CN117875192B - 一种几何约束自动求解设计方法 - Google Patents
一种几何约束自动求解设计方法 Download PDFInfo
- Publication number
- CN117875192B CN117875192B CN202410277526.8A CN202410277526A CN117875192B CN 117875192 B CN117875192 B CN 117875192B CN 202410277526 A CN202410277526 A CN 202410277526A CN 117875192 B CN117875192 B CN 117875192B
- Authority
- CN
- China
- Prior art keywords
- constraint
- mixed model
- solutions
- node
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种几何约束自动求解设计方法,涉及几何求解技术领域,包括:收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;构建基于卷积神经网络和图注意力网络的混合模型,使用训练数据集训练混合模型,使用微调数据集对所述混合模型进行微调;在混合模型中引入自适应调整机制,动态调整混合模型参数;将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;将N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;引入反馈机制,对混合模型和优化算法进行调优。本申请结合深度学习和优化算法,实现了高效、准确的几何约束自动求解。
Description
技术领域
本申请涉及几何求解技术领域,特别涉及一种几何约束自动求解方法。
背景技术
在软件系统中,几何约束求解的应用对于确保设计模型的精确性、稳定性和符合特定要求至关重要。在机械设计、建筑项目设计和CAD系统,几何约束的正确求解直接影响着产品设计的质量和性能。几何约束用于确保设计的几何模型符合预定的尺寸、角度和形状要求,从而提供设计的精确性和可控性。通过引入几何约束,设计师可以保持模型的一致性,确保各个部分之间的几何关系符合设计标准,避免形状或尺寸的不一致性。几何约束求解能够自动调整设计中的几何元素,以满足用户定义的几何关系,从而加速设计过程并减少人为错误。引入几何约束后,设计可以更容易地进行修改和调整,而不需要重新绘制整个模型,提高了设计的灵活性。
传统的几何约束求解方法可能涉及复杂的数学计算和推理,导致在处理大规模或复杂设计时计算复杂性较高,影响效率。数值方法和优化算法在寻找全局最优解方面存在挑战,有时只能找到局部最优解,影响了设计的最优性和全局一致性。面对多个相互关联或者冲突的几何约束时,现有技术在求解时可能表现出一定的困难,导致设计结果不够稳定或不能满足所有约束。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本申请的一个目的在于提出一种几何约束自动求解方法,充分发挥深度学习和优化算法的协同作用,通过自适应调整机制和反馈机制,实现了高效、准确、用户友好和灵活的几何约束自动求解。
本申请公开的第一个方面,提供一种几何约束自动求解方法,所述方法包括:
收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;
构建基于卷积神经网络和图注意力网络的混合模型,使用所述训练数据集训练所述混合模型,使用所述微调数据集对所述混合模型进行微调;
在所述混合模型中引入自适应调整机制,动态调整混合模型参数;
将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;
将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;
引入反馈机制,对所述混合模型和所述优化算法进行调优。
所述收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集,包括:
收集并标注大量传统和少量较难的设计项目约束问题和相应的解决方案;
对大量传统和少量较难的设计项目约束问题的难易程度和解决方案的类型进行标注,其中解决方案的类型包括唯一解决方案和多种解决方案;
对收集并标注大量传统和少量较难的设计项目约束问题和相应的解决方案的数据进行数据处理,包括去重处理、处理缺失值和标注;
形成训练数据集和微调数据集。
所述构建基于卷积神经网络和图注意力网络的混合模型,包括:
输入层接收设计项目节点约束数据,公式为:
其中, i和n为大于零的正整数,表示设计项目第i个节点的约束数据,为第i
个节点的第n个约束条件;
卷积层提取设计项目第i个节点的约束数据特征,公式为:
;
其中,为3×3卷积层,为卷积层的权重,为卷积层的偏置权重;
图注意力层经过注意力机制调控得到设计项目第i个节点的特征矩阵,特征矩
阵反映了节点在给定图结构下的重要性和上下文关系;
归一化层和全连接层对特征矩阵的特征进行标准化,再将设计项目节点约束
数据的特征映射到新的特征空间,公式为:
;
;
其中,为全连接层的权重,为全连接层的偏置权重,是经过归一化层的节
