智能优化设计平台 AIPOD

天洑软件

AIPOD的功能概述

AIPOD 是由南京天洑自主研发的一套通用的智能优化设计软件平台，它集成了业界一流的前沿算法，可帮助设计团队高效地寻找到更好的产品或流程设计方案。AIPOD 使用门槛低，建模简单便捷、优化快速。其功能具体包括：

①强大的计算流程建模

②针对小计算规模的智能优化算法 Silverbullet

③智能代理学习 AIAgent

④智能代理优化、智能递进式优化

⑤并行计算及基于Web的远程监控

强大的计算流程建模

提供图形化的计算流程建模功能，可实现任意复杂的计算流程建模，可以方便的调用任意的商业软件、自研软件或直接以脚本形式嵌入计算公式。

① 节点任意拖拽连接，进行数据和文件传递

② 支持图形嵌套

对于选择的计算模型，可以给定输入，直接启动仿真任务，可用于模型测试。

先进的智能优化算法

定义优化问题

对计算模型，通过指定不同的优化设计变量和优化目标，就可以定义优化问题；一个计算模型可以定义任意多个优化问题；对优化问题，针对具体的场景，选择合适的优化算法，来创建优化任务。

AIPOD两大智能优化算法

• 针对小计算规模的直接优化算法 Silverbullet
• 针对大计算规模的智能代理优化算法
  

针对小计算规模的智能优化算法 Silverbullet

● 场景

针对100量级定制化研制的高效优化算法，在计算成本有限的情况下，以尽可能少的计算代价，获取尽可能高的性能提升。

● 技术原理

基于智能采样技术、耦合优化技术，以及一套核心的参数指标动态协调全局优化和局部探索力度，从而实现在（微）小计算规模下的高效优化性能提升。

● 技术特点

Bound-break：对于无法精确给定变量范围的部分变量，不以增加额外探索为代价，智能地突破不当的边界约束！

近无损的扩展性，可灵活追加：AIPOD 支持灵活追加计算投入，并保证“链式”优化过程的性能提升效果近无损，解决“二次追加，优化后劲不足”的困扰。

Silverbullet：船型优化对比算例

● 优化问题概述

6个设计变量

1个目标，船型阻力最小

2个约束

● 对比场景

AIPOD和竞品算法同时进行64优化，AIPOD开启bound-break特性

优化完成后，双方各追加8次计算，进行递进式的优化

● 优化搜索过程和结果对比

64步优化，AIPOD实现5.01%的性能提升，而竞品算法只实现了3.36%的性能提升

对比算法的优化搜索过程

AIPOD的优化搜索过程

● “近无损的扩展性，可灵活追加”特性效果展示

*64步优化后，在追加8次计算中，AIPOD仍实现了0.06%的性能提升

● 优化结果对比汇总

*对该算例，竞品算法通过31步优化得到其历史最优效果，而AIPOD在24步即可超过该优化效果

● 最优设计对比

当工程师对设计参数的范围设置不恰当时，即便在64这种微计算规模下，AIPOD依旧可以快速突破人为引入的“天花板壁垒”，找到最优设计。

竟品算法优化模型和母型对比

AIPOD优化模型和母型对比

Silverbullet：Turbine优化对比算例

● 优化问题概述

9个设计参数

1个优化目标：ptloss极小

3个约束：

0.0243<massflow<0.0297

17.1<flowangle<20.9

0.95<mach<1.16

● 优化结果对比

● 最优设计对比

相比船型优化对比算法，该算例中工程师给定的设计变量的范围较为合理，AIPOD和竞品算法得到的最优设计均包含在设计空间之中

AIPOD虽然开启了bound break，但是它并没有盲目的尝试越界探索，非常高效的找到了最优设计，这体现的 Silverbullet具有智能的特点

高精度代理学习技术AIAgent

应用超参学习等人工智能技术，构建高精度的代理模型，加速评估和优化

<500

技术路线: gitter+bootstrap+(LR+SVR/SVM+Kriging…)

