CN113887121B 多性能最优化设计装置、以及多性能最优化设计方法 （丰田自动车株式会社）

US2010274833A1,2010.10.28US2010153086A1,2010本发明提供一种多性能最优化设计装置以个性能中的每一个而取得的离散的观测值分别每一个而计算出用于对可执行所述多个性能中述被计算出的多个计算点而针对所述多个性能中的每一个而计算出可执行所述多个性能中的每一个而计算出的概率分布的总乘积作为多性2对通过模拟并针对相对于构造体的位置的多个性能中的每一个而取得的离散的各个基于所述预测值以及所述预测误差，针对所述多个性能中的每一执行所述多个性能中的每一个的可执行区域进行搜将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为满足所有性能的将涉及所述可执行区域的内部的搜索的作为可行性概率的第一可执行区域与第一不可执行区域之间的上层边界附近处以及所述可执行区域与第二不可二不可执行区域隔着所述下层边界而存在于所述可执对通过模拟并针对所述新的性能而取得的离散的观测值进行填补基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈对通过模拟并针对相对于构造体的位置的多个性能中的每一个而取得的离散的各个3基于所述预测值以及所述预测误差，针对所述多个性能中的每一执行所述多个性能中的每一个的可执行区域进行搜将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为满足所有性能的将涉及所述可执行区域的内部的搜索的作为可行性概率的第一可执行区域与第一不可执行区域之间的上层边界附近处以及所述可执行区域与第二不可二不可执行区域隔着所述下层边界而存在于所述可执对通过模拟并针对所述新的性能而取得的离散的观测值进行填补基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈7.一种计算机可读记录介质，其记录有使计算机执行多性能最优化设计处理的程序，对通过模拟并针对相对于构造体的位置的多个性能中的每一个而取得的离散的各个基于所述预测值以及所述预测误差，针对所述多个性能中的每一执行所述多个性能中的每一个的可执行区域进行搜将针对所述多个性能中的每一个而计算出的概率分布的总乘积作为满足所有性能的4将涉及所述可执行区域的内部的搜索的作为可行性概率的第一可执行区域与第一不可执行区域之间的上层边界附近处以及所述可执行区域与第二不可二不可执行区域隔着所述下层边界而存在于所述可执对通过模拟并针对所述新的性能而取得的离散的观测值进行填补基于所述新的性能的预测值以及预测误差而计算出用于对可执行所述新的性能的区利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述将针对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立在所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈5计算机模拟而同时并行地使多性能中的每一个最产品最优化设计辅助系统利用在考虑各种各样的不确定性的同时求取作为与多性能相关追加的多性能条件所涉及的新的变量的采样也述多个性能中的每一个的区域进行搜索的多个计算点，利用所述被计算出的多个计算点，对所述多个性能中的每一个而计算出的概率分布的总乘积作为多性能可执行区域而进行[0010]由于第一方式的多性能最优化设计装置对由模拟而取得的离散的观测值进行填6预测值以及预测误差而计算出用于对可执行所述新的性能的区域进行搜索的多个计算点，利用用于对可执行所述新的性能的区域进行搜索的多个计算点而计算出可执行所述新的[0016]第三方式的多性能最优化设计装置能够同时对可执行区域的边界和内部进行搜[0018]第四方式的多性能最优化设计装置能够设定足以在设计所涉及的区域中确定多对所述多个性能中的每一个而计算出用于对可执行所述多个性能中的每一个的区域进行出的概率分布的总乘积作为多性能可执行区域[0020]由于第五方式的多性能最优化设计方法对由模拟而取得的离散的观测值进行填7对所述多个性能中的每一个而计算出的概率分布的总乘积与所述新的性能成立的概率分通过将该新的性能限制所涉及的概率分布与表示当前的多性能可执行区域的概率分布相[0026]第七方式的多性能最优化设计方法能够通过同时对可执行区域的边界和内部进所述计算点未被计算出的区域相对于设计所涉及的整个区域的比率小于预定的阈值的情[0028]第八方式的多性能最优化设计方法能够设定足以在设计所涉及的区域中确定多[0033]图3为表示实施方式所涉及的多性能最优化设计中的设计以及验证的分层结构的[0035]图5为表示实施方式所涉及的机器学习的可执行区域的导出流程的一个示例的流8化设计方法进行说明。图1为表示本发明的实施方式所涉及的多性能最优化设计装置10的或DVD等)48执行信息的读取的磁盘驱HDD46或者外置的硬盘等外部存储装置中存储D多性能最优化设计程序与设置程序一起存储在非临时性的计算机可读记录介质即CD_ROM程序，从而在作为非临时性的计算机可读记录介质或者存储器的示例的HDD46中安装多性设计装置10的CPU32加载并执行多性能最优化设计程序而被实现的各种功能进行说明。多性能最优化设计程序具备通过模拟并针对多个性能中的每一个而取得观测值的模拟功能、对所取得的离散的观测值进行填补从而针对多个性能中的每一个而输出连续的预测值以为多性能可执行区域而进行输出的多性能可执行区域输出功能。通过CPU32执行具有上述9[0050]图3为表示本实施方式所涉及的多性能最优化设计中的设计以及验证的分层结构[0052]在本实施方式中，通过利用了机器学习(Activelearning)的设置基数并发效地将使性能1、性能2以及性能3的各自的性能的限制条件成立的可执行区域作为概率分域的多性能可执行区域由与各个性能相关的概率分布的总乘[0057]图4的(3)示出了在设计完产品之后当转移至生产时等提出了规格的追加请求的[0059]图5为本实施方式所涉及的机器学习的可执行区域的导出所涉及的流程图的一个预测的高斯过程回归这样的方法。高斯过程回归通常情况下通过高斯分布来确定变量x与[0069]图7为通过高斯过程回归而被导出的限制条件的概率分布所表示的那样，上述式(1)根据累积密度分布Φ而计算出相对于变量x的概率分布Pr(Ci计空间)的所有点而对概率分布进行计算会使得运算成本变得巨大而并不现实，但是在本性能可执行区域的计算点，从而利用该计算点的信息来对机器学习的教师数据进行更新。[0073]采集函数之一为，作为PoF(ProbabilityofFeasibility：可行性概率)的aPoFPoFES件成立的概率分布Pr(Ci(x))的形式而算点未被计算出的区域相对于设计所涉及的区域的比率。式(8)的δk为表示容许误差的较[0099]通过利用能够同时地对可执行区域的边界和内部进行搜索的混合采集函数aPoF-ES(x)，从而能够高效地计算出计算点，并且将所获得的计算点追加到机器学[0100]通过利用由本实施方式所示的那样的混合采集函数aPoF-ES(x)所实现的高效的运