HyperLynx Design Space Exploration

Αρχικά, οι χρήστες τροποποιούν το σχέδιο και προσομοιώνουν εκ νέου τις αλλαγές μία κάθε φορά. Αυτό λειτουργεί καλά για απλές μελέτες και είναι εύκολο να κατανοήσουν οι νέοι χρήστες προσομοίωσης. Αυτή η μέθοδος λειτουργεί καλύτερα όταν υπάρχουν μόνο μία ή δύο παράμετροι σχεδιασμού (μεταβλητές) που πρέπει να μελετηθούν και όταν ο χρήστης μπορεί εύκολα να καθορίσει τις τιμές παραμέτρων που θα χρησιμοποιήσουν για την επόμενη μελέτη με βάση τα αποτελέσματα προηγούμενων.

Όταν ο αριθμός των συνδυασμών παραμέτρων σχεδιασμού (παραλλαγές) που πρέπει να μελετηθούν γίνει μεγαλύτερος από μια χούφτα, απαιτείται μια πιο συνεπής και οργανωμένη μεθοδολογία. Η ανάλυση παραμέτρων SWEPT επιτρέπει στον χρήστη να καθορίσει τις παραμέτρους και τις σχετικές τιμές που θα μελετηθούν και στη συνέχεια χρησιμοποιεί μια αυτοματοποιημένη μεθοδολογία για να προσομοιώσει τη συμπεριφορά κάθε περίπτωσης, δημιουργώντας έναν πίνακα των αποτελεσμάτων έτσι ώστε να μπορούν να εντοπιστούν τα καλύτερα. Το κλειδί αυτής της μεθοδολογίας είναι η επιλογή μιας ποσοτικής μέτρησης ή ενός αριθμού αξίας - μιας αριθμητικής τιμής που προέρχεται από τα αποτελέσματα προσομοίωσης που χρησιμεύει ως ένδειξη της συμπεριφοράς του σχεδιασμού. Η ανάλυση παραμέτρων SWEPT διατίθεται σε δύο κατηγορίες - Πλήρης ανάλυση, όπου διερευνώνται όλοι οι συνδυασμοί όλων των μεταβλητών σχεδιασμού, και μειωμένη ανάλυση συνόλων, όπου διερευνάται μόνο ένα υποσύνολο όλων των συνδυασμών.

Μειωμένη ανάλυση συνόλων είναι σημαντικό επειδή ο αριθμός των μεταλλαγών σε μια πλήρη ανάλυση αυξάνεται γρήγορα καθώς οι μεταβλητές και οι τιμές προστίθενται στο μείγμα. Η πλήρης ανάλυση αξιολογεί όλους τους συνδυασμούς όλων των μεταβλητών, είτε έχουν νόημα είτε όχι. Η μειωμένη ανάλυση συνόλων βοηθά στη διατήρηση των χρόνων προσομοίωσης υπό αυτές τις συνθήκες, επιτρέποντας στους χρήστες να αξιοποιήσουν τη σχεδιαστική τους διαίσθηση και καθορίζοντας τρόπους περιορισμού του αριθμού των περιπτώσεων που διερευνήθηκαν.

Για μεγάλες μελέτες, ο αριθμός των περιπτώσεων που πρέπει να διερευνηθούν μπορεί να αυξηθεί σε εκατομμύρια και η παραδοσιακή εξερεύνηση δεν είναι πλέον δυνατή. Σε αυτές τις περιπτώσεις, το υποσύνολο όλων των μεταλλαγών που θα προσομοιωθούν πρέπει να επιλεγεί πολύ αποτελεσματικά χρησιμοποιώντας προηγμένες μαθηματικές μεθόδους δειγματοληψίας, επειδή μόνο ένα μικρό ποσοστό του συνολικού αριθμού μεταλλαγών μπορεί να προσομοιωθεί πρακτικά. Αυτό κάνουν τα προηγμένα εργαλεία βελτιστοποίησης - ο χρήστης καθορίζει το εύρος των μεταβλητών σχεδιασμού και των τιμών που πρέπει να διερευνηθούν (το χώρο σχεδιασμού), οι μετρήσεις εξόδου που χρησιμοποιούνται για τη σύγκριση της συμπεριφοράς σχεδιασμού (το απαντήσεις), τις τιμές για εκείνες τις απαντήσεις που καθορίζουν την επιτυχία ή την αποτυχία του σχεδιασμού (ο σχεδιασμός στόχων) και, για κάθε απάντηση, εάν η πρόθεση είναι να μεγιστοποιηθεί ή να ελαχιστοποιηθεί η αξία της (ο σχεδιασμός στόχοι).

Η επιφάνεια απόκρισης ορίζεται ως ο n-διάστατος χώρος που δημιουργείται από την τιμή κάθε μέτρησης στο εύρος των εισόδων - με απλά λόγια, μια γραφική παράσταση των τιμών εξόδου. Όταν υπάρχει μόνο μία μεταβλητή, η επιφάνεια απόκρισης είναι ένα διάγραμμα 2D (x-y) ή μια καμπύλη. Όταν υπάρχουν δύο μεταβλητές εισόδου, η επιφάνεια απόκρισης είναι ένα διάγραμμα 3D, με τη μέτρηση εξόδου να απεικονίζεται στον άξονα Ζ. Όταν υπάρχουν τρεις μεταβλητές εισόδου, η επιφάνεια απόκρισης γίνεται τετραδιάστατη και ούτω καθεξής. Αυτές οι επιφάνειες απόκρισης υψηλότερης τάξης είναι δύσκολο για τον άνθρωπο να εσωτερικοποιηθούν, αλλά η πρόσθετη πολυπλοκότητα δεν κάνει μεγάλη διαφορά στους υπολογιστές και τους μαθηματικούς αλγόριθμους, εκτός από τον χρόνο, τη μνήμη και τους υπολογισμούς που απαιτούνται. Έτσι, τα προηγμένα εργαλεία βελτιστοποίησης (το HL-DSE είναι ένα από αυτά) συνδυάζουν ανάλυση βάσει επιφάνειας απόκρισης με εξελιγμένους αριθμητικούς αλγόριθμους που χρησιμοποιούν πειράματα προσομοίωσης για να διερευνήσουν αυτόματα έναν μεγάλο χώρο σχεδιασμού όσο το δυνατόν πιο αποτελεσματικά και ολοκληρωμένα.