使该样本作偏离相对于已经通过焦点视窗为正在常驻的参与者给定反对票选的个体为冗余的(不论依据特征空间相似性或依据再制空间相似性，或两者)的个体。这种方法意在减少该参与者遭遇到他或她已经票选反对的设计候选的机会。这种方法可以类似于前述的策略中的方式而完成，除了在这个例子中，所使用的该冗余并非R(P_i|W^t)而是R(P_i|W^down，t)，该冗余仅依据接收来自该参与者在讨论中的负面票选的该焦点视窗成员而计算。相关的策略为偏离该取样朝向相对于已经通过焦点视窗正在常驻的使用者所给定赞成票选(或中性票选)的个体为冗余的(不论在特征空间中、再制空间中或两者)的个体。在该例子中，使用R(P_i|W^up，t)，使用于该轮盘式中的该机率或分配为直接正比于冗余性，如同相对于成反比；例如：

$\mathrm{Pr}\left(P_i\right|W^t)=\frac{R\left(P_i\right|W^t)}{\underset{i}{\mathrm{\Σ}}R\left(P_i\right|W^t)}$

〔0172〕另一个策略尝试在相对于设计候选(不论依据特征基因、再制基因或两者)的基因内容的焦点视窗中最大化该多样性，具有每一个后续的取样为偏离放置在该焦点视窗内到达该时刻的个体的性质。此原理系用以增加参与者焦点视窗的多样性。

〔0173〕当该参与者在远离进行中的活动一段时间而回复时，任何上文所提到的策略或该策略的变化可以采用以常驻参与者的视窗。特别用于该目的的任何策略包含重新回复具有相同候选的参与者的视窗，当他们上一次离开时，该候选为呈现于他的或她的上个焦点视窗内。然而，当这些候选可能已经由该人口群移除时，这种策略常常具有问题，该候选必须重新建立及重新***于该人口群中。另一个选择在于呈现给该参与者具有尽可能广泛的该目前设计人口群的取样。这种方法可以通过从如同较早所描述的表示丛集的取样而完成。这种策略亦使用于在活动已经进行某些时间之后加入该活动的参与者及未以任何特定的喜好区隔所确认的参与者的例子中。

〔0174〕在其中一个实施例中，某些再修正将加入该票选视窗，该修正系提供该参与者具有某些或所有下列目的：a)在该活动期间的进度的量测及显示；b)当在该活动期间达到阶段目标的完成的感受；c)在经过该演化程序的更多直接控制；d)在该设计程序中的共同参与者的群体里的成员的感受。图7D显示具有两个这些修正于右侧端上的票选视窗。这些修正包含覆盖范围从0％至100％及显示具有颜色区段的进展程度的进度指示棒780。另一个显示于该相同图示中的修正为该“选取控制板”788，该选取控制板为在该进度指示棒下方标示为“麦克笔设计(Marker Designs)”的该票选视窗的右侧端上的控制面板。在该图示中，该选取控制板显示三个垂直配置的小型物件，该小型物件的其中一个具有选择，并且另两个仍然是空白的。该选取控制板依据描述于下文的其中一项技术显示在该活动期间在特定时刻的特定设计候选。在所显示的例子中，在该选择的选取下方的“X”标记允许该参与者移除该选取并且重新开始造成该特定选取的部分活动。

〔0175〕四种技术等级可以使用于这个实施例中。第一个等级的技术依赖由该参与者所送出的固定数目的票选；第二个等级视在显示于该参与者的前几个票选视窗中的该候选之间的相似性程度而定，并且因此可能包含由该参与者在讨论中的各种数目的票选审核。第三个等级允许该参与者通过使用接续该赞成及反对按钮的特殊钮而直接地选择在该票选视窗中的其中一个该设计候选选取(未显示于这个图式中)。最后，第四个等级的技术系使用该选取控制板以显示给该参与者其他参与者是如何票选的。

策略I：分析预设数目的票选及选取

〔0176〕在这个技术中，该***设定为允许每一个参与者观看及评估预设数目n的票选视窗，具有一般的数值n范围在6及40之间。在这个例子中，该进度指示棒等比例于所观看的票选视窗与该参与者达到该位置处之比而增加至该预设的数目n。在该n个票选审核之后，选取为依据他的票选图案代表该参与者而自动地达成，如同下文的描述，并且该进度指示棒为重新设定为零、新的票选视窗由全体设计的人口群而随机常驻及一组新的n个票选审核将开始。显示于图7D中的票选视窗对应于其中该参与者受要求进行三组的n个票选审核的例子，造成三个选取。

〔0177〕在该预设数目n个票选视窗之后，将在这些n个视窗上的该参与者的票选上执行分析(所有该票选可以作检测或者仅该n个审核之后面的80％可以作检测以移除任何“训练(training)”或配合(accommodation)效应)。在其中一个方法中，该分析包含计算由每个遗传因子所接收的赞成票选及使用该计算以产生最佳“选择”组合的属性数值。在这个部分，设计候选使用这些最佳选择的属性数值作组合，并且该设计候选变成该选取。当在两个基因之间具有少量或未有相依性时，这个方法运作良好。即使具有相依性，运作良好的更多的再修正的分析包含下列步骤：在该n个票选审核已经接收之后，在已经接收正面票选(赞成)的这些票选视窗中的所有候选将作收集。接着，第一个正面票选候选将选择并且使用该候选的第一个基因而开始、执行有多少分享用于该基因的相同的遗传因子的其他正面票选候选的计算。这个过程将重复用于该选择的候选的所有基因，并且这些k个计算(k为基因的数目)将合计；这个计算为用于该候选的该“代表性”分数。这个过程为重复用于每一个该正面票选候选，并且这些候选依据本身的分数而排定顺序。当然，排序较前面的正面票选候选将选择作为选取。

〔0178〕在其中一个变化中，该参与者具有机会回绝该选择的选取，在该例子中该次高分数的候选将选择作为选取并且诸如此类等等。若数个遭受回绝(例如，三个)，该组n个重复计算将重新开始。在另一个变化中，该参与者为呈现具有显示该三个最高分数的选取候选的控制板，并且给予他机会选择该其中一个他认为最接近他已经票选的候选。

策略II：焦点视窗收敛选取

〔0179〕在该第二个等级的进度显示技术中，该进度指示棒并未单纯地增加，但是该进度指示棒视该参与者的行为而定可能退回。若票选者持续地票选，则较可能他的连续票选视窗将随着增加类似的设计候选而常驻；在该例子中，结合这些连续的票选视窗之内容的相似性的进度指示棒将增加。在这个例子中，在选取选择之前的票选审核的数目是变动的。当某些比例(例如，3/4)的设计候选在该票选视窗中变成相同或非常类似，该最相似的候选将选择作为选取。在完成该选取后，若该选取未由该参与者所回绝，新的焦点视窗将常驻(亦即随机)，并且该参与者开始将产生下一个选取之下个阶段的程序。若该选取受到回绝，类似于呈现在上文策略I下方的选取的另一个选择将接续。

策略III：直接选择

〔0180〕在这个例子中，在某些数目的票选审核已经由该参与者所达成之后，额外的按钮将启动接续在焦点视窗中的每一个该设计候选。该按钮为直接选取按钮，该直接选取按钮允许该参与者选择该对应的候选以变成选取。另外，当直接选取启动时，该参与者为允许由在该票选视窗中的本身的位置拖曳该所需的候选于该选取控制板区域，该选取控制板区域将在那里放置该候选的复制。一旦该参与者产生直接选取，该直接选取按钮为再次消除而用于预设数目的票选重复。该选取控制板具有固定数目的槽以容纳该选取，并且当新的选取是通过点击本身的直接选取按钮而***时，该选取将放置在该选取控制板之上方处，同时其余每个向下移动一个槽，占据该底部槽的该设计将舍弃。若该选取是通过拖曳该候选于该选取控制板上完成，则该选取的设计将替换在该控制板上所拖曳及降下的槽上的项目或者在该槽处及下方的项目将向下平移一个槽(在底部槽内的项目再次舍弃)。不论该选取控制板如何的安排，所有选取的历史将记录用于后续的分析。

