Optimización automática
CST Studio Suite ofrece rutinas de optimización automática para sistemas y dispositivos electromagnéticos
Parametrización y optimización con CST Studio Suite
Parametrización de los modelos de simulación
Los modelos de CST Studio Suite se pueden parametrizar con respecto a sus dimensiones geométricas o propiedades de material. Puede introducir parámetros en cualquier momento, durante el proceso de modelado o retrospectivamente. Los usuarios pueden acceder a su parametrización a través de la interfaz de usuario para realizar estudios del comportamiento de un dispositivo a medida que sus propiedades cambian.
Estudios de parámetros y optimización automática Automatic Optimization
Con un estudio de parámetros, los usuarios pueden encontrar los parámetros de diseño óptimos para conseguir un efecto determinado o cumplir un objetivo concreto. También pueden adaptar las propiedades de los materiales para ajustar los modelos de materiales a los datos medidos.
CST Studio Suite contiene varios algoritmos de optimización automática, tanto locales como globales. Los optimizadores locales proporcionan una convergencia rápida, pero corren el riesgo de converger a un mínimo local en lugar de a la mejor solución global. Por otro lado, los optimizadores globales buscan en todo el espacio del problema, pero suelen requerir más cálculos.
Aceleración del proceso de optimización
El tiempo necesario para una optimización depende del tiempo de solución de una simulación electromagnética individual, así como del número de iteraciones necesarias para llegar a la solución óptima. Las técnicas informáticas de alto rendimiento se pueden utilizar para acelerar la simulación y la optimización para sistemas muy complejos o problemas con un gran número de variables.
El rendimiento general de los optimizadores globales y los estudios de parámetros independientes se beneficia de la capacidad de ejecutar conjuntos individuales en paralelo. La computación distribuida puede mejorar en gran medida el rendimiento de estas aplicaciones.
CST Studio Suite Optimizers
Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES) es el más sofisticado de los optimizadores globales, y tiene una convergencia relativamente rápida para un optimizador global. Con CMA-ES, el optimizador puede "recordar" iteraciones anteriores, lo que puede ayudar a mejorar el rendimiento del algoritmo evitando los óptimos locales.
Adecuado para: optimización general, especialmente para dominios de problemas complejos
Un potente optimizador local, que construye un modelo lineal sobre datos primarios en una región de "confianza" alrededor del punto de partida. Utiliza la solución modelada como nuevo punto de partida hasta que converge a un modelo preciso de los datos. Trust Region Framework puede aprovechar la información de sensibilidad de los parámetros S para reducir el número de simulaciones necesarias y acelerar el proceso de optimización. Es el más robusto de los algoritmos de optimización.
Adecuado para: optimización general, especialmente en modelos con información de sensibilidad
Utilizando un enfoque evolutivo de la optimización, Genetic Algorithm genera puntos en el espacio de parámetros y luego los refina a través de múltiples generaciones, con mutación aleatoria de parámetros. Al seleccionar los conjuntos de parámetros "más aptos" en cada generación, el algoritmo converge a un óptimo global.
Adecuado para: dominios de problemas complejos y modelos con muchos parámetros
Otro optimizador global, este algoritmo trata los puntos del espacio de parámetros como partículas en movimiento. En cada iteración, la posición de las partículas cambia en función, no solo de la mejor posición conocida de cada partícula, sino también de la mejor posición de todo el enjambre. La optimización por enjambre de partículas funciona bien para modelos con muchos parámetros.
Adecuado para: modelos con muchos parámetros
Este método es una técnica de optimización local que utiliza múltiples puntos distribuidos por el espacio de parámetros para encontrar el óptimo. Nelder Mead Simplex Algorithm depende menos del punto de partida que la mayoría de los optimizadores locales.
Adecuado para: dominios de problemas complejos con relativamente pocos parámetros, sistemas sin un buen modelo inicial
El optimizador Interpolated Quasi-Newton es un optimizador local rápido que utiliza la interpolación para aproximar el gradiente del espacio de parámetros. El método Interpolated Quasi-Newton tiene una convergencia rápida.
Adecuado para: modelos exigentes desde el punto de vista computacional
Classic Powell es un optimizador local sencillo y robusto para problemas de un solo parámetro. Aunque es más lento que Interpolated Quasi-Newton, a veces puede ser más preciso.
Adecuado para: optimización de una sola variable
Especializado en el diseño de placas de circuito impreso (PCB), el optimizador Decap calcula la colocación más eficaz de los condensadores de desacoplamiento mediante el método del frente de Pareto. El optimizador ayuda a minimizar el número de condensadores necesarios o el coste total sin dejar de cumplir la curva de impedancia especificada.
Adecuado para: diseño de de placas de circuito impreso (PCB)
Descubra también
Descubra lo que SIMULIA puede hacer por usted
Hable con un experto de SIMULIA para descubrir cómo nuestras soluciones permiten colaborar sin problemas e innovar de manera sostenible en organizaciones de todos los tamaños.
Póngase en marcha
Los cursos y las clases están disponibles para estudiantes, instituciones académicas, profesionales y empresas. Encuentre la formación de SIMULIA adecuada para usted.
Obtener ayuda
Encuentre información sobre certificación de software y hardware, descargas de software, documentación del usuario, contacto con soporte y oferta de servicios