点几何约束数据特征,是经过全连接层的节点约束数据特征;
输出层输出设计项目约束问题预测的解决方案,公式为:
Y=Sigmoid(+);
其中,Sigmoid为激活函数,为输出层的权重,为输出层的偏置权重,Y为设
计项目约束问题预测的解决方案。
所述图注意力层经过注意力机制调控得到设计项目第i个节点的特征矩阵,包
括:
节点 i与邻节点j之间是存在关系的,构建注意力系数,公式为:
;
其中,为注意力系数,为激活函数,为注意力权重的参数向量,为拼接操作;i表示第i个节点,j表示第j个节点,j为大于零的正整数,为卷积层提取第
i个节点的邻节点j的设计项目约束数据特征,为图注意力层权重;
计算图注意力权重,公式为:
;
其中,为图注意力权重,为节点 i的邻居节点集合,为节点 i与邻节点k
之间的注意力系数;
更新设计项目节点约束数据特征,得到设计项目第i个节点的特征矩阵,公式
为:
;
其中,为非线性激活函数,为与特征相乘的权重矩阵,中遍历的j
表示所有与i相邻的节点。
所述使用所述训练数据集训练所述混合模型,包括:
采用阶段性训练方法,从简单的几何约束问题开始训练,逐步增加问题的复杂度,使卷积神经网络和图注意力网络的混合模型稳定学习并逐步适应复杂的情况。
所述在所述混合模型中引入自适应调整机制,动态调整混合模型参数的步骤,包括:
在混合模型中进行自适应调整关键参数,包括学习率、层数和节点数量;
设定初始的参数,并监控混合模型的性能;
设定阈值,当混合模型性能低于阈值时触发调整,其中,阈值可用于判断混合模型的性能是否达到预期水平;
对模型进行调整参数,实时监控混合模型的性能和收敛情况,当性能指标低于设定的阈值时,触发自适应调整机制,即对关键参数进行调整。
所述将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案,包括:
优化算法为遗传算法,并结合局部优化技术,步骤为:
初始化一个包含N个解决方案的种群,演化种群,进行遗传算法的标准操作,包括选择、交叉和变异;
对N个解决方案应用梯度下降的局部优化技术,公式为:
∇f();
其中,为第m个优化后的解决方案,为第m个解决方案,∇f()为目标
函数在第m个解决方案处的梯度,1≤m≤N,为学习率;
遗传算法在演化过程中适应性最好的解决方案为最优解决方案,并输出最优解决方案。
所述引入反馈机制,对所述混合模型和所述优化算法进行调优的步骤,包括:
专业人员对所述最优解决方案进行分析,将分析结果反馈至所述混合模型和所述优化算法;
所述混合模型根据反馈结果,改变激活函数、调整激活函数的参数和调整学习率;
所述优化算法根据反馈结果,调整遗传算法的参数,包括交叉率、变异率和种群大小;
根据新的反馈信息,不断优化混合模型和优化算法。
本申请公开的第二个方面,提供一种几何约束自动求解系统,所述系统包括:
获取数据集模块,用于收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;
混合模型训练模块,用于构建基于卷积神经网络和图注意力网络的混合模型,使用所述训练数据集训练所述混合模型,使用所述微调数据集对所述混合模型进行微调;
调整模块,用于在所述混合模型中引入自适应调整机制,动态调整混合模型参数;
生成解决方案模块,用于将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;
优化模块,用于将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;
调优模块,用于反馈机制,对所述混合模型和所述优化算法进行调优。
本申请公开的第三个方面,电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,以实现一种几何约束自动求解方法中的步骤。
本申请公开的第四个方面,可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行所述的一种几何约束自动求解方法的步骤。
与现有技术相比,本申请提出的一种几何约束自动求解设计方法,优点在于:
利用深度学习模型能够快速构建初步解决方案,同时优化算法进行精细调整,可以大幅缩短求解时间,这对于实时或大规模几何约束问题的解决非常有益,提高了实时性和效率;
深度学习模型有助于捕捉问题的复杂特征,而优化算法则在获得初步解决方案后进行进一步的优化,确保了解决方案的精确性;
通过训练和不断优化,可以处理更多类型的几何约束问题,具有广泛的适用性和灵活性。
附图说明
图1是本申请提供的一种几何约束自动求解设计方法流程示意图;
图2是本申请提供的一种几何约束自动求解设计方法整体架构示意图;
图3是本申请提供的形成训练数据集和微调数据集流程示意图;
图4是本申请提供的基于卷积神经网络和图注意力网络的混合模型示意图;
图5是本申请提供的动态调整混合模型参数流程示意图;
图6是本申请提供的优化算法流程示意图;
图7是本申请提供的引入反馈机制流程示意图;
图8是本申请提供的一种几何约束自动求解设计系统示意图;
图9是本申请提供的电子设备结构示意图;
图10是本申请提供的计算机可读存储介质结构示意图。
具体实施方式
为了更好地理解本申请,将参考附图对本申请的各个方面做出更详细的说明。应理解,这些详细说明只是对本申请的示例性实施方式的描述,而非以任何方式限制本申请的范围。在说明书全文中,相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
