数据驱动的云端优化设计系统设计及应用
这是一篇关于数据驱动的优化设计,代理模型,DADOS系统,MVVM架构模式的论文, 主要内容为数据驱动的优化设计方法(也称基于代理模型的优化设计方法)作为多学科设计优化的重要分支和关键技术,近年来发展迅速,并在产品优化设计领域得到了广泛应用。该方法基于少量样本点构建仿真或试验模型的近似模型替代原有模型进行优化分析,能够有效解决产品设计周期长、成本高的问题,尤其针对复杂系统的优化设计问题,具有重要的意义。在数据驱动的优化设计理论发展的同时,相应的优化设计工具箱、商用软件也得到了极大的发展和广泛的应用。但这些工具箱和软件仍然存在使用成本高、技术更新慢、操作复杂等问题。针对这些问题,本文提出了一款数据驱动的云端优化设计系统,简称DADOS系统。该系统的主要特点为:1)基于云端部署,使用方便;2)扩展式框架设计,可实现技术实时更新;3)流程式任务搭建框架设计,操作简单;4)支持多人协同工作,实现数据共享。围绕DADOS系统的设计、开发及应用,本文主要研究内容如下:首先,基于数据驱动的优化设计流程搭建了DADOS系统的优化设计工具箱。该工具箱由试验设计、建模与性能评价、优化分析等模块构成,每个模块包含多种算法,能够满足不同的工程问题需求。其次,根据系统主要设计要素,进行了系统的总体框架及功能框架设计。该系统采用MVVM模式作为系统总体架构模式,应用Vue.js+Spring Boot+Flask+My Batis的技术框架进行搭建,实现了系统的前后端分离设计;系统主要由门户与登录、系统管理、组件管理、任务管理等多个功能模块构成,能够满足正常的优化设计需求;系统基于云端部署,用户可通过浏览器直接进行登录与操作。再次,应用测试函数库,进行系统的稳定性及准确性验证。通过对测试函数库中部分测试函数进行多次重复性计算,验证了DADOS系统具有良好的稳定性;通过对所有测试函数的模型精度、优化分析结果进行横向对比,验证了DADOS系统代理模型模块具有良好的建模能力,优化分析模块计算结果较为真实可靠。最后,基于DADOS系统,进行了两种不同工程问题的优化分析。通过系统在两个不同工程案例中的应用,说明了DADOS系统具有较强的实用性及普适性。
数据驱动的云端优化设计系统设计及应用
这是一篇关于数据驱动的优化设计,代理模型,DADOS系统,MVVM架构模式的论文, 主要内容为数据驱动的优化设计方法(也称基于代理模型的优化设计方法)作为多学科设计优化的重要分支和关键技术,近年来发展迅速,并在产品优化设计领域得到了广泛应用。该方法基于少量样本点构建仿真或试验模型的近似模型替代原有模型进行优化分析,能够有效解决产品设计周期长、成本高的问题,尤其针对复杂系统的优化设计问题,具有重要的意义。在数据驱动的优化设计理论发展的同时,相应的优化设计工具箱、商用软件也得到了极大的发展和广泛的应用。但这些工具箱和软件仍然存在使用成本高、技术更新慢、操作复杂等问题。针对这些问题,本文提出了一款数据驱动的云端优化设计系统,简称DADOS系统。该系统的主要特点为:1)基于云端部署,使用方便;2)扩展式框架设计,可实现技术实时更新;3)流程式任务搭建框架设计,操作简单;4)支持多人协同工作,实现数据共享。围绕DADOS系统的设计、开发及应用,本文主要研究内容如下:首先,基于数据驱动的优化设计流程搭建了DADOS系统的优化设计工具箱。该工具箱由试验设计、建模与性能评价、优化分析等模块构成,每个模块包含多种算法,能够满足不同的工程问题需求。其次,根据系统主要设计要素,进行了系统的总体框架及功能框架设计。该系统采用MVVM模式作为系统总体架构模式,应用Vue.js+Spring Boot+Flask+My Batis的技术框架进行搭建,实现了系统的前后端分离设计;系统主要由门户与登录、系统管理、组件管理、任务管理等多个功能模块构成,能够满足正常的优化设计需求;系统基于云端部署,用户可通过浏览器直接进行登录与操作。再次,应用测试函数库,进行系统的稳定性及准确性验证。通过对测试函数库中部分测试函数进行多次重复性计算,验证了DADOS系统具有良好的稳定性;通过对所有测试函数的模型精度、优化分析结果进行横向对比,验证了DADOS系统代理模型模块具有良好的建模能力,优化分析模块计算结果较为真实可靠。最后,基于DADOS系统,进行了两种不同工程问题的优化分析。通过系统在两个不同工程案例中的应用,说明了DADOS系统具有较强的实用性及普适性。
