随着计算机的不断发展,产品快速智能设计成为现代化企业追求的目标,也因此成为学者们研究的热点。而现有的参数化设计系统存在智能化程度不高,通用性较差,可扩展性不强等问题。一个产品是由多个零部件组成的,零部件的数量、类型、布局、组合方式和其供应商都在产品设计过程中起着至关重要的作用,因此如何在短时间内得到一个在满足性能要求、布局方式合理的前提下成本尽可能低的方案成为本文的研究方向。论文在分析了产品快速设计,产品布局优化和产品供应商组合的研究现状,分析整理了产品设计过程智能化的重要性和必要性,并学习这几个方向的国内外相关研究成果后,结合深度学习和排序学习等技术,以提高产品设计效率和使产品设计过程快速化智能化为研究方向,提出了一种基于设计方案树、深度学习技术和排序学习技术的产品设计方案推荐算法。本文的主要研究工作有以下几点:本文提出了一种设计方案树模型。课题结合启闭机产品的实际应用需求,利用多叉树的原理,将产品的概念设计与详细设计相结合,形成了原理和零部件设计相结合的模式,生成了设计方案树的结构,实现了设计模式的系统化,设计系统的智能化,设计形式的多样化。这种设计方法不仅仅可以用于启闭机,还可以适用于其他大型复杂产品的设计。本文提出了一种基于深度学习技术的布局优化方法。通过总结产品的装配规则以此生成不同布局形式的二维布局图,再利用深度学习技术种典型的分类模型Res Net-50,以布局图是否存在干涉情况为学习目标对不同布局形式的布局图进行分类,再根据分类结果和布局形式的优先级确定方案集中各个方案的最优布局形式并计算其面积,生成完整的具有产品属性信息和产品布局信息的设计方案集。这种方法避免了传统解决布局问题时出现的模型本身建立复杂,计算量大等难点,从新的角度简化了布局优化的过程。本文提出了一种基于排序学习技术的产品零部件供应商组合优化方法。将信息检索领域常用的排序学习算法应用于产品供应商组合优化的问题中。根据用户对零部件供应商信息的偏好,通过收集用户对基于AHP-TOPSIS算法排序后的产品设计方案推荐方案列表的反馈行为,生成相应的训练集数据。采用4种排序学习算法Rank SVM,Rank Net,List Net和坐标上升法对推荐方案列表进行优化。以NDCG@10为评价指标,确定Rank SVM算法相比于其他算法使重排序后的推荐列表更符合用户需求,减少了页面浏览时间从而提高了设计方案的决策效率。最后,以启闭机为实验对象,基于上述技术和方法,结合软件开发和数据库应用等技术,基于Visual studio和SQL Sever两个平台开发了一套基于设计方案树,深度学习技术和排序学习技术的产品设计方案原型推荐系统,对上述的研究成果进行了可行性验证和初步应用,验证了该方法比传统参数化设计方法具有更高的效率和更好的推荐效果。并对文章的主要内容进行了工作总结和前景展望。