CN113887121A - 多性能最优化设计装置、以及多性能最优化设计方法 - Google Patents

多性能最优化设计装置、以及多性能最优化设计方法 Download PDF

Info

Publication number
CN113887121A
CN113887121A CN202110517951.6A CN202110517951A CN113887121A CN 113887121 A CN113887121 A CN 113887121A CN 202110517951 A CN202110517951 A CN 202110517951A CN 113887121 A CN113887121 A CN 113887121A
Authority
CN
China
Prior art keywords
performance
performances
new
calculation
optimization design
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110517951.6A
Other languages
English (en)
Inventor
新谷浩平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN113887121A publication Critical patent/CN113887121A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种多性能最优化设计装置以及多性能最优化设计方法。所述多性能最优化设计装置执行如下处理，即，对通过模拟并针对多个性能中的每一个而取得的离散的观测值分别进行填补，从而针对所述多个性能中的每一个而输出连续的预测值以及预测误差，并基于所述预测值以及所述预测误差，针对所述多个性能中的每一个而计算出用于对可执行所述多个性能中的每一个的区域进行搜索的多个计算点，利用所述被计算出的多个计算点而针对所述多个性能中的每一个而计算出可执行所述多个性能中的每一个的概率分布，并将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行输出。

Description

多性能最优化设计装置、以及多性能最优化设计方法
技术领域
本公开涉及一种与车身等构造体的设计相关的多性能最优化设计装置、以及多性能最优化设计方法。
背景技术
在构造体的设计中，可以使强度、刚性、重量减轻以及振动的抑制等的、根据情况而相反的多个性能(多性能)分别最优化的设计方法的确立被设为重要课题之一，并且通过计算机模拟而同时并行地使多性能中的每一个最优化的方法正在被研究。
在日本特开2010-55466号公报中，公开了产品最优化设计辅助系统的发明，所述产品最优化设计辅助系统利用在考虑各种各样的不确定性的同时求取作为与多性能相关的集合的设计解的设置基数的设计方法等，从而能够对性能、成本等产品所要求的设计的评价指标的变化进行分析以及评价的系统。
发明内容
发明所要解决的课题
然而，在日本特开2010-55466号公报的技术中，由于随着多性能的研讨所涉及的问题的维度的增加，从而搜索空间以指数函数的形式增长，因此存在用于计算多性能的可执行区域的计算成本变得巨大这样的问题。
此外，在日本特开2010-55466号公报的技术中，存在如下的问题，即，在符合条件的成立解较少的情况下，获得多性能的可执行区域的边界所涉及的信息将变得困难，并且追加的多性能条件所涉及的新的变量的采样也变得困难。
本公开的目的在于，能够高效地求出多性能的可执行区域。
用于解决课题的方法
第一方式为一种多性能最优化设计装置，其包括：存储器；处理器，其与存储器连接，所述处理器被构成为，对通过模拟并针对多个性能中的每一个而取得的离散的观测值分别进行填补，从而针对所述多个性能中的每一个而输出连续的预测值以及预测误差，基于所述预测值以及所述预测误差，针对所述多个性能中的每一个而计算出用于对可执行所述多个性能中的每一个的区域进行搜索的多个计算点，利用所述被计算出的多个计算点，针对所述多个性能中的每一个而计算出可执行所述多个性能中的每一个的概率分布，将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行输出。
由于第一方式的多性能最优化设计装置对由模拟而取得的离散的观测值进行填补，从而输出连续的预测值，因此在模拟中，不需要导出大量的观测值。其结果为，能够抑制模拟中的运算成本。
第一方式的多性能最优化设计装置能够基于被计算出的预测值、预测误差而高效地计算出用于对多性能可执行区域进行搜索的计算点。
第一方式的多性能最优化设计装置通过以概率分布的形式来表达可执行区域，从而能够通过以各个性能的可实现性作为尺度的连续值来进行表达。
