定义衍生式设计分析时，可以根据需要更改生成设置。
在大多数情况下，默认设置足以生成设计备选方案。
访问：在“创建分析”工作流期间，“定义分析”对话框将在选择分析类型后显示。选择一种方法。转到对话框的“生成设置”部分，然后根据需要将其展开。
在本主题中
总体大小
此设置仅在分析方法为“优化”时应用。
遗传算法从开始进行选择的初始填充开始。总体中的每一个都是设计问题的潜在解决方案。每一个都有一组独特的功能，作为继续进行设计的基因。
要确保继续进行分析以找到最佳解决方案，请考虑以下提示：
- 至少某些基因需要具有变量值。
- 总体大小必须足够大。足够的大小取决于项目、基因数量和变量值的范围。经验规则是将总体大小至少设定为输入数的三倍。
- 如果结果未开始收敛到答案，请尝试增加总体大小。
请参见衍生式设计入门：初始化阶段。
生成
此设置仅在分析方法为“优化”时应用。
遗传算法是基于群体的优化。基于群体的方法可保持和改进多个候选解决方案，通常使用群体特征来引导搜索。在遗传算法中处理的每轮优化都称为生成。将生成值设置为 40 时，对于每 40 个设计的群体，选择、交叉和变形过程会发生 40 次。（请在 Wikipedia 上阅读更多内容。）
例如，如果将衍生式设计设置为运行 30 代，则优化过程将一直重复，直到满足以下一个或多个条件的组合：
- 已达到固定的生成数。
- 排名最高的解决方案适用性已达到平稳状态，因此连续的迭代不再产生更好的结果。
- 手动停止该过程。
结果数
此设置仅在分析方法为“随机化”或“类似”时应用。
要生成多少个结果（设计备选方案）?
更多结果使您可以探索更多备选方案，但完成时间会更长。结果越少会使生成速度越快，但不会彻底地探索可能的备选方案。
种子
此设置在分析方法为“优化”、“随机化”或“类似”时应用。
种子是为算法提供起点的值。如果保留相同的种子，然后使用相同输入执行另一次运行，则应获得相同的结果。 如果更改种子，将获得不同的结果。
在生成结果时，要使用多少个起点（种子）？
有关详细信息，请参见衍生式设计入门：遗传算法。
关于遗传算法
衍生式设计使用 NSGA-II 优化算法（一种遗传算法）。遗传算法用于生成高质量的解决方案，以便通过依赖生物启发的运算符（如变形、交叉和选择）来优化和搜索问题。请参见衍生式设计入门：什么是遗传算法？