SHERPA


Les stratégies de recherche d'exploration de l'espace de conception exclusives de HEEDS®, SHERPA et MO-SHERPA, sont les plus efficaces et les plus robustes disponibles, raccourcissant le temps de conception de quelques semaines à quelques jours. De plus, un temps de conception plus court se traduit par des coûts de développement de produits réduits.
SHERPA — Exploration hybride simultanée qui est robuste, progressive et adaptative

HEEDS utilise un algorithme hybride et adaptatif appelé SHERPA comme méthode de recherche par défaut. SHERPA utilise plusieurs stratégies de recherche à la fois et s'adapte au problème à mesure qu'il «apprend» sur l'espace de conception. SHERPA nécessite beaucoup moins d'évaluations de modèles que d'autres méthodes de pointe pour identifier les conceptions optimisées et trouve souvent une solution la première fois. Cette efficacité peut économiser des jours ou même des semaines de temps CPU lors d'études d'optimisation d'ingénierie courantes.

SHERPA Résultats d'optimisation

SHERPA Résultats D'optimisation


Au cours d'une seule étude d'optimisation paramétrique, SHERPA utilise simultanément les éléments de plusieurs méthodes de recherche (pas séquentiellement) de manière unique. Cette approche tente de tirer parti des meilleurs attributs de chaque méthode. Des attributs issus d'une combinaison de méthodes de recherche globale et locale sont utilisés, et chaque approche participante contient des paramètres de réglage internes qui sont modifiés automatiquement lors de la recherche en fonction des connaissances acquises sur la nature de l'espace de conception.

Cette connaissance évolutive de l'espace de conception détermine également quand et dans quelle mesure chaque approche contribue à la recherche. En d'autres termes, SHERPA apprend efficacement sur l'espace de conception et s'adapte de manière à rechercher efficacement toutes sortes d'espaces de conception, même très compliqués. SHERPA est un algorithme d'optimisation directe dans lequel toutes les évaluations de fonctions sont effectuées en utilisant le modèle réel par opposition à un modèle de surface de réponse approximatif.

Tous les paramètres de SHERPA sont réglés en interne, il n'y a donc pas d'attributs à définir pour cette méthode, sauf le nombre d'évaluations que vous souhaitez effectuer.

Avantages de SHERPA

  • Trouve les meilleures solutions la première fois, sans itération pour identifier la meilleure méthode ou les meilleurs paramètres d'accord pour votre problème.
  • Permet aux non-experts d'appliquer avec succès l'optimisation automatisée la première fois.
  • Effectue une optimisation directe basée sur des évaluations de modèle réelles, plutôt que d'utiliser des modèles de surface de réponse approximatifs.
  • Identifie des solutions de meilleure qualité pour de larges classes de problèmes et effectue simultanément une optimisation globale et locale.
  • Utilise plusieurs stratégies simultanément pour rechercher plus efficacement et efficacement des espaces de conception complexes.S'adapte à chaque problème, éliminant le besoin de paramètres de réglage spécifiés par l'utilisateur.
  • Réalise la recherche globale et locale simultanément.

MO-SHERPA (Multi-Objectif SHERPA)

MO-SHERPA (SHERPA Multi-Objective) est une version modifiée de l'algorithme SHERPA pour la recherche Pareto multi-objectif. Il utilise un schéma de tri non-dominé pour classer les conceptions, mais est assez différent de NSGA-II et NCGA dans d'autres aspects.

MO-SHERPA est conçu pour être utilisé avec des projets ayant des objectifs multiples lorsque ces objectifs sont en conflit les uns avec les autres. Il fonctionne fondamentalement comme SHERPA mais a l'avantage de gérer plusieurs objectifs indépendamment les uns des autres pour fournir un ensemble de solutions, dont chacune est optimale dans un certain sens pour l'un des objectifs.

Les méthodes classiques d'optimisation des paramètres prennent en compte tous les objectifs et fournissent des solutions basées sur la somme pondérée de tous les objectifs. Si tous les objectifs s'améliorent ou s'aggravent, la méthode conventionnelle peut trouver la solution optimale. Cependant, si les objectifs sont en conflit (comme le font typiquement le poids et la capacité de charge), le compromis peut être exploré en utilisant l'optimisation MO-SHERPA Pareto.

Avantages de MO-SHERPA

  • Effectue une recherche Pareto multi-objectif en utilisant une version modifiée de l'algorithme SHERPA.
  • Gère plusieurs objectifs indépendamment pour fournir un ensemble de solutions optimisées qui représentent des compromis entre les objectifs.
  • Utilise plusieurs stratégies de recherche simultanément pour explorer plus efficacement le front de Pareto.
  • Ne contient aucun paramètre de réglage, ce qui permet aux non-experts de réussir à chaque fois.

haut