CN1809831A - 设计的优化 - Google Patents
设计的优化 Download PDFInfo
- Publication number
- CN1809831A CN1809831A CN 02817002 CN02817002A CN1809831A CN 1809831 A CN1809831 A CN 1809831A CN 02817002 CN02817002 CN 02817002 CN 02817002 A CN02817002 A CN 02817002A CN 1809831 A CN1809831 A CN 1809831A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- increment
- variable
- variate
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于优化的设备,系统和方法。该设备,系统和方法包括一种机制,用于当优化模型的一个设计允差内所有的模型已经被仿真时结束优化。
Description
相关申请的交叉对比
本申请要求对2001年8月31日提交的U.S.临时专利申请号码60/316,463的优先权,该申请在此整体结合并当前未决。本申请还要求对2002年3月2日提交的U.S.临时专利申请号码60/361,262的优先权,该申请在此整体结合并当前未决。
关于联邦资助的研究的声明
没有
本发明的领域
本发明旨在用于生成一个或多个优化解或设计的一种设备,系统和方法。具体来说,当图示有多个峰和谷指示在各种解区域中存在良好解时本发明适用于一种函数。该函数可表示能够被仿真的一种装置诸如引擎的性能。本发明可采用设计允差以降低计算时间并终止优化过程。
本发明的背景
引擎性能仿真软件已成为引擎设计者工具包的集成部分。然而,使用这种软件的特定设计的优化常常是困难和耗时的。这原本是由于适当刻画引擎所需的参数数目及这些参数相互依赖。本发明描述的设备,系统和方法帮助使引擎设计过程自动化并缩短研发时间,以满足规定的性能目标。
本发明的概述
本发明旨在由于优化设计的一种系统,方法和设备。根据本发明的一种形式,提供了用于找出包括规定基模型的最优模型的一种方法,该方法包括:(i)一个有值的变量,(ii)规定认定被优化的基模型特征的目标,(iii)规定变量可变化的最小量的允差,(iv)规定最初设置为变量可变化的最大量的增量,(v)运行基模型,(vi)把当前最佳模型认定为基模型,(vii)通过设置变量值为当前最佳模型值加增量生成一加模型,(viii)运行加模型,(ix)通过设置变量值为当前最佳模型值减增量而生成减模型,(x)运行减模型,(xi)设置先前的最佳模型为当前最佳模型,并设置当前最佳模型为当前最佳模型,加模型和减模型的最佳者,(xii)如果当前最佳模型不同于先前最佳模型,则重复步骤(vii)到(xii),(xiii)降低增量,(xiv)如果增量大于或等于允差,则重复步骤(vii)到(xiv),以及(xv)认定当前最佳模型为最优模型。
本发明还旨在用于终止优化的一种系统、方法和设备。
于是,本发明提供了对先有优化设备、系统和方法的缺陷的解决方案。因而,业内一般专业人员将易于理解,在本发明优选实施例的以下详细说明中,本发明的那些和其它细节,特征和优点将进而显而易见。
附图的简要说明
这里结合并构成本说明书一部分的附图,包括本发明的一个或多个实施例,并与以上给出的总的描述及以下给出的详细说明,根据预期用于实施本发明的最佳模式,一同用来公开本发明的原理。
图1是本发明实施例的优化方法的一流程图;
图2是通过仿真产生的表面轮廓,其中排气管长度和直径是被优化的变量;
图3是本发明一实施例中确定组合值的方法的流程图;
图4是本发明一实施例中允差方法的流程图;
图5是本发明的实施例中进行勘测的方法的流程图;
图6是本发明的实施例中进行优化的方法的流程图;
图7a示出在两个变量独立出现的解通路中仿真的设计配置;
图7b示出在两个变量组合出现的解通路中仿真的设计配置;
图8示出本发明一实施例中仿真资源管理器弹出式菜单;
图9是本发明一实施例中优化期间提供监视信息的一屏幕;
图10是本发明一实施例中使用的分布网络;
图11是本发明一实施例中目标设置屏幕;
图12是本发明一实施例中变量设置屏幕;
图13是本发明一实施例中约束设置屏幕;
图14是本发明一实施例中解的屏幕;
图15是本发明一实施例中全局屏幕;
图16是本发明一实施例中优化屏幕;
图17是本发明一实施例中先进属性屏幕;
本发明的详细说明
现在详细参照优选实施例,其例子在附图示出。应当理解,附图和包含在其中的实施例的说明表示并描述了特定关联的元件,为了清楚,省去了在典型的计算机和计算机网络中见到的其它元件。
本设计优化对某些先前设计方法和系统的缺陷提供了解决方案。业内一般专业人员易于理解,虽然本发明的实施例是与引擎设计相关联描述的,但本发明的方式不只适用于引擎设计。例如,这里所公开和申请的优化技术可一般适用于各种目的和统计分析的优化。这里所公开和申请的计算技术可适用于这种分布式处理有益的应用。这里所公开和申请的优化技术可用于除引擎设计优化之外的其它目的。这里所描述的用户接口还可用于各种有用的应用。这样,虽然本发明的某些实施例旨在引擎设计,但可认识到本发明及其各方式在各种应用中的是有益的。该设计优化的其它的细节,特性和优点在以下实施例的详细说明中将变得更为明显。
本说明书中任何涉及“一个实施例”,“一定的实施例”,或类似的涉及一实施例是指与该实施例相关联描述的具体的特性,结构或特征包含在本发明至少一个实施例中。这种术语在本说明书各处的出现不一定都是指同一实施例。此外涉及到“或者”是指包含在内的,于是“或者”可指一个或其它或关系的术语或一个以上的或关系的术语。
虽然本发明可用来优化各种复杂的设备和过程,但以下的实施例旨在本发明在优化内燃引擎的优化。这种引擎有许多对引擎的操作有作用的属性与许多希望的目标。内燃引擎的属性例如包括阀门的量和尺寸,活塞直径和冲程,点火定时,燃油传递,量和定时及排气管直径与长度。内燃引擎的操作目标例如包括燃油的燃烧,喷射,力矩,和功率。
