多目標
關注創建者：CAE行路人 創建時間：2020-05-16
多目標的視頻教程
Isight--響應面分析+單目標或多目標優化--操作流程
本節課主要講解一下如何用Isight讀取已經處理好的數據進行響應面近似模型建立以及用NLPQL 算法為例進行講解單目標優化問題。多目標優化問題類似處理。
￥19.9 23分鐘 143播放
查看
Isight近似模型及多目標優化
Isight對四因素三水平數據建立近似模型，完成誤差分析并改善精度； 而后利用所建立的近似模型進行多目標優化，并介紹多目標優化相關知識點。
￥29 40分鐘 1145播放
查看
多目標的實例教程
達索SIMULIA多學科多目標優化設計軟件Isight高級應用研討論壇于2018年7月26日在杭州洲際酒店北京廳召開。來自達索總部的專家，國內的航空航天、鐵路、汽車、石油、能源動力與高校等行業的高級客戶；以及達索的合作伙伴從全國各地齊聚杭州參加了此次技術高峰論壇。對基于多學科多領域的參數綜合優化、設計流程自動化、分析流程模板、基于Isight的定制流程開發的領域進行了多方面專業化的深入的技術交流。
多學科多目標優化設計軟件Isight高級應用研討論壇注冊處：
大會于上午8：40時許召開。首先由達索系統SIMULIA品牌中國區總監MikeSheh博士致開場詞并介紹了大會的日程安排，并向到場的客戶、合作伙伴致謝。
達索系統SIMULIA品牌中國區總監Mike Sheh博士致開場詞
達索SIMULIA多學科多目標優化設計軟件Isight應用論壇主要內容涵蓋以下十個方面：
Isight多學科有目標優化軟件在國際上的應用（主要介紹在英國與日本的應用情況）
Isight多學科多目標優化技術的戰略規劃和版本更新。
Isight多學科多目標優化技術在航天領域的應用。
Isight多學科多目標優化技術在航空發動機設計領域中的應用。
Isight多學科多目標優化技術在鐵路行業中的應用。
Isight多學科多目標優化技術在石油鉆井領域的應用。
Isight多學科多目標優化技術在汽車行業中的應用。
Isight多學科多目標優化技術在船舶發動機領域的應用。
Isight多學科多目標優化技術定制化二次開發的應用。
達索合作伙伴對Isight優化技術的高級深度應用。
展開 多目標優化
Pareto遺傳算法在貨位配置中的應用研究.pdf
PSO算法在工程優化問題中的應用.PDF
采用改進PSO的非線性系統T_S模糊模型辯識.pdf
帶陰性選擇的粒子群優化算法.pdf
單純形-多目標粒子群優化方法的混合算法.PDF
導彈運輸發射車動態參數的多目標優化.pdf
電力公司購電、配電計劃的多目標優化算法.pdf
電力系統無功優化中PSO算法的改進研究.pdf
動態優化環境下的群核進化粒子群優化方法.pdf
多目標調度模型在尼山水庫的應用.pdf
多目標決策在高校實驗室設備采購中的應用.pdf
多目標識別的聯合變換相關器的研究.pdf
多目標優化方法檢測隨機受迫系統的混沌現象以及在心率變異信號分析中的應用.PDF
多目標優化遺傳算法的收斂性定義及實例研究.pdf
多目標優化遺傳算法在飛航導彈設計中的應用.pdf
多目標最優化的粒子群算法.PDF
番茄形態結構模型參數的多目標擬合估算方法研究.pdf
復合材料層合板蠕變屈曲與變形的優化問題.pdf
改進的多目標粒子群算法.pdf
改進的基本粒子群優化算法.PDF
隱身性能約束的多目標氣動外形優化設計.pdf
一種解決多目標優化問題改進的進化規劃算法.pdf
一種基于多Agent的進化多目標優化算法.pdf
展開 對多個子目標同時進行優化的問題稱為多目標優化問題，又稱多準則優化問題、多性能優化問題。實際工程中，優化問題大多數屬于多目標問題，目標之間一般都是互相沖突的，因此在設計時需要進行多目標的比較，并進行權衡和折衷。自20世紀70年代以來，多目標優化問題在國際上引起了廣泛的關注，并迅速發展為一門新興的學科。
多目標優化算法主要分為兩大類：歸一化方法和非歸一化方法。
歸一化方法的解決方法通過加權或其他方式將多個目標轉化為單一目標，然后通過成熟的單目標優化方法求解。加權法是歸一化算法的代表算法之一，該算法主要是根據各子目標的重要程度分別指定相應的加權系數，將多目標問題單目標化，但其主要有兩個缺點：
（1）當目標函數的數量增加時，權重系數在目標空間里的等值面的關系不再直觀；
（2）如果Pareto前沿形狀中存在沒有凸起的部分，則無法求得這部分Pareto最優解。且加權法的權值通常并不是決策者設定，而是優化者決定，這在很大程度上受到了優化者主觀的影響。
非歸一化方法是采用Pareto機制直接處理多個目標的優化技術，它不需要將多個目標轉化為單一目標，因此解決了歸一化方法的缺點。非歸一化方法能夠使所求解集的前沿與Pareto前沿盡量接近，并盡量均勻覆蓋Pareto前沿。非歸一化方法中的代表方法是：多目標遺傳算法、eArtius公司的ParetoExplorer方法等。
展開 來源 |
人工智能感知信息處理算法研究院
基于深度學習的多目標跟蹤算法的主要任務是，優化檢測目標之間的相似性或距離度量的設計。根網絡學習到的特征的區別，可以將基于深度學習的多目標跟蹤算法分為基于深度表現特征的跟蹤網絡，基于相似性度量的跟蹤網絡以及基于高階匹配特征的跟蹤網絡如下圖所示。
將神經網絡學習到的目標的表觀特征引入到多目標跟蹤算法中，是提升多目標跟蹤算法效果的最簡單直接的辦法。其具體的操作方法有以下幾種：利用在圖像識別或行人重識別任務訓練得到的特征提取網絡，直接替換現有的多目標跟蹤算法框架中的表觀特征提取模塊；采用深度神經網絡學習光流運動特征，將光流網絡引入到算法中計算目標之間的運動相關性等。而通過深度學習提升多目標跟蹤算法更加直接的方法是學習檢測之間的特征相似性。譬如，設計深度網絡對不同目標之間的相似性進行度量，使得同一目標的相似距離小，不同目標的相似距離大，從而構造關于檢測距離的代價函數。也可以通過設計二分類代價，使相同目標的檢測特征匹配類型為 1，然不同目標的檢測特征匹配類型為 0，從而學習并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學習方法可以用于設計并計算軌跡之間的匹配相似度，這種方法可以認為是基于深度學習的高階特征匹配方法。使用深度學習計算高階特征匹配算法，可以學習多幀表現特征的高階匹配相似度，也可以學習運動特征的匹配相關度。下面將通過對基于孿生網絡的深度學習多目標跟蹤算法的詳細介紹，來說明基于深度學習的多目標跟蹤算法的詳細步驟。
基于對稱網絡的多目標跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網絡，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標的判別。
展開 源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學習算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠對深度網絡模型進行壓縮的原理, 將YOLOv3主干網絡替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預測部分, 以有效減少參數量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關鍵詞
深度學習 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領域的研究熱點, 可應用于交通監測、安防等多個領域, 具有一定的應用價值和挑戰性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現出較強的優勢.
由于深度學習的發展, 卷積神經網絡模型逐漸替代了傳統手工設計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網絡深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學習的跟蹤算法無法直接應用于移動設備, 導致難以符合實時性要求. 因此降低算法復雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 
多目標的相關專題、標簽、搜索
多目標的最新內容
依托optiSLang AI瞬仿技術，提速光芯片結構多目標智能尋優；5. 借助SimClaw智能體，閉環光芯片建模仿真優化全流程。
其核心思想是：通過加權求和將復雜的多目標問題轉化為單目標問題，利用變密度法迭代尋找材料的最佳布局，最終得到一個綜合性能最優的輕量化概念結構。
最后，歡迎通過公眾號“320科技工作室”與我們聯絡
本次網絡研討會將介紹 Ansys optiSLang 與HFSS 的協同應用方法，結合工程實例，講解基于 AI/ML 的參數優化、多目標權衡及魯棒性設計思路，幫助工程師深入理解 AI 技術在高頻器件設計中的實際應用價值。
多目標優化：針對光束均勻性與能量利用率難以兼顧的問題，通過多目標優化算法，仿真疊加閃耀光柵移除零級光的效果，實現能量利用率72.3%、均勻性97.2%的方形平頂光束。
算法集成適配：支持導入末位淘汰制GSGA混合算法優化后的相位分布函數，仿真結果顯示誤差平方和降低10.1%，對相位初值的依賴程度降低1個數量級。
在線產線無需機械對焦即可清晰捕獲多位置、多尺寸目標，并以可溯源的數學解碼確保測量精度達到工業計量標準。
5.3 生物醫療：內窺鏡與顯微成像的進化方向
在醫療領域，內窺鏡、手術顯微鏡、眼科診斷設備等都面臨著共同的痛點：工作距離不斷變化，操作者需要頻繁手動對焦；設備需要盡可能微型化以減少侵入性；環境光線條件不可控。這些痛點，恰好是波前編碼技術的天然用武之地。
該系統減少了快速移動目標導致的成像延遲，顯著提升****能力，可確保在高強度**場景下對高機動多目標的快速探測。
關鍵詞：波前編碼；超景深；長焦光學系統；數字圖像解碼；**目標探測
以發散角最小化、波前誤差最優化為目標，啟用軟件內置優化算法，將透鏡曲率半徑、厚度、空氣間隙設為變量，自動校正球差、彗差等初級像差，完成多目標迭代優化。通過公差分析模塊，評估元件加工與裝調誤差對系統性能的影響，給出工程容錯范圍。
本次網絡研討會將介紹 Ansys optiSLang 與HFSS 的協同應用方法，結合工程實例，講解基于 AI/ML 的參數優化、多目標權衡及魯棒性設計思路，幫助工程師深入理解 AI 技術在高頻器件設計中的實際應用價值。
結合軟件自動優化引擎，對光柵周期、深度、占空比及波導傾角進行多目標迭代優化，提升耦合效率與視場均勻性，抑制色散與雜散光，在設計階段完成性能達標驗證，顯著縮短開發周期與試驗成本。
作品名稱：基于Ansys平臺的大尺寸車載屏高速信號的仿真實踐
作者： 常志，洪先長，高孝濤 | 天馬汽車電子有限公司
關鍵詞：Ansys仿真平臺；車載屏；高速信號；多目標拓撲
作者說
Ansys工具能夠通過精準施策，全面提升產品的信號傳輸效率、抗干擾能力、阻抗匹配精度及電磁兼容性，不僅使產品各項性能指標達到設計標準，更為其在高頻、高可靠性應用場景中的推廣與應用提供了有力支撐，具有重要的實際應用價值與技術參考意義