如在本文中使用的,用语“大致”“大约”以及类似的用语用作表近似的用语,而不用作表程度的用语,并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外,在本申请中,各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序,除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是,诸如“包括”“包括有”“具有”“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独元件。此外,当描述本申请的实施方式时,使用“可”表示“本申请的一个或多个实施方式”。并且,用语“示例性的”旨在指代示例或举例说明。
除非另外限定,否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是,除非本申请中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义解释。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
实施例1
如图1~图7所示,本实施例提供的一种几何约束自动求解方法。
如图1所示,一种几何约束自动求解方法流程示意图。如图2所示,一种几何约束自动求解设计方法整体架构示意图,包括:
收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;
如图3所示,所述收集并标注大量的几何约束问题和解决方案,形成训练数据集和微调数据集的步骤,包括:
收集并标注大量传统和少量较难的设计项目约束问题和相应的解决方案;
对大量传统和少量较难的设计项目约束问题的难易程度和解决方案的类型进行标注,其中解决方案的类型包括唯一解决方案和多种解决方案;
对收集并标注大量传统和少量较难的设计项目约束问题和相应的解决方案的数据进行数据处理,包括去重处理、处理缺失值和标注;
形成训练数据集和微调数据集。
其中,设计项目为建筑设计项目,建筑师在设计建筑物时,需要考虑空间布局、结构稳定性和美学,这些设计要求涉及复杂的几何约束,如不同结构元素的相对位置、比例和对称性。从各种来源,包括学术文献和工业应用中收集大量传统和一些较难的建筑设计项目约束问题;为每个建筑设计项目约束问题标注难易程度,使用定性描述,包括简单、中等、困难;标注几何约束问题的解决方案类型,包括唯一解决方案和多种解决方案;去重处理确保数据集中没有相同或相似的问题,以避免模型学习相似问题的过拟合;处理缺失值检查数据集中是否有任何缺失值,对其进行处理或删除以确保数据完整性;将数据集划分为训练数据集和微调数据集,确保数据集涵盖了各类建筑设计项目的约束条件和不同难度级别的问题,从而保障数据的完整性和模型的泛化能力。
构建基于卷积神经网络和图注意力网络的混合模型,使用所述训练数据集训练所述混合模型,使用所述微调数据集对所述混合模型进行微调;
如图4所示,所述构建基于卷积神经网络和图注意力网络的混合模型,包括:
输入层接收设计项目节点约束数据,公式为:
其中, i和n为大于零的正整数,表示设计项目第i个节点的约束数据,为第i
个节点的第n个约束条件;
卷积层提取设计项目第i个节点的约束数据特征,公式为:
;
其中,为3×3卷积层,为卷积层的权重,为卷积层的偏置权重;
图注意力层经过注意力机制调控得到设计项目第i个节点的特征矩阵,特征矩
阵反映了节点在给定图结构下的重要性和上下文关系;
归一化层和全连接层对特征矩阵的特征进行标准化,再将设计项目节点约束
数据的特征映射到新的特征空间,公式为:
;
;
其中,为全连接层的权重,为全连接层的偏置权重,是经过归一化层的节
点几何约束数据特征,是经过全连接层的节点约束数据特征;
输出层输出设计项目约束问题预测的解决方案,公式为:
Y=Sigmoid(+);
其中,Sigmoid为激活函数,为输出层的权重,为输出层的偏置权重,Y为设
计项目约束问题预测的解决方案。
其中,卷积神经网络和图注意力网络的混合模型能够同时捕捉节点的局部特征和全局关联性,从而更有效地解决几何约束问题;使用微调数据集对混合模型进行微调,是为了进一步提高模型在特定领域或难度上的性能,微调允许卷积神经网络和图注意力网络的混合模型在更具体的数据分布上进行调整,更好地适应新的情境;微调后,卷积神经网络和图注意力网络的混合模型性能得到提升,因为更好地适应了微调数据中的模式和特征;同时,由于微调采用了较小的数据集,避免了过拟合的问题。
所述图注意力层经过注意力机制调控得到设计项目第i个节点的特征矩阵,包
括:
节点 i与邻节点j之间是存在关系的,构建注意力系数,公式为:
;
其中,为注意力系数,为激活函数,为注意力权重的参数向量,为拼接操作;i表示第i个节点,j表示第j个节点,j为大于零的正整数,为卷积层提取第
i个节点的邻节点j的设计项目约束数据特征,为图注意力层权重;
计算图注意力权重,公式为:
;
其中,为图注意力权重,为节点 i的邻居节点集合,为节点 i与邻节点k
之间的注意力系数;
更新设计项目节点约束数据特征,得到设计项目第i个节点的特征矩阵,公式
为:
;
其中,为非线性激活函数,为与特征相乘的权重矩阵,中遍历的j