在以下的说明中,术语“变量集合”用来指示可用来运行单个仿真的变量值的集合。“运行”或“仿真”是在给定的测试条件下关于一变量集合运行一仿真的行动。“测试程序”是一个运行在其下发生的测试条件的一个集合。术语“解”是指一组用来评价目标的一个或多个运行。术语“通路”是指被排序以找出最佳变量集合或多个集合的解的集合。术语“最优”用来指局部最优,这是来自通路的解排序集合的最佳变量集合。“模型”是是可被仿真的变量的一个集合,且“设计配置”是采用一种设计的模型。本发明的好处在于能够在存在这种多个不同最优解之处提供多个,不同的局部最优。
基模型或基设计配置通路规则要被修改以便生成优化设计的属性或组件的开始定义。“最佳模型”是当目标的指示要匹配这些值时最接近的一个或多个规定值的模型,当目标是要最大化该值时提供最高结果值的模型,以及当目标是要最小化该值时提供最低结果值的模型。基设计包括仿真该设计必须的所有属性。设计属性可存储在设计属性数据库。这里的例子中使用的设计是引擎设计,于是在这些引擎例子中基设计配置称为“基引擎”。这样,那些属性可包括尺寸数据,诸如进气口气室尺寸,进气管路长度与直径,排气管长度和直径,进气阀门直径,排气阀直径,及汽缸长度与直径。那些属性还可包括其它数据,诸如检测的数据,包括进气空气压力,排气压力,及节气门位置。因而属性例如通路组件可被逻辑地分组,使得通常组合使用的排气管长度和排气管直径可被分组以定义排气管组件。然后可对那些组件指定名称,使得所有组件的属性在唯一引擎名称下被分组。然后当前的优化可改变选择的属性以实现一个或多个目标。
图1示出本发明的设计优化100。在图1所示的实施例中,设计优化100包括2个操作阶段,设计和执行。设计包括规定目标102,规定变量104,规定约束106,规定实验的设计108,并规定优化110。执行阶段包括探测112和解114。
在102,规定包含一个或多个优化目标的对象。对象是所希望的优化结果的定义。目标可具有至少三个组成部件:特征,指示和值。每一个特征是要被优化的一实体,诸如引擎的性能特征。指示指令以特征所希望要实现是什么。例如,指示可以是一指令使特征值最大化,或匹配一个或多个特征值。值提供客观标准,以比较每一设计配置趋近所希望结果的程度。在某些解中,被最小化或最大化的目标可能没有相关值,而要被匹配的目标一般将具有至少一个相关值。
当前例子的目标是在测试程序中规定的引擎操作范围达到最大功率的单一目标。这样,特征是功率,且指示是要最大化功率。
例如测试程序可规定操作范围,在整个范围的分步增量,在每一rpm步骤要仿真的引擎循环数,由引擎使用的燃油,节气门位置,及环境条件。例如范围可以是5000转每分钟(rpm)到10,000rpm,且增量在整个范围可以是1000rpm步。例如燃油可以是汽油或柴油。环境条件包括在进气和排气点的气温,气压,和湿度。
如上所述,目标可被最小化,最大化,或与所希望的值或值集合匹配。在希望匹配之处,与目标相关的值例如可匹配一曲线或定义曲线的值的集合。目标还可以用作为关于设计的极限。例如目标可以是有高限,低限的集合,或有高低限的带。此外,可对仿真建立一个以上的目标。这样,例如用户可试图匹配所希望的功率曲线,同时对引擎的废气中的一氧化碳设置特定的高限。在该例子中,所有产生大于极限的一氧化碳水平的结果将不予考虑,并最佳适配具有低于极限一氧化碳水平的功率曲线将提供为结果。
高限在其以上的设计配置不可接受的的参数值或值的集合的规范。高限例如可以是对于诸如燃油燃烧的参数,以防止结果的设计过度无效的燃油燃烧。如果在任何点高限被超过,则仿真可被认为对该变量集合已失败。
低限在其以下的设计配置不可接受的的参数值或值的集合的规范。低限例如可以是对于诸如功率的参数,以防止结果的设计具有太低的功率。如果仿真期间在任何点变量集合产生低于低限的值,则仿真可被认为对该变量集合已失败。
极限带包括高和低限,使得如果在仿真期间任何点对于变量集合高限被超过,或在仿真期间任何点变量集合产生低于低限的值,则仿真可被认为对该变量集合已失败。
失败的变量集合一般在变量集合排序中不再使用确定最佳结果。
策略是用来获得目的的过程。策略包括一个或多个变量,并可以或可以不包括一个或多个约束。
在104,规定被优化的变量。“被优化的”变量是在优化仿真中为实现目标要被改变的那些变量。在这里作为例子的所述的实施例中两个变量要被优化:排气管长度与排气管直径。被优化的每一变量的初始值可被指定。然后设置仿真对其运行的值的边界。对本申请已确定,长度在100mm到1000mm之间的排气管是所希望要适配引擎操作的车辆的。对本申请还已经确定,希望直径100mm与200mm之间的排气管适配该车辆。由于将只考虑长度在100mm到1000mm之间的排气管,排气管长度的边界就是100mm与1000mm。类似地,对于排气管直径的边界是100mm与200mm。由边界包围的面积是图形可视的并称为“设计空间”。
为了实际的目的,要被仿真的引擎的数目可通过使用优化期间允许改变的变量的允差或属性被限制。允差可设置在对于变量所希望的最小增量,使得被仿真的变量值将被限制在落在允差点的值。如果不使用允差,则在任何设计空间将存在被仿真的无限数目的设计。使用允差,消除了设计空间中无限小的步骤,并迫使有限数目的仿真存在于设计空间中。当使用允差时,被仿真的变量值围绕在最近的允差点附近,于是落在那些点之间的值不被仿真。设计允差可以等于制造允差,但也可简单地是设计者希望优化考虑的每一步骤的量。例如,可能希望考虑长度10mm有增量与直径1mm有增量的排气管。这样,排气管长度的允差可设置为10mm,而排气管直径的允差可设置为1mm。图形上,现在有界的设计空间可被看作格栅,其点位于每一允差的每一倍数上。关于允差,可设置基于变量的一函数诸如变量量值的整体的允差。在需要时,变量的允差可设置为任何值。允差还可以是偏移,使得允差点可在不同于允差零或其它倍数处开始。这样,例如可能希望考虑排气管为以10mm增量在25mm开始,从而通路允差偏移。这时被考虑的排气管长度将以10mm增量从25mm出发(例如25mm,35mm,45mm等)。