策略IV：群聚的网路效应技术

〔0181〕这是一个包含在选取视窗中显示该参与者的家族技术，不仅依据本身的票选图案所计算的选取候选，而且用于其他票选者的选取(候选或实际的)。在这个例子中，通过票选者的最普遍的设计候选为使用在上文的策略I下方所描述的相同的技术而计算，除了该正面票选候选是从所有参与者所收集之外，而非来自我们正在讨论其视窗的参与者。

物种演变及动态(或共同演化)区隔

〔0182〕当使用以控制配对选择3的该β参数设定为足够高的数值时，诸如40.0，则上文所条列的该机制及程序将自动地允许不同的喜好介绍在该过程期间出现及共同存在。在某些程度上该参与者表示在市场中的消费者的人口群，并且在某些程度上在该市场中的不同的子群体以对于产品属性的明确组合的演化喜好而结束，则在效能上该***执行某一种该市场的动态区隔。该名词“动态的”在此使用以显示该喜好介绍及该对应的喜好设计在该程序期间为共同演化的。这方法不同于针对市场区隔的方法，该市场区隔假设特定的喜好介绍(合适的设计是发展用于该喜好介绍)或该合适的消费者对其受到确认的特定设计。这个章节意在解释该目前的实现如何采用区隔能力及意在呈现简单的例子。

分类配对

〔0183〕在某些程度上在特定个体(设计候选)之间的交错式运算造成由该参与者较不喜好的新的候选，我们寻求避免此类配对的发生。然而，我们无法预先知道此类配对那一个将是有害的。表示个体的配对选择的该R空间机制可以通过时间通过参与者的实际配对结果的评估学习那一个配对是相容的及那一个不相容。成功的一对基因材料将逐渐倾向更频繁地发生并且藉以排挤那些较不成功的配对。该特定配对的禁止(或减少的可能性)已知为分类配对，并且允许彼此配对的每一组的个体，但不与另一组的成员，已知为物种。

〔0184〕物种(物种演变)的演化对于动态参与者喜好区隔的绝对重要的。当设计活动开始时，该R空间为同质性的：设计候选的该人口群的R数值为均匀地分散于R空间中。当演化进行时，将获得关于那一个配对的基因材料比其他配对较为成功的资讯(通过该参与者的回馈)。由于参与的评估及在该再制基因上的该交错式运算，在R空间中该基因数值的分布变成不同性质的。换言之，该R空间开始丛集。这个不同性质所架构的方式为保持彼此相近的某些体及远离其他个体。这些丛集符合物种，亦即，为再制地隔进的个体集合。当再制隔离出现时，每一个物种，结合已经通过本身的票选而演化该物种的参与者，对于特定子区域的该设计空间变得特殊化，并且该物种较不受其他物种的干扰。

在生态环境上的多重位置

〔0185〕当市场具有多重区隔时，对于每一个这些区隔具有存在一组明确的喜好介绍。每一个区隔的喜好表示在该设计搜寻空间内的区域。这些区域可以思考为明确的生态位置。该分类的配对动态允许多重物种显露及持续存在，其中每一个物种占据属于本身的位置。支持每一个区隔的参与者数量-对于该市场区隔的尺寸的代理-决定该位置的承受能力，以及因此决定该对应物种的尺寸。换言之，当R空间丛集形成时，丛集的尺寸(属于该特定物种的设计候选的数量)反应该市场区隔的尺寸(假设在参与者之间的票选的平衡的水准，该参与者可以通过限定呈现给每一个参与者的票选萤幕画面的数量或通过忽视由特定参与者已经达到他的或她的分配票选的数量所送出的票选而受控制于目前的实现中)。因为当参与者与该***沟通时(并且因此形成意见)，该参与者发现设计可能性，并且该设计演化以回应于该参与者，该***可以描述在设计及参与者之间的沟通以成为某些感受的共同演化。通过该演化设计所引起的喜好允许该整个***收敛在描述在该市场内的多重区隔之一组设计上。

〔0186〕图8至14表示这个动态区隔过程的例子。在这个例子中，两个参与者同时地与该***沟通。该过程依据该候选人口群的随机种子而由均匀地分布再制基因及特征基因(分别参见图8及图9)开始。在数个票选周期之后，两个区隔显现，其中一个对应于参与者1，并且另一个对应于参与者2。图10及11显示用于在该活动中的该位置处的该两位参与者的焦点视窗。每一个焦点视窗之内容是通过用于该参与者的选择的设计所支配，亦即，显示于该第一参与者的设计选择在颜色、图案及设计式样(例如垂饰长度)的特征上可以不同于呈现给该第二参与者的设计选择。显示给任一个参与者的该设计选择可能是高度集中于R空间中，亦即，每一个设计选择可以非常类似于显示给该参与者的彼此的设计选择(例如类似的颜色、类似的图案等等)。在其他活动中呈现给该参与者的设计选择可以散布于R空间中，亦即，每一个设计选择可以具有来自呈现给该参与者的其他设计选择的不同的颜色或图案。图12显示在该位置处的该R空间描绘，具有该设计候选对应于该两个明亮的区隔；在这个实施中，该两个丛集是明确具区别的。最后，图13及14显示用于每一个参与者在该过程中的该位置处的特征基因数值的分布。图13描绘用于参与者1的特征基因1至3的分布。由于式样“2”受到区隔两者的喜好，该式样“2”为仅存的衣领式样。参与者1喜好带紫色的本体式样(本体式样“1”)及短的垂饰长度(数值等于123)。

〔0187〕图14描绘用于参与者2的特征基因的分布。衣领式样“2”(垂饰衣领)为该仅存的衣领式样。参与者2喜好绿色本体式样(本体式样“6”)及长的垂饰长度(数值等于1310)。

〔0188〕在其中一项实施例中，关于每一个使用者的人口统计的资讯可用于改变上文所描述的演化演算法。例如，***可以接受来自广泛领域的使用者的输入但是仅使用来自具有对于演化设计标的的领域的目的的特定的人口统计之一组使用者的输入。这个实施例允许该制造者决定特定市场区隔的喜好而不需要该制造者肯定地朝向市场研究努力在特定人口统计的市场。

〔0189〕在另一个实施例中，上文所描述的***可用于允许收集关于竞争产品的数据。这可以通过包含竞争产品于该组经由设计以看出是否该产品能够“存活(survive)”的产品中而达成。在其中一个特定的实施例中，该演化演算法认得何时竞争产品在遗传上类似于一组由一个或一个以上的选择者所选择的产品设计并且***该竞争设计于下一代的产品选择内。

〔0190〕在另一个实施例中，该演化设计***包含来自供给原始材料给该制造者的商业人员的资讯。例如，供给者可以提供关于包含于产品中所获得之处理的资讯。该资讯通常将包含尺寸资讯及样式资讯，但是可能亦包含价格资讯。在这个实施例中，选择者可以提供具有关于潜在设计成本的资讯并且该基因因子可以考量于建立下一代产品内用于该选择者的回顾。

〔0191〕在另一个实施例中，上文所描述的该演化设计技术为通过提供选择者模拟的推荐数据或其他提升的技巧及策略而增加。在这个实施例中，感觉作为意见决定者的选择者可以具有本身的票选喜好显示给该票选大众以决定是否其他选择者依据该意见决定者票选喜好的知识改变本身的票选。

混合实验(Hybrid Experiments)

〔0192〕如同上文所提及的，当与选择者沟通时有利于结合分析及实验方法。此类的组合称为“混合实验”并且具有多重实施例，每一个实施例依据所收集的数据达到不同的优点。不同的实施例在下文作讨论。

〔0193〕图15为描述本发明的申请专利范围的实施例的图示，其中非收敛活动1502转换成收敛活动1504的实验。实验可以由一个或一以上的活动所组成，该活动为几组较小的经验集合一起，通常通过使用于该活动的步骤的分析的形式。