数据驱动的云端优化设计系统设计及应用
这是一篇关于数据驱动的优化设计,代理模型,DADOS系统,MVVM架构模式的论文, 主要内容为数据驱动的优化设计方法(也称基于代理模型的优化设计方法)作为多学科设计优化的重要分支和关键技术,近年来发展迅速,并在产品优化设计领域得到了广泛应用。该方法基于少量样本点构建仿真或试验模型的近似模型替代原有模型进行优化分析,能够有效解决产品设计周期长、成本高的问题,尤其针对复杂系统的优化设计问题,具有重要的意义。在数据驱动的优化设计理论发展的同时,相应的优化设计工具箱、商用软件也得到了极大的发展和广泛的应用。但这些工具箱和软件仍然存在使用成本高、技术更新慢、操作复杂等问题。针对这些问题,本文提出了一款数据驱动的云端优化设计系统,简称DADOS系统。该系统的主要特点为:1)基于云端部署,使用方便;2)扩展式框架设计,可实现技术实时更新;3)流程式任务搭建框架设计,操作简单;4)支持多人协同工作,实现数据共享。围绕DADOS系统的设计、开发及应用,本文主要研究内容如下:首先,基于数据驱动的优化设计流程搭建了DADOS系统的优化设计工具箱。该工具箱由试验设计、建模与性能评价、优化分析等模块构成,每个模块包含多种算法,能够满足不同的工程问题需求。其次,根据系统主要设计要素,进行了系统的总体框架及功能框架设计。该系统采用MVVM模式作为系统总体架构模式,应用Vue.js+Spring Boot+Flask+My Batis的技术框架进行搭建,实现了系统的前后端分离设计;系统主要由门户与登录、系统管理、组件管理、任务管理等多个功能模块构成,能够满足正常的优化设计需求;系统基于云端部署,用户可通过浏览器直接进行登录与操作。再次,应用测试函数库,进行系统的稳定性及准确性验证。通过对测试函数库中部分测试函数进行多次重复性计算,验证了DADOS系统具有良好的稳定性;通过对所有测试函数的模型精度、优化分析结果进行横向对比,验证了DADOS系统代理模型模块具有良好的建模能力,优化分析模块计算结果较为真实可靠。最后,基于DADOS系统,进行了两种不同工程问题的优化分析。通过系统在两个不同工程案例中的应用,说明了DADOS系统具有较强的实用性及普适性。
基于竞争代理模型的辅助优化方法及其设计平台的构建
这是一篇关于代理模型辅助优化,竞争模型,代理模型,群智能优化算法,敏感性分析,优化软件的论文, 主要内容为代理模型辅助优化是一种针对“黑箱问题”而提出的优化方法。尽管其相关理论已经发展的较为成熟,但是在我国中小型企业中推广得并不顺利。一方面,该方法应用起来较为麻烦,需要的专业技术过深而导致企业用人成本过高。另一方面,市面上较为成熟的商业优化软件在操作上过于复杂,并且仅提供代理模型辅助的离线优化方式。因此,本文利用Qt Creator集成开发环境,基于C++语言开发出一款基于竞争代理模型辅助优化设计平台,并将其应用于两个工程实例的优化设计。本文研究的主要内容和成果如下:1、深入研究代理模型辅助优化方法及其相关的技术,基于优化设计平台的操作简洁性原则,提出了基于竞争模型的优化设计。然后确定了优化平台的基本架构,优化平台一共分为四个主要模块:实验设计、敏感性分析、代理模型和优化算法。2、为了便于工程人员的使用,平台开发了图形用户界面。界面的布局遵循简洁美观的原则,单一页面参数设置简单不繁杂。界面的操作流程则力求简单易用,用户使用起来较为自然。特别体现在,代理模型模块设置了自动建模的功能,用户无需进行参数设置。此外,较为复杂的参数设置在界面上均设置了默认值。3、现有软件中代理模型与优化算法的结合往往通过离线优化的方式,即事先构建好高精度的代理模型用于替代原来的“黑箱问题”,然后对代理模型进行寻优设计。此方法最大的弊端在于过分依赖代理模型的预测准确性,优化结果仅仅提供参考依据,还需要对结果进一步验证。本文在此基础上,增加了在线优化方式,即先通过少量样本构建出一个基础的代理模型,然后通过样本填充原则增加样本点从而不断更新模型,模型的更新与优化同时进行,最终收敛到最优解。在线优化是一个闭环优化过程,其关键技术在于通过仿真接口实现完全闭环。本文将Abaqus接口部署到优化平台中,能够实现脚本参数化建模并提交Abaqus进行后台求解计算,然后提取计算结果用于指导下一次脚本文件的更新,从而形成一套完整的闭环优化。4、本文利用一系列数值算例对优化平台的各功能模块进行评估与分析,证明其实用性。并将优化平台应用于汽车引擎盖的板料冲压优化和高速列车变流器箱体复合材料点阵结构的优化。
基于竞争代理模型的辅助优化方法及其设计平台的构建
这是一篇关于代理模型辅助优化,竞争模型,代理模型,群智能优化算法,敏感性分析,优化软件的论文, 主要内容为代理模型辅助优化是一种针对“黑箱问题”而提出的优化方法。尽管其相关理论已经发展的较为成熟,但是在我国中小型企业中推广得并不顺利。一方面,该方法应用起来较为麻烦,需要的专业技术过深而导致企业用人成本过高。另一方面,市面上较为成熟的商业优化软件在操作上过于复杂,并且仅提供代理模型辅助的离线优化方式。因此,本文利用Qt Creator集成开发环境,基于C++语言开发出一款基于竞争代理模型辅助优化设计平台,并将其应用于两个工程实例的优化设计。本文研究的主要内容和成果如下:1、深入研究代理模型辅助优化方法及其相关的技术,基于优化设计平台的操作简洁性原则,提出了基于竞争模型的优化设计。然后确定了优化平台的基本架构,优化平台一共分为四个主要模块:实验设计、敏感性分析、代理模型和优化算法。2、为了便于工程人员的使用,平台开发了图形用户界面。界面的布局遵循简洁美观的原则,单一页面参数设置简单不繁杂。界面的操作流程则力求简单易用,用户使用起来较为自然。特别体现在,代理模型模块设置了自动建模的功能,用户无需进行参数设置。此外,较为复杂的参数设置在界面上均设置了默认值。3、现有软件中代理模型与优化算法的结合往往通过离线优化的方式,即事先构建好高精度的代理模型用于替代原来的“黑箱问题”,然后对代理模型进行寻优设计。此方法最大的弊端在于过分依赖代理模型的预测准确性,优化结果仅仅提供参考依据,还需要对结果进一步验证。本文在此基础上,增加了在线优化方式,即先通过少量样本构建出一个基础的代理模型,然后通过样本填充原则增加样本点从而不断更新模型,模型的更新与优化同时进行,最终收敛到最优解。在线优化是一个闭环优化过程,其关键技术在于通过仿真接口实现完全闭环。本文将Abaqus接口部署到优化平台中,能够实现脚本参数化建模并提交Abaqus进行后台求解计算,然后提取计算结果用于指导下一次脚本文件的更新,从而形成一套完整的闭环优化。4、本文利用一系列数值算例对优化平台的各功能模块进行评估与分析,证明其实用性。并将优化平台应用于汽车引擎盖的板料冲压优化和高速列车变流器箱体复合材料点阵结构的优化。
医学影像分割CNN-Transformer混合网络的高效多目标神经架构搜索
这是一篇关于医学影像分割,神经架构搜索,多目标进化算法,权值共享,代理模型的论文, 主要内容为医学影像分割任务是近年来计算机视觉的一个关注热点和研究难点。医学影像分割任务的数据集通常存在样本数较少,数据质量不高等问题,而对于分割精度的要求又比较高。目前在医学影像分割任务上的主流网络依然是U-Net及其变种卷积神经网络(Convolutional Neural Network,CNN)。然而基于朴素3×3卷积的U-Net有着其固有的局限性,比如感受野有限等。此外针对一个特定的数据集,通常需要定制化设计网络,这不仅耗时耗力还对研究人员的特定经验知识提出很高要求。神经架构搜索(Neural Architecture Search,NAS)方法被提出用以实现自动地网络设计,然而通常的神经架构搜索算法只致力于提高网络的性能,并且每次只能搜索得到一个网络架构。而面对目前网络部署在场景和设备上日益多样化的趋势,网络本身的复杂程度或者参数量也成为了一个重要的考量因素。针对上述问题,本文首先设计了一个混合CNN与Transformer的医学影像分割网络CTU-Net来改善U-Net的全局特征提取能力与感受野,并进一步设计了CTU-Net网络的多目标神经架构搜索算法CTU-NAS,以便搜索具有高精度和低参数量的子网架构。本文的主要研究内容如下:(1)结合卷积网络与Transformer的各自优势,设计了混合CNN与Transformer的医学影像分割网络CTU-Net。首先,本文设计了残差菱形空洞卷积模块去替换朴素3×3卷积模块,可以用更少的参数量,获得更大的感受野。其次,在编码器和跳跃连接中加入有全局自注意力机制的Transformer模块,不仅能够加强特征的提取,而且能够帮助在不同阶段引入全局的感受野。(2)利用进化算法的强大多目标处理能力,设计了CTU-Net网络的多目标进化神经架构搜索算法CTU-NAS。CTU-NAS通过同时优化网络的参数量和精度,可以运行一次搜索得到一组参数量不一但精度尽可能高的网络架构。在CTU-NAS中设计了CNN和Transformer混合的搜索空间,并且针对卷积模块设计了特定的通道排序和选择策略来降低搜索空间的维度。(3)充分利用已学到的权重知识和宝贵的历史评价数据,设计了双重加速方法加速架构的搜索。权值共享的加速方法使得子网架构能够从超网中继承相应部分的权重进行增量训练,而无需从头开始训练。离线和在线混合的代理预测加速方法能够对架构性能进行廉价的近似评估,从而减少昂贵的真实评估次数。在ISIC2018和MoNuSeg两个医学影像分割数据集上的实验结果表明,本文设计的方法能够自动搜索出性能超越或者接近人工精细化设计的网络,还能在很大程度上压缩网络的参数量。并且设计的双重加速方法,极大地降低了搜索算法的时间成本。
数据驱动的云端优化设计系统设计及应用
这是一篇关于数据驱动的优化设计,代理模型,DADOS系统,MVVM架构模式的论文, 主要内容为数据驱动的优化设计方法(也称基于代理模型的优化设计方法)作为多学科设计优化的重要分支和关键技术,近年来发展迅速,并在产品优化设计领域得到了广泛应用。该方法基于少量样本点构建仿真或试验模型的近似模型替代原有模型进行优化分析,能够有效解决产品设计周期长、成本高的问题,尤其针对复杂系统的优化设计问题,具有重要的意义。在数据驱动的优化设计理论发展的同时,相应的优化设计工具箱、商用软件也得到了极大的发展和广泛的应用。但这些工具箱和软件仍然存在使用成本高、技术更新慢、操作复杂等问题。针对这些问题,本文提出了一款数据驱动的云端优化设计系统,简称DADOS系统。该系统的主要特点为:1)基于云端部署,使用方便;2)扩展式框架设计,可实现技术实时更新;3)流程式任务搭建框架设计,操作简单;4)支持多人协同工作,实现数据共享。围绕DADOS系统的设计、开发及应用,本文主要研究内容如下:首先,基于数据驱动的优化设计流程搭建了DADOS系统的优化设计工具箱。该工具箱由试验设计、建模与性能评价、优化分析等模块构成,每个模块包含多种算法,能够满足不同的工程问题需求。其次,根据系统主要设计要素,进行了系统的总体框架及功能框架设计。该系统采用MVVM模式作为系统总体架构模式,应用Vue.js+Spring Boot+Flask+My Batis的技术框架进行搭建,实现了系统的前后端分离设计;系统主要由门户与登录、系统管理、组件管理、任务管理等多个功能模块构成,能够满足正常的优化设计需求;系统基于云端部署,用户可通过浏览器直接进行登录与操作。再次,应用测试函数库,进行系统的稳定性及准确性验证。通过对测试函数库中部分测试函数进行多次重复性计算,验证了DADOS系统具有良好的稳定性;通过对所有测试函数的模型精度、优化分析结果进行横向对比,验证了DADOS系统代理模型模块具有良好的建模能力,优化分析模块计算结果较为真实可靠。最后,基于DADOS系统,进行了两种不同工程问题的优化分析。通过系统在两个不同工程案例中的应用,说明了DADOS系统具有较强的实用性及普适性。
医学影像分割CNN-Transformer混合网络的高效多目标神经架构搜索
这是一篇关于医学影像分割,神经架构搜索,多目标进化算法,权值共享,代理模型的论文, 主要内容为医学影像分割任务是近年来计算机视觉的一个关注热点和研究难点。医学影像分割任务的数据集通常存在样本数较少,数据质量不高等问题,而对于分割精度的要求又比较高。目前在医学影像分割任务上的主流网络依然是U-Net及其变种卷积神经网络(Convolutional Neural Network,CNN)。然而基于朴素3×3卷积的U-Net有着其固有的局限性,比如感受野有限等。此外针对一个特定的数据集,通常需要定制化设计网络,这不仅耗时耗力还对研究人员的特定经验知识提出很高要求。神经架构搜索(Neural Architecture Search,NAS)方法被提出用以实现自动地网络设计,然而通常的神经架构搜索算法只致力于提高网络的性能,并且每次只能搜索得到一个网络架构。而面对目前网络部署在场景和设备上日益多样化的趋势,网络本身的复杂程度或者参数量也成为了一个重要的考量因素。针对上述问题,本文首先设计了一个混合CNN与Transformer的医学影像分割网络CTU-Net来改善U-Net的全局特征提取能力与感受野,并进一步设计了CTU-Net网络的多目标神经架构搜索算法CTU-NAS,以便搜索具有高精度和低参数量的子网架构。本文的主要研究内容如下:(1)结合卷积网络与Transformer的各自优势,设计了混合CNN与Transformer的医学影像分割网络CTU-Net。首先,本文设计了残差菱形空洞卷积模块去替换朴素3×3卷积模块,可以用更少的参数量,获得更大的感受野。其次,在编码器和跳跃连接中加入有全局自注意力机制的Transformer模块,不仅能够加强特征的提取,而且能够帮助在不同阶段引入全局的感受野。(2)利用进化算法的强大多目标处理能力,设计了CTU-Net网络的多目标进化神经架构搜索算法CTU-NAS。CTU-NAS通过同时优化网络的参数量和精度,可以运行一次搜索得到一组参数量不一但精度尽可能高的网络架构。在CTU-NAS中设计了CNN和Transformer混合的搜索空间,并且针对卷积模块设计了特定的通道排序和选择策略来降低搜索空间的维度。(3)充分利用已学到的权重知识和宝贵的历史评价数据,设计了双重加速方法加速架构的搜索。权值共享的加速方法使得子网架构能够从超网中继承相应部分的权重进行增量训练,而无需从头开始训练。离线和在线混合的代理预测加速方法能够对架构性能进行廉价的近似评估,从而减少昂贵的真实评估次数。在ISIC2018和MoNuSeg两个医学影像分割数据集上的实验结果表明,本文设计的方法能够自动搜索出性能超越或者接近人工精细化设计的网络,还能在很大程度上压缩网络的参数量。并且设计的双重加速方法,极大地降低了搜索算法的时间成本。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码向导 ，原文地址：https://m.bishedaima.com/lunwen/48034.html