具有设置在允差的变量的优化还提供了对优化程序自然的终止。一旦围绕优化从其出发发生的一点的所有允差点已被仿真,并没有产生越来越好的特征值,则优化可被终止。因而,使用基于允差的仿真好处是降低了仿真运行的次数,因为彼此接近的变量值是围绕同一允差点,而同一点的仿真不需要进行两次。况且,本发明能够识别被仿真的变量集合与先前被仿真的变量集合相同,因而第二次不会仿真同一变量集合。
在106,规定包括参数方程式的约束。初始设计属性可被定义为常数值,或通过参数方程式定义。这里参数方程式称为约束的一种类型。一个参数方程式依据一个或多个其它属性定义了一个属性。由参数方程式定义的属性一般是不被优化的。然而其可随被优化的变量变化而变化。例如,管路的入口直径可定义为等于其连接的端口的直径。另外,参数方程式通过使现有的直径等于入口直径可定义组件诸如平行管路的几何结构。这样,保证了只考虑管路的入口和出口相等的配置。作为参数方程式的另一例子,引擎的冲程可基于引擎的位移和冲程比率。
本发明的一实施例中,在两个步骤仿真设计空间中的设计配置的变量集合。这里称为探测的第一步骤,在设计空间的各区域中仿真变量集合,而这里称为第二步骤在设计空间的最有希望的区域仿真设计配置。在探测中,选择小数目的变量集合,以确定设计空间中哪一个或多个区域是最有希望的。这样例如对每一变量选择三个值,以便均匀散布在对每一变量所考虑的值的整个范围。在优化中,在探测中所探测的与最有希望的设计配置相邻的设计配置被仿真,以找出那些区域中的最优解。
在步骤108,规定实验设计的属性。实验设计属性确定了多少设计配置将在探测112和优化114中被仿真。实验设计属性包括对每一变量被探测的水平数,对进一步考虑所需的最佳运行数,对进一步考虑所需的其它区域数,以及运行数的极限。水平是对探测期间所考虑的每一变量的值的数目。以所考虑的最低值开始并以所考虑的最高值结束,以定义一图形上轴线的每一变量作图形观察,水平是在探测112中每一轴线上被仿真的点的数目。这样对于探测112被仿真的解的数目是对每一变量水平数的产物。
当规定实验设计108时,可对变量设置全局或局部水平。当对所有变量指定全局水平时,对每一变量考虑相同数目的值。例如,3的全局水平可按默认提供。在对每一值选择三个值之处,在探测中将考虑的设计配置数为3n,其中n等于设计配置中的变量数。
当对每一变量设置水平时,对每一变量个别选择探测期间所考虑的值的数目。此外,全局水平可作为默认提供,并可对被探测的一个或多个变量规定超越的局部水平。也可规定零水平,使得探测112对每一变量是无效的。另外,对于在探测112中可由用户考虑规定值,或可使用其它技术选择在探测112中使用的值。
可规定最佳运行数以指示优化114要保持多少设计配置,因为它们最靠近目标。那些最佳设计配置常常彼此接近位于单个区域中。然而最佳设计配置可位于设计靠近分开的部分,并可以来自在探测112中找出的一个以上的设计配置的结果。
可能希望,提供设计空间的一个或多个局部最优区域中(不包含最佳设计配置的区域)最优设计配置。例如,局部最优区域中的解可能充分靠近目标以满足设计者,并可能基本上更有成本效益地实现。这样,可规定其它区域的数目,以提供使得局部最优区域中的设计配置也由优化114提供。
还可规定运行数目的极限,使得对被仿真的设计配置数置一极限。运行数的极限可通过从能够被仿真的设计配置总数随机选择被仿真的设计配置来实现。此外可在计算机系统中规定随机数种子,使得可通过选择相同的种子仿真相同的设计配置,并可通过选择不同的种子仿真不同的设计配置。
在110规定优化。在优化中,相邻的设计配置从基设计仿真到相邻设计配置分步骤仿真相邻设计配置,以找出在探测112中选择的每一区域中的最优解。在优化规定阶段,对变量是否以及如何在优化114中被组合作出确定。如以上所述,变量可被各个地或组合地优化。当仿真相邻的设计配置时,作为只有一个变量被改变的“各自”,或当仿真相邻设计配置时,作为指示两个变量被改变的“组合”,在优化114期间可施加步骤。图7a示出一例子,其中变量个别变化,生成四个新的设计配置以便被仿真,且图7b示出一例子,其中变量组合变化,生成八个新的设计配置以便被仿真。如通过该例子可见,当组合地而不是个别地考虑参数时,更多的设计配置被展示供优化系统考虑。
可注意到,所有变量可被组合或不组合,或变量的子集可在一个或多个组合中被组合。
此外,可规定步骤和步骤增量开始和结束因子,可规定阈值,可规定优化方法学,并可对优化每一通路规定运行数的极限。对每一变量定义步骤大小。转而从基点加或减,一个步骤在格栅上定义在优化中将被考虑的一个区域。一个有用的步骤大小是探测点之间的距离,其引起从基点到每一周围探测点的优化。步骤增量开始和结束因子可被定义为步骤的百分比或步骤的部分。步骤的增量开始因子定义作为步骤的部分的从基点起的距离,在该点将发生第一优化通路。步骤增量结束因子定义作为步骤的部分的从基点起的距离,如果优化不是由区域装置终止,在该点将发生最后优化通路。此外,可从优化114中删除一个或多个变量,因为那些变量只在探测112中是必须的。
步骤增量因子由优化使用,以便基于探测格栅上的两个相邻点之间的距离的部分对变量集合确定新的值。在每一通路处评估阈值,以确定优化是否完成。这样该优化可在达到阈值终止,或可在达到阈值之前由于其它原因而终止。例如,优化可终止的另一原因是,因为设计配置对设计空间中围绕基点所有的允差已被仿真,且没有找出更好的结果。
用于本实施例的优化方法学是基于最速下降分析。另外,可使用下坡单纯形或其它形式的分析。下坡单纯形不允许任何组合,并由于其取决于小变化保持其前进,在与允差组合中不能理想地进行。
如果需要这种极限,可规定在每一通路中被仿真的运行数的极限,并在极限被超过的情形下可规定随机数种子。
在探测112期间,设计空间被探测,基于每一变量的水平或其它规定的值组合所有变量。初始可运行基线仿真。基线仿真可被运行供与其它仿真的配置比较。这样,例如通过改变排气管长度和直径,车辆的引擎可对于功率被优化。仿真可采用来自基线仿真的值,这些值对所有的设计配置定义了一完整的引擎,同时只改变对于排气管长度和直径的值。这样,如果被优化的引擎当前使用700mm长与150mm直径的排气管,对于基线仿真可对该配置在整个所需的引擎速度区域确定功率。对于这一例子的引擎速度的范围将是5000到10,000rpm。然后基线仿真的结果可与优化期间考察的排气管长度和直径的每一其它变化比较。
