HyperLynx Design Space Exploration

Ban đầu, người dùng sửa đổi thiết kế và mô phỏng lại các thay đổi từng cái một. Điều này hoạt động tốt cho các nghiên cứu đơn giản và dễ dàng cho người dùng mô phỏng mới hiểu. Phương pháp này hoạt động tốt nhất khi chỉ có một hoặc hai tham số thiết kế (biến) cần nghiên cứu và khi người dùng có thể dễ dàng xác định các giá trị tham số để sử dụng cho nghiên cứu tiếp theo dựa trên kết quả của các tham số trước đó.

Khi số lượng kết hợp các thông số thiết kế (hoán vị) cần nghiên cứu trở nên nhiều hơn một số ít, cần có một phương pháp luận nhất quán và có tổ chức hơn. Phân tích tham số SWEPT cho phép người dùng xác định các tham số và giá trị liên quan cần nghiên cứu, sau đó sử dụng một phương pháp tự động để mô phỏng hành vi của từng trường hợp, xây dựng một bảng kết quả để có thể xác định được kết quả tốt nhất. Chìa khóa của phương pháp luận này là việc lựa chọn một số liệu định lượng, hoặc con số có giá trị - một giá trị số bắt nguồn từ kết quả mô phỏng đóng vai trò là dấu hiệu cho thấy hành vi của thiết kế. Phân tích thông số SWEPT có hai loại - phân tích đầy đủ, nơi tất cả các kết hợp của tất cả các biến thiết kế được khám phá, và phân tích tập hợp giảm, trong đó chỉ một tập hợp con của tất cả các kết hợp được khám phá.

Giảm phân tích tập hợp rất quan trọng vì số lượng hoán vị trong một phân tích đầy đủ nhanh chóng tăng lên khi các biến và giá trị được thêm vào hỗn hợp. Phân tích đầy đủ đánh giá tất cả các kết hợp của tất cả các biến, cho dù chúng có ý nghĩa hay không. Phân tích tập hợp giảm giúp giữ cho thời gian mô phỏng có thể quản lý được trong các điều kiện này, bằng cách cho phép người dùng tận dụng trực giác thiết kế của họ và chỉ định các cách để hạn chế số lượng trường hợp được khám phá.

Đối với các nghiên cứu lớn, số trường hợp được khám phá có thể tăng lên hàng triệu, và việc khám phá truyền thống không còn khả thi nữa. Trong những trường hợp này, tập con của tất cả các hoán vị sẽ được mô phỏng phải được chọn rất hiệu quả bằng cách sử dụng các phương pháp lấy mẫu toán học tiên tiến, bởi vì chỉ một tỷ lệ nhỏ trong tổng số hoán vị có thể được mô phỏng thực tế. Đây là những gì các công cụ tối ưu hóa nâng cao làm - người dùng xác định phạm vi các biến thiết kế và giá trị cần được khám phá ( không gian thiết kế), các số liệu đầu ra được sử dụng để so sánh hành vi thiết kế ( phản hồi), các giá trị cho những phản hồi xác định thành công hay thất bại của thiết kế (thiết kế mục tiêu) và, đối với mỗi phản hồi, liệu mục đích là tối đa hóa hay giảm thiểu giá trị của nó (thiết kế những mục tiêu).

Các bề mặt phản ứng được định nghĩa là không gian n-chiều được tạo ra bởi giá trị của mỗi thước đo trong phạm vi đầu vào - nói một cách đơn giản, một biểu đồ của các giá trị đầu ra. Khi chỉ tồn tại một biến, bề mặt phản hồi là một biểu đồ 2D (x-y) hoặc một đường cong. Khi tồn tại hai biến đầu vào, bề mặt phản hồi là một biểu đồ 3D, với số liệu đầu ra được vẽ trên trục Z. Khi ba biến đầu vào tồn tại, bề mặt phản hồi trở thành 4 chiều, v.v. Những bề mặt phản hồi bậc cao này rất khó để con người hiểu được, nhưng sự phức tạp bổ sung không tạo ra nhiều sự khác biệt đối với máy tính và thuật toán học, ngoài thời gian, bộ nhớ và tính toán cần thiết. Do đó, các công cụ tối ưu hóa tiên tiến (HL-DSE là một trong số đó) kết hợp phân tích dựa trên bề mặt phản hồi với các thuật toán số tinh vi sử dụng các thí nghiệm mô phỏng để tự động điều tra một không gian thiết kế lớn một cách hiệu quả và toàn diện nhất có thể.