表示所有与i相邻的节点。
所述使用所述训练数据集训练所述混合模型,包括:
采用阶段性训练方法,从简单的建筑设计项目约束问题开始训练,逐步增加问题的复杂度,使卷积神经网络和图注意力网络的混合模型稳定学习并逐步适应复杂的情况。
其中,混合模型在训练初期更容易收敛,能够快速学习基础几何概念,这有助于建立起对建筑设计项目形状基本特征的敏感性,并形成初步的特征提取能力;当逐步引入更多复杂的情况时,混合模型需学习更高级的特征表示和抽象能力。这样做有助于提升模型的适应性,使其能够有效处理包含各种约束的建筑设计项目问题。
在所述混合模型中引入自适应调整机制,动态调整混合模型参数;
如图5所示,所述在所述混合模型中引入自适应调整机制,动态调整混合模型参数的步骤,包括:
在混合模型中进行自适应调整关键参数,包括学习率、层数和节点数量;
设定初始的参数,并监控混合模型的性能;
设定阈值,当混合模型性能低于阈值时触发调整,其中,阈值可用于判断混合模型的性能是否达到预期水平;
对模型进行调整参数,实时监控混合模型的性能和收敛情况,当性能指标低于设定的阈值时,触发自适应调整机制,即对关键参数进行调整。
其中,通过动态调整关键参数,可以提高混合模型的稳定性,减少训练过程中的震荡和不稳定性;自适应调整机制减少了对人工调参的需求,使混合模型更具自动化和智能化;引入自适应调整机制有助于提高混合模型的训练效率、性能和泛化能力,使其更好地适应不同的训练场景。
将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;
其中,建筑设计项目的具体要求和约束条件包括但不限于建筑面积、高度限制、预算限制、能效要求等,混合模型会基于大量的历史数据和先前的成功案例,快速生成N个设计方案。
将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;
所述将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案,包括:
如图6所示,优化算法为遗传算法,并结合局部优化技术,步骤为:
初始化一个包含N个解决方案的种群,演化种群,进行遗传算法的标准操作,包括选择、交叉和变异;
对N个解决方案应用梯度下降的局部优化技术,公式为:
∇f();
其中,为第m个优化后的解决方案,为第m个解决方案,∇f()为目标
函数在第m个解决方案处的梯度,1≤m≤N,为学习率;
遗传算法在演化过程中适应性最好的解决方案为最优解决方案,并输出最优解决方案。
其中,遗传算法在演化过程中通过选择、交叉和变异等操作,能够在解决方案空间中进行全局搜索,发现潜在的解决方案;梯度下降是局部最优技术的一种方法,通过使用目标函数的梯度信息,能够在局部区域中精细调整解决方案,以更快地达到该区域的局部最优解,下降有助于在全局搜索中找到更准确的解决方案;结合遗传算法和局部优化技术可以克服各自的局限性,全局搜索能够避免陷入局部最优解,而局部搜索则能够在全局搜索得到的解附近进行更加精细的调整。
引入反馈机制,对所述混合模型和所述优化算法进行调优。
如图7所示,所述引入反馈机制,对所述混合模型和所述优化算法进行调优的步骤,包括:
专业人员对所述最优解决方案进行分析,将分析结果反馈至所述混合模型和所述优化算法;
所述混合模型根据反馈结果,改变激活函数、调整激活函数的参数和调整学习率;
所述优化算法根据反馈结果,调整遗传算法的参数,包括交叉率、变异率和种群大小;
根据新的反馈信息,不断优化混合模型和优化算法。
此外,提供易于使用的图形用户界面,用户可以轻松输入和修改几何约束条件,查看求解过程和结果。减少用户所需的输入步骤,提供智能提示和自动化功能,改善用户体验。
实施例2
图8是本申请一个实施例提供的一种几何约束自动求解系统示意图,如图8所示,基于一种几何约束自动求解系统,所述系统包括:
获取数据集模块,用于收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;
混合模型训练模块,用于构建基于卷积神经网络和图注意力网络的混合模型,使用所述训练数据集训练所述混合模型,使用所述微调数据集对所述混合模型进行微调;
调整模块,用于在所述混合模型中引入自适应调整机制,动态调整混合模型参数;
生成解决方案模块,用于将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;
优化模块,用于将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;
调优模块,用于引入反馈机制,对所述混合模型和所述优化算法进行调优。
实施例3
图9是本申请一个实施例提供的电子设备结构示意图。如图9所示,根据本申请的又一方面还提供了一种电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行一种几何约束自动求解方法。