然而不是必须运行仿真。仿真的结果可被简单地排序以确定变量的哪一个配置最佳。在对变量设置的边界内(在当前的例子中是排气管长度从100mm到1000mm以及直径从100mm到200mm)所定义的各点,探测112可计算该结果(在当前的例子是引擎的功率)。然后那些结果可被排序以确定变量的哪一个配置提供最佳结果。
图2图示地描绘了排气管长度和直径的一个仿真集合。功率性能以地形图的方式在横向平面描绘,最小排气管长度100mm设置为左边界,最大排气管长度1000mm设置为右边界,最小排气管直径100mm设置为下边界,最大排气管直径200mm设置为上边界。图2中,以精细的分辨率进行探测以展示设计空间中功率等高线值的一例。
图3示出对于本发明的探测112确定组合值230的方法。方法230可视地操作以生成对应于两个变量的二维格栅。然而应当认识到,本发明可用来优化任何数目的变量。每一变量的范围等于该变量小于的最大边界值与该变量的最小边界值。在232,等高线“N”设置为1。在252和254将可看到,搞对象将增加,直到其达到对第一变量设置的水平,在所示的实施例中这是排气管长度(“Len”)。在234,计算一步骤把该范围对于长度划分为相等的部分。当首先执行236时,计算对长度的第一划分的变量值。这样在图形上,在236确定X-轴上从最小长度到对于实验点第一设计的长度范围的距离。在-轴上从最小直径到该实验点第一设计的距离被确定以精确指定实验点的第一设计。这样,在238进入对于排气管直径嵌套循环。在238,计数器“M”设置为1。如在248和250可见,计数器将增加直到其达到对第二变量设置的水平,在所示的实施例中这是排气管直径(“Dia”)。在240,计算一个步骤,把直径的范围划分为相等的部分。当242首先执行时,计算直径第一划分的变量值。这样,在只考虑两个变量的当前实施例中,被仿真的实验点的第一设计的的排气管的长度和排气管的直径,是来自步骤236结果的长度与来自步骤242结果的直径的交叉点。
在其中可通过图3所示的方法产生双重变量值的一定的实施例中,被仿真的变量值存储在数据库或表中。在生成新的被用来运行一仿真的变量集合的每一迭代之后,该变量集合与存储在数据库中的变量集合比较。这样,如果一变量集合在数据库中已存在,则可抛弃双重变量集合,以便不浪费仿真资源。因而在244,在236和242确定的长度和直径与先前计算并存储在数据库的值进行比较。如果长度和直径值匹配先前的值,则当前值不被存储,且方法返回248以计算实验点的下一个设计。然而,如果长度和直径值不匹配任何数据库中保存的值,则在246当前实验设计值保存在数据库供未来仿真。
在248,如果计数器“M”小于对第二变量“直径”选择的水平,则计数器“M”在250增量,且过程返回242对下一步骤计算所需的直径值。当计数器“M”等于对第二变量“直径”选择的水平时,则过程进到252。在252,如果计数器“N”小于对第一变量“长度”选择的水平,则计数器“N”在254增量且过程返回236以便计算所需的长度值用于下一步骤。当计数器“N”等于对第一变量“长度”选择的水平时,则过程在256结束。
应当认识到,在图3实验值确定方法的设计中计算的值不需要保存在氧化剂中,但例如可在它们计算出之后立即被仿真。然而与图3相关描述的该方法好处在于消除了双重仿真。还应当注意,当对第一变量的循环增量时,不必重新计算直径点,因为直径值将匹配在第一通路所计算的那些值。这样,可有益地采用递归算法,以便有效地确定被仿真的实验点的设计。
图4描绘了允差方法130,该方法保证被用于特定的运行的变量值处于所希望的范围内,且所希望的量值落在允差点上。在当前实施例中的情形,有多个变量在每一解中被考虑,对于变量130选择参数的方法将必须对所考虑的每一变量进行一次。在132,所需的开始值输入到允差方法。在134-142,允差方法130保证输入的开始值不大于对该变量设置的最大边界,并在144-152允差方法130保证输入的开始值不小于对该变量设置的最小边界。
在134,检验开始值以确定其是否大于对该变量的最大边界。如果开始值大于对该变量设置的最大边界,则在136对该开始值赋予最大边界值。在138,设置开始值等于开始值除以允差的整数,且该值乘以允差。可在138另外规定不同于整数的一值。这样,在138开始值总是设置为允差的倍数。作为一例,如果输入排气管长度1005mm,最大长度认为是1000mm,且允差为10mm,则在136开始值将设置为1000mm最大长度。(1000mm/10mm)的整数*10mm是1000mm。这样,确认1000mm是允差10Mm的倍数。
在138使用了舍入整数函数,且边界不设置为允差的倍数时,对于138方程式的结果能够落到边界之外。因而,在140和142,如果开始值大于设置的最大边界,则该方法将从开始值减去一个允差。
在144,检验开始值以确定其是否小于该变量的最小边界。如果开始值小于对该变量设置的最小边界,则在146对该开始值赋予最小边界值。在148,设置开始值等于开始值除以允差的整数且该值乘以允差。这样,在148开始值总设置为允差的倍数。在150和152,如果开始值小于设置的最小边界,则该方法将从开始值添加一个允差,并在154允差方法终止。
在探测112期间,能够产生均匀散布在边界之内变量的值的集合,并对于那些集合的每一个运行仿真。在本实施例中,首先计算所有被探测的值的集合,并然后运行每一仿真。该顺序的好处在于多个仿真可同时运行。在其中多处理器可同时用于运行仿真的计算机网络上进行仿真时,该排序是特别先进的。然而,仿真可另外在确定变量值时运行。
图5示出本发明进行探测112的一种方法。在202,确定边界内实验点各设计处的变量值。那些点一般格栅状位于每一变量边界集合之间,以便到达在通过整个所考虑的值范围的解采样。在204,解运行在实验点每一设计上,并对实验点的那些设计的每一个确定目标结果。在206,解决被排序,最接近目标的解排在第一,而最远离目标的解排在最后。所需的最佳解的数目在210收集。在212,最佳区域解落入通过使用最速爬升分析确定。最速爬升分析包括(i)确定在每一点的最速爬升,以及(ii)生成没有向任何相邻点爬升的所有点的集合。爬升发生在相邻点具有更理想的结果。最速爬升发生向具有所有相邻点最理想结果的点。在218,任何在210被确定为最佳解的点被删除,且对最佳区域解排序。接下来,在218选择等于其它所需区域解数目的区域最佳解数目。