第二方式为，在第一方式的多性能最优化设计装置中，所述处理器被构成为，在产生了新的性能的限制的情况下，对通过模拟并针对所述新的性能而取得的离散的观测值进行填补，从而针对所述新的性能而输出连续的预测值以及预测误差，基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区域进行搜索的多个计算点，利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述新的性能的概率分布，将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立的概率分布的乘积，作为新的多性能可执行区域而进行输出。
第二方式的多性能最优化设计装置即使在产生了新的性能限制的情况下，通过将该新的性能限制所涉及的概率分布与表示当前的多性能可执行区域的概率分布相乘，从而也能够对多性能可执行区域进行更新。
第三方式为，在第一方式或者第二方式的多性能最优化设计装置中，所述处理器被构成为，将涉及所述可执行区域的内部的搜索的第一采集函数、和涉及所述可执行区域与不可执行区域之间的边界附近处的搜索的第二采集函数的乘积成为最大的点，设为所述计算点。
第三方式的多性能最优化设计装置能够同时对可执行区域的边界和内部进行搜索，从而计算出计算点。
第四方式为，在第一方式至第三方式中的任意一个方式的多性能最优化设计装置中，所述处理器被构成为，在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈值的情况下，结束所述计算点的计算。
第四方式的多性能最优化设计装置能够设定足以在设计所涉及的区域中确定多性能执行化的区域的计算点。
第五方式为多性能最优化设计方法，其通过处理器而执行如下处理，即，对通过模拟并针对多个性能中的每一个而取得的离散的观测值分别进行填补，从而针对所述多个性能中的每一个而输出连续的预测值以及预测误差，基于所述预测值以及所述预测误差，针对所述多个性能中的每一个而计算出用于对可执行所述多个性能中的每一个的区域进行搜索的多个计算点，利用所述被计算出的多个计算点，针对所述多个性能中的每一个而计算出可执行所述多个性能中的每一个的概率分布，将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行输出。
由于第五方式的多性能最优化设计方法对由模拟而取得的离散的观测值进行填补，从而输出连续的预测值，因此在模拟中，不需要导出大量的观测值。其结果为，能够抑制模拟中的运算成本。
第五方式的多性能最优化设计方法能够基于被计算出的预测值、预测误差而高效地计算出用于对多性能可执行区域进行搜索的计算点。
第五方式的多性能最优化设计方法通过以概率分布的形式来表达可执行区域，从而能够通过以各自的性能的可实现性作为尺度的连续值来进行表达。
第六方式为，在第五方式的多性能最优化设计方法中，在产生了新的性能的限制的情况下，对通过模拟并针对所述新的性能而取得的离散的观测值进行填补，从而针对所述新的性能而输出连续的预测值以及预测误差，基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区域进行搜索的多个计算点，利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述新的性能的概率分布，将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立的概率分布的乘积作为新的多性能可执行区域而进行输出。
第六方式的多性能最优化设计方法即使在产生了新的性能限制的情况下，也能够通过将该新的性能限制所涉及的概率分布与表示当前的多性能可执行区域的概率分布相乘，从而对多性能可执行区域进行更新。
第七方式为，在第五方式或者第六方式的多性能最优化设计方法中，将涉及所述可执行区域的内部的搜索的第一采集函数、和涉及所述可执行区域与不可执行区域之间的边界附近处的搜索的第二采集函数的乘积成为最大的点，设为所述计算点。
第七方式的多性能最优化设计方法能够通过同时对可执行区域的边界和内部进行搜索，从而计算出计算点。
第八方式为，在第五方式至第七方式中的任意一个多性能最优化设计方法中，在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈值的情况下，结束所述计算点的计算。
第八方式的多性能最优化设计方法能够设定足以在设计所涉及的区域中确定多性能执行化的区域的计算点。第一方式至第八方式也可以以计算机可读记录介质的方式来实现。
发明效果
根据本公开，能够高效地求出多性能的可执行区域。
附图说明
图1为表示实施方式所涉及的多性能最优化设计装置的结构的一个示例的框图。