根据本申请实施方式的方法或系统也可以借助于图9所示的电子设备的架构来实现。如图9所示,电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备,例如ROM503或硬盘507可存储本申请提供的一种几何约束自动求解方法。一种几何约束自动求解方法可包括:收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;构建基于卷积神经网络和图注意力网络的混合模型,使用所述训练数据集训练所述混合模型,使用所述微调数据集对所述混合模型进行微调;在所述混合模型中引入自适应调整机制,动态调整混合模型参数;将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;引入反馈机制,对所述混合模型和所述优化算法进行调优。进一步地,电子设备500还可包括用户界面508。当然,图9所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图9示出的电子设备中的一个或多个组件。
实施例4
图10是本申请一个实施例提供的计算机可读存储介质结构示意图。如图10所示,是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的一种几何约束自动求解方法。存储介质600包括但不限于易失性存储器和/或非易失性存储器。易失性存储器例如随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如只读存储器(ROM)、硬盘、闪存等。
应当理解,以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其他方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (9)
1.一种几何约束自动求解设计方法,其特征在于,包括如下步骤:
收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;
构建基于卷积神经网络和图注意力网络的混合模型,使用所述训练数据集训练所述混合模型,使用所述微调数据集对所述混合模型进行微调;
在所述混合模型中引入自适应调整机制,动态调整混合模型参数;
将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;
将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;
引入反馈机制,对所述混合模型和所述优化算法进行调优;
所述构建基于卷积神经网络和图注意力网络的混合模型,包括:
输入层接收设计项目节点约束数据,公式为:
;
其中, i和n为大于零的正整数,表示设计项目第i个节点的约束数据,/>为第i个节点的第n个约束条件;
卷积层提取设计项目第i个节点的约束数据特征,公式为:
;
其中,为3×3卷积层,/>为卷积层的权重,/>为卷积层的偏置权重;
图注意力层经过注意力机制调控得到设计项目第i个节点的特征矩阵,特征矩阵反映了节点在给定图结构下的重要性和上下文关系;
归一化层和全连接层对特征矩阵的特征进行标准化,再将设计项目节点约束数据的特征映射到新的特征空间,公式为:
;
;
其中,为全连接层的权重,/>为全连接层的偏置权重,/>是经过归一化层的节点几何约束数据特征,/>是经过全连接层的节点约束数据特征;
输出层输出设计项目约束问题预测的解决方案,公式为:
;
其中,Sigmoid为激活函数,为输出层的权重,/>为输出层的偏置权重,Y为设计项目约束问题预测的解决方案;
所述图注意力层经过注意力机制调控得到设计项目第i个节点的特征矩阵,包括:
节点 i与邻节点j之间是存在关系的,构建注意力系数,公式为:
;
其中,为注意力系数,/>为激活函数,/>为注意力权重的参数向量,为拼接操作;i表示第i个节点,j表示第j个节点,j为大于零的正整数,/>为卷积层提取第i个节点的邻节点j的设计项目约束数据特征,/>为图注意力层权重;
计算图注意力权重,公式为:
;
其中,为图注意力权重,/>为节点 i的邻居节点集合,/>为节点 i与邻节点k之间的注意力系数;
更新设计项目节点约束数据特征,得到设计项目第i个节点的特征矩阵,公式为:
;
其中,为非线性激活函数,/>为与特征相乘的权重矩阵,/>中遍历的j表示所有与i相邻的节点。
2.根据权利要求1所述一种几何约束自动求解设计方法,其特征在于,所述收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集的步骤,包括:
收集并标注大量传统和少量较难的设计项目约束问题和相应的解决方案;
对大量传统和少量较难的设计项目约束问题的难易程度和解决方案的类型进行标注,其中解决方案的类型包括唯一解决方案和多种解决方案;
对收集并标注大量传统和少量较难的设计项目约束问题和相应的解决方案的数据进行数据处理,包括去重处理、处理缺失值和标注;
形成训练数据集和微调数据集。
3.根据权利要求1所述一种几何约束自动求解设计方法,其特征在于,所述使用所述训练数据集训练所述混合模型,包括:
采用阶段性训练方法,从简单的几何约束问题开始训练,逐步增加问题的复杂度,使卷积神经网络和图注意力网络的混合模型稳定学习并逐步适应复杂的情况。
4.根据权利要求1所述一种几何约束自动求解设计方法,其特征在于,所述在所述混合模型中引入自适应调整机制,动态调整混合模型参数的步骤,包括:
在混合模型中进行自适应调整关键参数,包括学习率、层数和节点数量;
设定初始的参数,并监控混合模型的性能;
设定阈值,当混合模型性能低于阈值时触发调整,其中,阈值可用于判断混合模型的性能是否达到预期水平;