如果在探测112中生成的运行数超过运行数极限,则变量集合或者被选择或者取消选择,直到被运行的仿真数目等于运行极限。选择或取消选择可基于随机化。此外,随机化可以基于种子,使得结果可按需要重复或修改。
图6示出优化114。将使用术语“基点”来描述解通路将从其发生的点。优化仿真与基点相邻的设计配置,并选择最佳设计配置。对于通路的最佳设计配置是结果为值或多个值的设计配置,其最接近所需目标值或多个值。然后来自通路的最佳设计配置成为用于下一个优化通路的基设计。如果在通路中没有任何产生的设计配置关于基设计配置有改进,则在设计空间中比较接近基设计的设计配置将在下一个通路中被仿真。当对下一个通路选择了新的基设计时,该过程被称为“迁移”。当相同的基设计保持用于下一个通路,并进行较接近该基设计的设计配置的仿真时,该过程称为“收缩”。这样,在迁移中,基引擎学格栅的一个位置移动到另一位置,使得可围绕该改进的引擎可产生附加的引擎。在收缩中,基引擎保持在其当前位置,而产生与基引擎较接近的替代的引擎。
步长基于在规定优化110期间规定的步增量。优化可继续进行迁移的过程及收缩,直到步增量结束因子已达到,或对与基点相邻的所有允差的设计配置已被仿真,并且找不出特征更好的结果。这样,例如步增量开始因子可以是步增量的64%,而步增量结束因子可以是步增量的1%。从而在收缩通路发生时,设计可以是最初从基点步的被仿真64%,然后从基点步的32%,从基点步的16%,从基点步的8%,从基点步的4%,从基点步的2%,从基点步的1%。如先前已经指出,在迁移期间,可不对重新产生选择来自与当前通路重叠的先前通路的引擎设计,因为它们是先前产生的。
在302通过设置收缩因子为先前规定的步增量开始因子开始优化。通过实验已经发现,具有等于探测点之间的步长64%的收缩因子的第一通路是有利的,因而64%收缩因子将用于以下例子,且对每一变量的探测点之间的距离将用作为每一变量的步长。
在304,确定从当前基点传播的仿真值。如在图7a和7b可看到的,每一解通路可个别或组合进行。图7a示出对长度和直径变量分别发生的解通路,而图7b示出对长度和直径变量同时发生的解通路。在当前两个变量的例子中,对变量分别进行解通路将引起仿真器选择附加的值被仿真,这是与基点相邻,在(i)基点长度值和基点直径值加直径方向的探测步的64%,这可称为对于直径的加模型,(ii)基点长度值和基点直径值减直径方向的探测步的64%,这可称为对于直径的减模型,(iii)基点长度值加长度方向探测步的64%及基点直径值,这可称为对于长度的加模型,以及(iv)基点长度值减长度方向探测步的64%及基点直径值,这可称为对于长度的减模型,如图7a所描绘。在当前的例子中,对变量组合进行解通路将引起仿真器选择在各个解通路中选择的附加的值和在以下附加的值,在(i)基点长度值加长度方向探测步的64%及基点直径值加直径方向探测步的64%,称为加-加模型,(ii)基点长度值加长度方向探测步的64%及基点直径值减直径方向探测步的64%,称为加-减模型,(iii)基点长度值减长度方向探测步的64%及基点直径值加直径方向探测步的64%,称为减-加模型,(iv)基点长度值减长度方向探测步的64%及基点直径值减直径方向探测步的64%,称为减-减模型,如图7b所描绘。
要注意,在仿真中考虑两个或多个变量时,任何两个或多个变量可被组合,而其它变量可组合地个别或分开考虑。此外,本发明基于来自先前通路的最佳解的结果的改进程度,预期变量的动态组合。例如,动态组合能够包括在与其它不改变的变量组合的先前通路的最佳结果中变化的任何变量。另外,在先前通路的最佳结果中改变的任何或所有变量可被组合。此外,在最后的通路中改变的任何或所有变量可与不改变的任何或所有的变量组合。例如,每一不改变的变量可与先前通路中改变的任何或所有变量的组合进行组合。
在303,图4中所示的允差方法施加到所有变量。
如以上所讨论,已百分之的变量集合可存储在数据库中,且新确定的变量集合可与那些先前被仿真的变量集合比较,以便抛弃双重变量集合而不进行第二次仿真。这样,在308在304和306确定的变量集合与已仿真的变量比较,并在310向数据库保存非双重变量集合。
在311,如果在优化通路中生成的运行数目超过运行数目的极限,则变量集合或者被选择或者被取消选择,直到被运行的仿真数目等于运行极限。选择或取消选择可基于随机化。此外,随机化可以基于种子,使得结果按需要是可重复的或可修改的。
在312,对是否存在任何附加的仿真围绕当前基点被仿真作出确定。因为当前实施例是基于允差的,在解通路进行时,可能出现当围绕基点的允差的所有倍数已被探测时。当围绕基点的允差的所有倍数已被探测时,解过程将进到322。如果没有探测所有围绕基点的允差倍数,则解过程将进到314。
在314,仿真将对通路中设置的每一变量值运行,并在316,最近的仿真结果与先前的仿真结果比较,以找出这时最佳仿真结果。
在318,对最后的解通路的结果之一是否比先前最佳结果更好以及大于先前最佳结果达阈值作出确定。如果最后解通路中的结果之一是最佳结果,则在320基点被复位到具有最佳结果的新的点,且过程返回304。如果最后的解通路任何结果但不是最佳结果,解过程进到322。在322,当前百分比除以二或某一其它因子,并在324,对当前百分比是否小于步增量结束因子作出判定。如果当前百分比大于或等于步增量结束因子,则过程返回304作出另一解通路,例如在从基点起一半的距离。如果当前百分比小于步增量结束因子,优化在326终止。当然,以步增量结束因子的百分比终止不是必须的,而是这有利于防止继续通过从进一步防止推导的好处最小点进行。
优化结果可被正规化。例如结果可考虑每一目标量值的差被正规化。这样,正规化结果可基于平均结果的百分数。结果还可被加权,使得对一个目标比对目标重要性有变化的另一目标赋予较大的加权。
一项可以与目标相关联实验的技术这里称为“匹配设计”。匹配设计是值的集合的一种规定,诸如功率或油耗,用于通过计算最小二乘适配以产生误差值评价结果。此外误差值可被正规化,例如考虑对每一目标结果的量值中的差。这样,正规化的误差值可基于平均结果对所希望匹配变化的百分数。误差值还可被加权,使得对一个误差值比对目标重要性有变化的另一值赋予较大权重。