效果：母型推荐，粗粒度分类为主，低精度预测

1K~1W

技术路线：RBF/SVR+ensemble/sklearn/xgboost

效果：部件性能预测代理（参数化维度≤15维），侧重提取领域问题的定性趋势(learning optimization based on accuary-perf)

10W

技术路线：lightGBM/V1/V3-RLNet

效果：采用自研轻量级深度学习算法，实现部件性能预测，可处理问题对象更复杂，非线性表达能力更强

智能代理优化

● 使用场景

用户主营的设计对象，如一家只提供锅炉燃烧器的厂商，“燃烧器优化”是这家工厂核心且不变的设计需求，与其每次剥离地单次投入200计算次数用于单次优化，不如直接一次性生成5000组样本集合，一次性灌装训练得到代理模型，后续完全可复用并且快速响应任何变动的优化设计需求

● 技术原理

AIPOD“智能代理优化”技术是基于天洑AIAgent、强化学习、启发式优化等技术为一体的功能。其中AIAgent“高精度代理学习”技术，提供了激活利用用户已有数据的载体，从庞杂的数据中寻找规律，推进工业流程和效率的持续优化，让设计闭环积累，基础创新提速；强化学习和优化技术则保证了在可控的时间内，高效设计方案集的快速输出响应

智能代理优化：电动汽车进气道优化案例

● 汽车进气道优化案例

7个设计变量，1个优化目标为压降最小，1个约束

● 约束条数的参数是变化的，其中两种优化场景是：

进气道构型严格不超出物理包围盒，简称为“约束严格”问题；

进气道可以在拓扑包围核径向上放宽5mm，简称“约束松弛”问题。

● 由于需要尝试不同的约束条件，直接预先投入一定数据的计算提前构建代理，然后进行快速优化

● 700次采样，应用AIAgent，构建高精度代理，平均预测误差可以达到0.01%

● 基于智能代理优化的快速设计

基于构建的代理，不论约束条件如何变化，均可以在极短的时间内完成优化（< 2min, 因为智能代理优化时无需再次调用CFD，在线响应迅速）得到优化结果

相较于经典的组合优化方案（sobol+NSGA-II），智能代理优化可以实现更快、更好的设计

智能代理递进式优化：电动汽车进气道优化案例

● 背景

罗马不是一日建成的，数据集的积累绝非一朝一夕就能快速完成的。这个过程中，基于不完善的数据，通过“智能代理优化”得到的结果也有可能并非真正的“最优”，是有可能还有进一步的提升的空间。在数据积累的越早期，这种情况出现的频率也是越高的。

● 技术原理

对于有极致性能追求的用户，基于智能代理优化的优化结果，使用天洑的智能递进式优化算法，通过追加以极少的计算次数，就可以实现性能提升。

● 汽车进气道优化案例

在无约束的情况下，由于问题较简单，直接优化也可到很好的优化效果，代理优化效果提升不明显。

对此，启用AIPOD智能代理递进式优化，只需要追加37个新数据样本，便可以在22.24Pa的优秀母型基础上实现12.23%的优化效果跃升。

并行计算及基于Web的远程监控

计算并行

● 系统采用多进程架构，最大程度的保证主进程的快速响应和稳定；

● 对计算模型的计算任务，支持多进程的并行调度；

● 提供计算异常自动捕获，保证优化稳定性；

● 高级版的计算进程还可以位于其他的物理机上，构成集群（需要计算软件License支持）

远程任务监控

AIPOD 提供基于 Web 的用户界面，将 AIPOD 部署在服务器，可以利用强大的硬件资源，用户通过浏览器可以随时随地的接入，管理模型、提交任务以及查看任务的运行状态。

总结

● AIPOD优化算法的特色

高效智能探索的silverbullet算法

bound-break特性

近无损的递进式优化

● 可复用的高精度代理训练AIAgent

基于代理的快速评估

● 智能代理优化

基于代理的快速优化

智能递进式优化

其他特色

● 图形化的计算过程建模，轻量级的仿真平台

● 分布式多进程的计算支持，超时自动管控，保证优化和采样过程稳定

● 基于Web的人机交互，AIPOD可运行于服务器，远程网络接入，随时访问

----------------The end----------------