〔0194〕非收敛活动，如同任何活动，为一系列选择者与呈现者(例如，电脑)所具有的沟通，其中该选择者的答案经由收集并作潜在分析。然而，虽然其中选择所呈现的序顺及组合可以作修正，该基本人口群最好不要修正。由于该基本人口群通常未作修正以回应于使用者输入，该人口群不会收敛或演化成员以最大化本身的适合性(适合性为依据选择者喜好作量测)。由于这个系列的沟通并未造成人口群收敛，自然地本沟通称为非收敛活动。非收敛活动的例子可以包含使用共同分析的沟通。

〔0195〕另一方面，当该选择者参与该活动时，收敛活动演化该基本人口群成为新的属性组合。当该活动进行时，该人口群收敛朝向最大选择者喜好，沿着该途径潜在地完全建立新的人口群成员。自然地，包含人口群收敛的沟通称为收敛活动。

〔0196〕在某些实施例中，该非收敛活动1502包括传统的共同实验。在其他实施例中，该非收敛活动1502包括其中所呈现的选择的顺序可以改变以回应于选择者沟通的适应性共同分析，但是该人口群最好未作改变。

〔0197〕该收敛活动1504可以是诸如该上文所描述的基因演算型的活动，或者该收敛活动1504可以是另一个演化方向的方法。

〔0198〕由非收敛活动转换成收敛活动是有益于实验设计，其中该方法结合每一种的优点。非收敛活动1502一般通过回归模型通常将提供用于特定决定标的属性的关于选择者的成份效用值(或效用)的资讯给广泛数量的决定标的。然而，收敛活动1504聚焦选择者的喜好成为最大共同性。这些最大化可以局限于选择者或群体选择者，或者有利于用于所有选择者的整体的最大共同性。通过结合这些方法，效用性可以计算用于选择者的喜好并且那些喜好可以通过呈现该选择者具有“良好的”选择而使用于起动该演化。此外，通过首先执行该非收敛活动，可以获得关于该选择者并不认同在该活动的收敛部分中的决定标的的知识。以起动演化作说明，当糖果制造商正在设计糖果棒包装纸及执行在不同的包装纸的市场性上的研究时，选择者可能偏好某些商标及包装纸颜色，但是并不关心于营养资讯的放置。一旦已经决定商标及颜色对于该选择者是重要的，例如，在平均上具有较高的成份效用值，将能够聚焦该选择者的注意力于该商标及颜色的变化上并且不在该营养资讯的放置上。然而，知道该选择者关于营养资讯的放置并未表达喜好亦是有价值的。选择者的厌恶的知识允许该实验设计者建立替换的设计脚本或回答在该收敛人口群内用于不喜欢或特定决定标的的假设的或模拟的问题。执行该非收敛活动首先亦能够使在某些实施例中的实验设计者收集未受到该选择者已经作出的先前决定的影响的数据(因此该数据为较少偏差)。事实上，在某些实施例中，在该转换至该收敛活动之前，亦即该活动仅为数据收集程序，未有分析是使用于在位置处的沟通上。

〔0199〕使用该上一个非收敛的活动1502效用或成份效用值计算执行收敛活动1504是有益的，因为该实验设计者能够聚焦于该选择者的参数或属性的喜好组合上。使用先前的例子，假设共同分析在该非收敛活动的结束时而执行以决定该选择者表示该商标颜色是重要的。该收敛活动可以通过仅显示具有明显显示喜好商标的变化的包装纸而开始。另外，视该探讨的标的而定，该收敛活动可以通过显示给该选择者具有广泛改变的商标的数个包装纸变化而开始以决定那些个商标是较佳的。在任何一个例子中，该收敛活动为使用在该非收活动期间所获得的效用并且依据至少部分这个资讯而呈现选择给该选择者。

〔0200〕一旦该初始选择在该收敛活动中为显示给该选择者，该选择者在该非收敛活动期间所作出的选择通常并不影响该收敛活动。当该活动进行时，该收敛活动的特质在于适应呈现给该选择者的选择。因此，在该收敛活动开始时依据在该非收敛活动中所获得的资讯，在活动之间的转换可以包含智慧地常驻呈现给该选择者的选择。在该收敛活动执行之前未有分析使用于该数据的实施例中，呈现于该收敛活动的开始时的选择为随机选择及即时在该位置反应呈现于该演化活动人口群内的属性的分布。

〔0201〕应该注意的是对于该选择者可能不是显而易见的是她已经改变活动形式。在某些实施例中，该转换可以在选择萤幕画面之间完美地达到并且可以呈现给该选择者具有单一的活动正在执行。在其他实施例中，该活动可以分隔成数个小时或甚至一天，以获得来自其他参与者的有用数据或让该目前的选择者休息。在该两个活动形式之间的不同的转换组成本发明的申请专利范围的不同的实施例。

〔0202〕图16A依据本发明的申请专利范围的其中一项实施例描述用于在非收敛活动及收敛活动之间作转换的其中一种方法。在这个实施例中的全部的实验的第一个活动为非收敛活动。在其中一个版本中，该非收敛活动为共同活动(步骤1602)。在另一个版本中，该非收敛活动为适应性共同活动。在另外其他活动中，该非收敛活动为其中该获得的数据为使用层级贝氏共同模型作分析的共同活动。在所有三个版本及其他版本中，该非收敛活动活动最好通过电子网路而呈现。该共同活动选择者由所呈现的该选择之间作选择，并且显示该选择者的反应的数据将保存。该活动持续以此方式进行，亦即，选择的重复呈现及该选择者作出决定，直到符合切换标准。在某些实施例中，该切换标准为呈现给该选择者特定数目的萤幕画面选择。在其他实施例中该切换条件为达到预定的时间限制。在另一个实施例中，该切换标准为达到用于该效用性计算的特定所需的数学性质(例如，该计算的预期的信心水准)。

〔0203〕一旦该切换标准符合时，回归模型将使用以计算用于特定属性的该选择者的喜好(步骤1604)。随机数目的决定标的由使用于该收敛活动内的该人口群的组合而选择(步骤1606)。视该例子而定，这个人口群将表示该整个范围的可能组合的变化比例。再者，视该收敛活动的状态而定，该人口群将是在随机(在先前的活动中)或收敛朝向喜好设计(在之后的该活动期间)的不同的条件内。不论该人口群的组成为何，本发明接着依据由该回归模型(来自步骤1604)所提供的该效用性计算(步骤1608)而对该决定标的的选择作评分。本发明的申请专利范围接着挑选该回应的选择显示将是“最佳”的选择的决定标的(步骤1610)，并且放置该决定标的于该焦点视窗的第一槽内。本发明接着依据该选择者的效用最好选择具有所需的属性的组合的另一个决定标的(步骤1612)，但是是不同于第一决定标的，亦即在遗传基因上是远离的。一旦第二决定标的受到选择(步骤1612)，该选择为放置在第二焦点视窗槽内。在某些实施例中，该剩余的视窗槽为填覆随机的决定标的(步骤1614)。在其他实施例中该视窗是以非随机填入，但是来自该人口群的较不需要的决定标的。应该注意的是关于“第一视窗槽”、“第二视窗槽”及“剩余视窗槽”并未隐含在该萤幕上或该焦点视窗内的任何顺序或位置。此类的提及仅是显示来自有限数量的可能位置的位置已经填覆。一旦该焦点视窗已经进驻，基因演算法活动或时程将可以开始(步骤1616)。

