HyperLynx Design & Space Exploration

Inizialmente, gli utenti modificano il design e simulano nuovamente le modifiche una alla volta. Funziona bene per studi semplici ed è facile da capire per i nuovi utenti della simulazione. Questo metodo funziona meglio quando ci sono solo uno o due parametri di progettazione (variabili) da studiare e quando l'utente può determinare facilmente i valori dei parametri da utilizzare per lo studio successivo in base ai risultati di quelli precedenti.

Quando il numero di combinazioni di parametri di progettazione (permutazioni) da studiare diventa più di una manciata, è necessaria una metodologia più coerente e organizzata. L'analisi dei parametri Swept consente all'utente di definire i parametri e i valori associati da studiare, quindi utilizza una metodologia automatizzata per simulare il comportamento di ciascun caso, creando una tabella dei risultati in modo da identificare i migliori. La chiave di questa metodologia è la selezione di una metrica quantitativa, o cifra di merito, un valore numerico derivato dai risultati della simulazione che funge da indicazione del comportamento del progetto. L'analisi dei parametri Swept si divide in due categorie - analisi completa, dove vengono esplorate tutte le combinazioni di tutte le variabili di progettazione, e analisi ridotta del set, dove viene esplorato solo un sottoinsieme di tutte le combinazioni.

Analisi ridotta del set è importante perché il numero di permutazioni in un'analisi completa aumenta rapidamente man mano che variabili e valori vengono aggiunti al mix. L'analisi completa valuta tutte le combinazioni di tutte le variabili, che abbiano senso o meno. L'analisi ridotta degli insiemi aiuta a mantenere gestibili i tempi di simulazione in queste condizioni, consentendo agli utenti di sfruttare il loro intuito progettuale e specificando modi per limitare il numero di casi esplorati.

Per studi di grandi dimensioni, il numero di casi da esplorare può arrivare a milioni e l'esplorazione tradizionale non è più possibile. In questi casi, il sottoinsieme di tutte le permutazioni che verranno simulate deve essere selezionato in modo molto efficiente utilizzando metodi matematici avanzati di campionamento, perché solo una piccola percentuale del conteggio totale delle permutazioni può essere simulata praticamente. Questo è ciò che fanno gli strumenti di ottimizzazione avanzati: l'utente definisce la gamma di variabili e valori di progettazione da esplorare ( spazio di progettazione), le metriche di output utilizzate per confrontare il comportamento di progettazione ( risposte), i valori per quelle risposte che definiscono il successo o il fallimento del design (il design obiettivi) e, per ogni risposta, se l'intento è massimizzarne o minimizzarne il valore (il design obiettivi).

Il superficie di risposta è definito come lo spazio n-dimensionale creato dal valore di ogni metrica nell'intervallo di input: in poche parole, un grafico dei valori di output. Quando esiste una sola variabile, la superficie di risposta è un grafico 2D (x-y) o una curva. Quando esistono due variabili di input, la superficie di risposta è un grafico 3D, con la metrica di output tracciata sull'asse Z. Quando esistono tre variabili di input, la superficie di risposta diventa quadridimensionale e così via. Queste superfici di risposta di ordine superiore sono difficili da interiorizzare per gli esseri umani, ma la complessità aggiuntiva non fa molta differenza per i computer e gli algoritmi matematici, a parte il tempo, la memoria e i calcoli richiesti. Pertanto, gli strumenti di ottimizzazione avanzati (HL-DSE è uno di questi) combinano l'analisi basata sulla superficie di risposta con sofisticati algoritmi numerici che utilizzano esperimenti di simulazione per indagare automaticamente su un ampio spazio di progettazione nel modo più efficiente e completo possibile.