Sweep
Wie sieht die Antwortfläche über diesem Gitter aus?
Exploration
Den Entwurfsraum in großem Maßstab durchsuchen
Der Exploration-Workspace mitten in einem Sweep. Ein App-Fenster liegt über einem grünen Feld, in seiner linken Leiste die Studie — Tuner, Ziel und Nebenbedingung über einem angepinnten Simulations-Setup — und auf dem Canvas das Modell bouncing_ball: ein schraffierter Boden, ein Feder-Dämpfer-Kontakt, der die beiden variierten Parameter trägt, der Ball, die Gravitation darüber und ein Sensor, der die Höhe auf einen Signalport ausgibt. Vier Karten schweben über die Fensterkanten hinaus: cluster.eval_rate auf einer Anzeige bei 24 pro Sekunde, bouncing_ball.height als gedämpfte Welle, eine pareto_front über drei Ziele, die sich bei 248 Auswertungen füllt, und tuner.presets mit Netzdichte, Solver-Toleranz und Stichprobenzahl. Das Agenten-Panel rechts zeigt die Anfrage, die Antwort, vier Tool-Aufrufe und drei geänderte Dateien, und das Dock unter dem Canvas liest den Fortschritt des Laufs ab.
Was Exploration kann
Eine einzelne Simulation beantwortet eine Frage. Exploration stellt Tausende — packt jedes Modell in eine Studie, schickt jede Auswertung an den Cluster und macht die Suche selbst lesbar, damit Sie wissen, wann Sie aufhören können.
Studien-Setup
Stellen Sie Ihrem Modell eine Frage
Binden Sie eine FMU, eine SSP oder einen Paper-Rechengraphen ein und formulieren Sie dann die Frage: welche Parameter frei sind, in welchen Grenzen, gegen welche Ziele und Nebenbedingungen. Wählen Sie die Methode — Parameter-Sweep, gradientenfreie Optimierung, globale Sensitivität oder Monte-Carlo-Sampling — und Exploration übernimmt den Rest.
Ein Exploration-Fenster mit der Studie auf einer Karte. gearbox_2stage.fmu ist als FMI 2.0 eingebunden; drei freie Parameter zeigen die Spanne, die diese Studie aus dem eigenen Definitionsbereich des Modells herausgenommen hat — Übersetzung 4,0 bis 12,0, J_load 0,8 bis 3,2 kg·m², c_spring 5e3 bis 2e4 N·m/rad; die Masse soll minimiert werden, T_peak bei höchstens 85 °C und σ_max unter 340 MPa gehalten. Am Fuß sitzen vier Methoden-Buttons — Sweep, Optimize, Sensitivity, Sample —, die Auswahl wandert auf Optimize, und darunter erscheinen dann die Einstellungen genau dieses Algorithmus: NSGA-II, Population 40, 25 Generationen, Seed 7. Nichts ist gelaufen; die Studie ist noch ein Entwurf.
Live-Dashboard
Sehen Sie der Suche beim Konvergieren zu
Kandidaten strömen zurück, sobald sie landen, nicht erst wenn der Stapel fertig ist. Ein Konvergenzplot sagt Ihnen, ob sich das Ziel noch verbessert; Parallelkoordinaten sagen Ihnen, in welche Ecke des Raums sich der Optimierer festgelegt hat — und ob er still auf eine Grenze der Nebenbedingungen zusammengefallen ist.
Ein Exploration-Fenster mit einer Konvergenzkarte auf dem Canvas. Die Bestwert-Kurve füllt sich von links auf, während Auswertungen zurückkommen — zuerst steil, dann ein langer flacher Auslauf, und nie steigend, weil ein Bestwert das nicht kann —, während der Zähler der Karte von 184 auf 589 von tausend klettert und die Leiste des Optimierungs-Docks darunter vorrückt. Die Achse ist das Ziel als Bruchteil des ersten Kandidaten, sodass das Bild sagt, ob die Suche sich noch verbessert, ohne eine gelöste Zahl zu nennen.
Ergebnisse & Pareto
Die Zielkonflikte lesen
Mehrzielprobleme haben keine Antwort; sie haben eine Front. Sortieren und filtern Sie Kandidaten, überlagern Sie ihre Zeitsignale, um zu sehen, warum einer gewinnt, lesen Sie die Pareto-Menge und übertragen Sie den gewählten Entwurf in einem Schritt zurück auf das Quellmodell — mit erhaltener Herkunft dieser Entscheidung.
Ein Exploration-Fenster mit der Front auf dem Canvas und einem geöffneten Inspector rechts. Eine Wolke ausgewerteter Entwürfe füllt sich über drei Ziele — Masse, Wirkungsgrad und Spitzentemperatur —, während der Zähler von sechshundertzwanzig Auswertungen auf tausend geht. Der Inspector hält den ausgewählten Kandidaten #918 bei 16,20 kg, Wirkungsgrad 0,9258 und 84,6 °C; sein Button Auf Modell anwenden füllt sich dann mit der Farbe der App, und darunter landet die Herkunft der Entscheidung — Übersetzung 8,63 zurückgeschrieben nach gearbox_2stage, aus ratio_sweep, Generation 22.
In großem Maßstab
Optimierung auf dem Cluster
Jede Auswertung ist ein eigener Lauf, der an die Rechenleistung geschickt wird — eine Studie mit tausend Kandidaten ist damit ein Scheduling-Problem und keine Sache über Nacht. Pausieren, wenn die Front stehen bleibt, früh stoppen, wenn eine Nebenbedingung klar verletzt ist, und nur die Auswertungen bezahlen, die gelaufen sind.
Ein Exploration-Fenster mit den Bedingungen des Laufs in der linken Leiste — achtzehn Worker, ein Budget von tausend Läufen, NSGA-II, sechs Minuten Laufzeit gegen hundertvier Minuten CPU — und dem aktuellen Dispatch-Fenster auf dem Canvas als hundertfünfzig Zellen. Wartende Slots sind blass; sobald sie zurückkommen, zeichnen sie sich als Punkte, getönt nach dem Ziel, das sie gefunden haben, und die Läufe, die auf der thermischen Grenze mitten drin gestoppt wurden, zeichnen die kleinste Zelle von allen — denn die Rechenleistung, die sie nie verbraucht haben, ist der Punkt. Diese Abbrüche häufen sich zum Ende hin, wo die Suche gegen die Grenze drückt. Eine Zelle leuchtet in der Farbe der App, und eine Zeile unter der Leiste liest neun Minuten und neun Sekunden CPU, die nie verbraucht wurden.
Methoden
Vier Wege, einen Entwurf zu befragen
Sweep
Optimize
Sensitivity
Sample