下载文档原格式
前言●Isight 5.5简介笔者自2000年开始接触并采用Isight软件开展多学科设计优化工作，经过12年的发展，我们欣喜地看到优化技术已经深深扎根到众多行业，帮助越来越多的中国企业提高产品性能和品质、降低成本和能耗，取得了可观的经济效益和社会效益。
作为工程优化技术的优秀代表，Isight 5.5软件由法国Dassault/Simulia公司出品，能够帮助设计人员、仿真人员完成从简单的零部件参数分析到复杂系统多学科设计优化（MDO, Multi-Disciplinary Design Optimization）工作。
Isight将四大数学算法（试验设计、近似建模、探索优化和质量设计）融为有机整体，能够让计算机自动化、智能化地驱动数字样机的设计过程，更快、更好、更省地实现产品设计。
毫无疑问，以Isight为代表的优化技术必将为中国经济从“中国制造”到“中国创造”的转型做出应有的贡献！●本书指南Isight功能强大，内容丰富。
本书力求通过循序渐进，图文并茂的方式使读者能以最快的速度理解和掌握基本概念和操作方法，同时提高工程应用的实践水平。
全书共分十五章，第1章至第7章为入门篇，介绍Isight的界面、集成、试验设计、数值和全局优化算法；第8章至第13章为提高篇，全面介绍近似建模、组合优化策略、多目标优化、蒙特卡洛模拟、田口稳健设计和6Sigma品质设计方法DFSS（Design For 6Sigma）的相关知识。
本书约定在本书中，【AA】表示菜单、按钮、文本框、对话框。
如果没有特殊说明，则“单击”都表示用鼠标左键单击，“双击”表示用鼠标左键双击。
在本书中，有许多“提示”和“试一试”，用于强调重点和给予读者练习的机会，用户最好详细阅读并亲身实践。
本书内容循序渐进，图文并茂，实用性强。
适合于企业和院校从事产品设计、仿真分析和优化的读者使用。
在本书出版过程中，得到了Isight发明人唐兆成（Siu Tong）博士、Dassault/Simulia （中国）公司负责人白锐、陈明伟先生的大力支持，工程师张伟、李保国、崔杏圆、杨浩强、周培筠、侯英华、庞宝强、胡月圆、邹波等参与撰写，李鸽、杨新龙也为本书提供了宝贵的建议和意见，在此向所有关心和支持本书出版的人士表示感谢。
iSIGHT优化设计—Optimization 1 概述1.1 传统劳动密集型的人工设计1.2 iSIGHT智能软件机械人驱动的设计优化1.3 优化问题特点（1）约束（3）非线性（6）组合问题（7）优化问题按特点分类对优化设计的研究不断证明，没有任何单一的优化技术能够适用于所有设计问题。
事实上，单一的优化技术乃至可能无法专门好地解决一个设计问题。
不同优化技术的组合最有可能发觉最优设计。
优化设计极大地依托于起始点的选择，设计空间本身的性质（如线形、非线形、持续、离散、变量数、约束等等）。
iSIGHT 就此问题提供两种解决方案。
第一，iSIGHT 提供完备的优化工具集，用户可交互式选用并可针对特定问题进行定制。
第二，也是更重要的，iSIGHT 提供一种多学科优化操作模式，以便把所有的优化算法有机组合起来，解决复杂的优化设计问题。
2 优化算法概述iSIGHT 包括的优化方式能够分为四大类：数值优化、全局探讨法、启发式优化法和多目标多准那么优化算法。
数值优化（如登山法）一样假设设计空间是单峰的，凸起的和持续的，本质上是一种局部优化技术。
全局探讨技术那么幸免了局限于局部区域，一样通过评估整个设计空间的设计点来寻觅全局最优。
启发式技术是按用户概念的参数特性和交叉阻碍方向寻觅最优方案。
多目标优化那么需要衡量，iSIGHT 正是提供了一种易于利用的多目标准那么衡量分析框架。
另外自iSIGHT v9.0 开始新增加了Pointer 优化器，它是GA、MPQL、N-M 单纯形法和线性单纯形法的组合。
iSIGHT 包括的具体算法按分类列表如下:2.1 数值方式iSIGHT 纳入了十二种数值优化算法。
其中八种是直接法，在数学搜索进程中直接处置约束条件。
而Exterior Penalty 方式和Hooke-Jeeves 方式是罚函数法，它们通过在目标函数中引入罚函数将约束问题转化为无约束问题。
