HyperLynx Design Space Exploration

Kezdetben a felhasználók módosítják a tervet, és egyenként újra szimulálják a változásokat. Ez jól működik egyszerű tanulmányokhoz, és az új szimulációs felhasználók számára könnyen megérthető. Ez a módszer akkor működik a legjobban, ha csak egy vagy két tervezési paramétert (változót) kell tanulmányozni, és ha a felhasználó könnyen meghatározhatja a következő tanulmányhoz használni kívánt paraméterértékeket az előzőek eredményei alapján.

Ha a vizsgálandó tervezési paraméterek (permutációk) kombinációinak száma meghaladja a maroknyit, következetesebb és szervezettebb módszertanra van szükség. A SWEPT-paraméter elemzése lehetővé teszi a felhasználó számára a vizsgálandó paraméterek és kapcsolódó értékek meghatározását, majd automatizált módszertant használ az egyes esetek viselkedésének szimulálására, és táblázatot készít az eredményekről, hogy a legjobbak azonosíthatók legyenek. Ennek a módszertannak a kulcsa egy kvantitatív mutató vagy érdemszám kiválasztása - a szimulációs eredményekből származó numerikus érték, amely a tervezés viselkedésének jeleként szolgál. A swept-paraméter elemzés két kategóriába sorolható - teljes elemzés, ahol az összes tervezési változó összes kombinációját feltárják, és csökkentett készletelemzés, ahol az összes kombináció csak egy részhalmazát vizsgálják fel.

Csökkentett készletelemzés fontos, mert a teljes elemzésben a permutációk száma gyorsan növekszik, ahogy a változók és értékek hozzáadódnak a keverékhez. A teljes elemzés értékeli az összes változó összes kombinációját, függetlenül attól, hogy van-e értelme vagy sem. A csökkentett készletelemzés segít ezen körülmények között kezelhetővé tenni a szimulációs időket azáltal, hogy lehetővé teszi a felhasználók számára, hogy kihasználják tervezési intuíciójukat, és meghatározzák a feltárt esetek számának korlátozásának módjait.

Nagyméretű tanulmányok esetében a feltárandó esetek száma milliókra nőhet, és a hagyományos feltárás már nem lehetséges. Ezekben az esetekben az összes szimulálandó permutáció részhalmazát nagyon hatékonyan kell kiválasztani fejlett matematikai mintavételi módszerekkel, mivel a teljes permutációs szám csak kis százaléka gyakorlatilag szimulálható. Ezt teszik a fejlett optimalizálási eszközök - a felhasználó meghatározza a feltárandó tervezési változók és értékek tartományát (a design tér), a tervezési viselkedés összehasonlításához használt kimeneti mutatók (a válaszok), azoknak a válaszoknak az értékei, amelyek meghatározzák a tervezés sikerét vagy kudarcát (a tervezés célok), és minden válasz esetében, hogy a szándék annak értékének maximalizálása vagy minimalizálása (a tervezés célok).

A válasz felület az n-dimenziós térként definiálható, amelyet az egyes metrikák értéke hozott létre a bemenetek tartományában - egyszerűen fogalmazva, a kimeneti értékek diagramja. Ha csak egy változó létezik, a válasz felülete 2D (x-y) diagram vagy görbe. Ha két bemeneti változó létezik, a válasz felülete 3D diagram, a kimeneti mutatót a Z tengelyen ábrázolják. Ha három bemeneti változó létezik, a válasz felülete négydimenziós lesz, és így tovább. Ezeket a magasabb rendű válaszfelületeket az emberek nehezen internalizálják, de a további komplexitás nem sok különbséget jelent a számítógépek és a matematikai algoritmusok számára, kivéve az időt, a memóriát és a számításokat. Így a fejlett optimalizálási eszközök (ezek közé tartozik a HL-DSE) kombinálják a válaszfelület-alapú elemzést olyan kifinomult numerikus algoritmusokkal, amelyek szimulációs kísérletekkel automatikusan vizsgálják a nagy tervezési teret a lehető leghatékonyabban és átfogóbb vizsgálatára.