Computer-automatisches Design

Designautomatisierung bezieht sich normalerweise auf elektronische Designautomatisierung, oder Designautomatisierung die ein Produktkonfigurator. Sich erweitern Computergestütztes Design (CAD), automatisiertes Design und Computer-automatisches Design (CAUTOD)[1][2][3] befassen sich mehr mit einem breiteren Antragsspektrum, wie z. Fahrzeugtechnik, Tiefbau,[4][5][6][7] Verbundwerkstoff Entwurf, Steuerungstechnik,[8] dynamisch Systemidentifikation und Optimierung,[9] finanziell Systeme, industrielle Geräte, mechatronisch Systeme, Stahlkonstruktion,[10] strukturell Optimierung,[11] und die Erfindung neuer Systeme.[12]

Das Konzept von Cautod erschien vielleicht erstmals 1963 im IBM Journal of Research and Development.[1] wo ein Computerprogramm geschrieben wurde.

  1. Suchen Sie nach Logikschaltungen mit bestimmten Einschränkungen zum Hardwaredesign
  2. Um diese Logik in Bezug auf ihre diskriminierende Fähigkeit gegenüber Proben des Charaktersatzes zu bewerten, wird erwartet, dass sie erkennen.

In jüngerer Zeit wird die traditionelle CAD-Simulation von biologisch inspirierten in Kautod maschinelles Lernen,[13] einschließlich heuristisch Suchtechniken wie zum Beispiel Evolutionsberechnung,[14][15] und Schwarmintelligenz Algorithmen.[16]

Führung von Designs durch Leistungsverbesserungen

Interaktion im computerautomatischen Design

Um die ständig wachsende Nachfrage nach Qualität und Wettbewerbsfähigkeit zu befriedigen, wird das iterative physikalische Prototyping jetzt oft durch 'ersetzt.Digitales Prototyping"eines" guten Designs ", das darauf abzielt, mehrere Ziele wie maximierte Leistung, Energieeffizienz, höchste Geschwindigkeit und Kosteneffizienz zu erreichen. Das Designproblem betrifft sowohl das beste Design innerhalb eines bekannten Bereichs (d. H. Durch "Lernen" oder "Optimierung") als auch das Finden eines neuen und besseren Designs, das über die vorhandenen (d. H. Durch Schöpfung und Erfindung) hinausgeht. Dies entspricht a Suchproblem In einem ziemlichen mehrdimensionalen (multivariaten), multimodalen Raum mit einem einzelnen (oder gewichteten) objektiven oder mehreren Zielten.

Normalisierte Zielfunktion: Kosten vs. Fitness

Verwenden von Einzelobjektivkautod als Beispiel, wenn die objektive Funktion entweder als a Kostenfunktion oder umgekehrt als Fitnessfunktion , wo

,

ist unter praktischen Einschränkungen im mehrdimensionalen Raum differenzierbar, das Designproblem kann analytisch gelöst werden. Das Finden der Parametersätze, die zu einem Ableitung erster Ordnung erster Ordnung führen und die Ableitung der zweiten Ordnung erfüllen, würde alle lokalen Optima ergeben. Der Vergleich der Werte des Leistungsindex aller lokalen Optima zusammen mit denen aller Grenzparametersätze würde zu dem globalen Optimum führen, dessen entsprechende "Parameter" -Set das beste Design darstellt. In der Praxis beinhaltet die Optimierung jedoch normalerweise mehrere Ziele und die Angelegenheiten, an denen Derivate beteiligt sind, sind viel komplexer.

Umgang mit praktischen Zielen

In der Praxis kann der objektive Wert laut oder sogar nicht numerisch sein, und daher können seine Gradienteninformationen unzuverlässig oder nicht verfügbar sein. Dies gilt insbesondere dann, wenn das Problem mehrfache Objektiv ist. Gegenwärtig werden viele Entwürfe und Verfeinerungen hauptsächlich durch einen manuellen Versuchs- und Fehlerprozess mit Hilfe eines CAD vorgenommen Simulation Paket. Normalerweise so A posteriori Lernen oder Anpassungen müssen viele Male wiederholt werden, bis ein „zufriedenstellendes“ oder „optimales“ Design entsteht.

Erschöpfende Suche

Theoretisch kann dieser Anpassungsprozess durch computergestützte Suche automatisiert werden, wie z. erschöpfende Suche. Da ist dies ein ExponentialalgorithmusEs kann möglicherweise keine Lösungen in der Praxis innerhalb eines begrenzten Zeitraums liefern.

Suche in der Polynomzeit

Ein Ansatz zu Virtuelle Ingenieurwesen und automatisiertes Design ist Evolutionsberechnung wie zum Beispiel Evolutionsalgorithmen.

Evolutionsalgorithmen

Um die Suchzeit zu verkürzen, können stattdessen der biologisch inspirierte Evolutionsalgorithmus (EA) verwendet werden, der ein (nicht detministisch) ist Polynomalgorithmus. Das EA-basierte Multi-Objektiv-Suchteam kann mit einem vorhandenen CAD-Simulationspaket in einem Stapelmodus miteinander verbunden werden. Das EA codiert die Entwurfsparameter (Codierung ist erforderlich, wenn einige Parameter nicht numerisch sind), um mehrere Kandidaten durch parallele und interaktive Suche zu verfeinern. Im Suchprozess 'Auswahl"wird mit" mit "durchgeführt" durchgeführt 'Überleben der Stärksten' A posteriori Lernen. Um die nächste "Erzeugung" möglicher Lösungen zu erhalten, werden einige Parameterwerte zwischen zwei Kandidaten ausgetauscht (durch eine Operation namens namens ".Crossover') und neue Werte eingeführt (durch eine Operation namens'Mutation'). Auf diese Weise nutzt die Evolutionstechnik dem menschlichen Designer ähnlich intelligent.

Die EA -basierten optimalen Designs können aus der vorhandenen Designdatenbank des Designers oder aus einer ersten Generation von Kandidatenentwürfen beginnen, die zufällig erhalten wurden. Eine Reihe von fein entwickelten Top-Performing-Kandidaten repräsentiert mehrere automatisch optimierte digitale Prototypen.

Es gibt Websites, die interaktive evolutionäre Algorithmen für das Design zeigen. EndlessForms.com Ermöglicht Ihnen, 3D -Objekte online zu entwickeln und 3D gedruckt zu lassen. Picbreeder.org Ermöglicht Ihnen das Gleiche für 2D -Bilder.

Siehe auch

Verweise

  1. ^ a b Kamentsky, L. A.; Liu, C.-N. (1963). "Computer-automatisches Design der Multifont-Druckerkennungslogik". IBM Journal of Research and Development. 7 (1): 2. doi:10.1147/rd.71.0002.
  2. ^ Brncick, M (2000). "Computer automatisiertes Design und Computerautomated Manufacture". Phys Med Rehabil Clin n Am. 11 (3): 701–13. doi:10.1016/s1047-9651 (18) 30806-4. PMID 10989487.
  3. ^ Li, Y., et al. (2004). CAUTOCSD - Evolutionäre Suche und Optimierung aktiviert Computer Automatisiertes Steuerungssystem Design für das automatisierte Steuerungssystem Archiviert 2015-08-31 bei der Wayback -Maschine. Internationales Journal of Automation and Computing1 (1). 76-88. ISSN 1751-8520
  4. ^ Kramer, GJE; Grierson, DE (1989). "Computerautomatisiertes Design von Strukturen unter dynamischen Lasten". Computer & Strukturen. 32 (2): 313–325. doi:10.1016/0045-7949 (89) 90043-6.
  5. ^ Moharrami, H; Grierson, DE (1993). "Computer -automatisches Design von Stahlbeton -Frameworks". Journal of Structural Engineering. 119 (7): 2036–2058. doi:10.1061/(ASCE) 0733-9445 (1993) 119: 7 (2036).
  6. ^ Xu, l; Grierson, DE (1993). "Computer -automatisches Design von semirigiden Stahlrahmen". Journal of Structural Engineering. 119 (6): 1740–1760. doi:10.1061/(ASCE) 0733-9445 (1993) 119: 6 (1740).
  7. ^ Barsan, GM; Dinsoreanu, M, (1997). Computer-automatisches Design basierend auf strukturellen Leistungskriterien, Mouchel Centenary Conference für Innovation in Zivil- und Bauingenieurwesen, 19. bis 21. August, Cambridge England, Innovation in Civil and Structural Engineering, 167-172, 167-172
  8. ^ Li, Yun (1996). "Genetischer Algorithmus automatisierter Ansatz zum Design von Schiebemodus -Steuerungssystemen". Internationales Journal of Control. 63 (4): 721–739. doi:10.1080/00207179608921865.
  9. ^ Li, yun; Chwee Kim, Ng; Chen Kay, Tan (1995). "Automatisierung des linearen und nichtlinearen Steuerungssystems durch evolutionäre Berechnung" (PDF). IFAC -Verfahren Volumes. 28 (16): 85–90. doi:10.1016/s1474-6670 (17) 45158-5.
  10. ^ Barsan, GM, (1995) Computer-automatisches Design von Semirigid Steel Frameworks gemäß Eurocode-3, Nordic Steel Construction Conference 95, 19.-21. Juni, 787-794
  11. ^ Gray, Gary J.; Murray-Smith, David J.; Li, yun; et al. (1998). "Nichtlineare Modellstrukturidentifikation mit genetischer Programmierung". Kontrolle der Ingenieurpraxis. 6 (11): 1341–1352. doi:10.1016/s0967-0661 (98) 00087-2.
  12. ^ Yi Chen, Yun Li (2018). COMPUTational Intelligence Assisted Design: In Industrial Revolution 4.0, CRC Press, ISBN9781498760669
  13. ^ Zhan, Z. H., et al. (2011). Evolutionäre Berechnung erfüllt maschinelles Lernen: Eine Umfrage, IEEE Computational Intelligence Magazine, 6 (4), 68-75.
  14. ^ Gregory S. Hornby (2003). Generative Darstellungen für computerautomatische Designsysteme, NASA Ames Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000
  15. ^ J. Clune und H. Lipson (2011). Entwicklung dreidimensionaler Objekte mit einer generativen Codierung, die von der Entwicklungsbiologie inspiriert ist. Verfahren der Europäischen Konferenz über künstliches Leben. 2011.
  16. ^ Zhan, Z. H., et al. (2009). Adaptive Partikelschwarmoptimierung, IEEE -Transaktionen zu Systemen, Menschen und Kybernetik, Teil B (Cybernetics), Vol.39, Nr. 6. 1362-1381

Externe Links