Ottimizzazione automatica
CST Studio Suite offre routine di ottimizzazione automatica per dispositivi e sistemi elettromagnetici
Parametrizzazione e ottimizzazione con CST Studio Suite
Parametrizzazione dei modelli di simulazione
I modelli di CST Studio Suite possono essere parametrizzati rispetto alle dimensioni geometriche o alle proprietà dei materiali. È possibile introdurre i parametri in qualsiasi momento, durante il processo di modellazione o in modo retroattivo. Gli utenti possono accedere alla parametrizzazione tramite l'interfaccia utente per eseguire studi sul comportamento di un dispositivo quando le sue proprietà cambiano.
Studi dei parametri e ottimizzazione automatica
Con uno studio dei parametri, gli utenti possono individuare i parametri di progettazione ottimali per raggiungere un determinato effetto o uno specifico obiettivo. Possono inoltre adattare le proprietà per adattare i modelli di materiali ai dati misurati.
CST Studio Suite contiene diversi algoritmi di ottimizzazione automatica, locali e globali. Gli ottimizzatori locali garantiscono rapida convergenza ma convergenza di rischio a un minimo locale anziché la migliore soluzione nel complesso. D'altro canto, gli ottimizzatori globali analizzano l'intero ambito del problema, ma richiedono generalmente più calcoli.
Accelerazione del processo di ottimizzazione
Il tempo richiesto per un'ottimizzazione dipende dal tempo di risoluzione per una singola simulazione elettromagnetica, oltre al numero di iterazioni necessarie per raggiungere la soluzione ottimale. È possibile utilizzare tecniche di High Performance Computing (HPC) per accelerare la simulazione e l'ottimizzazione di sistemi particolarmente complessi o problemi con un numero elevato di variabili.
Le prestazioni complessive degli ottimizzatori globali e degli studi dei parametri indipendenti vengono migliorate dalla capacità di eseguire singoli set in parallelo. L'elaborazione distribuita può migliorare notevolmente le prestazioni di queste applicazioni.
Ottimizzatore CST Studio Suite
L'algoritmo CMA-ES (Covariance Matrix Adaptation Evolutionary Strategy) è il più sofisticato tra gli ottimizzatori globali e offre una convergenza relativamente rapida. Grazie a CMA-ES, l'ottimizzatore è in grado di "ricordare" le iterazioni precedenti, il che può aiutare a migliorare le prestazioni dell'algoritmo evitando al contempo i livelli massimi locali.
Adatto per: Ottimizzazione generale, soprattutto per i domini con problemi complessi
Un potente ottimizzatore locale, che crea un modello lineare basandosi sui dati principali in un'area di "attendibilità" intorno al punto di partenza. Utilizza la soluzione modellata come nuovo punto di partenza fino a quando non convergerà con un modello preciso dei dati. Trust Region Framework può utilizzare le informazioni sulla sensibilità dei parametri S per ridurre il numero di simulazioni necessarie e accelerare il processo di ottimizzazione. È il più affidabile degli algoritmi di ottimizzazione.
Adatto per: ottimizzazione generale, soprattutto sui modelli con informazioni sulla sensibilità
Utilizzando un approccio innovativo all'ottimizzazione, Genetic Algorithm genera punti nello spazio dei parametri e li perfeziona mediante più generazioni, con mutazioni casuali dei parametri. Selezionando i set di parametri "più adatti" a ogni generazione, l'algoritmo converge su un valore ottimale globale.
Adatto per: domini con problemi complessi e modelli con molti parametri
Un altro ottimizzatore globale che considera i punti nello spazio dei parametri come particelle in movimento. A ogni iterazione, la posizione delle particelle cambia in base non solo alla posizione migliore di ogni particella, ma anche alla posizione migliore dell'intero gruppo. Particle Swarm Optimization è ideale per i modelli con molti parametri.
Adatto per: modelli con molti parametri
Questo metodo è una tecnica di ottimizzazione locale che utilizza più punti distribuiti nello spazio dei parametri per trovare quello ottimale. L'algoritmo Nelder Mead Simplex dipende in misura minore dal punto di partenza rispetto alla maggior parte degli ottimizzatori locali.
Adatto per: domini con problemi complessi con un numero relativamente basso di parametri, sistemi senza un buon modello iniziale
L'ottimizzatore Interpolated Quasi Newton è un ottimizzatore locale veloce che utilizza l'interpolazione per approssimare il gradiente dello spazio dei parametri. Il metodo Interpolated Quasi Newton offre una rapida convergenza.
Adatto per: modelli computazionalmente impegnativi
L'ottimizzatore Classic Powell è un ottimizzatore locale semplice e affidabile per problemi a parametro singolo. Anche se più lento di Interpolated Quasi Newton, a volte può essere più preciso.
Adatto per: ottimizzazione a variabile singola
Un ottimizzatore specializzato per la progettazione di schede a circuito stampato (PCB), Decap Optimizer calcola il posizionamento più efficace dei condensatori di disaccoppiamento utilizzando il metodo del fronte di Pareto. L'ottimizzatore aiuta a ridurre al minimo il numero di condensatori necessari o il costo totale pur rispettando la curva di impedenza specificata.
Adatto per: layout PCB
Scopri anche
Scopri cosa possono fare per te le soluzioni SIMULIA
Parla con un esperto SIMULIA per scoprire in che modo le nostre soluzioni consentono a organizzazioni di ogni dimensione di ottimizzare la collaborazione e promuovere un'innovazione sostenibile.
Per iniziare
Sono disponibili corsi e lezioni per studenti, accademici, professionisti e aziende. Trova le risorse di formazione SIMULIA più adatte alle tue esigenze.
Ottieni assistenza
Trova informazioni sulle certificazioni software e hardware, scarica software e documentazione per gli utenti, contatta l'assistenza e scopri le offerte di servizi