图8示出仿真探测器弹出菜单350,描绘了仿真期间可能同步发生的过程。可从仿真探测器弹出菜单350选择的功能包括保持352,优先权354,作出的标记356,优化状态358。
保持352是用户暂时停止用户的方式。当优化当前处于保持时,“释放”出现在探测器弹出菜单350上的“保持”位置。优先权354是用于如果一个以上的优化可处理改变哪一个优化将运行的方法。
动态优先权是一种自动过程,优化用其确定其自己对其它可同时运行的优化的优先权。动态优先权例如可以是通路中生成的运行数目的负数,这样对具有较小运行量的通路赋予较高的优先权。作出标记356提供用户异常终止优化的方式。
当选择时优化状态358产生监视信息。例如,优化状态的选择358引起图9的显示被显示。
在计算机系统或计算机网络中,仿真可作为背景任务运行,以便不干扰优化活动。在发生优化时,监视信息400可被唤起。如图9所示,例如这种监视可包括按通路号402目标进展的图形显示,按通路号404提交的运行,初始最佳运行的结果图形,以及按通路406每一更好的运行。监视还可包括初始最佳运行与每一较好运行的汇总表408,通过包括对该运行408设置的变量的通路,以及通过优化与各个变量集合进行的每一运行详细表410。
可对完成的优化或进展的优化提供历史。汇总表408和详细表410是可被提供的历史的样本。该历史可被探测,打印或作为图形表示。
本发明可通过各种方法,例如包括人工或通过通用计算机进行。用于在分布式网络上进行优化的计算机系统420示于图10。所示的网络可包括任何数目的处理器,存储器,与存储装置。处理器例如可以是由IntelCorp制造的Pentium处理器。处理器可进而通过连接到网络的通信装置彼此通信,该网络例如可以是对等网络。由网络进行的工作可由数据库诸如由Microsoft Corp生产的SQL Server数据库分配。本发明还可计算机可读介质上实施。
如果使用网络,当一组仿真准备进行时,一个变量集合的每一仿真可在附加到网络的处理器上执行。每一仿真可与属性一同置于一表中,诸如什么处理器进行仿真,仿真何时置于表中,仿真是否被完成等。然后网络上的处理器可访问表并在那些处理器可用时进行仿真。仿真本身可通过进行仿真的规则集合的定义表示(例如,特别的市售的引擎),被优化的变量(例如排气管长度和排气管直径),以及目标(例如范围2000-10,000rpm上的功率最大化)。在一实施例中,处理器是桌面上可用的工作站,由用户在每一桌面执行所需的任务。然而,在较高优先权任务中没有由用户在其桌面使用的每一工作站,可用来进行一个或多个仿真。这样,现有的各计算机的网络可进行它们正常的任务,并当在较高优先权任务中没有使用时,可在后台进行仿真。
图11到图17示出用于规定设计的系统的一实施例。图11示出目标设置屏幕500。目标设置屏幕包括列表窗口502,从该窗口可选择一个或多个性能特征,以及选择的目标窗口504,列出带有它们各自的指示的性能特征。
图12示出变量设置屏幕510。该变量设置屏幕包括一变量选择窗口512,其含有可用的变量的树形视图,以及被选择变量列表514窗口,列出每一选择的变量及它们相关的属性。
图13示出约束设置屏幕520,在设置约束窗口522列出约束。
图14示出解屏幕530。解屏幕530包括最佳解对话框532,在其中输入最佳解(在所示的实施例中是引擎)的数目,局部优化对话框534,其中输入所需的局部最优数,种子对话框536,其中可输入随机化的种子,探测通路对话框538,其中输入探测通路中设计配置最大数,以及解通路对话框540,其中输入解通路中设计配置的最大数。
图15示出全局屏幕550。全局屏幕550包括默认水平对话框552,其中可输入所需的水平默认数。全局屏幕550还包括一对默认增量对话框554,向其可输入默认增量因子以及用来计算默认增量的公式的文本描述。默认增量因子和公式确定默认增量。默认增量通过对当前值增加和减去默认增量,对每一变量确定对最小和最大值的默认。这例子中的默认增量是0.5倍当前变量值。这样,如果当前变量值是200,则最小值等于200减默认增量100,或为100,而最大值等于200加默认增量100,或为300。
一对默认允差对话框556还包含在全局屏幕550。默认允差对话框556提供空间,在其中可输入用来计算默认允差因子的因子及用来计算默认允差的公式的文本描述。默认允差因子和公式对每一变量确定默认允差。在558,包含水平的文本描述。水平文本描述上下文中的“常规”指示默认水平3。这样,默认水平对话框552和水平文本描述558被捆绑,使得一个中的变化将引起另一个变化。
图16示出一优化屏幕560。优化屏幕包含优化过程对话框562,其中输入所需的优化类型。在564,输入步增量开始因子,并在566输入步增量结束因子。
图17示出先进的属性屏幕570。先进的属性屏幕570包括探测过程对话框572,允许探测是“满矩阵”,其包括设计空间边缘,“内矩阵”,其没有在设计空间边缘上的任何点,或“无矩阵”指将不进行任何探测。而且,包含在先进属性屏幕570的有矩阵宽度对话框574。在优化期间使用的矩阵的宽度可输入到矩阵宽度对话框574。矩阵宽度典型值可以是对每一变量三个变量值。而且,包含在先进属性屏幕570的有阈值改进率对话框576。该阈值能够在由于允差将发生的正常终止之前用来终止优化。
虽然本发明已参照一定的实施例被公开,在不背离如所附权利要求定义的本发明的范围之下,可以有对所述实施例多种多样的修改,变化和改变。于是,本发明不拟限制为所述实施例,而具有由以下权利要求及其等价物语言定义完全的范围。
Claims (11)
1.用于找出最优模型的一种方法,包括:
a.规定一基模型,包括有一值的一个变量;
b.规定一目标,该目标认定被优化的每一模型的一特征,最佳模型是对特征产生最佳结果的模型;
c.规定一允差,这是变量可被改变的最小量;
d.规定一增量,这是最初设置为变量可被改变的最大量;
e.运行基模型以获得对基模型的一结果;
f.把当前最佳模型认定为基模型;
g.通过设置变量值为当前最佳模型值加增量而生成一加模型;
