CN118313281B - 一种自动化构建仿真模型的方法 - Google Patents
一种自动化构建仿真模型的方法 Download PDFInfo
- Publication number
- CN118313281B CN118313281B CN202410726581.0A CN202410726581A CN118313281B CN 118313281 B CN118313281 B CN 118313281B CN 202410726581 A CN202410726581 A CN 202410726581A CN 118313281 B CN118313281 B CN 118313281B
- Authority
- CN
- China
- Prior art keywords
- performance index
- parameter
- component
- sensitivity
- model
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000035945 sensitivity Effects 0.000 claims abstract description 165
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 177
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 2
- 230000017525 heat dissipation Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据建模技术领域,公开了一种自动化构建仿真模型的方法,确定仿真模型的性能指标,通过深度学习模型,获得初创仿真模型和性能指标所占权重;根据初创仿真模型、仿真模型的性能指标和性能指标所占权重,确定最优组件;根据各参数的初始数值,根据各参数的初始数值、仿真模型的性能指标和性能指标所占权重,最优组件的敏感性参数;根据敏感性参数的经验数值、仿真模型的性能指标和性能指标所占权重,确定敏感性参数的最优数值;按照最优组件、最优组件之间的连接关系、最优组件中敏感性参数的最优数值构建仿真模型。本申请提供的模型自动构建方法,在保证模型准确性的前提下,节省了人工成本,提升了建模效率。
Description
技术领域
本发明涉及数据建模技术领域,尤其涉及一种自动化构建仿真模型的方法。
背景技术
仿真模型主要指的是一种被仿真对象的相似物或者是它的结构形式,可以根据这些相似物之间的互相关系,将它们组合在一起。它可以是物理模型,用于物理仿真;也可以是数学模型,用于数学仿真(计算机仿真)。仿真模型在实际应用中有着广泛的用途,它已经应用到了社会经济的各个领域,如军事、交通、农业、生命科学等。
现已有成熟的规程用于搭建仿真模型,使得搭建的模型精准度高,但是对于模型搭建者有编码能力要求,模型的参数调优也有经验积累要求,且需要花费大量的时间与精力,时间成本较高。
为提高仿真模型的构建效率、降低对模型构建者的技术要求,已出现通过AI技术自动构建模型的方法。通过AI技术自动建模依赖于对海量现有模型进行人工智能学习,而非使用已有成熟规程进行构建,输出模型的精确度受学习方法的类型、算力和待学习数据的影响较大,导致输出的模型可能无法满足用户需求。
因此,亟需一种构建仿真模型的方法,既能够降低对模型构建者的能力要求,又可快速、精准的构建出所需模型。
发明内容
为了解决上述技术问题,本发明提供了一种自动化构建仿真模型的方法方法,包括如下步骤:
确定所述仿真模型的性能指标,所述性能指标为一个或者多个;
将所述性能指标输入深度学习模型,获得初创仿真模型和所述性能指标所占权重;所述初创仿真模型包括模糊组件、各组件之间的连接关系;
根据所述初创仿真模型、所述仿真模型的性能指标和所述性能指标所占权重,确定最优组件,所述最优组件是指通过所述最优组件构建的组件测试模型的性能指标满足所述仿真模型的性能指标要求的组件;
确定所述最优组件的参数,并获取各参数的初始数值,根据所述各参数的初始数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述最优组件的敏感性参数;所述最优组件的敏感性参数是指通过所述敏感性参数构建的参数测试模型的性能指标满足所述仿真模型的性能指标要求的参数;
将参数的数值标签中记录的经验数值作为所述敏感性参数的经验数值,根据所述敏感性参数的经验数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述敏感性参数的最优数值;所述敏感性参数的最优数值是指通过所述敏感性参数的最优数值构建的优值测试模型的性能指标满足所述仿真模型的性能指标要求的数值;
按照所述最优组件、最优组件之间的连接关系、最优组件中敏感性参数的最优数值构建满足所述仿真模型的性能指标的仿真模型。