对模型进行调整参数,实时监控混合模型的性能和收敛情况,当性能指标低于设定的阈值时,触发自适应调整机制,即对关键参数进行调整。
5.根据权利要求1所述一种几何约束自动求解设计方法,其特征在于,所述将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案,包括:
优化算法为遗传算法,并结合局部优化技术,步骤为:
初始化一个包含N个解决方案的种群,演化种群,进行遗传算法的标准操作,包括选择、交叉和变异;
对N个解决方案应用梯度下降的局部优化技术,公式为:
;
其中,为第m个优化后的解决方案,/>为第m个解决方案,/>为目标函数在第m个解决方案处的梯度,1≤m≤N,/>为学习率;
遗传算法在演化过程中适应性最好的解决方案为最优解决方案,并输出最优解决方案。
6.根据权利要求1所述一种几何约束自动求解设计方法,其特征在于,所述引入反馈机制,对所述混合模型和所述优化算法进行调优的步骤,包括:
专业人员对所述最优解决方案进行分析,将分析结果反馈至所述混合模型和所述优化算法;
所述混合模型根据反馈结果,改变激活函数、调整激活函数的参数和调整学习率;
所述优化算法根据反馈结果,调整遗传算法的参数,包括交叉率、变异率和种群大小;
根据新的反馈信息,不断优化混合模型和优化算法。
7.一种几何约束自动求解设计系统,其基于权利要求1-6任意一项所述的一种几何约束自动求解设计方法实现,其特征在于,所述系统包括:
获取数据集模块,用于收集并标注大量设计项目的约束问题和解决方案,形成训练数据集和微调数据集;
混合模型训练模块,用于构建基于卷积神经网络和图注意力网络的混合模型,使用所述训练数据集训练所述混合模型,使用所述微调数据集对所述混合模型进行微调;
调整模块,用于在所述混合模型中引入自适应调整机制,动态调整混合模型参数;
生成解决方案模块,用于将设计项目的具体要求和约束条件输入至所述混合模型进行预测生成N个解决方案;
优化模块,用于将所述N个解决方案输入至优化算法进行优化,并选出最优解决方案,输出最优解决方案;
调优模块,用于引入反馈机制,对所述混合模型和所述优化算法进行调优。
8.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,以实现如权利要求1-6任一所述的一种几何约束自动求解设计方法中的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行如权利要求1-6任一项所述的一种几何约束自动求解设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410277526.8A CN117875192B (zh) | 2024-03-12 | 2024-03-12 | 一种几何约束自动求解设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410277526.8A CN117875192B (zh) | 2024-03-12 | 2024-03-12 | 一种几何约束自动求解设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117875192A CN117875192A (zh) | 2024-04-12 |
CN117875192B true CN117875192B (zh) | 2024-05-17 |
Family
ID=90595312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410277526.8A Active CN117875192B (zh) | 2024-03-12 | 2024-03-12 | 一种几何约束自动求解设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117875192B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117001965A (zh) * | 2023-09-01 | 2023-11-07 | 东莞市坤裕精密模具有限公司 | 一种批次注塑过程的约束跟踪控制方法及系统 |
CN117272449A (zh) * | 2023-08-15 | 2023-12-22 | 中建三局第二建设工程有限责任公司 | 基于水母算法的混凝土抗压强度预测方法、装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230324859A1 (en) * | 2022-04-06 | 2023-10-12 | Mitsubishi Electric Research Laboratories, Inc. | Recurrent Prediction and Iterative Correction Method for fast Solution of Mixed-Integer Optimal Control |
-
2024
- 2024-03-12 CN CN202410277526.8A patent/CN117875192B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272449A (zh) * | 2023-08-15 | 2023-12-22 | 中建三局第二建设工程有限责任公司 | 基于水母算法的混凝土抗压强度预测方法、装置及介质 |
