智能算法與優(yōu)化的案例
Abaqus|智能優(yōu)化算法的反演加強筋位置，提升薄壁結(jié)構(gòu)穩(wěn)定性 ￥50
文章來源：微信公眾號“仿真社”，主要分享Abaqus、ANSYS仿真案例，聚焦于結(jié)構(gòu)優(yōu)化、參數(shù)優(yōu)化，二次開發(fā)等領(lǐng)域，歡迎關(guān)注。
本文你將獲得如下干貨：
1. 有限元模型修正法FEMU結(jié)合智能優(yōu)化算法反演了加強筋位置布局的源程序（python程序，可反演位置、厚度、材料參數(shù)，通用反演程序）
2. 參數(shù)化建模的一些技巧；
3. 直接搜索法和智能算法兩種反演方法，以及了解他們的優(yōu)勢所在；
1.導讀
薄壁結(jié)構(gòu)最常見的失效方式是屈曲（失穩(wěn)）。為了避免此類結(jié)構(gòu)發(fā)生屈曲現(xiàn)象，可以使用加強筋，加強筋可增加結(jié)合面的強度。屈曲臨界載荷是衡量結(jié)構(gòu)發(fā)生屈曲現(xiàn)象的最小載荷，由下式?jīng)Q定：
為屈曲載荷因子，F(xiàn)為外載荷。由上式可知，在外載一定的時候，臨街載荷與屈曲載荷因子成正比，而屈曲載荷因子與加強筋的位置有關(guān)。因此為了提高結(jié)構(gòu)的穩(wěn)定性，需要找到加強筋的最優(yōu)位置使得該結(jié)構(gòu)擁有最大屈曲載荷因子。
尋找最優(yōu)位置的問題是一個反問題，可通過優(yōu)化算法來獲到最優(yōu)解。差分進化算法是一種全局智能優(yōu)化算法，是遺傳算法的變體，可高效獲得最優(yōu)解。本文使用智能優(yōu)化算法對位置參數(shù)進行了反演并使用遍歷搜索優(yōu)化算法來進行了對比。
2.問題描述
針對圖1優(yōu)化前所示結(jié)構(gòu)，優(yōu)化軸向4個加強筋位置，使得屈曲載荷因子最大。圓筒高400mm，圓筒直徑為400mm,薄壁厚1mm,加強筋厚2mm。圓筒在頂端受到大小為500N，方向為-y方向的集中力。
圖1 帶有加強筋的圓筒模型
通過差分進化優(yōu)化算法獲得的加強筋均勻分布在圓筒的四周，是不是很符合力學認知？
3. 代碼詳解
這一部分將結(jié)合代碼詳細展現(xiàn)如何實現(xiàn)這一過程的技術(shù)細節(jié)以及智能優(yōu)化算法的優(yōu)勢。
展開 人才+技術(shù)雙輪驅(qū)動：天洑研發(fā)專家夏松濤攻克優(yōu)化算法卡脖子難題
南京天洑軟件有限公司研發(fā)專家夏松濤，曾任職于西門子美國研究院和Ansys公司的技術(shù)專家，他始終心系祖國制造業(yè)的"軟肋"，于2022年底回國加入天洑軟件，致力于智能優(yōu)化算法的自主研發(fā)。
作為南京市重點引進人才及天洑軟件核心技術(shù)帶頭人，夏博士近日在接受南京電視臺和南京日報聯(lián)合采訪時表示：“南京的人才扶持政策非常完善，從科研資金支持到人才安居保障，為我們解除了后顧之憂，能夠全心投入CAE算法的研發(fā)攻關(guān)。”
天洑軟件作為國家級專精特新“小巨人”企業(yè)、國家鼓勵的重點軟件企業(yè)，通過引進國際頂尖人才與自主創(chuàng)新相結(jié)合，在智能優(yōu)化算法領(lǐng)域取得重大突破。夏博士介紹：傳統(tǒng)優(yōu)化方案需要專家數(shù)周時間才能完成，而天洑自研的人工智能優(yōu)化算法可將這一過程縮短至數(shù)小時，在精度和效率上實現(xiàn)了質(zhì)的飛躍。
天洑軟件始終堅持人才+技術(shù)雙輪驅(qū)動。夏松濤等核心專家的回歸不僅帶來了國際前沿經(jīng)驗，更推動了公司技術(shù)體系的全面升級。
目前，天洑軟件的智能優(yōu)化算法已在多個工業(yè)領(lǐng)域成功應用，幫助客戶顯著縮短研發(fā)周期，提升產(chǎn)品性能，生動踐行了天洑軟件“軟件報國”使命。
展開 發(fā)布會|TurboTides 2024R2全新版本：智能算法驅(qū)動的全自動優(yōu)化透平機械集成設計平臺
2024年12月18日周三 （19:30- 20:30）在線直播??點擊提前預約
TurboTides是一款針對旋轉(zhuǎn)機械領(lǐng)域的集設計、建模、仿真、優(yōu)化、數(shù)據(jù)管理于一體的現(xiàn)代化設計平臺。該產(chǎn)品是CAE仿真工具與系統(tǒng)工程思想的正向設計系統(tǒng)，致力于為旋轉(zhuǎn)機械行業(yè)用戶提供一體化、專業(yè)化、定制化和智能化的CAE設計工具。
本次TurboTides 2024R2版本的發(fā)布會將重點介紹升級亮點，帶您更加深入了解這款產(chǎn)品。
行業(yè)現(xiàn)狀
旋轉(zhuǎn)機械在航空航天、能源、化工和制造等領(lǐng)域具有廣泛的應用。隨著全球?qū)?jié)能減排和高效運行的需求日益增長，提高效率、降低能耗和減少排放是旋轉(zhuǎn)機械設計的核心目標。當前市場上的CAE仿真與優(yōu)化工具種類繁多，但存在以下局限：
1、多工具分散：大多數(shù)工具只專注于某一特定領(lǐng)域，難以實現(xiàn)多學科集成優(yōu)化，旋轉(zhuǎn)機械設計需要同時考慮空氣動力學、熱力學、結(jié)構(gòu)力學、流體動力學等多個學科的協(xié)同優(yōu)化。
2、自動化水平低：許多設計過程仍然依賴人工干預，難以滿足市場對快速響應的需求迫使設計工具需要具備快速迭代和自動化優(yōu)化的能力。
產(chǎn)品升級重大亮點
一 智能驅(qū)動，全程優(yōu)化
* TurboTides 集成了人工智能優(yōu)化器 OASIS、參數(shù)化建模工具、自動化網(wǎng)格生成和 CFD/FEA 求解器，為用戶提供從設計到分析的全流程自動化支持。
* 支持單目標、多目標、多學科的智能優(yōu)化，涵蓋多點優(yōu)化和氣動結(jié)構(gòu)耦合優(yōu)化，顯著減少設計迭代時間，讓初級工程師也能完成高級設計任務。
二 不斷創(chuàng)新，持續(xù)提升
* 引入多級循環(huán)分析擴展功能，結(jié)合通流數(shù)據(jù)修正和反問題設計模式，實現(xiàn)更高效、精確的設計流程。
展開 36基于matlab的對分解層數(shù)和懲罰因子進行優(yōu)化。蟻獅優(yōu)化算法優(yōu)化VMD,算術(shù)優(yōu)化算法優(yōu)化VMD ￥25.9
基于matlab的對分解層數(shù)和懲罰因子進行優(yōu)化。蟻獅優(yōu)化算法優(yōu)化VMD,算術(shù)優(yōu)化算法優(yōu)化VMD，遺傳優(yōu)化算法優(yōu)化VMD，灰狼優(yōu)化算法優(yōu)化VMD，海洋捕食者優(yōu)化算法優(yōu)化VMD，粒子群優(yōu)化VMD，麻雀優(yōu)化算法優(yōu)化VMD，鯨魚優(yōu)化算法優(yōu)化VMD。程序已調(diào)通，可直接運行。
基于灰狼算法優(yōu)化支持向量機的matlab算法
灰狼優(yōu)化算法優(yōu)化支持向量機MATLAB實戰(zhàn)
今天給大家分享灰狼優(yōu)化算法的MATLAB實戰(zhàn) ，主要從算法原理和代碼實戰(zhàn)展開。
需要了解更多算法代碼的，可以點擊文章左下角的閱讀全文，進行獲取哦~需要了解智能算法、機器學習、深度學習和信號處理相關(guān)理論的可以后臺私信哦，下一期分享的內(nèi)容就是你想了解的內(nèi)容~
一、灰狼優(yōu)化算法
灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）由澳大利亞格里菲斯大學學者 Mirjalili 等人于2014年提出來的一種群智能優(yōu)化算法。該算法受到了灰狼捕食獵物活動的啟發(fā)而開發(fā)的一種優(yōu)化搜索方法，它具有較強的收斂性能、參數(shù)少、易實現(xiàn)等特點。
灰狼屬于犬科動物，被認為是頂級的掠食者，它們處于生物圈食物鏈的頂端。灰狼大多喜歡群居，它們具有非常嚴格的社會等級層次制度，如下圖所示。
金字塔第一層為種群中的領(lǐng)導者，稱為 α 。在狼群中 α 是具有管理能力的個體，主要負責關(guān)于狩獵、睡覺的時間和地方、食物分配等群體中各項決策的事務。
金字塔第二層是 α 的智囊團隊，稱為 β 。β 主要負責協(xié)助α 進行決策。當整個狼群的 α 出現(xiàn)空缺時，β 將接替 α 的位置。β 在狼群中的支配權(quán)僅次于 α，它將 α 的命令下達給其他成員，并將其他成員的執(zhí)行情況反饋給 α 起著橋梁的作用。
金字塔第三層是 δ ，δ 聽從 α 和 β 的決策命令，主要負責偵查、放哨、看護等事務。適應度不好的 α 和 β 也會降為 δ 。金字塔最底層是 ω ，主要負責種群內(nèi)部關(guān)系的平衡。
灰狼的社會等級在群體狩獵過程中發(fā)揮著重要的作用，捕食的過程在 α 的帶領(lǐng)下完成。
展開 【產(chǎn)品】智能優(yōu)化設計軟件平臺AIPOD 2024R1正式發(fā)布
AIPOD是由天洑軟件自主研發(fā)的一款通用的智能優(yōu)化設計軟件平臺，致力于解決性能更優(yōu)、成本更低、重量更輕等目標的工程設計尋優(yōu)問題。軟件針對工業(yè)設計仿真領(lǐng)域存在的諸多問題，如產(chǎn)品指標達到瓶頸、依賴專家經(jīng)驗、多學科多目標難以兼顧等，基于人工智能技術(shù)研發(fā)了先進的智能優(yōu)化策略，使得軟件使用門檻更低，優(yōu)化效率更高，優(yōu)化效果更好。無論是結(jié)構(gòu)、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(yōu)化算法
● 數(shù)字化專家知識挖掘與優(yōu)化輔助
● 便利的圖形化優(yōu)化流程搭建界面
● 自動化流程執(zhí)行引擎
● 適配多類型的操作系統(tǒng)及計算集群
● 敏捷的后處理可視化探索
● 國產(chǎn)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(xiàn)了升級，具體包括
■ 支持基于Hypermorph的非參數(shù)化幾何模型優(yōu)化
■ 新增CAD/CAE軟件接口，結(jié)構(gòu)優(yōu)化場景覆蓋更全面
■ 升級變量關(guān)聯(lián)功能，變量提取更輕松
■ 新增優(yōu)化任務結(jié)果一鍵驗證功能，優(yōu)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(zhí)行、任務監(jiān)控）
圖1 智能優(yōu)化設計軟件AIPOD 2024R1啟動界面
1）支持基于Hypermorph的非參數(shù)化幾何模型優(yōu)化
AIPOD 2024R1版本新增對非參數(shù)化幾何模型的優(yōu)化支持。在以往的版本中，AIPOD擅長處理如變幾何參數(shù)、變邊界條件等優(yōu)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(shù)化的幾何模型，導致優(yōu)化工作無法開展。
展開 常用參數(shù)自動標定算法總結(jié)（單純形，遺傳算法，貝葉斯優(yōu)化算法，粒子群算法等）
在本推文中介紹四類常用參數(shù)自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優(yōu)化ego方案。
單純形方案實現(xiàn)最簡單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)更大的空間適合全局搜索
ego方案相比于其余三類方案的優(yōu)勢體現(xiàn)為
EGO使用代理模型（如高斯過程回歸）來預測目標函數(shù)，極大減少了實際函數(shù)評估次數(shù)。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態(tài)平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數(shù)量極少的情況下表現(xiàn)優(yōu)于GA。
當樣本數(shù)量少，且有約束優(yōu)化時適合使用ego方法。例如在評估晶體塑性模型參數(shù)時
不過這些優(yōu)化算法經(jīng)常容易陷入局部最優(yōu)，即優(yōu)化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區(qū)間的優(yōu)化，最后使用NM方案進行小區(qū)間尋找，如果陷入局部最優(yōu)解，引入全局擾動方案或者爆炸方法跳出局部區(qū)間重新搜索即可。
基于該思路編寫對應的程序，實現(xiàn)參數(shù)的自動標定過程：
這里實現(xiàn)對vpsc模型的復雜參數(shù)自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統(tǒng)考慮tau_0,tau_s,h_0,一共12個待標定參數(shù)給定參數(shù)區(qū)間如下
設置最大迭代次數(shù)為2000次，初始優(yōu)化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優(yōu)化算法。
展開 【技術(shù)】天洑智能優(yōu)化案例集錦（1）——芯片散熱器結(jié)構(gòu)優(yōu)化
圖2 電子芯片散熱結(jié)構(gòu)的自動化優(yōu)化設計流程圖
圖3 AIPOD優(yōu)化流程搭建示意圖，只需要簡單的流程搭建即可開始優(yōu)化
1.基于參數(shù)化建模方法，有助于AIPOD優(yōu)化方案的實時驗證、評估和方案迭代，保證優(yōu)化方案的可行性；
2.基于AIPOD的自動化優(yōu)化流程，可以有效減少用戶手動操作的過程，基于優(yōu)化算法的自動尋優(yōu)也有助于發(fā)現(xiàn)新的散熱結(jié)構(gòu)設計方法；
3.基于AIPOD中集成的智能優(yōu)化算法，可以有效幫助電子芯片散熱系統(tǒng)的結(jié)構(gòu)設計，快速得到更好的散熱結(jié)構(gòu)。
應用價值
1.有效提高散熱系統(tǒng)的平均熱流密度，在相同工作環(huán)境下，平均熱流密度可以提高5%左右；
2.高效輔助電子芯片散熱器設計，減少迭代設計的時間和人力成本。在硬件條件允許的情況下，可以同時進行多類散熱器的優(yōu)化設計。
相關(guān)案例
如對相關(guān)軟件感興趣，可以
聯(lián)系我們
或申請
軟件試用
。
展開 AIPOD——人工智能優(yōu)化設計平臺
AIPOD是一款智能優(yōu)化平臺，具有先進的智能優(yōu)化策略；主要用于目標函數(shù)為數(shù)值模擬（如CAE）類的優(yōu)化問題，追求以更小的計算代價，更短的時間找到更優(yōu)的設計方案。
AIPOD特點
1) 具有優(yōu)秀的智能優(yōu)化算法，擁有較高的優(yōu)化效率；
2) 包括含代理和無代理多種優(yōu)化模式；
3) 支持多目標優(yōu)化與多工況優(yōu)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(yōu)化算法測試
AIPOD通用全局優(yōu)化算法測試，驗證算法是否能夠滿足，在充分小的計算規(guī)模下，尋找到充分可取的優(yōu)解；測試函數(shù)如表1所示。
同時，對比測試選用的優(yōu)化算法和最大計算數(shù)目如下表所示；
1 單目標值優(yōu)化
1.1 Shubert函數(shù)：
1.2 Griewank函數(shù)：
2 多目標值優(yōu)化
ZDT1，2，3，4測試函數(shù)：
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(shù)測試
ZDT2函數(shù)測試
ZDT3函數(shù)測試
ZDT4函數(shù)測試
展開 智能汽車中人工智能算法應用及其安全綜述
基于圖優(yōu)化的SLAM 框架避免了借助圖優(yōu)化理論，前端完成相機跟蹤，確定定位任務，后端實現(xiàn)建圖與地圖優(yōu)化，后端一般會將相機姿態(tài)和地圖優(yōu)化至局部或全局最優(yōu)處，因而基于圖優(yōu)化的SLAM 跟蹤到的相機軌跡會比較平滑，地圖也更精細。PTAM[54]是第一個可以接近實時運行的圖優(yōu)化SLAM 框架，其基本思想是前端利用跟蹤算法完成相機的位姿跟蹤，當前端觸發(fā)關(guān)鍵幀(key frame)生成條件時，激活后端建圖任務。ORB-SLAM 將前端跟蹤算法替換為ORB 描述符[20]，并提供了可以商業(yè)化的開源代碼[59]，不過由于ORB-SLAM 使用的是稀疏特征點，建立的地圖也是稀疏的。SVO[57]、DSO[56]為半稠密地圖、稠密地圖提供了解決方案。為了適應一些復雜環(huán)境，多傳感器融合也經(jīng)常應用到SLAM 中，視覺傳感器和IMU 組合使用可以解決純視覺SLAM 在估計深度時容易出現(xiàn)誤差的問題。VINS[58]成功的融合了視覺和IMU，能夠長時在戶外建立大規(guī)模地圖。
回環(huán)檢測用于判斷智能車是否曾經(jīng)到訪過當前所處的位置。在智能車三維重建周圍環(huán)境的過程中，由于累計數(shù)值誤差的存在，導致尺度漂移是SLAM 至今為止都未完全攻克的問題。閉環(huán)檢測可以減弱累計誤差對整個三維重建過程的影響，增加收斂性。在傳統(tǒng)機器學習時代，大量的方法使用詞袋模型[60](bag of words, BoW)實現(xiàn)閉環(huán)檢測。近年來，以深度學習為代表的方法得到很多研究者的關(guān)注，這類方法以圖像檢索的思路解決回環(huán)檢測任務，文獻[61]首次用神經(jīng)網(wǎng)絡從視覺地點識別的角度建立網(wǎng)絡模型。受BoW 和神經(jīng)網(wǎng)絡啟發(fā)，NetVLAD[62]利用網(wǎng)絡學習類別中心殘差系數(shù)，大幅提升了檢索性能，研究視覺地點識別的還有文獻[63-66]。
展開 OASIS 奧希思 R2018.1智能優(yōu)化軟件培訓總結(jié)
為期三周的OASIS 奧希思 R2018.1智能優(yōu)化軟件培訓結(jié)束了。讓我們一起回顧總結(jié)一下這三周的主要內(nèi)容。
2018.11.15
首先介紹了奧希思所具有的智能優(yōu)化算法以及軟件特點。其次介紹了奧希思智能優(yōu)化軟件的文件構(gòu)成、問題設置模塊、優(yōu)化設置模塊以及結(jié)果和可視化模塊。對于問題設置模塊深入講解了基于babel語言的數(shù)學表達方程式的書寫規(guī)則。最后引用了一個金屬罐優(yōu)化案例來進行實際操作驗證。
2018.11.22
主要介紹了針對工程問題仿真優(yōu)化的接口。奧希思智能優(yōu)化軟件目前具有三個接口，一個是一般接口，所謂的一般接口就是指只要找到外部軟件的輸入和輸出文件就可以與奧希思進行集成鏈接，形成各行各業(yè)具有特色的設計仿真優(yōu)化智能軟件。第二個接口是ANSYS接口，我們都知道ANSYS是一款很強大的CAE仿真軟件，并具備多學科仿真能力，目前奧希思已經(jīng)在ANSYS Worbench里具有插件，只需一鍵就可以將ANSYS Workbench和奧希思集成起來進行仿真優(yōu)化。第三個接口是SolidWorks接口，同第二個接口一樣，我們亦可在SolidWorks中找到奧希思插件模塊，一鍵進行優(yōu)化同步設計，使模型設計參數(shù)達到最優(yōu)。最后操作了三個集成案例來分別演示說明奧希思具有的三個接口。
2018.11.29
重點介紹了決策支持模塊，幫助工程師進一步地進行方案的智能抉擇。其次又分別介紹了一些額外的功能，像DOE模塊，設計驗證，歷史日志等等。
奧希思智能優(yōu)化軟件操作簡單易懂，無需選擇算法調(diào)節(jié)參數(shù)，并具有高效的搜索及全局優(yōu)化算法并且擅于解決大變量，強約束以及黑箱問題。設計和搜索過程可以隨時觀察分析，結(jié)果可靠性更高，并具有獨特的決策分析與篩選模塊。使工程師從優(yōu)化中解放出來，全身心投入到設計仿真當中。
展開 
智能優(yōu)化設計軟件AIPOD 2023R1新版本功能介紹
圖3 新增優(yōu)化任務節(jié)點，適配系統(tǒng)級的設計流程自動化
三、專家知識輔助優(yōu)化
在傳統(tǒng)產(chǎn)品迭代設計過程中，工程師的經(jīng)驗可幫助判斷產(chǎn)品優(yōu)化方向。為解決自動優(yōu)化早期探索不力的問題，AIPOD 2023R1版本引入了專家知識輔助優(yōu)化模塊：一方面，將工程專家經(jīng)驗固化為規(guī)則化的知識，幫助在自動優(yōu)化過程中快速找到高效設計區(qū)域；另一方面，在優(yōu)化過程中不斷迭代挖掘已有算例中的知識，并以可視化效果向用戶呈現(xiàn)，從而指導下一輪優(yōu)化設計。
圖4 專家知識輔助優(yōu)化，有效解決自動優(yōu)化早期探索不力問題
四、代理訓練算法擴展
AIPOD 2023R1版本將代理訓練算法的集成數(shù)量擴充至近30種，其中既包括了開箱即用的智能算法，以面向入門用戶；同時也提供了更開放、更專業(yè)的算法選擇和超參數(shù)配置，以面向?qū)υO計空間了解更深入的用戶。
圖5 代理訓練算法擴展
AIPOD更多詳細介紹及軟件試用申請，請點擊
“AIPOD - 智能優(yōu)化設計平臺”，前往查閱。
展開 天洑軟件6月23日“智能優(yōu)化平臺軟件AIPOD操作培訓” 線上線下免費培訓課即將開始
（2）全新的代理優(yōu)化加速模塊
AIAgent可通過與計算流程的連接，進行數(shù)據(jù)智能采樣，通過天洑自研的機器學習算法，進行代理模型的訓練，為優(yōu)化設計加速助力。AIAgent中的機器學習算法來自于天洑數(shù)據(jù)建模平臺，其核心是天洑自研的超參學習框架，相較于傳統(tǒng)響應面、Kriging模型，AIAgent針對復雜問題表征能力更強、數(shù)據(jù)集需求量更低、使用門檻更低，而且訓練得到的模型可導出，可復用，可作為企業(yè)的核心知識進行管理，提升企業(yè)快速優(yōu)化設計的能力。
圖4 AIAgent一鍵構(gòu)建可復用的高精度代理模型
（3）具有智能探索能力的SilverBullet算法
SilverBullet算法是針對工業(yè)設計領(lǐng)域數(shù)值模擬計算成本高的痛點而研發(fā)，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(shù)、耦合優(yōu)化技術(shù)，以及一套核心的參數(shù)指標動態(tài)協(xié)調(diào)全局優(yōu)化和局部探索力度，從而實現(xiàn)在小計算規(guī)模下的高效性能優(yōu)化提升。SilverBullet算法有以下兩大特色：
① 自適應優(yōu)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(yōu)化流程，大幅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(yōu)化探索能夠擺脫參數(shù)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(shù)范圍邊界，獲得更好的設計方案。
展開 Flotherm智能溫控引擎：GPU服務器散熱優(yōu)化設計
突破散熱極限，釋放GPU算力潛能
GPU散熱面臨的挑戰(zhàn)
在人工智能、高性能計算和圖形處理需求爆炸式增長的時代，GPU服務器已成為現(xiàn)代數(shù)據(jù)中心的核心驅(qū)動力。然而，隨著計算密度的持續(xù)攀升，散熱問題正成為制約性能釋放的關(guān)鍵瓶頸。傳統(tǒng)散熱解決方案在應對新一代300W+ TDP的GPU時已顯得力不從心，導致：
? 芯片溫度頻繁觸及105℃臨界值，觸發(fā)降頻保護機制
? 冷卻系統(tǒng)噪音高達65分貝以上，嚴重影響數(shù)據(jù)中心工作環(huán)境
? 散熱能耗占總功耗比例超過15%，顯著增加運營成本
Flotherm智能溫控引擎簡介
Flotherm智能溫控引擎是一款基于先進計算流體動力學(CFD)技術(shù)，專為高性能計算環(huán)境開發(fā)的散熱優(yōu)化解決方案。該軟件通過精確的數(shù)值模擬和智能算法，為GPU服務器提供全方位的熱管理優(yōu)化。
核心優(yōu)勢
1. 精確的熱場分析能力
Flotherm采用0.1mm級超高精度網(wǎng)格劃分技術(shù)，能夠精準捕捉GPU芯片級的熱點分布。其獨有的k-ε湍流模型可精確預測氣流組織中的短路和回流現(xiàn)象，為優(yōu)化設計提供可靠依據(jù)。
2. 智能優(yōu)化算法
集成機器學習技術(shù)，F(xiàn)lotherm可自動評估數(shù)十種散熱方案，智能推薦最優(yōu)的導流結(jié)構(gòu)和風扇配置。相比傳統(tǒng)試錯方法，優(yōu)化效率提升10倍以上。
3. 全流程解決方案
從概念設計到生產(chǎn)驗證，F(xiàn)lotherm提供完整的虛擬樣機開發(fā)環(huán)境，大幅縮短產(chǎn)品上市時間，降低實物樣機成本達80%。
技術(shù)亮點
1. 多物理場耦合分析
Flotherm突破性地實現(xiàn)了熱-流-結(jié)構(gòu)多物理場的同步耦合計算，能夠準確模擬真實工況下的復雜熱行為。
2. 云端協(xié)同平臺
支持團隊協(xié)作和云端計算，使分布在不同地域的工程師可以實時共享分析結(jié)果，加速決策過程。
3.
展開 【產(chǎn)品】智能優(yōu)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(fā)的一款通用的智能優(yōu)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(yōu)化算法，可以讓設計團隊專注于產(chǎn)品設計本身，而非數(shù)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(chǎn)品或流程設計方案。
現(xiàn)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(yōu)化，具體包括：
更豐富的實驗設計(DOE)算法；
更豐富的優(yōu)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(yōu)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(nèi)實驗設計算法多樣性實現(xiàn)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(nèi)已集成的均勻采樣等算法進行了優(yōu)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(yōu)化設計算法
AIPOD 2022R2針對單目標優(yōu)化需求，補充了包含近兩年學術(shù)界提出的天鷹優(yōu)化引擎在內(nèi)20余種學術(shù)前沿算法；針對多目標優(yōu)化需求，補充了包含近兩年學術(shù)界最新提出的AGEMOEA2的5種學術(shù)前沿算法，新算法的引入使得平臺內(nèi)優(yōu)化設計算法數(shù)量多達50余種。
展開 