〔0204〕然而，在这个实施例中的第二活动并未限定于基因演算法程序。在这个实施例及其他实施例中，该活动可以是任何收敛的程序。

〔0205〕图16B描述参考图16A所说明的方法，但是来自该收敛人口群及票选视窗的观察。从该收敛的人口群1618中，决定标的X依据上文所描述的决定过程选取用于在该焦点视窗1622的槽1620。第二个不同及远离的决定标的Y为选择用于在该焦点视窗1622中的第二槽1624。在该焦点视窗1622内的剩余槽1626接着最好通过来自该收敛人口群1618的随机决定标的而进驻(标记为1、2、3及4，因为不像X及Y，该决定标的并非使用来自该非收敛活动的资讯而选择)。一旦该使用者的收敛实验时程已经开始，该使用者为呈现具有包含刚刚由决定标的的人口群所选择的决定标的的该焦点视窗。再者，该呈现可以通过电子网路，或者可以通过诸如调查或问卷的另一个工具。该选择者的决定及决定标的喜好受到保存并且该演化运算器产生用于该选择者以提供选择之一组新的选择。这个程序的例子在上文作描述并且该活动持续进行直到符合停止标准为止。因此，在这个实施例中，该非收敛活动有益于建立用于该收敛活动的有利的决定标的以开始聚焦该选择的选择。

〔0206〕比较决定标的的其中一个方法是通过基因距离。当两个决定标的对于相同基因具有不同的数值时，基因距离为两个决定距离多远的量测(如同在图17A中的说明)。在其中一项实施例中，表示特定的基因的相同的遗传因子的基因具有0的距离并且表示相同基因的不同的遗传因子的基因具有1的距离。接续该糖果棒包装纸例子，若第一糖果棒包装纸1702具有采用红色商标及未具营养资讯在该侧边上的蓝色包装纸颜色并且第二糖果棒1704具有相同的属性，除了该包装纸显示营养资讯在该侧边上，则在该两个包装纸之间的距离为11707。这可以通过观看该第一个糖果棒的包装纸颜色及比较该包装纸与该第二包装纸的颜色而计算。该两个包装纸颜色是相同的，则该差异性为01706。接着该两个商标颜色将作比较。在此该距离亦为0，因为该两个包装纸分配相同的商标颜色。然而，该营养资讯是不同的并且增加该基因差异性1706为1，使得如同在该总结1707中所显示的全部基因距离为1。

〔0207〕参考图17B，并且再次使用该第一包装纸1702，比较朝向新的包装纸1708。在该两个包装纸之间的该距离1710将再次计算并且该全部距离如同在该总结1711中所显示为2。虽然在商标颜色上相同于该第一包装纸1702(距离+0)，该第二包装纸1708在包装纸颜色(距离+1)及营养资讯(距离+1)两者上是不同的。这种方式依据是否用于每个基因的遗传因子是相同的或不同的可以直接地计算。

〔0208〕今参考图17C。在某些实施例中，该距离计算可以额外地考量权重，其中特定的属性可以在该全部距离上或在决策标的之间的相异处具有增加或减少的效果；例如，该商标颜色对于选择者可以是两倍重要于该营养资讯。在该安排中，在该商标中的差异性增加为两倍大于在营养资讯的表示上的差异性的距离。在图17C中，该第一包装纸1702再次使用但是显示额外的属性，“使用大写X”。该第一包装纸1702与新的包装纸1712作比较。该新的包装纸1712为具有使用上文所描述的直接距离决定方法的3的距离1714。然而，在这个实施例中，权重1716为使用于该距离1714而造成不同的全部距离或权重距离1718。在这个安排中，该包装纸颜色为两倍重要于一般属性，同时在该包装纸语言中的大写字母X的使用，例如“eXtreme”而非“extreme”，重要性仅占有一半。在该两个包装纸之间的权重距离因此为3.5(1719)使得该两个属性在遗传上比若使用直接距离方法更彼此远离。在该距离计算中所使用的权重因子通常由该共同分析(不论依据用于每个属性的不同数值的效用范围或本身的标准差)而获得。另外，该计算可以依据观察在市场上的消费者行为、直接代表消费者的问卷或通过某些其他类型或喜好评估活动。此外，在某些实施例中，属性价值相对于显示在图17A-C中的公定值(nominal number)可以通过基数(cardinal number)而呈现。例如，该颜色“中蓝色(medium blue)”可以具有指定给该颜色的基数5，而浅蓝色(light blue)可以为3。在此类例子中，该距离计算考量这个基数；在该上文的例子中，例如，在该颜色之间的距离将等于2(假设使用1的权重因子)。在另一个实施例中，在两个设计候选之间的相异处或距离可以包含在合计之前增加该个别的距离成分至第n个次方以及对该总合开m个根号。如同先前所讨论的，使用任何上述方法计算距离是直接的(并且对于一般具有熟习该项技艺的人士是熟悉的)，并且该方法在由其中一个活动转换至另一个活动期间对于比较决定标的是有用的。

(0209〕图18A描述依据本发明的申请专利范围的其中一项实施例用于在非收敛活动及收敛活动之间作转换的另一种方法。在该非收敛活动已经执行之后(步骤1802)(如同上文参考图16A所描述)，本发明的实施例计算为用于该初始焦点视窗的候选的决定标的的分数(步骤1804)及比较该候选(亦为步骤1804)与在该非收敛活动中所看见的决定标的的所有配对。换言之，该候选与该选择者已经显示喜好之间之一对决定标的作比较。如同之前描述，用于该焦点视窗的可能的候选在该收敛活动中可能是决定标的的整个人口群或该决定标的的子集合。该实施例接着执行用于在该收敛活动人口群中的每个决定标的候选的计分演算法，使用在该非收敛活动中所看见的决定标的的配对，在选择候选之间重复(步骤1806)，并且计算该候选分数(步骤1804)直到完成针对所有(或预定数目)配对的候选的计分为止。因此，当在该非收敛期间活动期间已经呈现给她的人口群中，这个实施例以将评比该选择者可能已经选择何者的方式比较该决定标的人口群。实际上这个方式在建立用于该选择者的投票者代理，依据至少部分在该非收敛活动期间在决定上该选择者所作出的票选决定。应该注意的是本发明并非选择用于该选择者的决定标的。相反地，当该选择者由该收敛人口群反而经呈现具有决定标的时，本发明在于预测该选择在该非收敛活动中可能已经选择何者。

〔0210〕欲说明候选-配对比较/票选者代理概念，参考图18B。在这个实施例中，若该选择者在该非收敛活动期间观看在特定选择视窗中的决定标的1、2、3及4，这个实施例将考量使用1-2、1-3、1-4、2-3、2-4及3-4的配对(忽略配对具有本身及复制配对的决定标的)以计算在用于焦点视窗槽中的收敛人口群中的可获得的每个候选的分数。该配对的例示性表格1808显示用于可获得的配对的X，用于其中自我配对将避免的O及用于其中复制配对将忽略的空缺项目。在该候选及给定先前观看的配对(p_i，p_j)之间的该计分比较在这个实施例中是通过下列计算而达到：

${\mathrm{score}}_c^{(p_i,p_j)}=(d(p_i,c)-d(p_j,c))*(\mathrm{NRating}\left(p_j\right)-\mathrm{NRating}\left(p_i\right))$

〔0211〕其中p_i为该配对的第一个、p_j为第二个、c为用于焦点视窗槽的候选，d(x，y)为在决定标的x及y之间的基因距离，并且NRating(x)为由决定标的x所接收的喜好率的函数。该得分函数定义在该候选及来自该非收敛活动的配对的第一与第二决定标的之间的距离乘以在该非收敛活动期间该配对所接收的分数中的负的差异。用于决定标的c的全部分数为通过总计从使用所有可获得的配对所得到的所有分数成分而获得，如下：

${\mathrm{score}}_c=\underset{\mathrm{allavailablepairs}(p_i,p_j)}{\mathrm{\Σ}}\left((d(p_i,c)-d(p_j,c)\right)*(\mathrm{NRating}\left(p_j\right)-\mathrm{NRating}\left(p_i\right)))$

总之这个计分演算法依据该选择者的每个该配对的先前的喜好率计算该选择者在比较上将评估多少该目前的决定标的候选。回到参考图18A，在使用上文所描述的决定标的-配对-比较演算法计算所有候选的分数之后，这个实施例接着决定该最高得分的n个决定标的(步骤1810)，其中n为在呈现给该选择者的焦点视窗中的槽的数目。这个方法已知为“前N个选取(top N picks)”方法。在其他实施例中该最高得分的m决定标的受到选择，其中m＜n并且m为通过在活动之间的该转换之前在该处的实验设计者所选择。在该例子中，该剩余的焦点视窗槽将从该演化活动人口群通过随机选择或通过准随机而进驻以确保在随机选择用于该剩余槽(假设超过一个以上的槽将受到选择)的那些决定标的之间的某些基因差异的水准。