进一步地,所述初创仿真模型还包括组件标签以及组件中各参数的初始数值,所述组件标签包括组件类别和组件特性。
进一步地,根据所述初创仿真模型、所述仿真模型的性能指标和所述性能指标所占权重,确定最优组件,包括:
通过所述初创仿真模型中组件类别在组件库中初筛与模糊组件的组件类型相匹配的组件,得到初选组件;通过组件特性从初选组件中筛选与所述仿真模型的性能指标相符的组件,获得优选组件;
保持所述各组件之间的连接关系,将所有优选组件和所有组件类别进行组件排列组合,按照组件排列组合分别构建组件测试模型并运行,得到每个组件测试模型输出的性能指标;
根据组件测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述最优组件。
进一步地,根据所述各参数的初始数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述最优组件的敏感性参数包括:
确定所述最优组件的参数,筛选参数标签中包括敏感和可能敏感的参数作为初始敏感性参数;
获取初始敏感性参数的初始数值,并基于所述初始敏感性参数的初始数值,按照预设的参数跨次和预设的参数跨度进行计算,获得各初始敏感性参数的参数测试数值;
保持所述各组件之间的连接关系,将所有初始敏感性参数和所有初始敏感性参数的参数测试数值进行参数排列组合,按照参数排列组合分别构建参数测试模型并运行,得到每个参数测试模型输出的性能指标;
根据参数测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法判定参数的敏感性,进而根据所述参数的敏感性确定最优组件的敏感性参数。
进一步地,根据所述敏感性参数的经验数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述敏感性参数的最优数值包括:
基于所述敏感性参数的经验数值,按照预设的敏感性参数跨次和敏感性参数跨度进行计算,获得敏感性参数的优值测试数值;
保持所述各组件之间的连接关系,将所有敏感性参数和所有敏感性参数的优值测试数值进行优值排列组合,按照所述优值排列组合分别构建优值测试模型并运行,得到每个优值测试模型输出的性能指标;
根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述敏感性参数的最优数值。
进一步地,使用权重判定法确定所述最优组件,具体包括:
获取各组件测试模型输出的性能指标;
分别求取每个性能指标在所有组件测试模型中的均值,得到组件测试模型的各性能指标的均值;
分别把各性能指标中的最大值与对应性能指标的均值作差,以所述差值作为对应性能指标的振幅;
求取每个组件测试模型中各性能指标与对应性能指标的均值的差值,并对所述差值求绝对值,令所述绝对值除以对应性能指标的振幅获得该组组件测试模型中该性能指标的加权值;以满足所述性能指标为目的,确定加权值的正负方向,获得每个组件测试模型中每个性能指标的加权;
根据每个组件测试模型中每个性能指标的加权和对应性能指标的目标权重进行计算,获得每个组件测试模型的性能指标的加权;
从各组件测试模型中,选取最大的组件测试模型的性能指标的加权,判定该加权所在的组件测试模型使用的组件即为所述最优组件。
进一步地,根据每个组件测试模型中每个性能指标的加权和对应性能指标的目标权重进行计算,获得每个组件测试模型的性能指标的加权,使用如下公式进行计算:
Pm=Xm1×λ1+Xm2×λ2+……+Xmi×λi+……+Xmn×λn;
式中,Pm为第m个组件测试模型的性能指标的加权,Xmi为第m个组件测试模型中第i个性能指标的加权,1≤i≤n,n为性能指标的个数;λi为第i个性能指标的目标权重;以此类推,Xmn为第m个组件测试模型中第n个性能指标的加权;λn为第n个性能指标的目标权重。
进一步地,根据参数测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法判定参数的敏感性为:
根据参数测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法获得每个参数测试模型的性能指标的加权;
将所述每个参数测试模型的性能指标的加权按照从大到小进行排序,判定排序为前P1个或前Q1%的参数测试模型使用的参数的敏感性为敏感;判定排序为前P2个或前Q2%的参数测试模型使用的参数的敏感性为可能敏感;判定剩余参数测试模型的参数的敏感性为非敏感;
所述P1为预设敏感性参数的个数,所述Q1%为预设敏感性参数的百分比;所述P2为预设可能敏感性参数的个数,所述Q2%为预设可能敏感性参数的百分比。
进一步地,根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述敏感性参数的最优数值为:
