iSIGHT 在算法、架构和使用层面上的应用和比较

ylai

iSIGTH的方法和架构在某些层次上和现在的一些专业软件和通用优化软件有交集， 但是它的功能远远超越了这些软件；针对常见的问题，简单归纳一下：
  
1。iSIGHT的探索算法
   iSIGHT综合了多种软件的专业算法构成了一个用户可以自由选择和组合的探索算法库，有：
  数理统计中的试验设计 (DOE),和近似建模(RSM, Taylor Series, VCM, Kringing)
  优化算法中的：数值法、全局法、启发算法、知识规则、变约束限的多准则权衡
  质量工程和不确定优化方法： MonteCarlo Simulation, 田口设计， 可靠性分析优化， 6 Sigma稳健设计优化
  
  他们构成一个完整的探索方案库，供工程师按不同的情况选择和组合。
  
2。 iSIGHT的集成架构：
  
iSIGHT的好处是灵活的优化架构，可实现 协调优化CO， 并行子空间CSSO， BLISS等MDO多学科设计优化的框架任务，
注意，这里是优化架构，不是通常所谓的优化算法.
一般来说，优化架构包含了多层和若干个优化子问题，并且强调如何进行子问题之间的数据传递、子问题中的优化算法如何选择等等。 所以，iSIGHT的优化框架和优化算法是在涵盖和超越了其他通用优化软件的。
  
－－－－－－具体使用上：－－－－－
  
1. 操作性：
iSIGHT的集成界面都是GUI操作，无需编程
iSIGHT的探索算法可以自由选择，有机组成各种探索方案，从而针对不同问题，采用不同的策略进行改进优化。
  
2. 速度：
同大多数CAE软件类似，在任务编写模式的时候与内存有关；但当任务运行的时候，时间主要花在仿真上，而并不是iSIGHT调用各种探索算法和数据解析上。

ghostfp

不错。希望ylai大侠多多给出这样的好贴、

numeca

疑问：
  
1、对变复杂度模型（VCM）,我的理解就是在问题的不同阶段或层次上使用不同复杂程度的模型。
比如在概念层次、初步设计阶段、详细设计阶段使用从简单到复杂的模型。
那么在isight的变复杂度模型都有些什么呢？
  
2、对于Kriging模型中相关函数的选择、模型的构造我一直不太清楚
能否推荐几篇详细些的参考文献？
  
谢谢ylai

ylai

1. VCM:
  主要用在： 如果你有二个不同精度和效率的分析模型：
    比如：一个是经验模型，算的快，但是不精确
             另一个是全三维有限元模型，算的慢，但是精确
    那么你怎么充分利用这两个模型，加快优化的速度？同时兼顾效率和精度？
   答案就是：变复杂度近似建模，它实际就是把粗模型和精确模型按照某种规则互相迭代－预测－校正，规则可以是：用校正因子（比值、差值）等等
  
2。Kriging:
  它的原理是用多个高斯轮廓来迭加，并且有统计量在里面，  那些统计量的求解又包含一个子优化问题，所以需要一定的计算量，但它的好处是全局近似，高阶光滑，并且模型通过每个抽样点。 你可以到一些科技文献检索数据库中检索一下，该方法比较新。               

numeca

谢谢ylai
我对VCM的理解还有点不够深
可不可以这样理解，快的模型我用来探索，而精确的模型用来分析
这个互相迭代－预测－校正的过程中，不同模型得到的结果怎么结合起来呢
  
另外，看到一些国内的关于kriging的文献，主要是地质统计等方面的，kriging用的都是线性，对kriging的介绍是说“最优线性无偏估计”
你说的高斯轮廓应该是相关函数为高斯函数吧，这是否是非线性的
  
还有关于模型通过每个抽样点，是不是有种最小二乘法也可以做到，当然不是一般的最小二乘，
好像记得有，但不确定，不知你是否知道
  
在isight的help里有没有关于这些内容的稍微详细一点的介绍，我粗粗翻了翻没找到

ylai

一、VCM 用快的模型进行分析，快的模型抽的点多，足以构造近似模型；然后
  
在这个近似模型上进行优化； 然后精确模型进行最后这个优化点的验证
  
，如果没有达到残差或收敛精度要求，就把这个精确模型的计算点累积进
  
去，重新构造近似模型，再优化。。。  总之，VCM一般是与（梯度类）
  
优化算法结合使用的。
  
二、Kriging:   Interpolating models  
  
  是从最优线性无偏估计(BLUP: best linear unbiased pridection)发展来的：
  
1. Roots in mining and geo statistical technology. Involve  
  
spatially and temporally correlated data.
  Suitable to model nonlinear response data.
  
2. Combine a global model + local departures
  Global component is similar to a Response Surface
Models (RSM).
  Local component is a measure of the deviations
from the Global model.
  
3. Y(X) = f(X) + Z(X)
    f(X) – constant term that “globally” estimates the
design space
   Z(X) – result of a stochastic process – determine
“localized” deviations so that the model interpolates n
sampled data points
   Local deviations calculated via correlation matrix –
Gaussian correlation function is used 。

ylai

   

ylai

   v

numeca

谢谢ylai兄！
我有点明白了
有问题再向你请教

ylai

你的联系方式有没有，我们不妨直接交流一下

85LQH

好东西，路过，顶

pwjt

请问有使用isight做VCM的例子吗，能发给我看一下吗，谢了，xmuswens@gmail.com