〔0212〕关于该函数NRating(x)，该函数可以以各种方式经由配置以便转换由应答者所提供的评估成为有用的数值。在其中一项实施例中，该应答者可以经由询问以在一组给定的选择萤幕画面的4个决定标的中选择最佳及次佳的决定标的；这两个评估接着可以分别地转换成为3及2的数值。未在该页面上受到评比的决定标的将受到指定为0或-1的数值。在另一个实施例中，该应答者将受到询问以在选择集合中选择最佳及最差的决定标的。在这个例子中，该函数将指定2或3的数值给该最佳的决定标的、指定-2或-3的数值给该最差的决定标的及指定0或-1的数值给未受到评比的那些决定标的。在另一个实施例中，该应答者在该选择集合中的每一个决定标的下方可以提供具有5点或7点的等级，并且经询问以直接地选择在该页面上用于所有或子集合的该决定标的的数值评估。在该例子中，该函数可以在未作修正下使用这些数值，或者该函数可以对于该决定的使用直接数值的转换，包含标准化该数值以消除某些应答者相对于其他应答者倾向选择所述级的其中一个极端的效应。在这些实施例中的很多其他变化将可以轻易地由一般熟习该项技艺的某些人士而发展及实现。

〔0213〕在用于该焦点视窗的决定标的受到选择后，该焦点视窗将显示给该选择者并且该收敛活动将如同参考图16A之上文所描述而继续进行(步骤1812)。

〔0214〕该上文的实施例的版本使用不同的方法以选择所呈现的该决定标的。在其中一个版本中，本发明使用依据共同分析的直接计分机制，其中在该演化人口群中的该决定标的候选为通过合计本身的成份效用值而计分，该成份效用值为通过使用来自该非收敛的活动所收集的数据计算共同分析模型而获得。依据本身的成份效用值的合计具有全部最高效用性的候选将呈现给该选择者。在另一个版本中，该决定标的为依据丛集演算法或潜在类别回归(latent-class regression)而选择。在这个安排中，潜在类别回归模型将计算不同组的成份效用值，依据喜好的本身的相似性每一个对应于不同显现群体的应答者。在此类例子中，该潜在类别共同分析将执行于由该多个应答者所收集的数据上，该应答者已经及时检视该活动到达该位置处。由该潜在类别回归所确认之类别的数量是变动的，并且视该群体的应答者为如何相似或具差异而定。该不同组的成份效用值(通常在2及4之间)将会用以确认在依据不同组的成份效用值而得分高的该收敛决定标的人口群中的不同的候选。例如，若该潜在类别回归确认三个类别及三组对应的成份效用值，每一组成份效用值将使用以计算该候选的分数，并且对于每一个潜在类别的最高得分的候选将作确认及使用于(部分地)常驻在该收敛活动中的初始焦点视窗上。

〔0215〕在另一个版本中，临界函数经使用以计算用于常驻该实验的收敛活动部分的初始焦点视窗上的候选的分数。分数高于该临界值的该候选为放置在集合内，并且不受取代的随机选择将由该集合而达成以常驻该初始焦点视窗上。

〔0216〕在其他实施例中，该***可以经由设定以便一个以上的该初始焦点视窗可以常驻。其中一个实施例亦将以上文所简述的方式常驻第二个焦点视窗于该演化活动中。并且在另一个实施例中，后续的焦点视窗可以保留一些槽以便该焦点视窗可以以类似的方式而常驻。

〔0127〕在非收敛活动及收敛活动之间的转换系依据本发明描述于图19中的另一个实施例。在该非收敛活动已经执行之后，本发明的实施例重复通过在该非收敛活动中该选择者观看及认同的决定标的。选择者可能已经通过，但不限定于，评估该决定标的在整数基准的等级上高于其他决定标的而显示对于决定标的的喜好，例如在1至10的等级上为9、通过给定决定标的“赞成”的票选或通过选择在网页上的选取钮藉以显示“这个候选在萤幕上是我的最爱”。

〔0218〕如同在图19中的说明，共同分析回归模型在该实验(步骤1902)之后而执行以产生依据该选择者所作出的所有决定的效用。得分依据来自由该选择者所观看的决定标的的所有属性的分析的资讯将使用于先前观看的决定标的上。

〔0219〕本发明接着计算由该应答者依据这些效用或成份效用值所看见的决定标的的分数(步骤1906)。这些效用为使用于(步骤1904-1906)在该非收敛活动中该选择者所看见的决定标的上直到该方法执行完该选择者已经观看的决定标的为止。一旦该效用为使用于所有该决定标的(步骤1904及1906)，该前面n个决定标的将受到选取(步骤1908)，其中n为在该焦点视窗中的槽的数目。这些n个决定标的经由使用以常驻在该演化活动的初始焦点视窗中的槽，并且该n个决定标的为同时地***该演化活动的人口群内(步骤1909)。在其中一项实施例中，这个***需要移除该人口群的n个缺乏执行的决定标的以维持该预定的人口群尺寸。在本发明的不同的实施例中，使用于该演化活动的决定标的的人口群在尺寸上允许成长以容纳这些增加的标的。

〔0220〕应该注意的是在任何一个实施例中，当选择前面n个决定标的时将使用一种检验标准以增加在该决定标的之间的差异性。在某些实施例中，这个标准可以依据如同上文所描述的某些基因距离的临界值。在其他实施例中，该标准为使用某些基因距离作为相似性尺度的丛集演算法以分类出该候选于群体内及选择来自每一个群体的代表性的决定标的。

〔0221〕应该注意的是在这个实施例中，相反地，m个决定标的可以替代选择考量相似性，其中m＜n并且该剩余的槽为随机或准随机填覆(由任何一个人口群)，如同上文或通过另一个选择方法所描述。这个“前面N个不同的选取”实施例具有呈现给该选择者具有一组多样的决定标的的效果，该决定标的在该非收敛活动的进行期间皆已经认为是接受的。一旦该人口群通过该选择方法(步骤1908)而作选择，该收敛活动如同上文所描述将执行(步骤1910)。

〔0222〕图20的实施例为类似于图19的实施例，其中在该非收敛活动进行之后(步骤2002)，该方法通过计算已经看见的决定标的的分数(步骤2004-2006)、重复通过已经由该选择者所检视的人口群(步骤2004-2006)及选取该前面n个决定标的(步骤2008)而开始。然而，在这个实施例中，来自该非收敛人口群的决定标的并未使用，而是本发明选择来自该收敛人口群(步骤2010)的j个决定标的，该j个决定标的为类似于来自该非收敛人口群之前面分数的决定标的(其中j＝n)。

〔0223〕相似性为通过使用上文所描述的该基因距离方法而量测，该方法采用在候选之间具有相等距离分数的连结为随机中断。应该注意的是，如同上文所描述，相似性测试可以使用于是由该非收敛活动所选择的该前面n个分数的决定标的上，以避免复制或具有高度相似性的决定标的。

〔0224〕此外，虽然j及n在该上文的实施例中是相等的，该决定标的并不需要如此，其中该相似性匹配并不需要为一对一。实验设计者可以对于类似于该最高得分的非收敛决定标的(在该j＞n的例子中，尤其在这个例子中，j＝n+1)的两个收敛人口群决定标的作搜寻。另外，该设计者可以选择设定该实验使得j＜n；由该非收敛活动所确认之前面得分的决定标的的数目是较大于需要在该收敛活动中常驻该焦点视窗的决定标的的数目；当该收敛人口群已经演化并且收敛至低多样性的位置时，该方法是有用的，使得不可能在该收敛人口群中找到足够接近来自该非收敛活动的任何任意前面得分的决定标的的匹配。当在收敛的决定标的考量为足够接近其中一个该前面评比的非收敛决定标的之前，相似性临界值必须符合时，该后者的实施例通常是有用的。在另一个实施例中，该实验设计者可以选择以在这些技术之间作切换，视在该收敛人口群中的收敛(并且因此缺乏相似性)的程度而定。这个方法及本身的变化已知为“前面N个相像(top N look-a-likes)”方法。