图2为表示实施方式所涉及的多性能最优化设计装置的CPU的功能框图。
图3为表示实施方式所涉及的多性能最优化设计中的设计以及验证的分层结构的示意图。
图4为实施方式中的系统设计的概念图。
图5为表示实施方式所涉及的机器学习的可执行区域的导出流程的一个示例的流程图。
图6为表示利用了高斯过程回归的一维函数的回归的一个示例的示意图。
图7为通过高斯过程回归而被导出的限制条件的概率分布的一个示例。
图8为表示由采集函数aPoF(x)而取得的计算结果的一个示例的示意图。
图9为表示由采集函数aES(x)而取得的计算结果的一个示例的示意图。
图10为表示由混合采集函数aPoF-ES(x)而取得的计算结果的一个示例的示意图。
图11为表示联合概率分布计算的概念的说明图。
具体实施方式
以下，利用图1，对本实施方式所涉及的多性能最优化设计装置、以及多性能最优化设计方法进行说明。图1为表示本发明的实施方式所涉及的多性能最优化设计装置10的具体结构的一个示例的框图。
多性能最优化设计装置10以包含计算机30的方式而构成。计算机30具备作为硬件处理器的一个示例的CPU(Central Processing Unit：中央处理单元)32、作为存储器的示例的ROM(Read Only Memory：只读存储器)34、RAM(Random Access Memory：随机存取存储器)36以及输入输出端口38。作为一个示例，优选为，计算机30为工程师工作站、或者超级计算机等能够高速地执行高级的运算处理的机型。
在计算机30中，CPU32、ROM34、RAM36以及输入输出端口38经由地址总线、数据总线以及控制总线等各种总线而被相互连接在一起。在输入输出端口38上，作为各种输入输出设备而分别连接有显示器40、鼠标42、键盘44、硬盘(HDD)46以及从各种磁盘(例如，CD-ROM或DVD等)48执行信息的读取的磁盘驱动器50。
此外，在输入输出端口38上连接网络52，并且被设为能够与被连接于网络52的各种设备进行信息的授受。在本实施方式中被设为，在网络52上连接有与数据库(DB)54连接的数据服务器56，并且能够对DB54进行信息的授受。
在DB54中，预先存储有与多性能最优化设计相关的数据等。信息向DB54的存储既可以通过计算机30或数据服务器56而执行，也可以通过与网络52连接的其他设备而执行。
虽然在本实施方式中，作为在与数据服务器56连接的DB54中存储有多性能最优化设计的数据等的结构进行了说明，但是也可以采用如下方式，即，在被内置于计算机30中的HDD46或者外置的硬盘等外部存储装置中存储DB54的信息。
在计算机30的HDD46中，安装有用于多性能最优化设计的多性能最优化设计程序。在本实施方式中，通过CPU32加载并执行多性能最优化设计程序，从而执行多性能最优化设计。此外，CPU32使显示器40显示由多性能最优化设计程序而得到的处理结果。另外，对于本实施方式的多性能最优化设计程序而言，具有几个将其安装在计算机30中的方法，例如，将多性能最优化设计程序与设置程序一起存储在非临时性的计算机可读记录介质即CD-ROM(Compact Disc Read-Only Memory：只读光盘)或DVD(Digital Video Disc：高密度数字视频光盘)等中，并将CD-ROM或DVD等的磁盘安置于磁盘驱动器50中，并通过对CPU32执行安装程序，从而在作为非临时性的计算机可读记录介质或者存储器的示例的HDD46中安装多性能最优化设计程序。或者，也可以采用如下方式，即，通过与经由公用电话线或者网络52而连接于计算机30的其他信息处理器进行通信，从而在HDD46中安装多性能最优化设计程序。
图2为表示多性能最优化设计装置10的CPU32的功能框图。对通过由多性能最优化设计装置10的CPU32加载并执行多性能最优化设计程序而被实现的各种功能进行说明。多性能最优化设计程序具备通过模拟并针对多个性能中的每一个而取得观测值的模拟功能、对所取得的离散的观测值进行填补从而针对多个性能中的每一个而输出连续的预测值以及预测误差的观测值填补功能、计算出用于搜索可执行多个性能中的每一个的区域的多个计算点的计算点计算功能、通过多个计算点而计算出可执行多个性能中的每一个的概率分布的概率分布计算功能、以及将针对多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行输出的多性能可执行区域输出功能。通过CPU32执行具有上述各功能的多性能最优化设计程序，从而CPU32如图2所示的那样作为模拟部72、观测值填补部74、计算点计算部76、概率分布计算部78以及多性能可执行区域输出部80而发挥功能。
图3为表示本实施方式所涉及的多性能最优化设计中的设计以及验证的分层结构的示意图。在车辆等构造体的设计中，分别需要作为构造体整体的系统的设计、作为构造体的下部构造的副系统的设计，还需要作为副系统的下部构造的部件等结构要素的设计。在多性能最优化设计中，导出如下的可执行区域，所述可执行区域为，在系统、副系统以及结构要素的各自中，可以使例如强度、刚性、重量减轻、以及振动的抑制等多个种类各不相同的、根据情况而互为相反的性能分别最优化的区域。设计以多性能的方式被最优化了的可执行区域的适当与否通过验证而被确认，在通过验证而被判断为可执行区域不适当的情况下，进行重新设计。重新设计的结果被再次验证，并对可执行区域的适当与否进行判断。
该设计以及验证在结构要素、副系统以及系统中分别被执行。为了在多性能最优化设计中导出可执行区域，通常情况下，依据以下的顺序来实施。首先，对涉及性能的变量和该变量的响应之间的模型进行定义。接下来，在之前定义过的模型上通过随机采样而取得可执行区域的候补。然后，根据已取得的结果，来提取满足响应的限制条件的试样。虽然该步骤在原理上较为简单，但是当设计变量的维度增加时，应当搜索的空间将以指数函数的形式增大，其结果为，存在计算成本变得巨大的问题。
在本实施方式中，通过利用了机器学习(Active learning)的设置基数并发(SetBase Concurrent)设计手法，从而导出多性能可执行区域。通过利用机器学习，从而能够抑制计算成本以指数函数的形式的增大。
此外，在本实施方式中，通过以概率分布的形式来表达可执行区域，从而能够独立地求出多性能中的每一个性能的可执行区域，并且通过对各自的性能的可执行区域进行乘法运算，从而能够容易地导出多性能可执行区域。此外，即使在布置新的限制条件的情况下，也能够通过独立地导出与新的限制条件相关的概率分布，并将所导出的概率分布与上述的多性能可执行区域相乘，从而导出考虑了新的限制条件后的多性能可执行区域。
图4为本实施方式中的系统设计的概念图。在图4的(1)中，在设计的初始阶段，有效地将使性能1、性能2以及性能3的各自的性能的限制条件成立的可执行区域作为概率分布Pr(Ci(x))(i＝1、2、3)而导出。由于本实施方式中的Pr(Ci(x))为与各自的性能i的实现相关的概率，因此成为如下方式。Ci(x)为，将x设为变量的布尔函数。
0≤Pr(Ci(x))≤1
图4的(2)示出了由多性能可执行区域的概率而得到的表达的一个示例。如上文所述，由于性能1至3所各自实现的概率分布为Pr(Ci(x))，因此作为性能1至3所同时实现的区域的多性能可执行区域由与各个性能相关的概率分布的总乘积来表示。
图4的(3)示出了在设计完产品之后当转移至生产时等提出了规格的追加请求的情况。作为实现与追加请求相关的新的限制的概率分布而导出了Pr(Cnew(x))。
图4的(4)示出了根据追加请求而对多性能可执行区域进行更新的情况。如上文所述，由于与新的限制相关的概率分布为Pr(Cnew(x))，因此通过将Pr(Cnew(x))与在图4的(2)中已导出的多性能可执行区域相乘，从而能够对多性能可执行区域进行更新。
图5为本实施方式所涉及的机器学习的可执行区域的导出所涉及的流程图的一个示例。在步骤400中，输入用于实现多性能的条件。作为一个示例，在步骤400中所输入的条件为，针对以下那样的多性能中的各个性能的限制函数gi(x)。限制函数中的下标i为，针对多性能中的各个性能的索引，K为构成多性能的性能的数。
gi(x)≤0，i∈{1,2,...,K}
此外，能够执行多性能中的各个性能的概率由下述式(1)来表示。如上文所述，式(1)的左边中的Ci(x)为，将x设为变量的布尔函数。式(1)的右边中的δi为，表示容许误差的较小的正值。
Figure BDA0003062519690000081
此外，性能i(i＝1、2、…、K)所同时实现的区域即多性能可执行区域作为与各个性能相关的概率的总乘积而由下述式(2)来表示。
Figure BDA0003062519690000082
在步骤402中，生成如下的实验计划，该实验计划用于导出可执行相对于构造体的位置或者作用于构造体的惯性矩等的变量x的、强度、刚性、重量减轻、以及振动的抑制等多性能y的区域。在步骤404中，通过CAE(Computer Aided Engineering：计算机辅助工程)等模拟来对根据实验计划而定义后的设计进行评价。通过CAE等模拟，从而与变量x相对应的例如y值作为观测值而被离散地导出。
在步骤406中，执行观测值y的预测以及基于预测的填补。在本实施方式中，利用了如下方法，即，通过考虑观测值y相对于变量x的关联性，从而能够对观测值y进行填补以及预测的高斯过程回归这样的方法。高斯过程回归通常情况下通过高斯分布来确定变量x与观测值y之间的关联性，其特征在于，不仅能够随机且连续地对离散的观测值y进行填补，而且还能够对预测误差进行计算。
图6为表示利用了高斯过程回归的一维函数的回归的一个示例的示意图。在图6中示出了对观测值100A、100B、100C、100D、100F连续的情况进行了设想的曲线102。如图6所示那样，曲线102成为与变量x相对应的连续函数。由于是连续函数，因此不仅能够进行离散数据的填补以及预测，而且还能够用变量x来进行微分。在图6中，于曲线102的周围存在有预测误差106的区域。关于预测误差106的区域，虽然在曲线102所示的预测值的可靠性较高的情况下变窄，但是在该可靠性较低的情况下会变宽。在图6中，作为一个示例而示出了y＝0的不等式限制值104。在本实施方式中，将响应y小于不等式限制值104的区域定义为可执行区域。
在本实施方式中，利用由高斯过程回归而获得的离散数据的填补、预测误差106、不等式限制值104，而对相对于变量x的累积密度分布(CDF)进行计算。
图7为通过高斯过程回归而被导出的限制条件的概率分布的一个示例。在图7中，横轴表示变量x，纵轴表示累积密度分布CDF的值。图7的累积密度分布110表示在图6的y的值成为不等式限制值104以下的情况下的概率。当利用累积密度分布Φ时，如下述的式(1A)所表示的那样，上述式(1)根据累积密度分布Φ而计算出相对于变量x的概率分布Pr(Ci(x))。下述式中的b为，与后述的下层边界134相关的数值。此外，下述式中的σ(x)为，在高斯过程回归的计算过程中被计算出的预测偏差，μ(x)为预测平均值。虽然通过式(1A)并针对根据构造体的位置、或者作用于构造体的惯性矩等变量x而被定义的设计所涉及的区域(设计空间)的所有点而对概率分布进行计算会使得运算成本变得巨大而并不现实，但是在本实施方式中，通过依次计算出用于利用后述的采集函数(Acquisition Function)来搜索多性能可执行区域的计算点，从而利用该计算点的信息来对机器学习的教师数据进行更新。而且，基于更新后的教师数据来对设计空间中的多性能成立的概率分布进行计算。
Figure BDA0003062519690000101
在本实施方式中，利用高斯过程回归的结果(预测值、预测误差)，而计算出用于搜索设计空间中的多性能可执行区域的计算点。计算点能够以如下方式而求出。
在步骤408中，实施采集函数(Acquisition Function)的计算。在本实施方式中，根据高斯过程回归的结果来定义性质不同的两个采集函数，并利用各自的采集函数来均衡地对计算点进行搜索。
采集函数之一为，作为PoF(Probability of Feasibility：可行性概率)的aPoF(x)。aPoF(x)被用于多性能可执行区域的内部的计算点的搜索中。图8为表示由aPoF(x)而得到的计算结果的一个示例的示意图。在图8中示出了相对于不可执行区域122而由上层边界124所包围的可执行区域120，而且在可执行区域120的内侧隔着下层边界134而存在有不可执行区域132。在图8中被标记出由黑圆点所示的可执行计算点126、和由白色三角形所示的不可执行计算点130。如图8所示，aPoF(x)适合于与上层边界124或者下层边界134的附近相比靠可执行区域120的内部的搜索。aPoF(x)由下述式(3)来表示。
Figure BDA0003062519690000102
在式(3)中，Φ为累积密度分布，a为与上层边界124相关的数值，b为与下层边界134相关的数值。此外，在式(3)中，σ2(x)为，为了在a＜y＜b的条件下搜索可执行区域而在高斯过程回归的计算过程中被计算出的预测方差，σ(x)为预测偏差，μ(x)为预测平均值。在本实施方式中，通过将式(3)所示的aPoF(x)设为最大，从而生成了新的计算点。
采集函数的另一个为，作为ES(Entropy Search：熵搜索)的aES(x)。aES(x)被用于可执行区域120与不可执行区域122、132之间的边界(上层边界124、下层边界134)附近处的计算点的搜索。图9为表示由aES(x)而得到的计算结果的一个示例的示意图。由于在图9中于上层边界124以及下层边界134的附近处存在可执行计算点126以及不可执行计算点128，因此aES(x)适合上层边界124或者下层边界134的附近的搜索。aES(x)由下述式(4)来表示。在式(4)中，H(p(f(x))是熵(香农信息量)。
Figure BDA0003062519690000111
此外，在上述式(4)中，以下内容为，能够解析性地计算出熵的被删节后的高斯分布。
Figure BDA0003062519690000112
Figure BDA0003062519690000113
Figure BDA0003062519690000114
在本实施方式中，通过将式(4)所示的aES(x)设为最大，从而生成了新的计算点。
虽然以上的两个为本实施方式所涉及的采集函数，但是在分别使用两个不同的采集函数的情况下，需要对于各自的函数进行个别的处理。在本实施方式中，通过由下述式(5)所表示的采集函数aPoF-ES(x)，从而计算出用于搜索可执行区域的计算点。
aPOF-ES(x)＝aPoF(x)·aES(x)…(5)
式(5)的右边为，aPoF(x)与aES(x)的乘积。在本实施方式中，将式(5)所示的采集函数aPoF-ES(x)称为混合采集函数。
下述式(6)为，用于生成新的计算点(即变量x)的式。如式(6)所示，新的计算点xnew作为将混合采集函数aPoF-ES(x)设为最大的点而被计算出。
Figure BDA0003062519690000121
通过将混合采集函数aPoF-ES(x)设为最大，从而能够同时地将采集函数aPoF(x)、aES(x)中的每一个设为最大，并且不需要对采集函数aPoF(x)、aES(x)个别地进行运算。
在步骤410中，通过将利用上述的式(6)而计算出的新的计算点追加到机器学习的教师数据中，从而对教师数据进行更新。图10为表示由混合采集函数aPoF-ES(x)而得到的计算结果的一个示例的示意图。在图10中，不仅在可执行区域120的内部，而且在上层边界124以及下层边界134的附近处也存在有可执行计算点126。基于被更新后的教师数据，由可执行计算点126构成的可执行区域120通过上述式(1A)而以使性能i(i＝1、2、…、K)的限制条件成立的概率分布Pr(Ci(x))的形式而被示出。
在步骤412中，对是否满足了处理的结束条件进行判断。步骤412的结束条件通过下述式(7)、(8)、(9)而被分别定义，并且利用式(9)所示的结束条件来实施计算的收敛判断。式(9)表示相对于整个区域而无法充分地实施成立/不成立的判断的区域的比率、即计算点未被计算出的区域相对于设计所涉及的区域的比率。式(8)的δk为表示容许误差的较小的正值。此外，式(9)的右边的ε为表示结束条件的阈值，且为较小的正值。在步骤412中满足了处理的结束条件的情况下，使步骤转移至步骤414。在步骤412中未满足处理的结束条件的情况下，使步骤转移至步骤404，从而继续进行新的计算点的计算。
Figure BDA0003062519690000122
Figure BDA0003062519690000131
Figure BDA0003062519690000132
在步骤414中，实施表示可执行区域的模型的输出。如果能够作为概率分布Pr(Ci(x))而求出各性能的可执行区域，则如上述的式(2)所示，能够作为联合概率分布而容易地求出满足所有性能限制的多性能可执行区域。以下，再次示出式(2)。
Figure BDA0003062519690000133
图11为表示式(2)所示的联合概率分布计算的概念的说明图。图11为，在被赋予了性能1至3的三个性能的情况下的、导出多性能可执行区域的情况，并且是将图4的(1)、(2)的记载内容汇集到一起的说明图。通过对各个概率分布的联合概率分布进行计算，从而能够求出多性能可执行区域。此外，对于被判断为并非多性能可执行区域的区域，能够对哪个限制是其原因进行判断。
在步骤414中，在输出了表示可执行区域的模型之后，结束图5所示的处理。
如以上所说明的那样，根据本实施方式，由于对由模拟而取得的离散的观测值进行填补从而输出连续的预测值，因此在模拟中，不需要导出大量的观测值。其结果为，能够抑制模拟中的运算成本。此外，高斯过程回归除了预测值之外，还能够对预测误差进行计算，并且基于所计算出的预测值、预测误差而依次计算出用于搜索多性能可执行区域的计算点。
通过利用能够同时地对可执行区域的边界和内部进行搜索的混合采集函数aPoF-ES(x)，从而能够高效地计算出计算点，并且将所获得的计算点追加到机器学习的教师数据中。而且，基于被更新后的教师数据，而对各个计算点中的可执行各个性能的概率分布进行计算。
通过利用由本实施方式所示的那样的混合采集函数aPoF-ES(x)所实现的高效的运算而得到的教师数据，从而与例如随机采样等方法相比能够大幅度地削减运算成本。
此外，在本实施方式中，通过以概率分布的形式来表达可执行区域，从而能够以将各个性能的可实现性作为尺度的连续值来进行表达。一直以来，由于可执行区域通过成立或者不成立的二进制表示而被处理，因此在并未获得成立解的情况下，难以获得设计指针。在本实施方式中，例如能够容易地获得概率较高的区域的追加计算、和概率较低的区域的计算成本的削减等的设计指针。
此外，由于一直以来都是大量收集成立解的点来对可执行区域(面)进行推断，因此为了对形成面的边界进行预测，从而需要较多的计算点。但是，在本实施方式中，由于直接将可执行区域模型化，因此能够直接推断出可执行区域。
而且，在本实施方式中，即使在产生了新的性能限制的情况下，也能够通过将与该新的性能限制相关的概率分布与表示当前的多性能可执行区域的概率分布相乘，从而对多性能可执行区域进行更新。
另外，“采集函数aPoF(x)”相当于“第一采集函数”，“采集函数aES(x)”相当于“第二采集函数”，“ε”相当于“预定的阈值”。

Claims (12)

1.一种多性能最优化设计装置，包括：
存储器；
处理器，其与存储器连接，
所述处理器被构成为，
对通过模拟并针对多个性能中的每一个而取得的离散的观测值分别进行填补，从而针对所述多个性能中的每一个而输出连续的预测值以及预测误差，
基于所述预测值以及所述预测误差，针对所述多个性能中的每一个而计算出用于对可执行所述多个性能中的每一个的区域进行搜索的多个计算点，
利用所述被计算出的多个计算点，针对所述多个性能中的每一个而计算出可执行所述多个性能中的每一个的概率分布，
将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行输出。
2.如权利要求1所述的多性能最优化设计装置，其中，
所述处理器被构成为，
在产生了新的性能的限制的情况下，
对通过模拟并针对所述新的性能而取得的离散的观测值进行填补，从而针对所述新的性能而输出连续的预测值以及预测误差，
基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区域进行搜索的多个计算点，
利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述新的性能的概率分布，
将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立的概率分布的乘积作为新的多性能可执行区域而进行输出。
3.如权利要求1或2所述的多性能最优化设计装置，其中，
所述处理器被构成为，
将涉及所述可执行区域的内部的搜索的第一采集函数、和涉及所述可执行区域与不可执行区域之间的边界附近处的搜索的第二采集函数的乘积成为最大的点，设为所述计算点。
4.如权利要求1至3中的任意一项所述的多性能最优化设计装置，其中，
所述处理器被构成为，
在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈值的情况下，结束所述计算点的计算。
5.一种多性能最优化设计方法，其通过处理器而执行如下处理，即，
对通过模拟并针对多个性能中的每一个而取得的离散的观测值分别进行填补，从而针对所述多个性能中的每一个而输出连续的预测值以及预测误差，
基于所述预测值以及所述预测误差，针对所述多个性能中的每一个而计算出用于对可执行所述多个性能中的每一个的区域进行搜索的多个计算点，
利用所述被计算出的多个计算点，针对所述多个性能中的每一个而计算出可执行所述多个性能中的每一个的概率分布，
将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行输出。
6.如权利要求5所述的多性能最优化设计方法，其中，
在产生了新的性能的限制的情况下，
对通过模拟并针对所述新的性能而取得的离散的观测值进行填补，从而针对所述新的性能而输出连续的预测值以及预测误差，
基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区域进行搜索的多个计算点，
利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述新的性能的概率分布，
将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立的概率分布的乘积作为新的多性能可执行区域而进行输出。
7.如权利要求5或6所述的多性能最优化设计方法，其中，
将涉及所述可执行区域的内部的搜索的第一采集函数、和涉及所述可执行区域与不可执行区域之间的边界附近处的搜索的第二采集函数的乘积成为最大的点，设为所述计算点。
8.如权利要求5至7中的任意一项所述的多性能最优化设计方法，其中，
在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈值的情况下，结束所述计算点的计算。
9.一种计算机可读记录介质，其记录有使计算机执行多性能最优化设计处理的程序，所述多性能最优化设计处理包括如下处理，即，
对通过模拟并针对多个性能中的每一个而取得的离散的观测值分别进行填补，从而针对所述多个性能中的每一个而输出连续的预测值以及预测误差，
基于所述预测值以及所述预测误差，针对所述多个性能中的每一个而计算出用于对可执行所述多个性能中的每一个的区域进行搜索的多个计算点，
利用所述被计算出的多个计算点，从而针对所述多个性能中的每一个而计算出可执行所述多个性能中的每一个的概率分布，
将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行输出。
10.如权利要求9所述的计算机可读记录介质，其中，
所述多性能最优化设计处理包括如下处理，即，
在产生了新的性能的限制的情况下，
对通过模拟并针对所述新的性能而取得的离散的观测值进行填补，从而针对所述新的性能而输出连续的预测值以及预测误差，
基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区域进行搜索的多个计算点，
利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述新的性能的概率分布，
将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立的概率分布的乘积作为新的多性能可执行区域而进行输出。
11.如权利要求9或10所述的计算机可读记录介质，其中，
所述多性能最优化设计处理包括如下处理，即，
将涉及所述可执行区域的内部的搜索的第一采集函数、和涉及所述可执行区域与不可执行区域之间的边界附近处的搜索的第二采集函数的乘积成为最大的点，设为所述计算点。
12.如权利要求9至11中的任意一项所述的计算机可读记录介质，其中，
所述多性能最优化设计处理包括如下处理，即，
在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈值的情况下，结束所述计算点的计算。
CN202110517951.6A 2020-07-01 2021-05-12 多性能最优化设计装置、以及多性能最优化设计方法 Pending CN113887121A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020114384A JP7310735B2 (ja) 2020-07-01 2020-07-01 多性能最適化設計装置、及び多性能最適化設計方法
JP2020-114384 2020-07-01

Publications (1)

Publication Number Publication Date
CN113887121A true CN113887121A (zh) 2022-01-04

Family

ID=79010027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517951.6A Pending CN113887121A (zh) 2020-07-01 2021-05-12 多性能最优化设计装置、以及多性能最优化设计方法

Country Status (3)

Country Link
US (1) US20220004681A1 (zh)
JP (1) JP7310735B2 (zh)
CN (1) CN113887121A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206011B (zh) * 2023-05-05 2023-07-25 江西有色地质矿产勘查开发院 基于多源数据的数字土壤制图方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7831416B2 (en) * 2007-07-17 2010-11-09 Caterpillar Inc Probabilistic modeling system for product design
JP5237015B2 (ja) * 2008-08-12 2013-07-17 住友化学株式会社 成形条件の設定方法および多目的最適化方法
JP7018004B2 (ja) * 2018-09-27 2022-02-09 株式会社神戸製鋼所 製品設計装置および該方法
JP7074015B2 (ja) * 2018-10-18 2022-05-24 トヨタ自動車株式会社 探索装置

Also Published As

Publication number Publication date
US20220004681A1 (en) 2022-01-06
JP2022012511A (ja) 2022-01-17
JP7310735B2 (ja) 2023-07-19

Similar Documents

Publication Publication Date Title
JP7234370B2 (ja) ニューラルネットワークを使用した集積回路フロアプランの生成
JP7520995B2 (ja) ニューラルネットワークを使った集積回路配置の生成
WO2019216404A1 (ja) ニューラルネットワーク構築装置、情報処理装置、ニューラルネットワーク構築方法及びプログラム
Akshay et al. What’s hard about Boolean functional synthesis?
US20220101198A1 (en) Automated generation of a machine learning model from computational simulation data
Skarka Model-based design and optimization of electric vehicles
Song et al. An adaptive failure boundary approximation method for reliability analysis and its applications
Lee et al. Efficient sampling-based inverse reliability analysis combining Monte Carlo simulation (MCS) and feedforward neural network (FNN)
CN113887121A (zh) 多性能最优化设计装置、以及多性能最优化设计方法
US20170132045A1 (en) Load estimation system, information processing device, load estimation method, and storage medium for storing program
US20190005169A1 (en) Dynamic Design of Complex System-of-Systems for Planning and Adaptation to Unplanned Scenarios
CN108829987B (zh) 一种数据驱动型概率评估方法
US20230222385A1 (en) Evaluation method, evaluation apparatus, and non-transitory computer-readable recording medium storing evaluation program
Groensfelder et al. Application of machine learning procedures for mechanical system modelling: capabilities and caveats to prediction-accuracy
EP3961470A1 (en) Parallel processing designing device and parallel processing designing method
CN115412401B (zh) 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置
Loring et al. Improving performance of m-to-n processing and data redistribution in in transit analysis and visualization
Siddesh et al. Prediction of Optimized Design Under Dynamic Loads Using Kriging Metamodel
CN114239428A (zh) 一种基于大规模cfd并行计算软件的自动化不确定度分析平台及其方法
Fabian et al. Estimating the execution time of the coupled stage in multiscale numerical simulations
WO2011052147A1 (ja) 評価モデル分析システム、評価モデル分析方法およびプログラム
Omay et al. A Unit Root Test with Markov Switching Deterministic Components: A Special Emphasis on Nonlinear Optimization Algorithms
US20220335286A1 (en) Methods, systems, articles of manufacture, and apparatus for designing hardware
US20220382923A1 (en) Converting Arbitrary Geometry, Material, and Boundary Properties of an Object to a Form Usable by a Mesh-Based Solver
Wu et al. A novel non-probabilistic reliability-based design optimization method using bilevel accelerated microbial genetic algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination