Optimetrics
Optimetrics是AEDT中的簡易最佳化工具。
Optimetrics
在AEDT中，Optimetrics是各個軟件的簡易最佳化工具，用於 Ansys Electrical 和 ElectroMagnetics 產品中。它可以根據可變幾何形狀、材質、激勵、元件值等參數進行最佳化設計。最佳化過程旨在定位使用者定義的成本函數的最小值。Optimetrics 將修改變數值，直到達到可接受精確度的最小值為止。
進行最佳化分析可幫助找到問題的最佳解。Optimetrics 結合了以下類型的數值最佳化器：
序列非線性規劃（SNLP）：推薦使用，適用於大多數情況。
序列混合整數非線性規劃（SMINLP）
擬牛頓法
模式搜尋
遺傳算法
MATLAB 最佳化器
Screening (Search based)：使用基於 Hammersley 算法的準隨機數生成器(非迭代直接取樣方法)。適合初步設計，能找到多個暫定最優解，後續可用 NLPQL 或 MISQP 精細化。
Multi-Objective Genetic Algorithm（MOGA）：適合全局最優解搜尋(迭代隨機搜尋算法)，先找出多個暫定最優解，再用 NLPQL 或 MISQP 精細化。
Nonlinear Programming by Quadratic Lagrangian（梯度法）：基於梯度的單目標最佳化器，適合局部最佳化。
Mixed-Integer Sequential Quadratic Programming（梯度和離散）：基於梯度的單目標最佳化器，解決混合整數非線性規劃問題，適合局部最佳化。
Adaptive Multiple Objective（梯度法）：這是一種迭代的多目標最佳化器，使用克里金響應面和 MOGA。在這種方法中，使用克里金響應面可以加速最佳化過程，因為並不是所有設計點都會被評估，只有在必要時才會進行評估，而部分群體通過克里金響應面進行模擬，該響應面由 MOGA 提交的所有設計點構建。
Adaptive Single Objective（梯度法）：這是一種基於梯度的單目標最佳化器，使用 OSF（最優空間填充）DOE、克里金響應面和 MISQP。
最佳化器假設問題接近最佳解，必須指定預期最優值區域的域。所有最佳化器允許定義最大迭代次數，以防止耗盡計算資源，並能分析獲得的解。約束可以在添加約束窗口中定義，對於 SNLP 和 NMINLP 可為線性或非線性，對於擬牛頓法和模式搜尋則必須為線性。
成本函數可能是高度非線性的，在函數評估過程中可能會顯著變化。每次迭代會執行多次函數評估，這些評估根據成本函數的非線性程度可能顯示出顯著變化，與最佳化算法是否收斂無關。
對於非梯度搜尋的最佳化算法，如“模式搜尋”，完全基於函數評估，成本函數的顯著變化可能會讓人誤以為算法沒有收斂。最佳化器報告的是函數評估結果，而不一定是每次迭代的最佳化性能。
optisLang
近幾年，因為Optimetrics功能的侷限性，且AI與ML的設計需求日增，如果有進階最佳化的需求，Ansys現在提供功能更為強大的optiSLang(註 1) 來作為協同開發工具，如圖1-1 & 1-2。但如果使用者的問題不複雜且沒有串連流程工作的需求，使用Optimetrics的功能來達到目的還是足夠的。
註 1: optiSLang是Ansys AI與ML的工具。除了最佳化與建立AMOP降階模型，還有串接各個軟件自動執行的強大功能。其中的串接功能，可以一鍵實現自動化流程，並且不侷限Ansys的軟件，其他像是Excel、Matlab、Python、Adams、COMSOL...亦可以在裡面做串聯工作。
Last updated