〔0225〕如同在其他实施例中，n为在该焦点视窗中的槽的数目并且该设计者可能对仅常驻m个槽的该焦点视窗这个方式感到有兴趣，其中m＜n。在该安排下，于上一个段落中所描述在j及n之间的关系今将使用在m及j之间。一旦该相似的决定标的为选择(步骤2010)用于该初始焦点视窗，该收敛活动可以如同上文所描述而开始(步骤2012)。

〔0226〕如同采用上文所描述的其他实施例，这个实施例提供许多优点。首先，该实施例以最佳化用于减少偏差及杂讯于该共同分析中的成份效用值上的方式允许在该非收敛活动期间的应答者喜好观察的收集。这个方法可以通过在该非收敛活动期间以随机或最好依循根据最佳化的实验设计技术(Design of Experiments scheme)(已知为DOE或DOX)的图案而呈现决定标的以达成。在数学语法上，此类的技术最有效率地利用该应答者将采取的选择集合及观察的有限的数目。该上文的实施例的第二个优点在于该方法依据在该非收敛活动期间的他的或她的回馈，通过聚焦该应答者的初始活动于经计算由该应答者所喜好的收敛决定标人口群的区域上，利用在该非收敛活动期间所收集的资讯以使该应答者的课程在该收敛活动期间更有效率及初始上更为直接。这些实施例的第三个优点在于当他或她由该非收敛转换至该收敛活动时，通过呈现给他或她具有一组初始的决定标的在该后者的开始时刻，该后者涉及在该前者的非收敛活动期间他或她看见及喜好的决定标的，该方法提供对于该应答者的连续性的感受。尤其，这些实施例最好直接地复制来自该第一个活动的计算的喜好决定标的成为该收敛人口群及成为该选择者的初始焦点视窗。

〔0227〕图21为一般描述在依据本发明的实施例的收敛实验2104之后用于执行非收敛活动2102的方法的图示。这个方法为上文所描述的方法的对换。在这个安排中，本发明的实施例通过执行收敛活动2102而开始。该收敛活动可以是诸如上文所描述的方法的基因演算法类型的活动或者该活动可以是另一个演化导向的、收敛的方法。该实施例接着使用在该收敛活动中所收集的资讯，诸如属性的喜好的组合、喜好决定标的或喜好部分决定标的，以依据该资讯建立及进行非收敛活动(2104)。在下文所描述的不同的使用安排下这种方法对于不同的理由是具有优点的。

〔0228〕在图22A所描述的较佳的实施例中，收敛活动将进行(步骤2202)，并且该收敛人口群经由分析以确认领导的决定标的(步骤2203)。如同较早前所描述，这个分析包含在该收敛活动人口群上执行丛集演算法并且确认反映在该人口群的状态中的不同区域的喜好的代表。另外，其他的分析方法可以使用。该方法使用对于一般熟习该项技艺的人士已知的分析技术亦能够确认在这些喜好的决定标的上的变动。

〔0229〕该领导的决定标的(及在该决定标的上的变动)接着将使用以建立非收敛活动(步骤2205)，通常称为离散选择活动。除了其中仅其中一个属性是使用于呈现全部的决定标的之外，该方法为类似于具有该属性依据决定标的的不同的变数的不同的数值的共同活动。在选择上，额外的“参考”决定标的可以加入该混合内(步骤2207)。这些决定标的包括对于该实验设计者已知为优先顺位但是在该收敛活动期间并未演化的竞争决定标的，不论是因为该决定标的较不受喜好，或者因为某些本身的属性并未包含于该第一活动中。此类参考的例子竞争者在市场上的设计。一旦这些决定标的为载入至该非收敛活动内(意即，为使用于建立用于该活动的决定标的的人口群)，该非收敛活动将执行(步骤2209)并且所收集的该数据因此使用类似于共同模型的回归模型而分析(步骤2211)。这个分析的结果提供洞察力于该不同的决定标的将如何彼此相对进入该市场中及每一个决定标的将获得的喜好的分享。使用于该非收敛活动中的该未偏差的取样对于获得在这些决定标的之间用于该“喜好分享(share of preference)”或“喜好强度(strength of preference)”的未偏差的计算是最佳化的。

〔0230〕其中依循收敛活动进行有用的非收敛活动的另一个安排在于该实验设计者何时正使用该非收敛活动以在非常大量的属性空间的喜好子集合内获得更精确的属性效用量测。在这种情况中，该收敛活动为最先使用以探索该大的设计空间及确认在该空间内的喜好的子区域；表示该较大的属性空间的该子集合的属性为载入该后续的非演化活动内，接着，该活动使用于平均地取样在该子空间内的决定标的。这种技术获得具有较少统计杂讯的效用计算。这种安排的其中一项实施例描述于图22B中。该实验由执行收敛活动而开始(步骤2202)。通过演化如同较早所描述的该收敛人口群，该收敛活动通常将收敛在其中一个或有限数目的喜好决定标的上。这种演化将造成用于每个基因的遗传因子的分布随着时间而改变，具有该喜好的遗传因子变得更多及该不受喜好的决定标的变得更少。通过分析该收敛人口群的状态，该喜好的基因遗传因子(属性变数)受到确认(步骤2204)。在其中一项实施例中，这个步骤通过通过该收敛人口群的丛集确认喜好决定标的(及该决定标的的变化)而达成，接着为其中该喜好决定标的经分析成为本身的成分遗传因子之列举步骤。在另一个实施例中，在该收敛人口群中的更多遗传因子分布的直接的分析将进行，并且具有上述平均频率(或其他临界频率)的遗传因子将作确认(步骤2206)。在任一方式中，因此所确认的该属性变数为使用于建立非收敛活动(步骤2208)。这个活动可能是随机非收敛活动，其中该非收敛人口群是由这个属性群聚而随机(或准随机地，以避免复制决定标的)产生，或者该活动可能依据如同较早前所描述的实验设计技术原理。一旦这个确认完成，该非收敛活动开始(步骤2210)。接着，将在该非收敛数据上执行共同分析(步骤2212)以计算用于在通过该收敛活动所确认的该喜好子空间中的该组较小的属性变数的成份效用值或效用。

〔0231〕在这个实施例中，在该收敛活动期间所获得的资讯可以使用以补足如同由该虚线箭头(2214)所说明的该共同分析(步骤2212)。在该非收活动期间所收集的某些回馈资讯接着可以使用以提供额外的观察给该回归模型。另外，依据观察在该收敛活动期间此类的交流沟通效应的呈现及重要性，其中交流沟通项目(在特定属性变数之间的模型协同的高阶项目)是包含于该共同回归模型内。该观察可以通过观看在该收敛人口群中的遗传因子的条件的分布或通过确认呈现在该喜好的决定标的内的该特殊的属性组合而达成。

〔0232〕这个实施例能够由非常大的设计空间(可能的决定标的的范围)而开始，其中该空间将由于太大以致不能通过共同分析(包含层级贝氏模型)而执行，因为该活动将需要过多的应答者及每一位应答者实行过多的萤幕画面。该收敛活动为使用于有效率地及快速地减少大量设计空间成为较能够处理的设计空间，该设计空间接着可以通过收敛活动及共同分析来进行。

〔0233〕无论如何，从收敛活动已经显现的喜好允许实验设计者通过非收敛活动过程决定关于已经显现的喜好什么是重要的。这个步骤不同于在图15-20中所说明的由该方法所提供的资讯。在那些实施例中，该实验设计者能够经由非收敛活动通过该属性空间详细收集何者通常是重要的，并且接着依据收敛实验，经由整个设计空间计算最佳的选择。在这个章节中所描述的方法允许在该设计空间内的广泛的探索以找出可能的候选并且接着集中于那些区域上以决定那些子集合的特征化的效用。

〔0234〕图23描述依据本发明的申请专利范围的实施例执行收敛实验及使用共同分析于该保存的数据上。该方法类似上文所实行的收敛演算法而开始：决定标的为呈现给选择者(步骤2302)；该选择者表示对于许多决定标的的喜好(步骤2304)；该收敛活动保存这个喜好数据(步骤2306)；演化该人口群以回应该保存的数据(步骤2308)；及该过程重复直到符合停止标准为止(步骤2310)。然而，在该活动结束时，将执行共同分析(步骤2312)于该喜好或在该收敛活动的运算期间所保存的选择数据上。由平衡、正交性及其他实验设计技术的观点，该收敛票选追踪可能不具有最佳化设计的非收敛活动将具有的所需的取样性质。然而，在该保存的喜好或选择数据上执行共同分析仍然能够使该实验设计者获得有价值洞察力进入该应答者的喜好内。由于该收敛活动经由设计以收敛朝向较佳的解答，较不可能花费过多时间演化及选择具有属性变数的决定标的，该属性变数依据由该较早的参与者所提供的回馈已经证明是较不受偏好的。相反地，该非收敛活动将选择具较不相似的属性的决定标的，该较不相似的属性的决定标的如同具有非常相似的属性的决定标的一样频繁。因此，相比于该非收敛活动当依据该收敛票选追踪时，对于缺乏执行属性变数的效用计算将是较受干扰及潜在性偏差。

〔0235〕然而，执行该共同分析于该收敛票选追踪上的其中一个优点在于对于该高度喜好属性的最终效用将是有益地偏差以反应较高阶的交流沟通效果，该较高阶的交流沟通效果在一般共同分析中通常为留下不作模型的。这使得那些效用计算较适合于确认用于喜好决定标的的最佳属性组合。基于这些理由，该实验设计者或该用户端可以请求具有找出依据分析该收敛人口群的状态以及依据该收敛活动票选追踪的该共同分析两者的报告，而给予该用户端或设计者该实验进行的较为平衡的观点。

〔0236〕图24说明一般与收敛实验同步进行的非收敛实验。在该实验开始之前，这个实施例通过传送选择者两个活动设定的其中一个而开始。其中一个设定为收敛活动2402并且另一个为非收敛活动2404。在某些实施例中，设定该选择者或应答者进行至那一个活动是随机决定的。

〔0237〕在其他实施例中对于该两个活动的选择者数量通常保持在相等状态，或者通过传送交替的应答者至不同的活动而决定性地执行。在其他实施例中，并且视该研究的目的而定，经由该两个活动的应答者的分布可能是不公平的，但是可以依循任何所需的比例。例如，有需要可以传送三分的1的应答者至该非收敛活动，并且三分的二至该收敛活动。同样地在该情况下，应答者选择可以是决定性或随机性地实现。

〔0238〕一旦决定出该选择者将参与那一个设定，该活动将执行。在某些实施例中，该两个实验设定以相同或类似的初始人口群而开始，由可能的决定标的的范围随机或准随机产生。在其他实施例中，如同上文的简述，该非收敛人口群为依据最佳化的实验设计技术而产生，该技术亦可能决定其中在该非收敛活动期间决定标的所呈现的顺序及组合。该非收敛人口群仍然不变的而具有不同的选择者显示对于呈现给他们的决定标的喜好。虽然收敛活动可能以相同的人口群而开始，该收敛设定演化本身的人口群，并且呈现给该选择者的决定标的为该演化的产品。

〔0239〕在其中选择者并非为第一个选择者以检视在该收敛活动中的人口群的实施例中，呈现给她的该决定标的为已经参与或正在参与该收敛活动的其他选择者的选择的产品。在其中选择者为第一个检视该收敛人口群的实施例中，该选择者类似于选择者在该非收敛活动中所看见以随机取样而呈现。一旦该活动执行，由该非收敛人口群所收集的效用可以使用于确认该收敛人口群的喜好的决定标的。这种方式允许该实验设计者决定对于该群体的应答者何者是重要的及该群体的特定部分如何在该初始的人口群中实现改变以演化该决定标的成为该最终、收敛的最佳决定标的。

〔0240〕在较佳的实施例中，在属性内的效用的范围或该在属性内的效用(通常称为“选项引导者(Choice Drivers)”)的标准差为使用在确认该收敛活动的人口群最后收敛至该喜好决定标的的代表物的过程中。该选项引导者提供相关重要性予不同决定标的属性的应答者。于本实施例中，可利用K中心点或K中位数(K-median)丛集演算法中的基因相似度量的权重系数(weighting factor)以针对在收敛人口群的喜好丛集确认呈现的决定标的。

〔0241〕上述实施例仅为例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与变化。因此，本发明的权利保护范围，应如后述的申请专利范围所列。

Claims (61)

1.一种分析群体选择者的设计喜好倾向的方法，系包括下列步骤：

a)通过电子网路呈现给多个选择者一个或一个以上的具有多个组合的属性的决定对象的群体；

b)由该多个选择者获得表示来自在该呈现的决定对象中的选择者的喜好的信息；

c)使用该信息以发展或选择包含一个或一个以上不同的属性组合的决定对象衍生的群体；

d)重复步骤a)至c)，由步骤c)使用衍生出的群体以达到一个或一个以上的较佳的决定对象；以及

e)由步骤b)使用至少部分信息以执行共同分析，以获得与该选择者的属性喜好相关的信息。

2.根据权利要求1所述的方法，其中，该选择者包含一个或一个以上的：

i)个人；

ii)个人的群体；

iii)用于个人的代理主机，如机器学习***；

iv)类神经网路、统计或其他数学模型或专家***；或

v)上述这些选择者的组合。

3.根据权利要求2所述的方法，其中，使用基因算法发展或选择决定对象的衍生的群体。

4.根据权利要求2所述的方法，其中，该决定对象包含广告素材。

5.根据权利要求2所述的方法，其中，该决定对象包含包装素材。

6.根据权利要求2所述的方法，其中，该决定对象包含已制成的消费物品。

7.根据权利要求2所述的方法，进一步包含步骤f)产生描述选择者的群体的设计喜好倾向的报告。

8.根据权利要求2所述的方法，其中，步骤d)进一步包含依据预设的重复次数重复步骤a)至c)。

9.根据权利要求2所述的方法，其中，步骤d)进一步包含依据预设的时间长度重复步骤a)至c)。

10.根据权利要求2所述的方法，进一步包含呈现给每一个该选择者多个问题以获取回复的步骤。

11.根据权利要求10所述的方法，其中每一个选择者的回复用以选择呈现给步骤a)中的选择者的决定对象。

12.根据权利要求10所述的方法，其中一个以上的选择者的回复用以选择呈现给步骤a)中的选择者的决定对象。

13.根据权利要求10所述的方法，其中一个以上的选择者的回复用以产生描述选择者的群体的设计喜好倾向的报告。

14.一种分析群体选择者的设计喜好倾向的方法，包括下列步骤：

a)通过电子网路呈现给多个选择者一个或一个以上的具有多个组合的属性的决定对象的群体；

b)由该多个选择者获得表示来自在该呈现的决定对象中的选择者的喜好的信息；

c)由步骤b)使用至少某些信息以实现共同分析以收集关于该多个选择者的属性喜好的信息；

d)通过网路呈现给相同或不同的群体选择者具有多个组合属性的一个或一个以上决定对象的额外的群体；

e)获得来自选择者表示由在该呈现额外的决定对象中的喜好的信息；

f)使用该信息以发展或选择包括一个或一个以上的不同的组合属性的决定对象的衍生出的群体；

g)重复步骤d)至f)，由步骤f)使用衍生出的群体以达到一个或一个以上的较佳的决定对象；以及

h)当达到停止标准时，选择一个或群体较佳的决定对象而用于进一步的开发、制造、使用或贩售。

15.根据权利要求14所述的方法，其中，该选择者包含一个或一个以上的：

i)个人；

ii)个人的群体；

iii)用于个人的代理主机，如机器学习***；

iv)类神经网路、统计或其他数学模型或专家***；或

v)上述这些选择者的组合。

16.根据权利要求15所述的方法，其中，使用基因算法发展或选择决定对象的衍生的群体。

17.根据权利要求15所述的方法，其中，步骤c)可以在步骤g)之后执行。

18.根据权利要求15所述的方法，其中，步骤c)可以在步骤h)之后执行。

19.根据权利要求15所述的方法，其中，步骤c)的共同分析的结果可以经由使用以影响在步骤d)中所呈现的额外的决定对象的数量的属性组合。

20.根据权利要求15所述的方法，其中，呈现在步骤a)中的该决定对象可以包括属性的随机集合。

21.根据权利要求15所述的方法，其中，呈现在步骤a)中的该决定对象可以包括经由设计增强该共同分析的效率的属性。

22.根据权利要求15所述的方法，其中在步骤a)之前进一步包含呈现给每一个该选择者多个问题以获取回复的步骤。

23.根据权利要求22所述的方法，其中每一个选择者的回复用以选择呈现给该选择者的决定对象。

24.根据权利要求22所述的方法，其中一个以上的选择者的回复用以选择呈现给该选择者的决定对象。

25.一种确认与分析至少一个选择者针对决定对象属性的喜好的方法，包括下列步骤：

a)呈现至少一个来自第一人口群中的决定对象给选择者；

b)从该选择者所表达的针对至少一个决定对象的喜好获得数据；

c)重复步骤a)与b)直至交换标准符合为止；

d)呈现至少一个来自第二人口群中的决定对象予选择者；

e)从该选择者所表达的针对至少一个决定对象的喜好获得信息；

f)使用该信息以发展至少一个于该第二人口群中的决定对象；以及

g)重复步骤d)至f)直至停止标准符合为止。

26.根据权利要求25所述的方法，其中，该选择者包含一个或一个以上的：

i)个人；

ii)个人的群体；

iii)用于个人的代理主机，如机器学习***；

iv)类神经网路、统计或其他数学模型或专家***；或

v)上述该些选择者的组合。

27.根据权利要求26所述的方法，其中，步骤c)进一步包含于符合该交换标准之后，基于该获得的数据进行共同分析。

28.根据权利要求27所述的方法，其中，步骤c)进一步包含选择至少一个呈现予该选择者的决定对象以相应于该共同分析。

29.根据权利要求26所述的方法，其中，步骤g)进一步包含于符合该停止标准之后，基于该获得的数据与信息进行共同分析。

30.根据权利要求26所述的方法，其中，步骤c)进一步包含于符合该交换标准之后，使用该获得的数据以从该第二人口群中选择至少一个呈现予步骤d)中的选择者的决定对象。

31.根据权利要求26所述的方法，其中，该共同分析使用该所获得的数据或信息其中之一予以执行。

32.根据权利要求31所述的方法，其中，该共同分析使用该所获得的数据与信息予以执行。

33.根据权利要求26所述的方法，进一步包含步骤h)产生确认每一个选择者针对决定对象属性的喜好的报告。

34.根据权利要求26所述的方法，其中，该交换标准包含一组步骤a)至步骤b)重复的次数。

35.根据权利要求26所述的方法，其中，该交换标准包含到达预设时间的限制。

36.根据权利要求26所述的方法，其中，该停止标准包含一组步骤d)至步骤f)重复的次数。

37.根据权利要求26所述的方法，其中，该停止标准包含到达预设时间的限制。

38.根据权利要求26所述的方法，其中，每一个该决定对象包含广告素材。

39.根据权利要求26所述的方法，其中，每一个该决定对象包含包装素材。

40.根据权利要求26所述的方法，其中，每一个该决定对象包含已制成的消费物品。

41.根据权利要求26所述的方法，其中，针对每一次重复，在步骤d)中呈现予每一个选择者至少一个与呈现予任一个其他选择者实质上不相同的决定对象。

42.一种确认与分析至少一个选择者针对决定对象属性的喜好的方法，包括下列步骤：

a)呈现至少一个来自第一人口群中的决定对象给选择者；

b)从该选择者所表达的针对至少一个决定对象的喜好获得信息；

c)利用该信息以发展于该第一人口群中的至少一个决定对象；

d)重复步骤a)与c)直至交换标准符合为止；

e)呈现至少一个来自第二人口群中的决定对象给选择者；

f)从该选择者所表达的针对至少一个决定对象的喜好获得数据；以及

g)重复步骤e)至f)直至停止标准符合为止。

43.根据权利要求42所述的方法，其中，该选择者包含一个或一个以上的：

i)个人；

ii)个人的群体；

iii)用于个人的代理主机，如机器学习***；

iv)类神经网路、统计或其他数学模型或专家***；或

v)上述该些选择者的组合。

44.根据权利要求43所述的方法，其中，步骤g)进一步包含于符合该停止标准之后，基于该获得的数据进行共同分析。

45.根据权利要求43所述的方法，其中，步骤g)进一步包含于符合该停止标准之后，基于该获得的数据与信息进行共同分析。

46.根据权利要求43所述的方法，其中，在步骤a)之前复包含呈现给该选择者多个问题以获取回复的步骤。

47.根据权利要求46所述的方法，其中，该回复用以自第一人口群中选择至少一个呈现给该选择者的决定对象。

48.根据权利要求43所述的方法，其中，在步骤a)、b)、c)、d)、e)及f)中的至少一个决定对象包含部分决定对象，其中该部分决定对象包含该定对象的属性的子集合。

49.根据权利要求43所述的方法，其中，该共同分析使用该所获得的数据予以执行。

50.根据权利要求49所述的方法，其中，该共同分析使用该所获得的数据与信息予以执行。

51.根据权利要求50所述的方法，其中，进一步包含步骤h)产生确认每一个选择者针对决定对象属性的喜好的报告。

52.根据权利要求43所述的方法，其中，该交换标准包含一组步骤a)至步骤c)重复的次数。

53.根据权利要求43所述的方法，其中，该交换标准包含到达预设时间的限制。

54.根据权利要求43所述的方法，其中，该停止标准包含一组步骤e)至步骤f)重复的次数。

55.根据权利要求43所述的方法，其中，该停止标准包含到达预设时间的限制。

56.根据权利要求43所述的方法，其中，每一个该决定对象包含广告素材。

57.根据权利要求43所述的方法，其中，每一个该决定对象包含包装素材。

58.根据权利要求43所述的方法，其中，每一个该决定对象包含已制成的消费物品。

59.根据权利要求43所述的方法，其中，针对每一次重复，在步骤a)中呈现予每一个选择者至少一个与呈现予任一个其他选择者实质上不相同的决定对象。

60.一种针对多个具有喜好的选择者中的每一个选择者确认与分析一个或一个以上的决定对象属性的方法，包括下列步骤：

a)相应于通过至少一个选择者通过电子网路所提供的信息，针对多个决定对象中的每一个决定对象计算至少一个属性；

b)使用衍生自每一个属性的分数的信息以移驻具有多个决定对象的投票视窗；

c)重复地呈现多个决定对象给多个选择者并发展决定对象以回应多个选择者中的至少一个所表达的喜好；以及

d)当符合停止标准时，回复确认一个或一个以上的喜好的决定对象的属性的信息。

61.一种针对多个具有爱好的选择者中的每一个选择者确认决定对象的较大人口群的子集合的方法，每一个该决定对象具有属性的组合，该方法包括下列步骤：

a)通过电子网路呈现给多个选择者中的每一个选择者选自该决定对象的较大集合的决定对象第一群体，于该第一群体中的每一个决定对象具有特定的属性组合；

b)获取通过至少该选择者中的部分选择者针对所呈现的决定对象所表达的喜好表示的数据；

c)于选择程序中使用该数据以选择决定对象的第二群体；

d)重复步骤a)至c)，使用步骤c)的第二群体以作为步骤a)中的第一群体，直到停止条件符合为止；以及

e)基于该保存的数据进行共同分析。

Images