h.运行加模型以获得对加模型的一结果;
i.通过设置变量值为当前最佳模型值减增量而生成一减模型;
j.运行减模型以获得对减模型的一结果;
k.设置先前的最佳模型为当前最佳模型,并设置当前最佳模型为当前最佳模型,加模型和减模型中具有对该特征最佳结果的一个;
l.如果当前最佳模型不同于先前最佳模型,则重复步骤(g)到(l);
m.降低增量;
n.如果增量大于或等于允差,则重复步骤(g)到(n);以及
o.认定当前最佳模型为最优模型。
2.用于找出最优模型的的一种方法,包括:
a.规定一基模型,包括两个变量,第一变量有一第一值,第二变量有一第二值;
b.规定一目标,该目标认定被优化的基模型的一特征;
c.规定一第一允差,这是第一变量可被改变的最小量,规定一第二允差,这是第二变量可被改变的最小量;
d.规定一第一增量,这是最初设置为第一变量可被改变的最大量,规定一第二增量,这是最初设置为第二变量可被改变的最大量;
e.运行基模型;
f.把当前最佳模型认定为基模型;
g.通过设置第一变量值为当前最佳模型第一值加第一增量而生成一第一加模型;
h.运行第一加模型;
i.通过设置第一变量值为当前最佳模型第一值减第一增量而生成一第一减模型;
j.运行第一减模型;
k.通过设置第二变量值为当前最佳模型第二值加第二增量而生成第二加模型;
l.运行第二加模型;
m.通过设置第二变量值为当前最佳模型第二值减第二增量而生成第二减模型;
n.运行第二减模型;
o.设置先前的最佳模型为当前最佳模型,并设置当前最佳模型为当前最佳模型,第一加模型,第一减模型,第二加模型和第二减模型中最佳者;
p.如果当前最佳模型不同于先前最佳模型,则重复步骤(g)到(p);
q.降低第一增量与第二增量;
r.如果第一增量大于或等于第一允差,或如果第二增量大于或等于第二允差,则重复步骤(g)到(r);以及
s.认定当前最佳模型为最优模型。
3.用于找出最优模型的的一种方法,包括:
a.规定一基模型,包括两个变量,第一变量有一第一值,第二变量有一第二值;
b.规定一目标,该目标认定被优化的基模型的一特征;
c.规定一第一允差,这是第一变量可被改变的最小量,规定一第二允差,这是第二变量可被改变的最小量;
d.规定一第一增量,这是最初设置为第一变量可被改变的最大量,规定一第二增量,这是最初设置为第二变量可被改变的最大量;
e.运行基模型;
f.把当前最佳模型认定为基模型;
g.通过设置第一变量值为当前最佳模型第一值加第一增量而生成一第一加模型;
h.运行第一加模型;
i.通过设置第一变量值为当前最佳模型第一值减第一增量而生成一第一减模型;
j.运行第一减模型;
k.通过设置第二变量值为当前最佳模型第二值加第二增量而生成第二加模型;
l.运行第二加模型;
m.通过设置第二变量值为当前最佳模型第二值减第二增量而生成第二减模型;
n.运行第二减模型;
o.通过设置第一变量值为当前最佳模型第一值加第一增量,并设置第二变量值为当前最佳模型第二值减第二增量,生成一加-减模型;
p.运行加-减模型;
q.通过设置第一变量值为当前最佳模型第一值减第一增量,并设置第二变量值为当前最佳模型第二值加第二增量,生成一减-加模型;
r.运行减-加模型;
s.通过设置第一变量值为当前最佳模型第一值加第一增量,并设置第二变量值为当前最佳模型第二值加第二增量,生成一加-加模型;
t.运行加-加模型;
u.通过设置第一变量值为当前最佳模型第一值减第一增量,并设置第二变量值为当前最佳模型第二值减第二增量,生成一减-减模型;
v.运行减-减模型;
w.设置先前的最佳模型为当前最佳模型,并设置当前最佳模型为当前最佳模型,第一加模型,第一减模型,第二加模型,第二减模型,加-减模型,减-加模型,加-加模型及减-减模型中最佳者;
x.如果当前最佳模型不同于先前最佳模型,则重复步骤(g)到(w);
y.降低第一增量和第二增量;
z.如果第一增量大于或等于第一允差,或如果第二增量大于或等于第二允差,则重复步骤(g)到(z);以及
aa.认定当前最佳模型为最优模型。
4.用于找出至少一个局部最优模型的一种方法,包括:
a.规定一基模型,包括有一值的一个变量;
b.规定一目标,该目标认定被优化的基模型的一特征;
c.规定所进行的优化的最大数;
d.对变量规定最小值和最大值;
e.对变量的最小值和最大值之间的变量规定不同值的一个列表;
f.对包含在列表中变量的每一值生成一模型;
g.运行所生成的每一模型以确定每一模型的特征值;
h.比较每一运行的模型与其相邻的模型或多个模型;
i.如果模型具有比其相邻模型或多个模型较好的特征值,则认定每一模型为局部模型;
J.对认定的所有模型排序;以及
k.优化每一局部模型以对每一局部模型找出局部最优,直到规定的优化最大数。
5.用于找出至少一个局部最优模型的一种方法,包括:
a.规定一基模型,包括两个或多个变量,每一变量有一值;
b.规定一目标,该目标认定被优化的基模型的一特征;
c.规定所进行的优化的最大数;
d.对每一变量规定最小值和最大值;
e.对每一变量它们的最小值和最大值之间规定不同值的一个列表;
f.对包含在列表中变量值的组合生成一模型;
g.运行所生成的每一模型以确定每一模型的特征值;
h.比较每一运行的模型与其相邻的模型或多个模型;
i.如果模型具有比其相邻模型或多个模型较好的特征值,则认定每一模型为局部模型;
J.对认定的所有模型排序;以及
k.优化最高阶局部模型以找出局部最优模型,直到规定的优化最大数。
6.一种优化方法,包括:
a.规定被优化的特征与对该特征所需的值;
b.规定在优化期间被改变的变量;
c.设置设计公差等于变量被改变的最小增量;
d.选择一种设计配置,包括作为基设计配置仿真设计配置必需的变量值和其它所有的值;
e.仿真设计配置以达到特征值;
f.选择设计配置,其具有与基设计配置变量值相邻的变量值;
g.仿真选择的设计配置;
h.如果相邻设计配置具有比基设计配置更接近所需特征的特征值,则设置基设计配置变量值为具有最接近所需特征值的特征值的相邻设计配置的设计配置值;
i.如果没有相邻设计配置具有比基设计配置更接近所需特征的特征值,则选择具有与基设计配置变量值更接近相邻的变量值的设计配置;