2.2 全局探讨法iSIGHT 全局探讨法包括遗传算法和模拟退火算法，它们不受凸（凹）面性、滑腻性或设计空间持续性的限制。
相似模型总结归纳在数据分析和机器学习领域，相似模型是一种常用的方法，用于捕捉数据之间的相似性。
基于相似模型的算法可以帮助我们进行聚类、分类、降维和推荐等任务。
本文将对几种常见的相似模型进行总结归纳，包括K近邻算法、余弦相似度、欧式距离和曼哈顿距离。
1. K近邻算法K近邻算法（K-Nearest Neighbors，KNN）是一种简单而常用的相似模型算法。
该算法基于一个假设：相似的事物在数据空间中聚集在一起。
KNN算法通过计算待分类样本与已知样本之间的距离，选取距离最近的K个点，并根据这K个点的标签进行分类。
KNN算法在分类、回归和异常检测等任务中均有广泛应用。
2. 余弦相似度余弦相似度是一种衡量向量之间相似性的方法，适用于处理文本和高维数据。
该方法计算向量之间的夹角余弦值，取值范围在[-1, 1]之间。
余弦相似度越接近1，表示两个向量越相似；越接近-1，表示两个向量越不相似；接近0表示两个向量在方向上没有关联。
余弦相似度在信息检索、文本挖掘和推荐系统等领域具有重要应用。
3. 欧式距离欧式距离是一种常用的距离度量方式，用于计算两个向量之间的距离。
该距离指的是在坐标空间中两个点的直线距离。
欧式距离广泛应用于聚类、分类和图像处理等问题。
在数据分析中，我们可以利用欧式距离来衡量不同样本之间的相似性或差异性。
4. 曼哈顿距离曼哈顿距离是一种计算向量之间距离的方法，也被称为曼哈顿度量。
该距离指的是在坐标空间中两个点的城市街区距离，即沿着网格线移动的最短距离。
曼哈顿距离与欧式距离相似，但不同之处在于曼哈顿距离只能沿坐标轴方向移动，无法斜向移动。
曼哈顿距离常用于聚类、路径规划和图像处理等任务中。
总结：相似模型是数据分析和机器学习中的重要概念，通过比较不同数据之间的相似性，可以帮助我们理解数据特征、进行分类和推荐等任务。
本文对几种常见的相似模型进行了总结归纳，包括K近邻算法、余弦相似度、欧式距离和曼哈顿距离。
这些相似模型在不同领域都有广泛的应用，可以根据具体问题选择合适的模型来解决。
近似模型方法（Approximation Models）是通过数学模型的方法逼近一组输入变量（独立变量）与输出变量（响应变量）的方法。
上世纪七十年代，L.A.Schmit等人在结构设计优化中首次引入了近似模型的概念，加快了优化算法的寻优速度，推动了优化算法在工程领域中的应用，收到了良好的效果。
响应面方法（Response Surface Methodology，RSM）利用多项式函数拟合设计空间。
响应面方法的优点包括：•通过较少的试验在局部范围内比较精确的逼近函数关系，并用简单的代数表达式展现出来，计算简单，给设计优化带来极大的方便。
••通过回归模型的选择，可以拟合复杂的响应关系，具有良好的鲁棒性。
••数学理论基础充分扎实，系统性、实用性强，适用范围广，逐步成为复杂工程系统设计的有力工具。
•响应面方法的缺点是：•不能保证响应面通过所有的样本点，因此存在一定的误差。
••对于高度复杂的函数关系的逼近效果不如神经网络等方法。
•在Isight近似模型中，响应面函数可以是一阶、二阶、三阶和四阶多项式，构造近似模型所需要的样本点数依赖于模型阶数和输入变量个数。
建立响应面时可以指定取舍关键项的方法，以提高模型的精度和质量。
Isight 提供了四种项选择的方法，以残差平方和（RSS,Residual Sum of Squares）最小作为目标，进行项的最佳选择：•顺序替换•从常数项开始拟合，每次增加一个项使残差平方和（RSS,Residual Sum of Squares）最小；每增加一个项后，检查是否可以去掉或替换已经存在的项，同时使RSS更小。
•逐次替换•前向选择：从常数项开始拟合，每次增加一个项使残差平方和（RSS,Residual Sum of Squares）最小。
•每次替换两项•从常数项开始拟合，每次增加一个项使残差平方和（RSS,Residual Sum of Squares）最小；每增加一个项后，检查所有项中进行替换的可能性，找到能使RSS更小的最好的项组合。