根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法获得每个优值测试模型的性能指标的加权;
从各优值测试模型中,选取最大的优值测试模型的性能指标的加权,判定该加权所在的优值测试模型使用的数值即为所述最优数值。
进一步地,所述数值标签中的经验数值,获取方法为:
基于敏感性参数的初始值,按照预设的敏感性参数跨次和预设的敏感性参数跨度计算,得到敏感性参数的优值测试数值;
基于所述敏感性参数的经验数值,按照预设的敏感性参数跨次和敏感性参数跨度进行计算,获得敏感性参数的优值测试数值;
保持所述各组件之间的连接关系,将所有敏感性参数和所有敏感性参数的优值测试数值进行优值排列组合,按照所述优值排列组合分别构建优值测试模型并运行,得到每个优值测试模型输出的性能指标;
根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述敏感性参数的最优数值,所述最优数值记录为参数的数值标签中的经验数值。
本发明实施例具有以下技术效果:
1.本申请创建模型使用现有的、成熟的搭建规程:搭建初创模型、选取最优组件、确定敏感性参数、确定参数的最优数值,使用该规程搭建的模型准确度高。其中,使用现有的、已训练好的深度学习模型,由据性能指标获得获得初创仿真模型和所述性能指标所占权重;根据所述初创仿真模型、所述仿真模型的性能指标和所述性能指标所占权重,确定最优组件;确定所述最优组件的参数,并获取各参数的初始数值,根据所述各参数的初始数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述最优组件的敏感性参数;将参数的数值标签中记录的经验数值作为所述敏感性参数的经验数值,根据所述敏感性参数的经验数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述敏感性参数的最优数值;按照所述最优组件、最优组件之间的连接关系、最优组件中敏感性参数的最优数值构建满足所述仿真模型的性能指标的仿真模型。整个过程采用现有的、成熟的搭建规程,保证了搭建模型的精准性,其中最优组件的选取、敏感性参数的确定、敏感性参数的最优数值的确定过程,不依赖于人的经验进行选取,降低建模人员的技术要求,使得建模效率大大提升,节约人力和时间成本。
2.本申请中,通过权重判定法分别进行最优组件的选取、敏感性参数的确定、敏感性参数的最优数值的确定,兼顾各性能指标,提升建模精准度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种自动化构建仿真模型的方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
现已有成熟的规程用于搭建仿真模型,使得搭建的模型精准度高,但是对于模型搭建者有编码能力要求,模型的参数调优也有经验积累要求,且需要花费大量的时间与精力,时间成本较高。
为提高仿真模型的构建效率、降低对模型构建者的技术要求,已出现通过AI技术自动构建模型的方法。通过AI技术自动建模依赖于对海量现有模型进行人工智能学习,而非使用已有成熟规程进行构建,输出模型的精确度受学习方法的类型、算力和待学习数据的影响较大,导致输出的模型可能无法满足用户需求。
基于上述问题,本申请提供一种自动化构建仿真模型的方法,既能够降低对模型构建者的能力要求,又可快速、精准的构建出所需模型。具体步骤参见图1:
步骤S1:确定仿真模型的性能指标,性能指标为一个或者多个。
示例性的,用户想要建立一个“使用管道相连”的模型,要求质量越小越好,散热性能尽量好。由此可确定,仿真模型的性能指标有2个,分别是质量和散热性能。
步骤S2:将性能指标输入深度学习模型,获得初创仿真模型和性能指标所占权重;初创仿真模型包括模糊组件、各组件之间的连接关系。
深度学习模型,特别是那些具有强大特征提取和表示学习能力的模型,如卷积神经网络(CNN)和循环神经网络(RNN),可以自动地从原始数据中学习有用的特征表示。通过逐层传递和转换信息,这些模型能够捕捉到数据的复杂结构和模式,从而为建模提供有力的支持。
如何通过深度学习模型进行自动建模已有大量研究,此处不再赘述。本申请直接获取深度学习模型输出的模型为初创仿真模型,并得到每个性能指标所占权重。
通过深度学习模型输出初创仿真模型,依赖于对海量现有模型进行人工智能学习,而非使用已有成熟规程进行构建,输出的初创仿真模型的精确度受学习方法的类型、算力和待学习数据的影响较大,导致输出的模型可能无法满足用户需求。因此,本申请在初创模型的基础上进一步优化,以提升模型的精准性。
进一步地,初创仿真模型还包括组件标签以及组件中各参数的初始数值,组件标签包括组件类别和组件特性。其中,组件类型表示组件所述的类型,如:管道、软体管道、散热管道等;组件特性用于表明组件的特殊性能,如:不能散热、功率大、效率低等。
步骤S3:根据初创仿真模型、仿真模型的性能指标和性能指标所占权重,确定最优组件,最优组件是指通过最优组件构建的组件测试模型的性能指标满足仿真模型的性能指标要求的组件。具体包括:
步骤S31:通过初创仿真模型中组件类别在组件库中初筛与模糊组件的组件类型相匹配的组件,得到初选组件;通过组件特性从初选组件中筛选与仿真模型的性能指标相符的组件,获得优选组件。
示例性的,初创仿真模型中,模糊组件指明该组件为管道,则在组件库中将组件标签中标明为管道的组件筛选出来作为初选组件。若性能指标要求散热性能优,则剔除初选组件中组件标签标明“不能散热”“散热性能差”的组件,获得优选组件。
步骤S32:保持各组件之间的连接关系,将所有优选组件和所有组件类别进行组件排列组合,按照组件排列组合分别构建组件测试模型并运行,得到每个组件测试模型输出的性能指标。
示例性的,模型由泵和管道组成,则从组件库中找到所有标签含有“泵”“管道”的模型,并两两组合。初创仿真模型形如:A+B。其中,A类型的优选组件A1和A2,B类型的优选组件有B1和B2。则将A1、A2和B1、B2进行组件排列组合,按照组件排列组合分别构建组件测试模型:A1+B1、A1+B2、A2+B1、A2+B2。运行各组件测试模型,得到每个组件测试模型输出的性能指标。
步骤S33:根据组件测试模型输出的性能指标和性能指标所占权重,使用权重判定法确定最优组件。具体包括:
步骤S331:获取各组件测试模型输出的性能指标。
示例性的,获取4个组件测试模型:A1+B1、A1+B2、A2+B1、A2+B2的性能指标:第一个性能指标:总质量,分别为70、90、90、110;第二个性能指标:散热效率,分别为75%、86%、88%、87%。
若性能指标要求总质量不超过100,则可以直接剔除A2+B2。
步骤S332:分别求取每个性能指标在所有组件测试模型中的均值,得到组件测试模型的各性能指标的均值。
示例性的,第一个性能指标:散热效率高,第二个性能指标:通过效率高。获取的各组件测试模型的性能指标为:
A1+B1组件测试模型散热效率=75%,通过效率=1.60;
A1+B2组件测试模型散热效率=86%,通过效率=1.55;
A2+B1组件测试模型散热效率=88%,通过效率=1.50;
求取第一个性能指标在各组件测试模型中的均值:(75%+86%+88%)/3=83%,即第一个性能指标的均值为83%;求取第二个性能指标在各组件测试模型中的均值:(1.60+1.55+1.50)/3=1.55,即第一个性能指标的均值为1.55。
步骤S333:分别把各性能指标中的最大值与对应性能指标的均值作差,以差值作为对应性能指标的振幅。
接步骤S332中的示例,对于第一个性能指标,最大值为组件测试模型A2+B1的88%,第一个性能指标的均值为83%,则第一个性能指标的振幅为88%-83%=5%。
对于第二个性能指标,最大值为组件测试模型A1+B1的1.60,第一个性能指标的均值为1.55,则第一个性能指标的振幅为1.60-1.55=0.05。
步骤S334:求取每个组件测试模型中各性能指标与对应性能指标的均值的差值,并对差值求绝对值,令绝对值除以对应性能指标的振幅获得该组组件测试模型中该性能指标的加权值;以满足性能指标为目的,确定加权值的正负方向,获得每个组件测试模型中每个性能指标的加权。
第1个组件测试模型A1+B1,第一个性能指标与第一个性能指标的均值的差值为75%-83%=-8%;其绝对值除以第一个性能指标的振幅获得该组组件测试模型中该性能指标的加权值:|-8%|/5%=1.6。第一个性能指标要求散热效率高,因此组件测试模型的结果中散热效率越高越满足第一个性能指标,散热效率越低越无法满足第一个性能指标,所以组件测试模型A1+B1的加权值为负,得到的第一个性能指标的加权为-1.6。
以此类推,依次得到第2个组件测试模型A1+B2的第一个性能指标的加权为+0.8,第3个组件测试模型A2+B1的第一个性能指标的加权为+1.0。组件测试模型A1+B1的第二个性能指标的加权为+1.0,组件测试模型A1+B2的第二个性能指标的加权为+0.0,组件测试模型A2+B1的第一个性能指标的加权为-1.0。
步骤S335:根据每个组件测试模型中每个性能指标的加权和对应性能指标的目标权重进行计算,获得每个组件测试模型的性能指标的加权,公式如下:
Pm=Xm1×λ1+Xm2×λ2+……+Xmi×λi+……+Xmn×λn;
式中,Pm为第m个组件测试模型的性能指标的加权,Xmi为第m个组件测试模型中第i个性能指标的加权,1≤i≤n,n为性能指标的个数;λi为第i个性能指标的目标权重;以此类推,Xmn为第m个组件测试模型中第n个性能指标的加权;λn为第n个性能指标的目标权重。
接步骤S334中的示例,由步骤S2已知,第1个性能指标的目标权重为50%,第2个性能指标的目标权重为50%,使用上述公式进行计算,分别获得,第1个组件测试模型A1+B1的加权为-1.6×50%+1.0×50%=-0.6,第2个组件测试模型A1+B2的加权为(+0.8)×50%+0.0×50%=+0.8,第3个组件测试模型A2+B1的加权为(+1.0)×50%+(-1.0)×50%=+0.0。
步骤S336:从各组件测试模型中,选取最大的组件测试模型的性能指标的加权,判定该加权所在的组件测试模型使用的组件即为最优组件。
第2个组件测试模型A1+B2的加权+0.8最大,第2个组件测试模型A1+B2使用的组件即为最优组件,即最优组件为A1和B2。
步骤S4:确定最优组件的参数,并获取各参数的初始数值,根据各参数的初始数值、仿真模型的性能指标和性能指标所占权重,确定最优组件的敏感性参数;最优组件的敏感性参数是指通过敏感性参数构建的参数测试模型的性能指标满足仿真模型的性能指标要求的参数。
确定最优组件的参数,并获取各参数的初始数值,根据各参数的初始数值、仿真模型的性能指标和性能指标所占权重,确定最优组件的敏感性参数也是使用权重判定法,方法同步骤S3中权重判定法,此处不再赘述。
进一步地,根据各参数的初始数值、仿真模型的性能指标和性能指标所占权重,确定最优组件的敏感性参数包括:
确定最优组件的参数,筛选参数标签中包括敏感和可能敏感的参数作为初始敏感性参数。
参数标签可用于标记参数的敏感性,包括敏感、可能敏感、非敏感。
例如,最优组件的参数有100个参数,其中90个参数的参数标签为非敏感,7个为可能敏感,3个为敏感。这样,筛选参数标签中包括敏感和可能敏感的参数作为初始敏感性参数,从而,避免全量筛选,节约时间和算力。
获取初始敏感性参数的初始数值,并基于初始敏感性参数的初始数值,按照预设的参数跨次和预设的参数跨度进行计算,获得各初始敏感性参数的参数测试数值。
预设的参数跨次包括参数左跨次和参数右跨次,预设的参数跨度包括参数左跨度和参数右跨度。例如,其中一个初始敏感性参数的初始数值为0,预设参数左跨度和参数右跨度分别为0.01,参数左跨次和参数右跨次均为2,则该初始敏感性参数的参数测试数值分别为-0.02、-0.01、0、0.01、0.02。
保持各组件之间的连接关系,将所有初始敏感性参数和所有初始敏感性参数的参数测试数值进行参数排列组合,按照参数排列组合分别构建参数测试模型并运行,得到每个参数测试模型输出的性能指标。
根据参数测试模型输出的性能指标和性能指标所占权重,使用权重判定法判定参数的敏感性,进而根据参数的敏感性确定最优组件的敏感性参数。
进一步地,根据参数测试模型输出的性能指标和性能指标所占权重,使用权重判定法判定参数的敏感性为:
根据参数测试模型输出的性能指标和性能指标所占权重,使用权重判定法获得每个参数测试模型的性能指标的加权;
将每个参数测试模型的性能指标的加权按照从大到小进行排序,判定排序为前P1个或前Q1%的参数测试模型使用的参数的敏感性为敏感;判定排序为前P2个或前Q2%的参数测试模型使用的参数的敏感性为可能敏感;判定剩余参数测试模型的参数的敏感性为非敏感;
P1为预设敏感性参数的个数,Q1%为预设敏感性参数的百分比;P2为预设可能敏感性参数的个数,Q2%为预设可能敏感性参数的百分比。其中,P1、Q1%、P2以及Q2%的具体数值,用户可自行预设。
根据权重判定法得到参数的敏感性后,还可以根据判定结果更新参数标签中标记的参数的敏感性。
步骤S5:将参数的数值标签中记录的经验数值作为敏感性参数的经验数值,根据敏感性参数的经验数值、仿真模型的性能指标和性能指标所占权重,确定敏感性参数的最优数值;敏感性参数的最优数值是指通过敏感性参数的最优数值构建的优值测试模型的性能指标满足仿真模型的性能指标要求的数值。
根据敏感性参数的经验数值、仿真模型的性能指标和性能指标所占权重,确定敏感性参数的最优数值,也是使用权重判定法,方法同步骤S3中权重判定法,此处不再赘述。
进一步地,数值标签中的经验数值,获取方法为:
基于敏感性参数的初始值,按照预设的敏感性参数跨次和预设的敏感性参数跨度计算,得到敏感性参数的优值测试数值;
基于敏感性参数的经验数值,按照预设的敏感性参数跨次和敏感性参数跨度进行计算,获得敏感性参数的优值测试数值;
保持各组件之间的连接关系,将所有敏感性参数和所有敏感性参数的优值测试数值进行优值排列组合,按照优值排列组合分别构建优值测试模型并运行,得到每个优值测试模型输出的性能指标;
根据优值测试模型输出的性能指标和性能指标所占权重,使用权重判定法确定敏感性参数的最优数值,最优数值记录为参数的数值标签中的经验数值。
进一步地,根据敏感性参数的经验数值、仿真模型的性能指标和性能指标所占权重,确定敏感性参数的最优数值包括:
基于敏感性参数的经验数值,按照预设的敏感性参数跨次和敏感性参数跨度进行计算,获得敏感性参数的优值测试数值;
保持各组件之间的连接关系,将所有敏感性参数和所有敏感性参数的优值测试数值进行优值排列组合,按照优值排列组合分别构建优值测试模型并运行,得到每个优值测试模型输出的性能指标;
根据优值测试模型输出的性能指标和性能指标所占权重,使用权重判定法确定敏感性参数的最优数值,包括:
根据优值测试模型输出的性能指标和性能指标所占权重,使用权重判定法获得每个优值测试模型的性能指标的加权;
从各优值测试模型中,选取最大的优值测试模型的性能指标的加权,判定该加权所在的优值测试模型使用的数值即为最优数值。
根据权重判定法得到敏感性参数的最优数值后,还可以根据判定结果更新数值标签中标记的经验数值。
本申请中,创建模型使用现有的、成熟的搭建规程:搭建初创模型、选取最优组件、确定敏感性参数、确定参数的最优数值,使用该规程搭建的模型准确度高。其中,采用权重判定法实现最优组件、敏感性参数以及参数最优数值的确定,兼顾各性能指标,在保证模型准确性的前提下,又提升了建模效率。
步骤S6:按照最优组件、最优组件之间的连接关系、最优组件中敏感性参数的最优数值构建满足仿真模型的性能指标的仿真模型。
整个过程采用现有的、成熟的搭建规程,保证了搭建模型的精准性,其中最优组件的选取、敏感性参数的确定、敏感性参数的最优数值的确定过程,不依赖于人的经验进行选取,降低建模人员的技术要求,使得建模效率大大提升,节约人力和时间成本。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种自动化构建仿真模型的方法,其特征在于,包括如下步骤:
确定所述仿真模型的性能指标,所述性能指标为一个或者多个;
将所述性能指标输入深度学习模型,获得初创仿真模型和所述性能指标所占权重;所述初创仿真模型包括模糊组件、各组件之间的连接关系;
根据所述初创仿真模型、所述仿真模型的性能指标和所述性能指标所占权重,确定最优组件,所述最优组件是指通过所述最优组件构建的组件测试模型的性能指标满足所述仿真模型的性能指标要求的组件;
确定所述最优组件的参数,并获取各参数的初始数值,根据所述各参数的初始数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述最优组件的敏感性参数;所述最优组件的敏感性参数是指通过所述敏感性参数构建的参数测试模型的性能指标满足所述仿真模型的性能指标要求的参数;
将参数的数值标签中记录的经验数值作为所述敏感性参数的经验数值,根据所述敏感性参数的经验数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述敏感性参数的最优数值;所述敏感性参数的最优数值是指通过所述敏感性参数的最优数值构建的优值测试模型的性能指标满足所述仿真模型的性能指标要求的数值;
按照所述最优组件、最优组件之间的连接关系、最优组件中敏感性参数的最优数值构建满足所述仿真模型的性能指标的仿真模型。
2.根据权利要求1所述的一种自动化构建仿真模型的方法,其特征在于,所述初创仿真模型还包括组件标签以及组件中各参数的初始数值,所述组件标签包括组件类别和组件特性。
3.根据权利要求2所述的一种自动化构建仿真模型的方法,其特征在于,根据所述初创仿真模型、所述仿真模型的性能指标和所述性能指标所占权重,确定最优组件,包括:
通过所述初创仿真模型中组件类别在组件库中初筛与模糊组件的组件类型相匹配的组件,得到初选组件;通过组件特性从初选组件中筛选与所述仿真模型的性能指标相符的组件,获得优选组件;
保持所述各组件之间的连接关系,将所有优选组件和所有组件类别进行组件排列组合,按照组件排列组合分别构建组件测试模型并运行,得到每个组件测试模型输出的性能指标;
根据组件测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述最优组件。
4.根据权利要求2所述的一种自动化构建仿真模型的方法,其特征在于,根据所述各参数的初始数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述最优组件的敏感性参数包括:
确定所述最优组件的参数,筛选参数标签中包括敏感和可能敏感的参数作为初始敏感性参数;
获取初始敏感性参数的初始数值,并基于所述初始敏感性参数的初始数值,按照预设的参数跨次和预设的参数跨度进行计算,获得各初始敏感性参数的参数测试数值;
保持所述各组件之间的连接关系,将所有初始敏感性参数和所有初始敏感性参数的参数测试数值进行参数排列组合,按照参数排列组合分别构建参数测试模型并运行,得到每个参数测试模型输出的性能指标;
根据参数测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法判定参数的敏感性,进而根据所述参数的敏感性确定最优组件的敏感性参数。
5.根据权利要求2所述的一种自动化构建仿真模型的方法,其特征在于,根据所述敏感性参数的经验数值、所述仿真模型的性能指标和所述性能指标所占权重,确定所述敏感性参数的最优数值包括:
基于所述敏感性参数的经验数值,按照预设的敏感性参数跨次和敏感性参数跨度进行计算,获得敏感性参数的优值测试数值;
保持所述各组件之间的连接关系,将所有敏感性参数和所有敏感性参数的优值测试数值进行优值排列组合,按照所述优值排列组合分别构建优值测试模型并运行,得到每个优值测试模型输出的性能指标;
根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述敏感性参数的最优数值。
6.根据权利要求3所述的一种自动化构建仿真模型的方法,其特征在于,使用权重判定法确定所述最优组件,具体包括:
获取各组件测试模型输出的性能指标;
分别求取每个性能指标在所有组件测试模型中的均值,得到组件测试模型的各性能指标的均值;
分别把各性能指标中的最大值与对应性能指标的均值作差,以差值作为对应性能指标的振幅;
求取每个组件测试模型中各性能指标与对应性能指标的均值的差值,并对所述差值求绝对值,令所述绝对值除以对应性能指标的振幅获得该组件测试模型中该性能指标的加权值;以满足所述性能指标为目的,确定加权值的正负方向,获得每个组件测试模型中每个性能指标的加权;
根据每个组件测试模型中每个性能指标的加权和对应性能指标的目标权重进行计算,获得每个组件测试模型的性能指标的加权;
从各组件测试模型中,选取最大的组件测试模型的性能指标的加权,判定该加权所在的组件测试模型使用的组件即为所述最优组件。
7.根据权利要求6所述的一种自动化构建仿真模型的方法,其特征在于,根据每个组件测试模型中每个性能指标的加权和对应性能指标的目标权重进行计算,获得每个组件测试模型的性能指标的加权,使用如下公式进行计算:
Pm=Xm1×λ1+Xm2×λ2+……+Xmi×λi+……+Xmn×λn;
式中,Pm为第m个组件测试模型的性能指标的加权,Xmi为第m个组件测试模型中第i个性能指标的加权,1≤i≤n,n为性能指标的个数;λi为第i个性能指标的目标权重;以此类推,Xmn为第m个组件测试模型中第n个性能指标的加权;λn为第n个性能指标的目标权重。
8.根据权利要求4所述的一种自动化构建仿真模型的方法,其特征在于,根据参数测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法判定参数的敏感性为:
根据参数测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法获得每个参数测试模型的性能指标的加权;
将所述每个参数测试模型的性能指标的加权按照从大到小进行排序,判定排序为前P1个或前Q1%的参数测试模型使用的参数的敏感性为敏感;判定排序为前P2个或前Q2%的参数测试模型使用的参数的敏感性为可能敏感;判定剩余参数测试模型的参数的敏感性为非敏感;
所述P1为预设敏感性参数的个数,所述Q1%为预设敏感性参数的百分比;所述P2为预设可能敏感性参数的个数,所述Q2%为预设可能敏感性参数的百分比。
9.根据权利要求5所述的一种自动化构建仿真模型的方法,其特征在于,根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述敏感性参数的最优数值为:
根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法获得每个优值测试模型的性能指标的加权;
从各优值测试模型中,选取最大的优值测试模型的性能指标的加权,判定该加权所在的优值测试模型使用的数值即为所述最优数值。
10.根据权利要求5所述的一种自动化构建仿真模型的方法,其特征在于,所述数值标签中的经验数值,获取方法为:
基于敏感性参数的初始值,按照预设的敏感性参数跨次和预设的敏感性参数跨度计算,得到敏感性参数的优值测试数值;
基于所述敏感性参数的经验数值,按照预设的敏感性参数跨次和敏感性参数跨度进行计算,获得敏感性参数的优值测试数值;
保持所述各组件之间的连接关系,将所有敏感性参数和所有敏感性参数的优值测试数值进行优值排列组合,按照所述优值排列组合分别构建优值测试模型并运行,得到每个优值测试模型输出的性能指标;
根据优值测试模型输出的性能指标和所述性能指标所占权重,使用权重判定法确定所述敏感性参数的最优数值,所述最优数值记录为参数的数值标签中的经验数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410726581.0A CN118313281B (zh) | 2024-06-06 | 2024-06-06 | 一种自动化构建仿真模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410726581.0A CN118313281B (zh) | 2024-06-06 | 2024-06-06 | 一种自动化构建仿真模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118313281A CN118313281A (zh) | 2024-07-09 |
CN118313281B true CN118313281B (zh) | 2024-08-27 |
Family
ID=91726087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410726581.0A Active CN118313281B (zh) | 2024-06-06 | 2024-06-06 | 一种自动化构建仿真模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118313281B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118520786A (zh) * | 2024-07-23 | 2024-08-20 | 中汽数据(天津)有限公司 | 基于大数据的整车性能指标优化方法、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112256589A (zh) * | 2020-11-11 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 一种仿真模型的训练方法、点云数据的生成方法及装置 |
CN115639756A (zh) * | 2021-07-20 | 2023-01-24 | 三星电子株式会社 | 用于生成工艺仿真模型的方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628949A (zh) * | 2023-04-26 | 2023-08-22 | 四川省数字经济产业发展有限责任公司 | 一种数字孪生仿真模型构建方法 |
-
2024
- 2024-06-06 CN CN202410726581.0A patent/CN118313281B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112256589A (zh) * | 2020-11-11 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 一种仿真模型的训练方法、点云数据的生成方法及装置 |
CN115639756A (zh) * | 2021-07-20 | 2023-01-24 | 三星电子株式会社 | 用于生成工艺仿真模型的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN118313281A (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN118313281B (zh) | 一种自动化构建仿真模型的方法 | |
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和系统 | |
CN112651665B (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN110276556B (zh) | 一种基于多策略的环境承载力指标权重计算方法及装置 | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN115223049B (zh) | 面向电力场景边缘计算大模型压缩的知识蒸馏与量化方法 | |
CN115017591A (zh) | 建筑结构群抗震性能评估方法 | |
CN107067341A (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
CN115689114A (zh) | 一种基于组合神经网络的海底电缆运行状态预测方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN116341078A (zh) | 装配式建筑智慧设计和建造云平台及应用 | |
CN117034780B (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 | |
CN116913098B (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
CN110059871A (zh) | 光伏发电功率预测方法 | |
CN112529188B (zh) | 基于知识蒸馏的工业过程优化决策模型迁移优化方法 | |
CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
CN114462287B (zh) | 钢箱梁正交异性板参数确定方法、设备及存储介质 | |
CN118468228B (zh) | 基于效能网络强化权重选择的气体浓度预测方法和装置 |
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 |