j.重复步骤g,h和i,直到具有与基设计配置相邻达一个设计允差的变量值的所有设计配置已被仿真,且基设计配置的特征值比被仿真的任何其它设计配置更接近所需特征值。
7.权利要求6的方法,其中目标所需值是多个值。
8.权利要求6的方法,其中第二变量在优化期间可变。
9.权利要求6的方法,其中相邻变量值包括大于基设计配置变量值的一变量值,及小于基设计配置变量值的一变量值。
10.权利要求9的方法,其中大于基设计配置变量值的变量值等于基设计配置变量值加一增量,且小于基设计配置变量值的变量值等于基设计配置变量值减一增量。
11.权利要求10的方法,其中每当执行步骤i时降低增量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US31646301P | 2001-08-31 | 2001-08-31 | |
US60/316,463 | 2001-08-31 | ||
US60/361,262 | 2002-03-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1809831A true CN1809831A (zh) | 2006-07-26 |
Family
ID=36840970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 02817002 Pending CN1809831A (zh) | 2001-08-31 | 2002-08-31 | 设计的优化 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1809831A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107636704A (zh) * | 2015-05-07 | 2018-01-26 | 西门子公司 | 从产品生命周期到设计和制造的数据反馈环路 |
-
2002
- 2002-08-31 CN CN 02817002 patent/CN1809831A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107636704A (zh) * | 2015-05-07 | 2018-01-26 | 西门子公司 | 从产品生命周期到设计和制造的数据反馈环路 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7765175B2 (en) | Optimization expert system | |
CA2496282C (en) | Optimization expert system | |
US20070255543A1 (en) | Design optimization | |
Frey et al. | A role for" one-factor-at-a-time" experimentation in parameter design | |
US7546294B2 (en) | Automated relevance tuning | |
AU2002323546A1 (en) | Design optimization | |
US20100306591A1 (en) | Method and system for performing testing on a database system | |
CN1517914A (zh) | 结构化文件的检索 | |
US20170031980A1 (en) | Visual Aggregation Modeler System and Method for Performance Analysis and Optimization of Databases | |
CN1885325A (zh) | 工作任务细分结构设计管理器、设计工具及其方法 | |
CN1667587A (zh) | 基于扩展的马尔克夫贝叶斯网的软件可靠性评估方法 | |
CN1661609A (zh) | 钢铁生产计划中合同与库存联合优化管理方法 | |
WO2013060803A1 (en) | Genetic algorithm optimisation process | |
US20150120271A1 (en) | System and method for visualization and optimization of system of systems | |
US20070179917A1 (en) | Intelligent design optimization method and system | |
WO2011106006A1 (en) | Optimization method and apparatus | |
CN106842319A (zh) | 一种时程分析地震动备选库建立方法 | |
CN1809831A (zh) | 设计的优化 | |
JP4042492B2 (ja) | エンジン制御パラメータの適合方法及び適合システム | |
JP5727315B2 (ja) | 過渡走行シミュレーション装置及び方法 | |
US20240104255A1 (en) | Agent-based optimization of multi-building site layouts | |
US20240104257A1 (en) | Multi-scale generative design for modular construction | |
CN1672156A (zh) | 计算机辅助控制生产过程的方法 | |
US20240104256A1 (en) | Modular generation and optimization of building designs | |
CN1604304A (zh) | 基于优化遗传算法改进软硬件划分效率的技术实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |