HyperLynx Design Space Exploration

In eerste instantie passen gebruikers het ontwerp aan en simuleren ze de wijzigingen één voor één opnieuw. Dit werkt goed voor eenvoudige onderzoeken en is gemakkelijk te begrijpen voor nieuwe simulatiegebruikers. Deze methode werkt het best wanneer er slechts één of twee ontwerpparameters (variabelen) moeten worden bestudeerd en wanneer de gebruiker gemakkelijk de parameterwaarden kan bepalen die voor het volgende onderzoek moeten worden gebruikt op basis van de resultaten van eerdere parameters.

Wanneer het aantal combinaties van ontwerpparameters (permutaties) dat moet worden bestudeerd meer dan een handvol bedraagt, is een meer consistente en georganiseerde methodologie nodig. Met de SWEPT-parameteranalyse kan de gebruiker de parameters en bijbehorende waarden definiëren die moeten worden bestudeerd, en vervolgens wordt een geautomatiseerde methode gebruikt om het gedrag van elk geval te simuleren, waarbij een tabel met de resultaten wordt samengesteld, zodat de beste kunnen worden geïdentificeerd. De sleutel tot deze methode is de selectie van een kwantitatieve maatstaf, of een cijfer van verdienste, een numerieke waarde die is afgeleid van de simulatieresultaten en die dient als indicatie van het gedrag van het ontwerp. De analyse van Swept-parameters is er in twee categorieën: volledige analyse, waar alle combinaties van alle ontwerpvariabelen worden onderzocht, en analyse van beperkte sets, waar slechts een subset van alle combinaties wordt onderzocht.

Analyse van beperkte sets is belangrijk omdat het aantal permutaties in een volledige analyse snel toeneemt naarmate variabelen en waarden aan de mix worden toegevoegd. De volledige analyse evalueert alle combinaties van alle variabelen, of ze nu zinvol zijn of niet. Een kortere setanalyse helpt de simulatietijden onder deze omstandigheden beheersbaar te houden, door gebruikers in staat te stellen hun ontwerpintuïtie te benutten en manieren te specificeren om het aantal onderzochte cases te beperken.

Voor grote onderzoeken kan het aantal te onderzoeken gevallen oplopen tot miljoenen, en traditionele onderzoeken zijn niet langer mogelijk. In deze gevallen moet de subset van alle permutaties die zullen worden gesimuleerd, zeer efficiënt worden gekozen met behulp van geavanceerde wiskundige steekproefmethoden, omdat slechts een klein percentage van het totale aantal permutaties praktisch kan worden gesimuleerd. Dit is wat geavanceerde optimalisatietools doen: de gebruiker bepaalt de reeks ontwerpvariabelen en -waarden die moeten worden onderzocht (de ontwerpruimte), de outputstatistieken die worden gebruikt om ontwerpgedrag te vergelijken (de antwoorden), de waarden voor de antwoorden die bepalend zijn voor het succes of falen van een ontwerp (het ontwerp doelwitten) en, voor elk antwoord, of het de bedoeling is om de waarde ervan te maximaliseren of te minimaliseren (het ontwerp doelen).

De reactieoppervlak wordt gedefinieerd als de n-dimensionale ruimte die wordt gecreëerd door de waarde van elke statistiek over het bereik van de ingangen - eenvoudig gezegd, een grafiek van de uitvoerwaarden. Als er maar één variabele bestaat, is het responsoppervlak een 2D-grafiek (x-y) of een curve. Als er twee invoervariabelen bestaan, is het responsoppervlak een 3D-grafiek, waarbij de meetwaarde voor de uitvoer op de Z-as is uitgezet. Als er drie invoervariabelen bestaan, wordt het responsoppervlak vierdimensionaal, enzovoort. Deze responsoppervlakken van hogere orde zijn voor mensen moeilijk te internaliseren, maar de extra complexiteit maakt niet veel uit voor computers en wiskundige algoritmen, behalve de tijd, het geheugen en de berekeningen die nodig zijn. Geavanceerde optimalisatietools (HL-DSE is daar één van) combineren analyses op basis van responsoppervlakken met geavanceerde numerieke algoritmen die simulatie-experimenten gebruiken om automatisch een grote ontwerpruimte zo efficiënt en volledig mogelijk te onderzoeken.