CN117001965A (zh) * | 2023-09-01 | 2023-11-07 | 东莞市坤裕精密模具有限公司 | 一种批次注塑过程的约束跟踪控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
不确定环境下复杂产品维护、维修和大修服务资源调度优化;杨新宇;胡业发;;浙江大学学报(工学版);20190509(05);全文 * |
杨新宇 ; 胡业发 ; .不确定环境下复杂产品维护、维修和大修服务资源调度优化.浙江大学学报(工学版).2019,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117875192A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A return-cost-based binary firefly algorithm for feature selection | |
Zeng et al. | Fuzzy forecasting based on linear combinations of independent variables, subtractive clustering algorithm and artificial bee colony algorithm | |
US11042802B2 (en) | System and method for hierarchically building predictive analytic models on a dataset | |
JP2023510922A (ja) | 複雑な多次元の制約を対象とする高いコスト関数の最適化 | |
US20230266721A1 (en) | Method for configuring a control agent for a technical system, and control device | |
CN112215353B (zh) | 一种基于变分结构优化网络的通道剪枝方法 | |
Antonelli et al. | Learning concurrently data and rule bases of Mamdani fuzzy rule-based systems by exploiting a novel interpretability index | |
CN109214502B (zh) | 神经网络权重离散化方法和系统 | |
US20190228297A1 (en) | Artificial Intelligence Modelling Engine | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
CN111353534A (zh) | 一种基于自适应分数阶梯度的图数据类别预测方法 | |
Zhang et al. | Reinforcement learning with actor-critic for knowledge graph reasoning | |
Khan et al. | Learning to quantize deep neural networks: A competitive-collaborative approach | |
CN117875192B (zh) | 一种几何约束自动求解设计方法 | |
CN117193772A (zh) | 基于用户反馈的深度学习无代码应用布局优化方法及系统 | |
Varanelli | On the acceleration of simulated annealing | |
Luo et al. | Sampling-based adaptive bounding evolutionary algorithm for continuous optimization problems | |
CN114707655B (zh) | 一种量子线路转换方法、系统、存储介质和电子设备 | |
JP2020155010A (ja) | ニューラルネットワークのモデル縮約装置 | |
CN115599918A (zh) | 一种基于图增强的互学习文本分类方法及系统 | |
Poursalehi | Development of a new approach, evolutionary harmony search algorithm, for the LPO problem | |
CN115130386A (zh) | 基于嵌套多层感知机的数字超表面一对多快速设计方法 | |
US20220343162A1 (en) | Method for structure learning and model compression for deep neural network | |
CN117057255B (zh) | 一种用于数字孪生模型在线同步的预训练模型获取方法 | |
CN114612750B (zh) | 自适应学习率协同优化的目标识别方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |