AIPOD的案例
天洑軟件6月23日“智能優化平臺軟件AIPOD操作培訓” 線上線下免費培訓課即將開始
最終的優化過程如表 1所示，64次優化AIPOD實現5.01%的性能提升，競品算法的性能提升為3.36%，AIPOD對于競品算法的優勢體現明顯。
表 1 AIPOD和競品算法的優化過程關鍵節點信息
AIPOD與競品算法的優化歷程下圖所示，競品算法雖然在優化早期性能提升相對較快，但后勁不足，陷入局部極值之后將無法進一步提升。
(a)競品算法優化軌跡
(b)AIPOD優化軌跡
(c)AIPOD對標競品算法
AIPOD與對標競品算法的優化歷程
在AIPOD優化過程中，我們開啟AIPOD特有的bound-break智能探索功能。表 2表明，若設計參數的范圍設置不恰當，市面上現有的優化引擎也不會在這些被忽略的高效可行空間內進行探索，而SilverBullet優化算法即便在64次小計算規模下，依舊可以快速突破因為工程師范圍設置不恰當人為引入的“優化壁壘”。
表 2 AIPOD和競品算法各自最優設計方案對于工程初期設定的參數邊界“突破”情況
AIPOD與競品算法的優化結果船型如下圖所示
(a)競品算法優優化結果船型
(b)AIPOD優化結果船型
船型優化結果
展開 【新聞】智能優化軟件 AIPOD 2.1 正式發布！
圖
6 分布式配置
其他
除上述主要功能更新外，AIPOD 2.1還支持多種主題風格的切換，對可視化圖表視覺效果和功能進行了升級，提供了流程復制與節點復用接口，并通過引入多種容錯機制進一步提升了軟件的穩定性。
AIPOD更多詳細介紹及軟件試用申請，請點擊
AIPOD - 智能優化設計平臺
，前往查閱。
智能優化設計軟件AIPOD 2023R1新版本功能介紹
AIPOD 2023R1版本視頻介紹
AIPOD是由天洑軟件自主研發的一款通用的智能優化設計軟件，其提供的CAD+CAE自動化集成功能和新一代智能優化算法，可以讓設計團隊專注于產品設計本身而非數值模擬仿真過程，從而幫助設計團隊快速尋找到更好的產品或流程設計方案。
相比于上一個版本，AIPOD 2023R1在軟件功能和操作體驗上均實現了升級，具體包括：
工具節點敏捷調用
新增優化任務節點
專家知識輔助優化
代理訓練算法擴展
圖1 智能優化設計軟件AIPOD 2023R1正式發布
一、工具節點敏捷調用
AIPOD 2023R1版本實現了對UG、Fluent、Start-CCM+等常用CAD和CAE節點的深度集成，上傳模型文件即可自動識別內部參數，通過圖形化界面操作完成相關設置。全程無需任何程序腳本編輯，使用門檻更低、操作更便捷。
圖2 常用CAD、CAE節點深度集成
二、新增優化任務節點
AIPOD 2023R1版本實現了優化任務節點的抽離，進而可實現系統各模塊間的級聯優化，使得AIPOD適用于復雜的系統級工業設計場景，應用領域得到進一步拓展。
展開 【新聞】智能優化軟件 - AIPOD 2022R1版本發布
AIPOD是由天洑軟件自主研發的一款通用的智能優化軟件，其提供的CAD+CAE自動化集成功能和新一代智能優化算法，可以讓設計團隊專注于產品設計本身，而非數值模擬仿真過程，從而幫助設計團隊快速地尋找到更好的產品或流程設計方案。
在AIPOD 2.1基礎上，經過迭代研發，現正式推出AIPOD 2022R1版本。與上個版本相比，全新的AIPOD 2022R1對軟件功能進行了升級，并對用戶體驗進行了全方面的優化，具體包括：
全面升級軟件核心智能代理訓練算法 — AIAgent；
新增了穩健性設計功能；
提供了控制節點工具箱，并新增計算器類型節點；
優化了流程集成配置，并提升了軟件界面交互的友好性。
AIPOD 2022R1版本的新增功能，將大幅降低用戶的學習和使用成本，更好的幫助用戶開展優化設計。
AIAgent升級
AIPOD 2022R1中對AIAgent智能代理訓練算法進行了升級。
展開 
重磅升級，AIPOD V2.0正式發布！
針對這一需求，AIPOD V2.0建模工具箱中增加了DT節點，用戶可以在設計計算流程中一鍵導入天洑數據建模平臺建立的數據挖掘模型，并且可以和腳本、可執行程序進行耦合，實現任意復雜的設計計算流程的搭建。之后便可以借助于SilverBullet算法，進行優化設計。
*一鍵導入數據挖掘模型，耦合建模，進行優化
四、內核優化，軟件運行更穩定
“占用資源高，軟件易崩潰”是眾多軟件產品面臨的一個重要問題。AIPOD采用多進程架構，主進程負責人機交互和任務管理，所有任務都運行在獨立的進程中，保證主進程的穩定運行；主進程實時監測各任務進程的運行情況，及時關閉異常進程，釋放系統資源。AIPOD V2.0對該架構進行了大量細節優化，進行了多處功能增強，如閑置進程智能回收功能，任務中止自定義功能。通過這一系列的內核優化，確保軟件穩定運行。
五、界面全面改版，使用更便捷
AIPOD V2.0用戶交互界面在保持B/S架構的同時，對用戶界面進行了全面改版升級。升級后的用戶界面采用Ribbon菜單，更貼合工程師的使用習慣，單頁面的信息密度更高，能夠更好的輔助用戶進行設計優化過程的監控及優化結果數據的分析。
*界面全面改版，使用更便捷
AIPOD更多詳細介紹，請點擊AIPOD—— 智能優化設計平臺，前往查閱。
展開 【產品】智能優化設計軟件平臺AIPOD 2024R1正式發布
AIPOD是由天洑軟件自主研發的一款通用的智能優化設計軟件平臺，致力于解決性能更優、成本更低、重量更輕等目標的工程設計尋優問題。軟件針對工業設計仿真領域存在的諸多問題，如產品指標達到瓶頸、依賴專家經驗、多學科多目標難以兼顧等，基于人工智能技術研發了先進的智能優化策略，使得軟件使用門檻更低，優化效率更高，優化效果更好。無論是結構、流體、熱力學、電磁學或多物理場耦合問題，AIPOD都可以幫助設計團隊高效地尋找到更好的設計方案。
一、AIPOD的功能和特色
● 豐富的CAD/CAE軟件接口
● 前沿高效的新一代智能優化算法
● 數字化專家知識挖掘與優化輔助
● 便利的圖形化優化流程搭建界面
● 自動化流程執行引擎
● 適配多類型的操作系統及計算集群
● 敏捷的后處理可視化探索
● 國產自主可控
二、版本更新介紹
AIPOD 2024R1在軟件功能和操作體驗上均實現了升級，具體包括
■ 支持基于Hypermorph的非參數化幾何模型優化
■ 新增CAD/CAE軟件接口，結構優化場景覆蓋更全面
■ 升級變量關聯功能，變量提取更輕松
■ 新增優化任務結果一鍵驗證功能，優化方案更可信
■ 升級采樣可視化功能，算力利用更高效
■ 其他易用性升級（多列排序、算例重新執行、任務監控）
圖1 智能優化設計軟件AIPOD 2024R1啟動界面
1）支持基于Hypermorph的非參數化幾何模型優化
AIPOD 2024R1版本新增對非參數化幾何模型的優化支持。在以往的版本中，AIPOD擅長處理如變幾何參數、變邊界條件等優化任務；但在部分場景下（如整車廠等），由于上游供應商只提供了非參數化的幾何模型，導致優化工作無法開展。
展開 【產品】智能優化設計軟件AIPOD 2023R2新版本功能介紹
AIPOD軟件采用了靈活的分布式調度框架，其軟件本體與其所調用的各個設計仿真軟件支持在不同的物理機上執行。在最新的2023R2版本，AIPOD進一步實現了HPC的遠程調用支持，可自動修改服務器軟件提交任務參數或者數據文件并提交計算，驅動HPC上的軟件調用，從而更好地適配各企業的真實研發設計場景需要。
圖4 HPC集群調度引擎適配
4）全新UI界面
AIPOD 2023R2版本對界面布局、圖標設計、色彩搭配、設計規范等完成了系統性的改造替換，形成天洑統一的工具軟件UI界面。作為國產自主可控的工業軟件，從過去對優秀國外競品界面的學習致敬轉變為自主創新，形成自身設計體系的獨有風格，打造國產優化設計軟件的新旗幟。
圖5 新版UI界面
AIPOD更多詳細介紹及軟件試用，請點擊“AIPOD - 智能優化設計平臺”，前往查閱。試用無需申請license，下載軟件安裝后可直接免費試用30天。
展開 【產品】智能優化軟件 - AIPOD 2022R2版本新功能詳解
AIPOD是由南京天洑軟件有限公司自主研發的一款通用的智能優化設計軟件，其提供的CAD+CAE自動化集成功能和新一代智能優化算法，可以讓設計團隊專注于產品設計本身，而非數值模擬仿真過程，從而幫助設計團隊快速地尋找到更好的產品或流程設計方案。
現已正式推出AIPOD 2022R2版本。與上個版本相比，全新的AIPOD 2022R2對軟件功能進行了升級，并對用戶體驗進行了全方面的優化，具體包括：
更豐富的實驗設計(DOE)算法；
更豐富的優化設計算法；
更靈活的分布式資源利用；
更完善的后處理功能。
AIPOD 2022R2帶來的這些令人振奮的新功能，大幅完善和豐富了平臺功能，對用戶的使用場景進行了更全面的覆蓋，能夠更好的幫助用戶開展優化設計。
更豐富的實驗設計(DOE)算法
AIPOD 2022R2中補充了包含sobol、部分因子采樣等7種實驗設計算法，平臺內實驗設計算法多樣性實現極大提升，進一步擴展了對用戶不同需求的實驗設計場景覆蓋。此外，2022R2版本對平臺內已集成的均勻采樣等算法進行了優化，賦予了用戶對參與采樣變量更靈活配置的能力。
圖 1 實驗設計(DOE算法)
更豐富的優化設計算法
AIPOD 2022R2針對單目標優化需求，補充了包含近兩年學術界提出的天鷹優化引擎在內20余種學術前沿算法；針對多目標優化需求，補充了包含近兩年學術界最新提出的AGEMOEA2的5種學術前沿算法，新算法的引入使得平臺內優化設計算法數量多達50余種。
展開 智能優化設計軟件AIPOD 2025R1新版本功能介紹
生態開放增強
AIPOD始終秉持開放兼容的理念，致力于構建多學科協同優化的軟件生態系統。本次升級從對內集成、對外擴展、對下適配三個維度，進一步提升了平臺的生態融合能力。
■ 內部生態整合
AIPOD深度適配天洑全系列產品，現已實現對AICFD（智能熱流體仿真軟件）、AIFEM（智能結構仿真軟件）、DTEmpower（智能數據建模軟件）以及TFIIF（工業AI底座）的無縫集成，支持跨平臺模型調用與聯合優化求解。
■ 外部商業軟件兼容性提升
AIPOD進一步擴展了對主流CAE商業軟件的接口支持，適配軟件數量增至25+款，覆蓋版本達50+個，可滿足不同行業、多學科用戶的仿真優化需求。
■ 國產信創生態適配
為響應國家信創戰略，AIPOD強化了對國產化技術棧的適配能力，包括：國產芯片，國產數據庫和國產操作系統。從而確保在全棧國產化環境下穩定運行，助力自主可控的工業軟件生態建設。
圖2 生態開放增強
3. DFX能力全面改造升級
在產品演進策略上，AIPOD實現了從功能導向到質量導向的重要轉變。2025R1版本標志著我們正式將產品優化重點從基礎功能實現（Functionality）提升至全方位質量屬性（DFX）體系的構建，涵蓋易用性（Usability）、可靠性（Reliability）、可維護性（Maintainability）和安全性（Security）等關鍵維度。
展開 AIPOD——人工智能優化設計平臺
AIPOD是一款智能優化平臺，具有先進的智能優化策略；主要用于目標函數為數值模擬（如CAE）類的優化問題，追求以更小的計算代價，更短的時間找到更優的設計方案。
AIPOD特點
1) 具有優秀的智能優化算法，擁有較高的優化效率；
2) 包括含代理和無代理多種優化模式；
3) 支持多目標優化與多工況優化；
4) 仿真求解器連接靈活，用戶使用簡便；
5) 具備DoE與后處理功能。
AIPOD界面演示
后處理界面
AIPOD優化算法測試
AIPOD通用全局優化算法測試，驗證算法是否能夠滿足，在充分小的計算規模下，尋找到充分可取的優解；測試函數如表1所示。
同時，對比測試選用的優化算法和最大計算數目如下表所示；
1 單目標值優化
1.1 Shubert函數：
1.2 Griewank函數：
2 多目標值優化
ZDT1，2，3，4測試函數：
Pareto 前沿對比策略：
按照計算次序，每間隔1000個計算中獲取對應的pareto前沿，觀察pareto前沿移動的效率 。
ZDT1函數測試
ZDT2函數測試
ZDT3函數測試
ZDT4函數測試
展開 【技術】軸對稱進氣道-AIPOD仿真優化
在優化平臺軟件AIPOD中搭建完整的計算流程，以批處理的方式調用CAESES腳本（fsc文件），實現參數定義、幾何輸出、仿真計算、結果輸出等仿真過程。通過變量輸入功能，編輯fsc腳本文件，提取文件中的變量參數。通過參數提取功能，讀取仿真結果，并編輯正激波公式換算得到優化目標（波后總壓恢復系數）。最后，調用優化算法實現自動尋優，快速得到優化后的喉道方案和相應的仿真結果。
圖6 優化仿真流程
喉道方案AIPOD自動尋優
圖7-圖11為AIPOD中的實現優化的操作過程，共進行了8個步驟，依次實現了計算流程搭建，輸入文件添加，輸出文件添加，變量定義寫入，仿真數據讀取，優化目標換算，優化目標選擇，優化算法選擇等過程。
圖7 搭建計算流程
圖8 添加計算文件
圖9 定義優化變量
圖10 換算優化目標
圖11 選擇優化算法
原始方案的仿真結果如圖12所示，在來流馬赫數3.5狀態，喉道馬赫數為1.828，正激波后換算總壓恢復系數為0.697，完整擴壓器時最高背壓為200kpa，此時出口最高總壓恢復系數為0.586。
圖12 原始方案仿真結果
在AIPOD中，選擇獨有的SilverBullet算法進行自動尋優，為了驗證優化效果，也同時采用Nelder-Mead Simplex算法（單純形）進行了優化比較。
展開 
【AIPOD案例操作教程】KCS船型優化
圖19 新建優化任務
優化效果
AIPOD與市面上常見的優化算法對比結果如圖20所示，從圖中不難看出，AIPOD與競品算法的優化結果明顯好于傳統優化算法。
圖
20
KCS船型優化結果對比
AIPOD、競品算法與傳統算法中表現最好的Tsearch算法的優化歷程如圖21所示，結果表明，競品算法在優化效率和優化潛力表現上均落后于AIPOD，且bound-break能夠更好的輔助設計人員找到被忽略的高效設計區域。
圖
21
KCS船型優化歷程圖
競品算法與AIPOD船型優化結果分別如圖22、圖23所示。
圖22 競品算法優化結果云圖
圖23 AIPOD優化結果云圖
AIPOD更多詳細介紹及軟件試用，請點擊“AIPOD - 智能優化設計平臺”，前往查閱。試用無需申請license，下載軟件安裝后可直接免費試用30天。
展開 【AIPOD案例操作教程】斜流風扇輪轂優化
圖26
新建優化任務
優化效果
AIPOD與市面上常見的優化算法優化結果如圖27所示。
圖
27
優化結果對比
AIPOD與市面上常見的算法的優化歷程如圖28所示，結果表明，競品算法在優化潛力表現上明顯落后于AIPOD，且bound-break能夠更好的輔助設計人員找到被忽略的高效設計區域。
圖
28
斜流風扇優化歷程圖
Tsearch與AIPOD優化結果分別如圖29、圖30所示。
圖29 Tsearch優化結果云圖
圖30 AIPOD優化結果云圖
AIPOD更多詳細介紹及軟件試用，請點擊“AIPOD - 智能優化設計平臺”，前往查閱。試用無需申請license，下載軟件安裝后可直接免費試用30天。
展開 基于AIPOD的船舶結構優化設計
新建優化項目
啟動AIPOD優化軟件，新建優化項目名稱，進入AIPOD優化流程界面，開始新建優化流程；如圖5所示；
圖5
b.
船型優化中如何選擇合適的優化策略
五、天洑軟件自研優化平臺AIPOD
優化平臺AIPOD核心優化算法SilverBullet算法是天洑針對工業設計領域數值模擬計算成本高的痛點而研發，在計算成本有限的情況下（百量級），以盡可能少的計算代價，獲取盡可能高的性能提升。
SilverBullet算法整合了智能采樣技術、耦合優化技術，以及一套核心的參數指標動態協調全局優化和局部探索力度，從而實現在小計算規模下的高效性能優化提升。SilverBullet算法有以下兩大特色：
①. 自適應優化場景，零使用門檻
SilverBullet算法具有強大的自適應性，用戶僅需提供計算代價，無需任何超參設定，即可一鍵啟動優化流程，很大程度的降低了用戶的使用門檻；
②. 智能邊界突破（Bound-break）
SilverBullet獨有的智能優化探索能夠擺脫參數范圍不夠精確的困擾，對于無法精確給定變量范圍的部分變量，在滿足不增加搜索成本的前提下，自主決策有選擇性地突破設計參數范圍邊界，獲得更好的設計方案。
1.AIPOD
采用相同的設計參數與設置，利用SilverBullet算法執行100次優化計算，結果如下：
結論：
①. AIPOD算法在100次樣本規模的優化設計中，優化效果好于上述更優的優化策略Sobol Tsearch。
②. AIPOD算法在100次樣本規模的優化設計中，優化結果體現出一定收斂性。
2.AIPOD (boundbreak 200)
采用相同的設計參數與設置，利用SilverBullet算法開啟boundbreak功能，執行200次優化計算，結果如下：
結論：
①. AIPOD算法開啟boundbreak功能后，優化結果得到進一步提升。
②. 優化結果體現出一定收斂性。
③.
展開 