-
GEBIET DER ERFINDUNG
-
Die
vorliegende Erfindung bezieht sich allgemein auf die Optimierung
eines technischen Entwurfs, insbesondere auf eine Probenermittlungsstrategie
unter Verwendung genetischer Algorithmen (GA) bei der Optimierung
eines technischen Entwurfs.
-
HINTERGRUND DER ERFINDUNG
-
Heutzutage
wird ein rechnergestütztes
Konstruieren (CAE) für
die Unterstützung
von Ingenieuren bei Aufgaben wie der Analyse, Simulation, dem Entwurf,
der Herstellung etc. verwendet. In einem konventionellen Verfahren
eines technischen Entwurfs ist eine CAE-Analyse (beispielsweise
eine Finite-Elemente-Analyse (FEA), eine Finite-Differenz-Analyse, eine maschenlose
Analyse (meshless analysis), eine Analyse der numerischen Strömungsmechanik
(Computational fluid dynamics, CFD), eine Modalanalyse für das Reduzieren
von Lärm-Vibration-Rauhigkeit
etc.) verwendet worden, um Reaktionen (beispielsweise Belastungen,
Verschiebungen etc.) auszuwerten. Wenn man den Automobilentwurf als
ein Beispiel nimmt, so wird eine spezielle Version oder ein Entwurf
eines Fahrzeugs unter Verwendung einer FEA analysiert, um die Reaktionen
auf gewisse Lastbedingungen zu erhalten. Ingenieure werden dann
versuchen, den Fahrzeugentwurf durch das Modifizieren gewisser Parameter
oder Entwurfsvariablen (beispielsweise Dicke der Stahlhülle, Orte
der Rahmen etc.) auf der Basis spezifischer Ziele und Randbedingungen
zu verbessern. Eine andere FEA wird ausgeführt, um diese Änderungen
wiederzuspiegeln, bis ein ”bester” Entwurf
erreicht worden ist. Diese Lösung
hängt jedoch
im allgemeinen von der Kenntnis der Ingenieure ab und gründet auf
einem Verfahren des Ausprobierens.
-
Oft
stehen bei irgendwelchen technischen Problemen oder Projekten diese
Entwurfsvariablen, Ziele und Randbedingungen miteinander in Konflikt und
interagieren nichtlinear miteinander. Somit ist es nicht sehr klar,
wie diese zu modifizieren sind, um den ”besten” Entwurf oder Kompromiss zu
finden. Diese Situation wird in einer Multidisziplin-Optimierung,
die mehrere unterschiedliche CAE-Analysen (beispielsweise
FEA, CFD und NVH) erfordert, um einen Satz von miteinander in Konflikt
stehenden Zielen zu erfüllen,
sogar noch komplexer. Um dieses Problem zu lösen, wird ein systematischer
Ansatz, um den ”besten” Entwurf
zu identifizieren, der als Entwurfsoptimierung bezeichnet wird,
verwendet.
-
Dieser
Ansatz würde
funktionieren, wenn das Produkt relativ einfach ist. Wenn das Produkt komplexer
wird, beispielsweise bei einem Automobil, kann es sein, dass eine
einfache Unfalltauglichkeitsanalyse selbst mit einem aktuellen Multiprozessor-Computersystem
viele Stunden, wenn nicht Tage von Rechenzeit benötigt. Eine
lange Rechenzeit und die damit verbundenen Kosten machen diesen
Ansatz nicht praktikabel. Um diesen Nachteil zu überwinden, werden vom Rechnen
her nicht teure Metamodelle für
die Entwurfsoptimierung entwickelt und verwendet.
-
Metamodelle
sind mathematische Gleichungen, die kalibriert werden können, um
Reaktionen relativ weniger Proben von Entwurfspunkten, von denen
jeder eine spezifische Entwurfsvariation darstellt, anzunähern. Nur
die gewählten
Entwurfspunkte werden unter Verwendung einer CAE-Analyse analysiert,
so dass die Rechenzeit und die Kosten handhabbar werden. Als ein
Ergebnis hängt
die Vorhersagegenauigkeit der Metamodelle direkt von den gewählten Proben
ab. Einen Satz von Proben auszuwählen,
der den Entwurfsraum (das ist ein mehrdimensionaler Raum, bei dem
jede Dimension für
eine Entwurfsvariable steht) passend darstellt, ist jedoch nicht
leicht. Das Problem wird weiter vertieft, wenn es mehr als ein Entwurfsziel
gibt. Viele Ansätze
des Stands der Technik, um Proben zu auszuwählen, sind nicht zufriedenstellend,
einige erfordern eine große
Anzahl von Proben, einigen gelingt es nicht, sich auf die interessierende
Region zu konzentrieren, einige haben ein hohes Potential dafür, in suboptimale
Regionen abgelenkt zu werden. Somit würde es wünschenswert sein, verbesserte
Verfahren und Systeme zu haben, um effektiv Proben in einem mehrdimensionalen
Entwurfsraum auszuwählen,
um eine Optimierung eines technischen Entwurfs auszuführen.
-
KURZE ZUSAMMENFASSUNG DER
ERFINDUNG
-
Dieser
Abschnitt dient dazu, einige Aspekte der vorliegenden Erfindung
zusammenzufassen und einige bevorzugte Ausführungsformen kurz einzuführen. Es
kann sein, dass in diesem Abschnitt als auch in der Zusammenfassung
und im Titel einige Vereinfachungen oder Auslassungen vorgenommen
werden, um zu vermeiden, den Zweck des Abschnitts zu verhüllen. Solche
Vereinfachungen oder Auslassungen sollen den Umfang der vorliegenden
Erfindung nicht begrenzen.
-
Die
vorliegende Erfindung offenbart eine Probenermittlungsstrategie
unter Verwendung genetischer Algorithmen bei der Optimierung eines
technischen Entwurfs. Gemäß einem
Aspekt der vorliegenden Erfindung muss ein Produkt mit einem Satz
von Entwurfsvariablen, Zielen und Randbedingungen entworfen und
optimiert werden. Eine geeignete Zahl von Proben einer statistischen
Versuchsplanung (DOE) wird so identifiziert, dass jeder Punkt eine
spezielle oder eindeutige Kombination von Entwurfsvariablen darstellt.
Die Probenauswahlstrategie basiert auf genetischen Algorithmen.
Eine Analyse eines rechnergestützten
Konstruierens (CAE) oder Analysen (beispielsweise Finite-Element-Analyse,
Finite-Differenz-Analyse, maschenlose Analyse etc.) wird/werden
für jede
der Proben während
dem auf GA basierenden Probenauswahlverfahren ausgeführt. Es
wird ein Metamodell erzeugt, um die Ergebnisse der CAE-Analyse bei
allen der DOE-Proben anzunähern.
Wenn das Metamodell zufriedenstellend ist (beispielsweise die Genauigkeit
in der Toleranz liegt) kann ein optimierter ”bester” Entwurf unter Verwendung
des Metamodells als eine Funktionsauswertungseinrichtung für das Optimierungsverfahren gefunden
werden. Schließlich
wird eine CAE-Analyse ausgeführt,
um den optimierten ”besten” Entwurf zu
verifizieren.
-
Gemäß einem
anderen Aspekt umfasst das auf genetischen Algorithmen basierende
Probenauswahlverfahren mindestens die folgenden Schritte: Identifizieren
des Entwurfproblems (das sind Ziele, Randbedingungen und Variablen);
eine Vorentscheidung über
eine Gesamtzahl von Experimenten treffen; Festlegen der GA-Parameter
(beispielsweise Populationsgröße, das
ist die Anzahl der Individuen oder Proben, Zahl der Generationen,
um Proben zu erzeugen, genetische Operatoren, beispielsweise Auswahl-,
Rekombinations-Mutationsoperatoren etc., Wahrscheinlich für eine Rekombination,
Wahrscheinlichkeit für
eine Mutation, Selektionskriterium etc.); Ausführen einer GA-Simulation, um
DOE-Proben zu erzeugen, aus denen ein Metamodell erzeugt wird.
-
Gemäß einem
nochmals anderen Aspekt umfasst die GA-Simulation das Auswählen eines Satzes von Individuen
als anfängliche
Elternpopulation, entweder zufällig
oder auf der Basis anderer Strategien (beispielsweise Raumfüllungsentwurf);
Auswerten der anfänglichen
Population (beispielsweise Ausführen
einer FEA bei jedem Individuum), Zuweisen von Fitness oder Rang
zu jedem Individuum in der anfänglichen
Population (beispielsweise auf der Basis der FEA-Ergebnisse und/oder
einem Nicht-Dominanz-Kriterium für
alle Entwurfsziele); Auswählen von
Individuen aus der Elternpopulation auf der Basis der Fitness oder
des Rangs (beispielsweise werden Individuen mit hohem Rang oder
hoher Fitness bevorzugt), um einen Paarungspool zu bilden; Erzeugen
eines Satzes von Kindern aus den Individuen im Paarungspool unter
Verwendung von Rekombinations- und/oder Mutationsverfahren; Auswerten
der Kinder (das ist eine FEA-Analyse),
wahlweise einen Elitismus auf eine kombinierte Gruppe von Eltern/Kinder
anwenden (beispielsweise das Auswählen von Individuen mit hohem
Rang oder hoher Fitness aus der Gruppe), um eine neue Population
zu bilden (das ist eine andere Elternpopulation); Wiederholen der
Elternauswahl und des Kinderzeugungsverfahren, das hier beschrieben
ist, bis die GA-Simulation ein vorbestimmtes Stoppkriterium erreicht
hat (beispielsweise maximale Zahl von Generationen oder andere Kriterien).
Alle Individuen (das sind Eltern und Kinder) während der GA-Simulation werden dann
als die ausgewählten
DOE-Proben verwendet.
-
Gemäß einem
nochmals anderen Aspekt wird der Rang unter Verwendung eines Nicht-Dominanz-Auswahlkriteriums
für alle
Entwurfsvariablen zugewiesen. Wenn zwei oder mehr Individuen einen gleichen
Rang haben, so wird dasjenige, das sich in einem weniger besiedelten
Entwurfsraum befindet, auf der Basis einer Besiedelungsdistanz jedes
Individuums ausgewählt.
Bei einer einzelnen Zieloptimierung kann der Fitnessstand auf der
Basis der technischen Analyseergebnisse statt des Rangs verwendet werden.
Solche Individuen mit hohem Fitnessstand werden bevorzugt ausgewählt, da
sie dichter am Entwurfsziel liegen.
-
Gemäß einer
nochmals anderen Ausführungsform
werden Rekombinations- und Mutationsverfahren auf der Basis einer
vordefinierten Wahrscheinlichkeit ausgeführt. Verschiedene Werte der Entwurfsvariablen
in jedem Individuum werden durch einen Satz von binären oder
realen Zahlen dargestellt.
-
Andere
Ziele, Merkmale und Vorteile der vorliegenden Erfindung werden nach
dem Untersuchen der folgenden detaillierten Beschreibung einer Ausführungsform
in Verbindung mit den angefügten Zeichnungen
deutlich werden.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
Diese
und andere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung
werden unter Berücksichtigung
der folgenden Beschreibung, der angefügten Ansprüche und der begleitenden Zeichnungen
besser verständlich.
-
1A ist
eine perspektivische Ansicht eines röhrenförmigen Elements eines Produkts,
das durch ein Entwurfsoptimierungsverfahren gemäß einer Ausführungsform
der vorliegenden Erfindung entwickelt werden kann;
-
1B ist
ein X-Y-Diagramm, das eine Entwurfsoptimierung mit mehreren Zielen
mit zwei Entwurfszielen zeigt, wenn beide Ziele minimiert werden;
-
2A ist
ein Diagramm, das eine Anzahl von Punkten einer statistischen Versuchsplanung (DOE)
auf der Basis einer einzigen Entwurfsvariablen (X1)
zeigt;
-
2B ist
ein Diagramm, das eine Anzahl von Punkten oder Proben einer statistischen
Versuchsplanung (DOE) auf der Basis von zwei Entwurfsvariablen (X1 und X2) zeigt;
-
3A ist
ein Diagramm, das eine beispielhafte Sequenz des Erzeugens von DOE-Proben
unter Verwendung genetischer Algorithmen gemäß einer Ausführungsform
der Erfindung zeigt;
-
3B und 3C sind
Diagramme, die eine beispielhafte Elternauswahl und ein Verfahren zur
Erzeugung von Kindern gemäß einer
Ausführungsform
der vorliegenden Erfindung zeigen;
-
4A–4B sind
Diagramme, die zwei beispielhafte Verfahren für das Ausführen einer Rekombination eines
Paars von Eltern gemäß einer Ausführungsform
der vorliegenden Erfindung zeigen;
-
4C–4D sind
Diagramme, die zwei beispielhafte Verfahren zur Ausführung der
Mutation einer einzelnen Probe gemäß einer Ausführungsform der
vorliegenden Erfindung zeigen;
-
5A und 5B zeigen
ein beispielhaftes Rekombinationsverfahren in einer binären Darstellung
beziehungsweise einer Darstellung mit einer reellen Zahl;
-
5C und 5D zeigen
ein beispielhaftes Mutationsverfahren in einer binären Darstellung beziehungsweise
einer Darstellung mit einer reellen Zahl;
-
6A–6B zeigen
zusammen ein Flussdiagramm, das ein beispielhaftes Verfahren zur Ausführung einer
Optimierung eines technischen Entwurfs unter Verwendung einer auf
einem genetischen Algorithmus basierenden Probenermittlung gemäß einer
Ausführungsform
der vorliegenden Erfindung zeigt; und
-
7 ist
ein Funktionsdiagramm, das auffällige
Komponenten einer Rechenvorrichtung zeigt, in der eine Ausführungsform
der vorliegenden Erfindung implementiert werden kann.
-
DETAILLIERTE BESCHREIBUNG
-
In
der folgenden Beschreibung werden viele spezifische Details aufgeführt, um
ein gründliches Verständnis der
vorliegenden Erfindung zu ermöglichen.
Für einen
Fachmann wird es jedoch offensichtlich, dass die vorliegende Erfindung
ohne diese spezifischen Details in die Praxis umgesetzt werden kann.
Die hier angegebenen Beschreibungen und Darstellungen sind übliche Mittel,
die von erfahrenen oder ausgebildeten Fachleuten verwendet werden, um
die Substanz ihrer Arbeit an andere Fachleute zu geben. In anderen
Fällen
wurden wohl bekannte Verfahren, Prozeduren, Komponenten und Schaltungen nicht
im Detail beschrieben, um ein unnötiges Verbergen von Aspekten
der vorliegenden Erfindung zu vermeiden.
-
Die
Bezugnahme hier auf ”eine
Ausführungsform” oder ”Ausführungsform” bedeutet,
dass ein spezielles Merkmal, eine spezielle Struktur oder Eigenschaft,
die in Verbindung mit der Ausführungsform
beschrieben ist, in mindestens eine Ausführungsform der Erfindung eingeschlossen
werden kann. Das Auftauchen des Ausdrucks ”in einer Ausführungsform” an verschiedenen
Orten in der Beschreibung bezieht sich nicht notwendigerweise immer
auf dieselbe Ausführungsform,
noch schließen sich
getrennte oder alternative Ausführungsformen nicht
gegenseitig oder gegenüber
anderen aus. Weiter gibt die Reihenfolge der Blöcke in den Verfahrensflussdiagrammen
oder Diagrammen, die eine oder mehrere Ausführungsformen der Erfindung
darstellen, nicht inhärent
irgend eine spezielle Reihenfolge an noch impliziert sie irgendwelche
Grenzen bei der Erfindung.
-
Ausführungsformen
der vorliegenden Erfindung werden hier unter Bezug auf die 1A–7 diskutiert.
Fachleute werden jedoch leicht erkennen, dass die hier unter Bezug
auf diese Figuren angegebene detaillierte Beschreibung nur zur Erläuterung dient,
da sich die Erfindung über
diese begrenzten Ausführungsformen
hinaus erstreckt.
-
Betrachtet
man zuerst die 1A, so wird ein röhrenförmiges Strukturelement 102 in
einer technischen Optimierung mit dem Entwurfsziel der Minimierung
des Gewichts, um somit die Kosten für ein gegebenes Material (beispielsweise
Stahl normaler Festigkeit) unter einem Entwurfslastzustand zu minimieren,
optimiert. Es ist offensichtlich, dass eine dünnere Dicke 104 zu
einer leichtgewichtigeren Struktur führen würde. An einem gewissen Punkt würde die
Struktur jedoch zu schwach werden, um einer geplanten Last zu widerstehen
(beispielsweise ein Strukturversagen durch ein Strecken und/oder Knicken).
Somit erfordert die technische Optimierung dieser röhrenförmigen Struktur
ein anderes Entwurfsziel der Maximierung der Festigkeit, was zu
einer sichereren Struktur führt.
-
Auf
der Basis von zwei miteinander im Konflikt stehenden Zielen ist 1B ein
X-Y-Diagramm, das Ergebnisse einer beispielhaften technischen Optimierung
zeigt. Zwei Achsen stellen zwei unterschiedliche Ziele in Form von
Funktionen f1 und f2 dar. Bei
einer Optimierung mit mehreren Zielen gibt es keine einzige optimierte
Lösung
sondern es gibt stattdessen einen Satz von Löszungen, die Kompromisse zwischen
den Zielen widerspiegeln. Um jede Lösung zu unterscheiden, wird
ein Konzept, das als Nicht-Dominanz-Kriterium bezeichnet wird, für das Vergleichen
von Lösungen
verwendet.
-
Das
Nicht-Dominanz-Kriterium ist folgendermaßen definiert: eine Lösung x(1)
dominiert eine andere Lösung
x(2), wenn eine der folgenden drei Bedingungen wahr ist:
- 1. x(1) ist praktikabel und x(2) ist nicht
praktikabel.
- 2. Sowohl x(1) als auch x(2) sind nicht praktikabel, aber x(2)
ist noch weniger praktikabler als x(1).
- 3. Wenn sowohl x(1) als auch x(2) praktikabel sind, müssen die
folgenden zwei Bedingungen erfüllt
werden:
a. x(1) ist nicht schlechter als x(2) bei allen Zielen; und
b.
x(1) ist bei mindestens einem Ziel auf jeden Fall besser als x(2).
-
1B zeigt
ein freies Minimierungsbeispiel mit zwei Zielen. Jeder Punkt stellt
eine Lösung
im Entwurfsraum dar, der im schattierten Gebiet 116 gezeigt
ist. Für
jede Raute 122 gibt es mindestens ein Dreieck 124,
das in mindestens einem Ziel besser als die Raute 122 ist,
ohne bei einem anderen Ziel schlechter zu sein. So werden alle einzelnen
Proben in der Raute 122 durch die Dreiecke 124 dominiert.
In ähnlicher
Weise werden alle Dreiecke 124 durch die Quadrate 126 dominiert,
und die Quadrate werden durch die Kreise 128 dominiert.
Von keiner Lösung, die
durch Dreiecke 124 dargestellt wird, kann gesagt werden,
dass sie besser als irgend eine andere Lösung, die durch Dreiecke 124 dargestellt
wird, ist, somit sind sie in Bezug zueinander nicht dominierend. Alle
Individuen, die durch Kreise 128 dargestellt werden, sind
nicht-dominiert in Bezug auf irgend ein anderes Individuum und haben
somit den besten oder höchsten
Rang (beispielsweise den Rang von eins). Wenn alle Punkte, die durch
Kreise dargestellt sind, aus der 1B entfernt
werden, dann werden die Individuen, die durch Quadrate 126 dargestellt
werden, nicht dominiert in Bezug auf alle anderen. Somit wird den
Quadraten 126 der nächstbeste
Rang (beispielsweise der Rang von 2) zugeordnet, und so weiter.
-
Im
Beispiel, das in 1B gezeigt ist, stellen die
Kreise 128 einen Satz einer Pareto-optimalen Lösung dar,
und die Linie 130, die alle Kreise 128 verbindet,
wird die Pareto-optimale Front genannt. Es sei angemerkt, dass es
im allgemeinen mehr als ein Individuum oder eine Lösung geben
wird, das oder die denselben Rang hat. Um weiter die Individuen oder
Lösungen
mit demselben Rang zu unterscheiden, besteht eine Regel darin, dasjenige
oder diejenige zu wählen,
die sich in einer weniger besiedelten Region des Entwurfsraums befindet.
Dies kann durch das Berechnen einer Besiedelungsdistanz (crowding distance,
CD) jedes Individuums geschehen. Ein Individuum mit einer größeren CD
befindet sich in einer weniger besiedelten Region. Wie in 1B gezeigt ist,
wird die CD mit der folgenden Formel berechnet CD = a + b, wobei 'a' und 'b' die
Distanz zwischen zwei angrenzenden Nachbarn des Individuums in den
jeweiligen Entwurfszielen ist.
-
2A ist
ein Diagramm, das einen Satz von fünf DOE-Proben 208 zeigt,
die gegen die Entwurfsvariable X1 202 aufgezeichnet
sind. Ein Entwurfsraum 206, der als gestrichelte Linie
gezeigt ist, definiert einen Bereich, in welchem das Produkt zu entwerfen
und zu optimieren ist. Wenn man das röhrenförmige Element der 1A als
ein Beispiel nimmt, so kann die Entwurfsvariable 202 die
Dicke der Röhrenwand
umfassen. Beispielsweise kann der Entwurfsraum 206 einen
Bereich von 1/8 Inch bis einem halben Inch einschließen. 2B zeigt DOE-Proben 218,
die in einem zweidimensionalen Entwurfsraum 216, der durch
zwei Entwurfsvariablen Y1 212 und
Y2 214 definiert ist, verteilt
sind. Im Beispiel des röhrenförmigen Elements
kann es zwei Entwurfsvariablen geben: die Dicke der Rohrwand und der
Durchmesser des Rohres. In der Wirklichkeit gibt es viele Entwurfsvariablen,
die bei einer technischen Optimierung verwendet werden. Beispielsweise
ist ein Entwurfsraum ein (nicht gezeigter) dreidimensionaler Raum
für drei
Entwurfsvariablen und ein mehrdimensionaler Hyperraum (der in einer
zweidimensionalen Ansicht auf Papier nicht gezeigt werden kann) für eine höhere Anzahl
von Entwurfsvariablen.
-
Für eine vereinfachte
Darstellung befinden sich alle in dieser Beschreibung gezeigten
Beispiele in einem beispielhaften zweidimensionalen Entwurfsraum.
In der Wirklichkeit wird die technische Optimierung in einem mehrdimensionalen
Hyperraum dargestellt. 3A zeigt eine beispielhafte
Sequenz des Erzeugens von DOE-Proben unter Verwendung genetischer
Algorithmen (GA) gemäß einer
Ausführungsform
der vorliegenden Erfindung. In diesem Beispiel ist die Gesamtzahl
der DOE-Proben zwölf (12),
die in einem zweidimensionalen Entwurfsraum 316 mit drei
Generationen oder Iterationen einer GA-Simulation erzeugt werden.
Jede Generation enthält
vier (4) einzelne Proben. Eine lokal optimale Region 318 ist
durch eine Beschränkungslinie 319 und die
Grenze des Entwurfsraums 316 begrenzt. Zu Beginn wird eine
erste Generation von vier einzelnen Proben ausgewählt. Die
Initialisierung kann zufällig vorgenommen
werden oder auf einigen vordefinierten Regeln oder einer Formel
basieren. In 3A sind vier einzelnen Proben
der ersten Generation (die in Kreisen 310 gezeigt sind)
in vier Ecken des Entwurfsraums 316 angeordnet. Nur eine
Probe ist in der optimalen Region 318 angeordnet.
-
Eine
zweite Generation von vier Proben ist in Dreiecken 320 gezeigt.
Es ist offensichtlich, dass alle vier Proben der zweiten Generation
viel dichter an der Begrenzungslinie 319 angeordnet sind,
wobei sich zwei in der optimalen Region 318 befinden. Die Proben
der zweiten Generation werden aus einigen oder allen Proben in der
ersten Generation erzeugt. Die 3B und 3C zeigen
ein beispielhaftes Verfahren zur Erzeugung einer neuen Generation. Schließlich werden
vier zusätzliche
Proben (die in Rauten 330 gezeigt sind) der dritten Generation
zu den DOE-Proben hinzugefügt.
Drei Proben der Proben der dritten Generation sind in der optimalen
Region 318 angeordnet. Ähnlich
zur Erzeugung der zweiten Generation werden die Proben der dritten Generation
aus einigen oder allen Proben der zweiten Generation erzeugt. Diese
zwölf DOE-Proben werden
für das
Erzeugen eines Meta-Modells verwendet, das zu einem ”besten” Entwurf
einer technischen Optimierung führt.
-
Das
Erzeugen einer neuen Population von Individuen (das sind Kinder)
startet mit einem Verfahren, das als Selektion bevorzugter Individuen
aus der Elternpopulation in einen Paarungspool bezeichnet wird.
Im allgemeinen besitzt jedes der ausgewählten Eltern im Paarungspool
einen hohen Fitnessstand oder Rang. Bei einer Optimierung eines
technischen Entwurfs kann der Fitnessstand durch das Ausführen einer
rechnergestützten
Entwurfsanalyse (CAE) jeder Probe in einer Generation, die direkt
der Generation, die erzeugt werden soll, vorhergeht, berechnet und/oder
bestimmt werden. Bei der Optimierung eines einzelnen Ziels hat der
Fitnessstand einen direkten Bezug zur den Ergebnisse der CAE-Analyse. Bei einer
Optimierung mehrerer Ziele kann der Fitnessstand nicht einfach aus
den Ergebnisse der CAE-Analyse bestimmt werden. Stattdessen wird
auf der Basis eines Nicht-Dominanz-Kriteriums,
das in 1B beschrieben ist, jeder Probe
ein Rang zugeordnet.
-
33 zeigt ein beispielhaftes Verfahren
zur Erzeugung von Kindern gemäß einer
Ausführungsform
der vorliegenden Erfindung. In der oberen Darstellung der 3B sind
vier DOE-Proben (x1, x2,
x3 und x4) in Kreisen
in einem Entwurfsraum 346 gezeigt. Die Fitnessstände der
DOE-Proben (x1, x2, x3 und
x4) sind auf der Basis der Ergebnisse einer CAE-Analyse
10, 17, 15 und 8. Drei Proben (x1, x2 und x3) werden
in diesem Beispiel auf der Basis der Reihenfolge des Fitnessstands
als Eltern im Paarungspool ausgewählt. In einer anderen Ausführungsform
kann die Auswahl der Eltern auf einem anderen Kriterium basieren,
beispielsweise eine andere zufällige
Auswahl, bei der aber jede Probe eine unterschiedliche Wahrscheinlichkeit
dafür aufweist,
gewählt
zu werden. Beispielsweise kann die Probe x1 10
aus 50 (= 10 + 17 + 15 + 8) Chancen haben, gewählt zu werden, die Probe x2 kann 17 aus 50 haben etc. Obwohl hier Fitnessstände gezeigt
sind, können stattdessen
Ränge verwendet
werden, die für
eine Optimierung mehrerer Ziele verwendet werden.
-
Gewählte Eltern
werden gepaart, um Kinder zu erzeugen. Wie im oberen Diagramm der 33 gezeigt ist, werden zwei Paare (gestricheltes
Oval) geformt, um zwei Paare von Kindern zu erzeugen, von denen
jedes als Dreieck im mittleren Diagramm gezeigt ist. Die Eltern
x1 und x2 erzeugen
Kinder y1 und y2,
und die Eltern x3 und x2 erzeugen
Kinder y3 und y4.
Jedes der Eltern umfasst eine Anzahl von Genen, die Werte einer
eindeutigen Kombination von Entwurfsvariablen darstellen. Kinder
werden in einem Rekombinationsverfahren durch das Austauschen eines
oder mehrerer Gene der Eltern erzeugt, wie das in den 4A und 4B gezeigt
ist. Die Gene werden in binärer
Form dargestellt, so dass die Gene in einem Digitalcomputer leicht
verarbeitet werden können.
Spezielle Werte der Entwurfsvariablen werden, wenn sie in einer
technischen Optimierung verwendet werden, durch eine Sequenz von
Binärzahlen
als Gene dargestellt. In einer anderen Ausführungsform kann ein Satz von
reellen Zahlen verwendet werden, von der jede eine der Entwurfsvariablen darstellt.
Eine Rekombination wird durch das Anwenden einer speziellen Kombination
relevanter Variablen der sich paarenden Eltern für jede Entwurfsvariable ausgeführt. Um
das Rekombinationsverfahren weiter zufällig zu machen, wird eine vordefinierte Wahrscheinlichkeit
der Rekombination verwendet. Als ein Ergebnis kann sich daher ergeben,
dass einige der Eltern gar keine Kinder erzeugen, obwohl die Eltern
in den Paarungspool gewählt
wurden. In einer Ausführungsform
kann dieses Zufälligmachen
durch das Erzeugen einer Zufallszahl oder einer Pseudozufallszahl
zwischen 0 und 1 implementiert werden, um eine Rekombinationswahrscheinlichkeit
für jedes
Rekombinationsverfahren darzustellen. Nur die Rekombinationswahrscheinlichkeit,
die niedriger als der vordefinierte Schwellwert ist, würde das
Rekombinationsverfahren auslösen,
um ein Kind/Kinder zu erzeugen. Um die Populationsgröße in jeder
Generation konstant oder im wesentlichen konstant zu halten, können Eltern,
die kein Kind/keine Kinder erzeugen, gemäß einer Ausführungsform
selber Kinder werden.
-
Zusätzlich zum
Rekombinationsverfahren kann ein anderes Verfahren, das als Mutation
bezeichnet wird, auf ein oder mehrere Individuen der Kindpopulation,
die durch das Rekombinationsverfahren erzeugt wurde, angewandt werden.
In einem Mutationsverfahren wird ein beliebiges Gen in dem einen
oder den mehreren Individuen umgedreht (flipped), wie das in den 4C und 4D gezeigt
ist. Das untere Diagramm in 3B zeigt
wie eine Probe z4 durch eine Mutation der
Probe y4 erzeugt wird. Es sei angemerkt,
dass die Mutation bei jedem dieser Individuen auftreten kann, obwohl
das hier beschriebene Beispiel ein Kind mit einer geringsten Fitness zeigt.
Wieder unterliegt die Mutation auch einem Zufälligmachen, indem eine vorbestimmte
Mutationswahrscheinlichkeit angewandt wird. Im allgemeinen ist die
Mutationswahrscheinlichkeit eine relativ niedrige Zahl (beispielsweise
5%) gegenüber
einer typischen Rekombinationswahrscheinlichkeit (beispielsweise
90 bis 95%).
-
Sobald
Kinder erzeugt worden sind, wird jedes Kind ausgewertet (beispielsweise
eine CAE-Analyse), um entweder den Rang oder den Fitnessstand zu
bestimmen. In einer Ausführungsform würde das
Kind zu einer anderen Elternpopulation, um die nächste Generation zu erzeugen.
In einer anderen Ausführungsform
wird ein optionales Eliteverfahren auf eine kombinierte Gruppe aller
Proben der vorherigen Generationen und der neu erzeugten Kinderpopulation
angewandt. Ein beispielhaftes Eliteverfahren gemäß einer Ausführungsform
der vorliegenden Erfindung ist in 3 gezeigt.
In diesem Beispiel umfasst die frühere Generation von Eltern 340 vier
DOE-Proben (x1, x2,
x3 und x4). Die
Kinderpopulation 342 enthält vier Proben (y1,
y2, y3 und z4). Eine neue Generation 344 wird
durch das Auswählen
der vier Proben (y1, x2,
y3 und z4), die
den höchsten
Fitnessstand haben, erzeugt. Nachdem die neue Population ausgebildet
worden ist, kann eine andere Erzeugung eines GA ausgeführt werden,
um die Population zu entwickeln. Das Einschließen eines Eliteverfahrens in
den GA kann zu einer schnelleren Konvergenz und somit zu einer schnelleren
Probenauswahl führen.
-
Gemäß einer
Ausführungsform
zeigt die 4A eine Rekombination eines
Paars von Eltern, um ein Paar Kinder zu erzeugen. Jedes Elternteil
enthält
fünf (5)
Gene. Drei der fünf
Gene werden ausgetauscht, um Kinder zu erzeugen. In einer anderen Ausführungsform
werden nur zwei der fünf
Gene ausgetauscht, wie das in 4B gezeigt
ist. Die 4C und 4D zeigen
das Mutationsverfahren, das an zwei unterschiedlichen Orten aufgetreten
ist.
-
5A zeigt
ein beispielhaftes Rekombinationsverfahren in einer Binärzahldarstellung 502.
In diesem Beispiel umfasst 'Eltern
1' zwei Entwurfsvariablen
x 1 / 1 und x 1 / 2 mit Werten von 10 und 11, während 'Eltern 2' zwei Entwurfsvariablen x 2 / 1 und x 2 / 2 mit
Werten von 20 und 7 umfasst. 'Eltern
1' wird durch das
Verbinden von zwei Entwurfsvariablen als '010101011' in einer Binärzahl dargestellt, und 'Eltern 2' als '101000111'. Die ersten fünf Binärziffern
für die
erste Entwurfsvariable x j / 1 und die nächsten vier Binärziffern für die zweite
Entwurfsvariable x j / 2. 'Kind
1' und 'Kind 2' werden durch ein
Rekombinationsverfahren des Austauschens der letzten sechs Binärziffern
von 'Eltern 1' beziehungsweise 'Eltern 2' erzeugt. Als Ergebnis
umfasst 'Kind 1' '010000111', und 'Kind 2' umfasst '101101011'. Entsprechende Entwurfsvariablen in 'Kind 1' sind y 1 / 1 und y 1 / 2 mit
Werten von 8 und 7, bei 'Kind
2' mit Werten von
22 und 11. Eine Rekombination basiert auf einer oder mehreren binärer Ziffern, die
einen gesamten Wert oder einen Teil einer Entwurfsvariablen einschließen können.
-
Wenn
die Entwurfsvariablen in einer Darstellung mit reellen Zahlen vorliegenden,
wie das in 5B gezeigt ist, so kann eine
Rekombination mit der Formel 508 ausgeführt werden. Unter Verwendung
eines Satzes von Skalierparametern αi und βi können Kinder
erzeugt werden, wie das in 5B dargestellt
ist. Während
ein Fall, bei dem zwei Eltern zwei Kinder erzeugen, in den hier
beschriebenen Rekombinationsbeispielen gezeigt ist, können andere Eltern/Kind-Verhältnisse
im GA verwendet werden. Beispielsweise drei Eltern für vier Kinder,
zwei Eltern für
ein Kind etc. Das Ziel besteht bei jeder Generation darin, eine
vordefinierte Zahl von Individuen zu erzeugen, die während einer
GA-Simulation eine Konstante oder nahezu eine Konstante ist.
-
5C zeigt
ein beispielhaftes Mutationsverfahren der Verwendung einer binären Zahlendarstellung 512.
Entwurfsvariablen x1 und x2 mit
Werten 11 und 7 werden durch eine achtstellige Binärzahl '10110111' dargestellt, bei
der die führenden
vier Stellen für
x1 und die hinteren vier Stellen für x2 dienen. Nach einer Mutation einer Stelle
(beispielsweise die Stellenzahl 6) ist die sich ergebende Binärzahl '10110011', die y1 und
y2 mit Werten 11 beziehungsweise 3 einschließt. Bei
einer Darstellung mit einer reellen Zahl 514, die in 5D gezeigt
ist, wird die Mutation unter Verwendung der Gleichung 518 ausgeführt.
-
Es
werden nun die 6A–6B betrachtet,
die gemeinsam ein Flussdiagramm darstellen, das ein beispielhaftes
Verfahren 600 zur Ausführung einer
Optimierung eines technischen Entwurfs unter Verwendung eines genetischen
Algorithmus, der auf einer Probenermittlung basiert, gemäß einer
Ausführungsform
der vorliegenden Erfindung zeigt. Das Verfahren 600 kann
als Software, Hardware oder eine Kombination aus beidem implementiert
werden.
-
Das
Verfahren 600 startet durch das Identifizieren eines Satzes
von Entwurfsvariablen, Zielen und Randbedingungen eines zu optimierenden
Produkts im Schritt 602. Als nächstes werden im Schritt 604 eine
Zahl von Proben einer statistischen Versuchsplanung(design of experiments,
DOE) aus einem mehrdimensionalen Entwurfsraum, der durch die jeweiligen
Entwurfsvariablen definiert ist, ausgewählt. Im Schritt 604 werden
genetische Algorithmen für
das Erzeugen aller Proben verwendet. Das Detailverfahren des Schritts 604 wird
unten in 6B beschrieben und gezeigt.
-
Nachdem
die DOE-Proben ausgewählt
sind, wird ein Metamodell konstruiert, um Ergebnisse der CAE-Analyse
jeder CAE-Probe im Schritt 608 anzunähern. Das Metamodell kann eine
Verhaltensfläche, ein
auf einer radialen Basisfunktion basierendes Metamodell etc. sein.
Als nächstes
wird im Schritt 614 ein ”bestes” Produkt aus einer Entwurfsoptimierung unter
Verwendung des Metamodells erhalten. Im Schritt 616 wird
eine CAE-Analyse des ”besten” Produkts
ausgeführt.
Schließlich
werden in der Entscheidung 618 die Ergebnisse der CAE-Analyse
mit dem angenäherten
Verhalten des Metamodells verglichen, um zu bestimmen, ob das Metamodell
den tatsächlichen
Entwurf darstellt. Wenn 'nein', so geht das Verfahren 600 zurück zum Schritt 604,
durch das Wählen
zusätzlicher
oder anderer DOE-Proben, um die hier beschriebenen Schritte zu wiederholen,
bis ein zufriedenstellendes Verhalten erreicht wurde. Ansonsten
endet das Verfahren 600. In einer anderen Ausführungsform
kann das Verfahren 600 zurück zum Schritt 608 gehen,
um das Metamodell einzustellen, wenn die Entscheidung 608 'nein' ist.
-
Die
Details des Schritts 604 (Wählen von DOE-Proben unter Verwendung
eines GA) sind in 6B gezeigt. Im Schritt 604a wird
eine Elternpopulation von Individuen (das sind DOE-Proben) initialisiert.
Beispielsweise können
100 Individuen für eine
Gesamtzahl von 1000 Proben, die in 10 Generationen oder Iterationen
eines GA zu erzeugen sind, initialisiert werden. Die anfängliche
Auswahl kann zufällig
sein oder ein vordefiniertes Muster/Kriterium erfüllen. Als
nächstes
wird im Schritt 604b jedem Individuum ein Fitnessstand
oder Rang auf der Basis der Antworten, die man bei der CAE-Analyse
erhalt, zugewiesen. Im Schritt 604c werden Individuen in
der Elternpopulation mit einem hohen Rang oder einer hohen Fitness
vorzugsweise in einen Paarungspool gewählt. Ein Kindpopulation wird
dann unter Verwendung von Verfahren, wie einer Rekombination und/oder
Mutation, aus den Eltern im Paarungspool im Schritt 604d erzeugt.
Es sei angemerkt, dass entweder eine Binärzahldarstellung oder eine
Darstellung mit reellen Zahlen verwendet werden kann. Auch gibt
es viele Eltern/Kind-Muster, beispielsweise zwei Eltern für zwei Kindern,
drei für
vier, zwei für eins,
etc. Sowohl Rekombinations- als auch Mutationsverfahren unterliegen
einem Zufälligkeitsverfahren
auf der Basis einer vordefinierten Wahrscheinlichkeit. Nachdem die
Kinderpopulation erzeugt worden ist, wird jedes Kind unter Verwendung
einer CAE-Analyse ausgewertet und es wird ihm im Schritt 604e eine
Fitness oder ein Rang zugewiesen. Als nächstes wird ein optionaler
Schritt 604 des Anwendens eines Eliteverfahrens ausgeführt. Das
Eliteverfahren kann auf viele Arten ausgeführt werden, beispielsweise
dem Kombinieren aller vorherigen erzeugten Populationen und dem
Auswählen
einer vordefinierten Zahl von Individuen (wieder werden Individuen
mit einem hohen Rang oder einer hohen Fitness bevorzugt). Als nächstes wird
bei der Entscheidung 604g bestimmt, ob ein GA-Stoppkriterium
erreicht worden ist. Das Kriterium kann in einer festen Zahl von
Iterationen oder Generationen bestehen. Oder das Kriterium kann
darin bestehen, dass es keine Änderungen
zwischen der vorigen Generation und der neu erzeugten Generation
gibt (das heißt eine
Konvergenz). Wenn 'nein', so geht das Verfahren 600 zurück zum Schritt 604b,
um eine andere Generation zu erzeugen. Ansonsten folgt das Verfahren 600 dem 'Ja'-Zweig zum Schritt 604h,
in welchem DOE-Proben ausgebildet werden. Eines der Verfahren, um
DOE-Proben zu formen, besteht darin, alle DOE-Proben zu verwenden,
die während
des GA-Auswahlverfahrens erzeugt wurden.
-
Gemäß einem
Aspekt ist die vorliegende Erfindung auf ein oder mehrere Computersysteme
gerichtet, die die hier beschriebene Funktion ausführen können. Ein
Beispiel eines Computersystems 700 ist in 7 gezeigt.
Das Computersystem 700 umfasst ein oder mehrere Prozessoren,
wie den Prozessor 704. Der Prozessor 704 ist mit
einem internen Kommunikationsbus 702 des Computersystems
verbunden. Verschiedene Softwareausführungsformen werden in Ausdrücken dieses
beispielhaften Computersystems beschrieben. Nach dem Lesen dieser
Beschreibung wird es einem Fachmann des relevanten Gebiets, der
relevanten Gebiete, deutlich, wie die Erfindung unter Verwendung
anderer Computersysteme und/oder Computerarchitekturen implementiert werden
kann.
-
Das
Computersystem 700 umfasst auch einen Hauptspeicher 708,
vorzugsweise einen Speicher mit wahlfreiem Zugriff (RAM), und es
kann auch einen sekundären
Speicher 710 umfassen. Der sekundäre Speicher 710 kann
beispielsweise ein oder mehrere Festplattenlaufwerke 712 und/oder
ein oder mehrere entfernbare Speicherlaufwerke 714 umfassen,
die ein Diskettenlaufwerk, ein Magnetbandlaufwerk, ein Laufwerk
einer optischen Scheibe etc. darstellen. Das entfernbare Speicherlaufwerk 714 führt ein
Lesen von und/oder ein Schreiben auf eine entfernbare Speichereinheit 718 in
einer wohl bekannten Art aus. Die entfernbare Speichereinheit 718 stellt eine
Diskette, ein Magnetband, eine optische Platte etc. dar, von der
das entfernbare Speicherlaufwerk 714 liest und auf die
es schreibt. Wie erkannt werden wird, umfasst die entfernbare Speichereinheit 718 ein von
einem Computer verwendbares Speichermedium, das darauf gespeicherte
Computersoftware und/oder Daten besitzt.
-
In
alternativen Ausführungsformen
kann der sekundäre
Speicher 710 andere ähnliche
Mittel umfassen, um es zu erlauben, dass Computerprogramme oder
andere Instruktionen in das Computersystem 700 geladen
werden können.
Solche Mittel können
beispielweise eine entfernbare Speichereinheit 722 und
eine Schnittstelle 720 einschließen. Beispiel solcher umfassen
ein Programmkassette und eine Kassettenschnittstelle (wie man sie
bei Videospielvorrichtungen findet), einen entfernbaren Speicherchip
(wie einen löschbaren,
programmierbaren Nur-Lese-Speicher (EPROM), einen Flash-Speicher eines universellen
seriellen Busses (USB) oder einen PROM, und eine zugehörige Buchse,
und andere entfernbare Speichereinheiten 722 und Schnittstellen 720,
die es erlauben, dass Software und Daten von der entfernbaren Speichereinheit 722 zum
Computersystem 700 übertragen
werden. Im allgemeinen wird das Computersystem 700 durch
Software eines Betriebssystems (OS) gesteuert und koordiniert, die Aufgaben,
wie die Prozesssteuerung, die Speicherverwaltung, Vernetzungs- und
E/A-Dienste ausführt. Beispielhafte
OS umfassen Linux®, Microsoft Windows®.
-
Es
kann auch eine Kommunikationsschnittstelle 724 geben, die
eine Verbindung mit dem Bus 702 herstellt. Die Kommunikationsschnittstelle 724 ermöglicht es,
dass Software und Daten zwischen dem Computersystem 700 und
externen Vorrichtungen übertragen
werden. Beispiele einer solchen Kommunikationsschnittstelle 724 können ein
Modem, eine Netzschnittstelle (wie eine Ethernet-Karte), Kommunikationsanschlüsse, ein
PCMCI-Schlitz (Personal Computer Memory Card International Association)
und Karte etc. umfassen. Software und Daten, die über die
Kommunikationsschnittstelle 724 übertragen werden, liegen in
Form von Signalen 728 vor, die elektronisch, elektromagnetisch,
optisch oder als andere Signale auftreten können, die von der Kommunikationsschnittstelle 724 empfangen
werden können.
Der Computer 700 kommuniziert mit anderen Rechenvorrichtungen über ein
Datennetz auf der Basis eines speziellen Satzes von Regeln (das
ist ein Protokoll). Eines der üblichen
Protokolle ist TCP/IP (Transmission Control Protocol/Internet Protocol, Übertragungssteuerprotokoll/Internetprotokoll),
das gemeinhin im Internet verwendet wird. Im allgemeinen verwaltet
die Kommunikationsschnittstelle 724 das Aufteilen einer
Datei in kleinere Pakete, die über das
Datennetz übertragen
werden, oder sie fügt
empfangene Pakete zur ursprünglichen
Datei wieder zusammen. Zusätzlich
handhabt die Kommunikationsschnittstelle 724 den Adressenteil
jedes Pakets, so dass es das richtige Ziel erhält, oder fängt Pakete, die für den Computer 700 bestimmt
sind, ab. In diesem Dokument werden die Ausdrücke ”Computerprogrammmedium” und ”von einem
Computer verwendbares Medium” verwendet,
um allgemein Medien zu bezeichnen, wie das entfernbare Speicherlaufwerk 714 und/oder
eine Festplatte, die im Festplattenlaufwerk 712 installiert
ist. Diese Computerprogrammprodukte sind Mittel, um Software an
das Computersystem 700 zu liefern. Die Erfindung ist auf
solche Computerprogrammprodukte gerichtet.
-
Das
Computersystem 700 kann auch eine Eingabe/Ausgabe(E/A)-Schnittstelle 730 umfassen, was
es dem Computersystem 700 ermöglicht, auf einen Monitor,
eine Tastatur, eine Maus, einen Drucker, einen Scanner, einen Plotter
und dergleichen zuzugreifen.
-
Computerprogramme
(auch als Computersteuerlogik bezeichnet) werden als Anwendungsmodule 706 im
Hauptspeicher 708 und/oder dem Sekundärspeicher 710 gespeichert. Computerprogramme können auch über eine
Kommunikationsschnittstelle 724 empfangen werden. Solche
Computerprogramme ermöglichen
es dem Computersystem 700, wenn sie ausgeführt werden,
die Funktionen der vorliegenden Erfindung, wie sie hier beschrieben
wurden, auszuführen.
Somit stellen solche Computerprogramme Steuerungen des Computersystems 700 dar.
-
In
einer Ausführungsform,
bei der die Erfindung unter Verwendung von Software implementiert ist,
kann die Software in einem Computerprogrammprodukt gespeichert und
in das Computersystem 700 unter Verwendung eines entfernbaren
Speicherlaufwerks 714, eines Festplattenlaufwerks 712 oder
einer Kommunikationsschnittstelle 724 geladen werden. Dieses
Anwendungsmodul 706 veranlasst, wenn es vom Prozessor 704 ausgeführt wird,
den Prozessor 704, die Funktionen der Erfindung, wie sie hier
beschrieben sind, auszuführen.
-
Der
Hauptspeicher 708 kann mit einem oder mehreren Anwendungsmodulen 706 geladen
werden, die von einem oder mehreren Prozessoren 704 mit
oder ohne eine Benutzereingabe durch die E/A-Schnittstelle 730 ausgeführt werden,
um die gewünschten
Aufgaben zu erfüllen.
Im Betrieb werden, wenn mindestens ein Prozessor 704 eines
der Anwendungsmodule 706 ausführt, die Ergebnisse berechnet
und im Sekundärspeicher 710 (das
ist das Festplattenlaufwerk 712) gespeichert. Der Status
der CAE-Analyse oder der Entwurfsoptimierung (beispielsweise Proben,
die auf der Basis eines GA ausgewählt wurden) werden dem Benutzer über die E/A-Schnittstelle 730 entweder
als Text oder in einer graphischen Darstellung mitgeteilt.
-
Obwohl
die vorliegende Erfindung unter Bezug auf spezifische Ausführungsformen
beschrieben wurde, sind diese Ausführungsformen nur illustrierend
und schränken
die vorliegende Erfindung nicht ein. Verschiedene Modifikationen
oder Änderungen an
den spezifisch offenbarten beispielhaften Ausführungsformen werden für Fachleute
offensichtlich werden.
-
Beispielsweise
wird, während
die Zahl der Entwurfsziele und Variablen als zwei gezeigt wurde, in
Wirklichkeit eine große
Zahl von Entwurfszielen und Variablen verwendet. Weiterhin können, während die
Finite-Element-Analyse für
eine Belastungsanalyse beschrieben und gezeigt wurde, andere Typen
einer CAE-Analyse wie die Finite-Differenz-Analyse oder eine maschenlose
Analyse etc. verwendet werden, um dasselbe zu erreichen. Insgesamt
sollte der Umfang der Erfindung nicht auf die hier offenbarten spezifischen
beispielhaften Ausführungsformen beschränkt sein,
und alle Modifikationen, die Fachleuten leicht aufscheinen werden,
sollten in die Idee und den Rahmen dieser Anmeldung und den Umfang der
angefügten
Ansprüche
eingeschlossen sein.