2019/11/07

智能优化设计平台 AIPOD

AIPOD的功能概述

AIPOD 是由南京天洑自主研发的一套通用的智能优化设计软件平台,它集成了业界一流的前沿算法,可帮助设计团队高效地寻找到更好的产品或流程设计方案。AIPOD 使用门槛低,建模简单便捷、优化快速。其功能具体包括:

①强大的计算流程建模

②针对小计算规模的智能优化算法 Silverbullet

③智能代理学习 AIAgent

④智能代理优化算法Silverwing

⑤并行计算及基于Web的远程监控


图片1.png

 

强大的计算流程建模

提供图形化的计算流程建模功能,可实现任意复杂的计算流程建模,可以方便的调用任意的商业软件、自研软件或直接以脚本形式嵌入计算公式。

① 节点任意拖拽连接,进行数据和文件传递

② 支持图形嵌套


图片2.png


对于选择的计算模型,可以给定输入,直接启动仿真任务,可用于模型测试。


图片3.png


先进的智能优化算法

定义优化问题

对计算模型,通过指定不同的优化设计变量和优化目标,就可以定义优化问题;一个计算模型可以定义任意多个优化问题;对优化问题,针对具体的场景,选择合适的优化算法,来创建优化任务。


AIPOD两大智能优化算法

  ● 针对小计算规模的直接优化算法 Silverbullet

  ● 针对大计算规模的智能代理优化算法


图片4.png


针对小计算规模的智能优化算法 Silverbullet

● 场景

针对100量级定制化研制的高效优化算法,在计算成本有限的情况下,以尽可能少的计算代价,获取尽可能高的性能提升。

● 技术原理

基于智能采样技术、耦合优化技术,以及一套核心的参数指标动态协调全局优化和局部探索力度,从而实现在(微)小计算规模下的高效优化性能提升。

● 技术特点

    Bound-break:对于无法精确给定变量范围的部分变量,不以增加额外探索为代价,智能地突破不当的边界约束!

    近无损的扩展性,可灵活追加:AIPOD 支持灵活追加计算投入,并保证“链式”优化过程的性能提升效果近无损,解决“二次追加,优化后劲不足”的困扰。


Silverbullet:船型优化对比算例

● 优化问题概述

   6个设计变量

   1个目标,船型阻力最小

   2个约束

● 对比场景

   AIPOD和竞品算法同时进行64优化,AIPOD开启bound-break特性

   优化完成后,双方各追加8次计算,进行递进式的优化

● 优化搜索过程和结果对比

   64步优化,AIPOD实现5.01%的性能提升,而竞品算法只实现了3.36%的性能提升


图片5.png  图片5.1.png

对比算法的优化搜索过程        AIPOD的优化搜索过程


● “近无损的扩展性,可灵活追加”特性效果展示

图片6.png

*64步优化后,在追加8次计算中,AIPOD仍实现了0.06%的性能提升


● 优化结果对比汇总

图片7.png

*对该算例,竞品算法通过31步优化得到其历史最优效果,而AIPOD在24步即可超过该优化效果


● 最优设计对比

   当工程师对设计参数的范围设置不恰当时,即便在64这种微计算规模下,AIPOD依旧可以快速突破人为引入的“天花板壁垒”,找到最优设计。


图片8.png



图片8-1.png图片8-2.png

竟品算法优化模型和母型对比


图片8-3.png图片8-4.png

AIPOD优化模型和母型对比


Silverbullet:Turbine优化对比算例

● 优化问题概述

   9个设计参数

   1个优化目标:ptloss极小

   3个约束:

      0.0243<massflow<0.0297

      17.1<flowangle<20.9

      0.95<mach<1.16


图片9.png


● 优化结果对比


图片10.png


● 最优设计对比

   相比船型优化对比算法,该算例中工程师给定的设计变量的范围较为合理,AIPOD和竞品算法得到的最优设计均包含在设计空间之中

   AIPOD虽然开启了bound break,但是它并没有盲目的尝试越界探索,非常高效的找到了最优设计,这体现的 Silverbullet具有智能的特点


图片11.png


高精度代理学习技术AIAgent

应用超参学习等人工智能技术,构建高精度的代理模型,加速评估和优化


图片21.png  图片13.png


图片14.png


<500 

技术路线: gitter+bootstrap+(LR+SVR/SVM+Kriging…)

效果:母型推荐,粗粒度分类为主,低精度预测

 

1K~1W

技术路线:RBF/SVR+ensemble/sklearn/xgboost

效果:部件性能预测代理(参数化维度≤15维),侧重提取领域问题的定性趋势(learning optimization based on accuary-perf)


10W

技术路线:lightGBM/V1/V3-RLNet

效果:采用自研轻量级深度学习算法,实现部件性能预测,可处理问题对象更复杂,非线性表达能力更强


智能代理优化

● 使用场景

用户主营的设计对象,如一家只提供锅炉燃烧器的厂商,“燃烧器优化”是这家工厂核心且不变的设计需求,与其每次剥离地单次投入200计算次数用于单次优化,不如直接一次性生成5000组样本集合,一次性灌装训练得到代理模型,后续完全可复用并且快速响应任何变动的优化设计需求

● 技术原理

AIPOD“智能代理优化”技术是基于天洑AIAgent、强化学习、启发式优化等技术为一体的功能。其中AIAgent“高精度代理学习”技术,提供了激活利用用户已有数据的载体,从庞杂的数据中寻找规律,推进工业流程和效率的持续优化,让设计闭环积累,基础创新提速;强化学习和优化技术则保证了在可控的时间内,高效设计方案集的快速输出响应


智能代理优化:电动汽车进气道优化案例

● 汽车进气道优化案例

   7个设计变量,1个优化目标为压降最小,1个约束

● 约束条数的参数是变化的,其中两种优化场景是:

   进气道构型严格不超出物理包围盒,简称为“约束严格”问题;

   进气道可以在拓扑包围核径向上放宽5mm,简称“约束松弛”问题。

● 由于需要尝试不同的约束条件,直接预先投入一定数据的计算提前构建代理,然后进行快速优化

● 700次采样,应用AIAgent,构建高精度代理,平均预测误差可以达到1%


图片15.png


图片16.png


● 基于智能代理优化的快速设计

   基于构建的代理,不论约束条件如何变化,均可以在极短的时间内完成优化(< 2min, 因为智能代理优化时无需再次调用CFD,在线响应迅速)得到优化结果

   相较于经典的组合优化方案(sobol+NSGA-II),智能代理优化可以实现更快、更好的设计


图片17.png


智能代理递进式优化:电动汽车进气道优化案例

● 背景

罗马不是一日建成的,数据集的积累绝非一朝一夕就能快速完成的。这个过程中,基于不完善的数据,通过“智能代理优化”得到的结果也有可能并非真正的“最优”,是有可能还有进一步的提升的空间。在数据积累的越早期,这种情况出现的频率也是越高的。

● 技术原理

对于有极致性能追求的用户,基于智能代理优化的优化结果,使用天洑的智能递进式优化算法,通过追加以极少的计算次数,就可以实现性能提升。

● 汽车进气道优化案例

   在无约束的情况下,由于问题较简单,直接优化也可到很好的优化效果,代理优化效果提升不明显。

   对此,启用AIPOD智能代理递进式优化,只需要追加37个新数据样本,便可以在22.24Pa的优秀母型基础上实现12.23%的优化效果跃升。


图片18.png


并行计算及基于Web的远程监控

计算并行

● 系统采用多进程架构,最大程度的保证主进程的快速响应和稳定;

● 对计算模型的计算任务,支持多进程的并行调度;

● 提供计算异常自动捕获,保证优化稳定性;

● 高级版的计算进程还可以位于其他的物理机上,构成集群(需要计算软件License支持)


QQ图片20191008101828.png


远程任务监控

AIPOD 提供基于 Web 的用户界面,将 AIPOD 部署在服务器,可以利用强大的硬件资源,用户通过浏览器可以随时随地的接入,管理模型、提交任务以及查看任务的运行状态。


图片19.png


总结

● AIPOD优化算法的特色

   高效智能探索的silverbullet算法

   bound-break特性

   近无损的递进式优化

● 可复用的高精度代理训练AIAgent

   基于代理的快速评估

● 智能代理优化

   基于代理的快速优化

   智能递进式优化


其他特色

● 图形化的计算过程建模,轻量级的仿真平台

● 分布式多进程的计算支持,超时自动管控,保证优化和采样过程稳定

● 基于Web的人机交互,AIPOD可运行于服务器,远程网络接入,随时访问