Quando si definisce uno studio di progettazione generativa, è possibile modificare le impostazioni di generazione, se lo si desidera.
Nella maggior parte dei casi, le impostazioni di default sono sufficienti per generare alternative progettuali.
Accesso: durante il workflow di Crea studio, dopo la selezione del tipo di studio viene visualizzata la finestra di dialogo Definisci studio. Selezionare un metodo. Passare alla sezione Impostazioni generazione della finestra di dialogo ed espanderla, se necessario.
In questo argomento
- Dimensioni popolazione
- Generazioni
- Numero totale di risultati
- Seme
- Informazioni sugli algoritmi genetici
Dimensioni popolazione
Questa impostazione è valida solo quando il metodo di studio è Ottimizza.
L'algoritmo genetico comincia con una popolazione iniziale dalla quale viene eseguita la selezione. Ogni individuo della popolazione rappresenta una potenziale soluzione al problema di progettazione. Ogni individuo dispone di un insieme univoco di funzionalità che servono da geni per l'evoluzione del progetto.
Per garantire che lo studio si evolva per trovare la soluzione migliore, prendere in considerazione i seguenti suggerimenti:
- Almeno alcuni dei geni devono avere valori variabili.
- Le dimensioni della popolazione devono essere sufficienti. Le dimensioni sufficienti dipendono dal progetto, dalla quantità di geni e dall'intervallo di valori variabili. Una regola generale consiste nell'impostare le dimensioni della popolazione su almeno tre volte il numero di input.
- Se i risultati non iniziano a convergere in una risposta, provare ad aumentare le dimensioni della popolazione.
Generazioni
Questa impostazione è valida solo quando il metodo di studio è Ottimizza.
Un algoritmo genetico è un'ottimizzazione basata sulla popolazione. Gli approcci basati sulla popolazione consentono di mantenere e migliorare più soluzioni candidate, spesso utilizzando le caratteristiche della popolazione per guidare la ricerca. Ogni arrotondamento dell'ottimizzazione elaborata nell'algoritmo genetico è definito generazione. Quando si imposta il valore di generazione su 40, il processo di selezione, cross-over e mutazione avviene 40 volte per ogni popolazione di 40 progetti. Per ulteriori informazioni, vedere su Wikipedia.
Quando si imposta Progettazione generativa in modo che vengano eseguite 30 generazioni, ad esempio, il processo di ottimizzazione viene ripetuto finché non ne viene soddisfatta una oppure finché non viene soddisfatta una combinazione delle seguenti condizioni:
- Il numero fisso di generazioni è stato raggiunto.
- L'adattamento della soluzione con la massima classificazione ha raggiunto un livello stabile, in modo tale che le iterazioni successive non producano più risultati migliori.
- Il processo viene interrotto manualmente.
Numero totale di risultati
Questa impostazione viene applicata quando il metodo di studio è Rendi casuale o Simile al seguente.
Quanti risultati (alternative progettuali) si desidera generare?
Più risultati permettono di esplorare una più ampia serie di alternative, ma il completamento richiederà più tempo. Meno risultati si genereranno più rapidamente, ma non esploreranno possibili alternative in modo approfondito.
Seme
Questa impostazione viene applicata quando il metodo di studio è Ottimizza, Rendi casuale o Simile al seguente.
Un seme è un valore che fornisce un punto iniziale per l'algoritmo. Se si mantiene lo stesso seme e si effettua un'altra esecuzione con gli stessi input, è necessario ottenere lo stesso risultato. Se si modifica il seme, si otterranno risultati diversi.
Quanti punti iniziali (semi) si desidera utilizzare durante la generazione dei risultati?
Per ulteriori informazioni, vedere Generative Design Primer: Genetic Algorithms.
Informazioni sugli algoritmi genetici
Progettazione generativa utilizza l'algoritmo di ottimizzazione NSGA-II (un tipo di algoritmo genetico). Gli algoritmi genetici possono generare soluzioni di alta qualità per l'ottimizzazione e i problemi di ricerca facendo affidamento su operatori bioispirati, come la mutazione, il cross-over e la selezione. Vedere Generative Design Primer: What is a Genetic Algorithm?