Lorsque vous définissez une étude de conception générative, vous pouvez modifier les paramètres de génération si vous le souhaitez.
Dans la plupart des cas, les paramètres par défaut sont suffisants pour générer des options de conception.
Accès : au cours du workflow Créer une étude, la boîte de dialogue Définir l’étude s’affiche une fois que vous avez sélectionné le type d’étude. Sélectionnez une méthode. Accédez à la section Paramètres de génération de la boîte de dialogue et développez-la si nécessaire.
Dans cette rubrique :
- Taille de la population
- Générations
- Nombre de résultats
- Valeur départ
- À propos des algorithmes génétiques
Taille de la population
Ce paramètre s'applique uniquement lorsque la méthode d'étude est Optimiser.
L'algorithme génétique commence par une population initiale à partir de laquelle la sélection est faite. Chaque individu de la population est une solution potentielle au problème de conception. Chaque individu dispose d'un ensemble unique de fonctionnalités qui servent de gênes pour faire évoluer la conception.
Pour vous assurer que votre étude évolue pour trouver la meilleure solution, prenez en compte les conseils suivants :
- Certains des gènes au moins doivent avoir des valeurs variables.
- La taille de la population doit être suffisamment grande. La taille suffisante dépend du projet, de la quantité de gènes et de la plage de valeurs variables. En règle générale, la taille de la population doit être au moins trois fois supérieure au nombre d'entrées.
- Si les résultats ne commencent pas à converger vers une réponse, essayez d'augmenter la taille de la population.
Reportez-vous au Guide de la conception générative : phase d'initialisation.
Générations
Ce paramètre s'applique uniquement lorsque la méthode d'étude est Optimiser.
Un algorithme génétique est une optimisation basée sur la population. Les approches basées sur la population maintiennent et améliorent les solutions à choix multiples, en utilisant souvent des caractéristiques démographiques pour guider la recherche. Chaque phase d'optimisation traitée dans l'algorithme génétique est appelée génération. Lorsque vous définissez la valeur de génération sur 40, le processus de sélection, de survol et de mutation se produit 40 fois pour chaque population de 40 conceptions. (Pour en savoir plus, consultez la page sur Wikipédia.)
Lorsque vous définissez la Conception générative sur 30 générations, par exemple, le processus d'optimisation est répété jusqu'à ce qu'une ou plusieurs des conditions suivantes soient remplies :
- Le nombre fixe de générations a été atteint.
- La condition physique de la solution la plus élevée a atteint un plateau, de sorte que les itérations successives ne produisent plus de meilleurs résultats.
- Vous arrêtez manuellement le processus.
Nombre de résultats
Ce paramètre s'applique lorsque la méthode d'étude est Randomiser ou Comme ceci.
Combien de résultats (options de conception) voulez-vous générer ?
Plus vous obtenez de résultats, plus l'ensemble de variantes que vous pouvez explorer est large, mais plus vous aurez besoin de temps pour terminer. Un nombre réduit de résultats sera plus rapidement généré, mais ne permettra pas d'explorer aussi précisément les options possibles.
Valeur de départ
Ce paramètre s'applique lorsque la méthode d'étude est Optimiser, Randomiser ou Comme ceci.
Une valeur de départ est une valeur qui fournit un point de départ à l’algorithme. Si vous conservez la même valeur de départ, puis effectuez une autre exécution avec les mêmes entrées, vous devez obtenir le même résultat. Si vous modifiez la valeur de départ, vous obtiendrez des résultats différents.
Combien de points de départ (valeurs de départ) voulez-vous utiliser pour générer des résultats ?
Pour plus d'informations, reportez-vous au Guide de la conception générative : algorithmes génétiques.
À propos des algorithmes génétiques
La Conception générative utilise l'algorithme d'optimisation NSGA-II (un type d'algorithme génétique). Les algorithmes génétiques permettent de générer des solutions de haute qualité pour l'optimisation et les problèmes de recherche en s'appuyant sur des opérateurs inspirés par les biotechnologies comme la mutation, la commutation et la sélection. Voir Guide de la conception générative : qu'est-ce qu'un algorithme génétique ?