Según el estado actual de la investigación y las tendencias de desarrollo del diseño inteligente en el país y en el extranjero, el diseño inteligente se puede dividir en tres niveles según las capacidades de diseño: diseño convencional, diseño asociativo y diseño evolutivo.
(1) Diseño convencional
Es decir, los atributos de diseño, el proceso de diseño y la estrategia de diseño se han planificado bajo la acción del motor de inferencia, el sistema inteligente llama modelos simbólicos. (como reglas, redes semánticas, etc.), marco, etc.) para el diseño. En la actualidad, la mayoría de los sistemas de diseño inteligente utilizados en el país y en el extranjero entran en esta categoría, como el sistema Wirex utilizado por la empresa japonesa NEC para el diseño de diseño de productos VLSI, el sistema experto en diseño de transmisión por correa trapezoidal estándar (JDDES) desarrollado por la Universidad de Ciencia y Tecnología de Huazhong, y el sistema CAD inteligente del recipiente a presión. Este tipo de sistema inteligente a menudo sólo puede resolver problemas convencionales bien definidos y estructurados, por eso se le llama diseño convencional.
(2) Lenovo Design
La investigación actual se puede dividir en dos categorías: una es utilizar casos de diseño existentes en el proyecto para comparar y obtener información de orientación para los diseños existentes. requiere recopilar una gran cantidad de casos de diseño buenos y comparables, lo cual es difícil para la mayoría de los problemas; el otro tipo es utilizar las capacidades de procesamiento numérico de las redes neuronales artificiales para obtener conocimiento implícito sobre el diseño a partir de datos experimentales y datos de cálculo para guiar el diseño; Este tipo de diseño logra un cierto avance con respecto al diseño convencional con la ayuda de otros ejemplos y datos de diseño, lo que se denomina diseño asociativo.
(3) Diseño evolutivo
El algoritmo genético (GA, Geneticalgorithms) es un algoritmo adaptativo, aleatorio y altamente paralelo que se basa en los mecanismos de selección natural y evolución natural del mundo biológico. algoritmo de búsqueda. A principios de la década de 1980, los algoritmos genéticos se utilizaron ampliamente en búsqueda manual, optimización de funciones, etc., y se extendieron a muchos campos, como la informática y la ingeniería mecánica. En la década de 1990, la investigación sobre algoritmos genéticos basados en el principio de evolución de la población se expandió hacia la programación evolutiva (EP, programación evolutiva), estrategias evolutivas (ES, estrategias evolutivas) y otras direcciones, que en conjunto se denominan computación evolutiva (EC, es decir Computación evolutiva).
La computación evolutiva extiende el diseño inteligente al diseño evolutivo. Sus características son:
El plan de diseño o la estrategia de diseño se codifica como una cadena de genes para formar una población de genes de muestras de diseño.
La función de evaluación del plan de diseño determina la calidad y dirección evolutiva de las muestras en la población.
El proceso de evolución es el proceso de reproducción, cruce y mutación de muestras.
El diseño evolutivo depende muy poco del conocimiento ambiental, y el cruce y la mutación de muestras excelentes son a menudo la fuente de la innovación en el diseño. Por lo tanto, la Conferencia Internacional "Inteligencia Artificial en Diseño'96" celebrada en 1996 sobre el. En este tema, M.A. Rosenman propuso un modelo evolutivo en diseño, y la computación evolutiva se utilizó como una herramienta beneficiosa para lograr un diseño no convencional.
Clasificación del diseño inteligente:
(1) Principio del diseño inteligente de la solución
Los resultados del diseño de la solución afectarán todo el proceso de diseño, lo cual es importante para Reducir costes y mejorar la calidad. Desempeña un papel vital a la hora de acortar el ciclo de diseño. El diseño de soluciones principales es un proceso de búsqueda de una comprensión original y es la clave para lograr la innovación del producto. El proceso de diseño de la solución principal es el análisis de funciones totales - descomposición funcional - solución de elementos funcionales (subfunciones) - combinación de soluciones locales - evaluación y toma de decisiones - la mejor solución principal. Según este método de diseño, el núcleo del diseño de soluciones de principios se reduce a la solución de principios para subfunciones. El catálogo de diseño para subfunciones generales puede describir de manera integral los requisitos y la comprensión original de las subfunciones, y mapea implícitamente desde los efectos físicos hasta la comprensión original. Es el documento inicial de la base de conocimientos del sistema de diseño de esquemas de principios inteligentes. El sistema inteligente de diseño de esquemas basado en el catálogo de diseños puede realizar mejor la inteligencia del diseño conceptual.
(2) Resolución colaborativa
ICAD debe tener múltiples modos de representación del conocimiento, múltiples mecanismos de razonamiento y toma de decisiones y múltiples sistemas expertos para la resolución colaborativa. integrar modelos relacionados con la teoría basados en programas y métodos de conocimiento para formar un sistema de resolución colaborativa, trabajando juntos bajo el control de programas de programación y razonamiento del sistema de metanivel para resolver conjuntamente problemas de diseño complejos.
La capacidad de un único sistema experto para resolver problemas en un determinado enlace suele estar muy limitada en su coordinación y adaptabilidad con otros enlaces. Para ampliar el campo de la resolución de problemas mediante sistemas expertos, o para permitir que algunos campos interrelacionados sean resueltos por el mismo sistema, nació el concepto del llamado sistema experto colaborativo. En este tipo de sistema, hay múltiples sistemas expertos trabajando juntos, lo que es un sistema colaborativo de múltiples expertos. La clave para la solución colaborativa de sistemas multiexpertos es el contacto mutuo y la cooperación entre expertos en el campo del diseño de ingeniería, y utilizar esto para resolver problemas. El principio de coherencia y la estrategia de evaluación de la transmisión de información en el proceso de solución colaborativa son para juzgar si el trabajo actual se está llevando a cabo en una dirección conducente al objetivo general. Además de implementar características paralelas en el proceso de solución colaborativa de sistemas multiexpertos, también es necesario desarrollar un entorno de software práctico para la resolución colaborativa de problemas de sistemas multiexpertos.
(3) Tecnología de sistemas expertos para adquisición, expresión y utilización de conocimientos
La tecnología de sistemas expertos para adquisición, expresión y utilización de conocimientos es la base de ICAD, que es la principal dirección de desarrollo de las aplicaciones CAD. y puede Para resumir:
La investigación sobre modelos de aprendizaje automático tiene como objetivo resolver problemas como la adquisición, el refinamiento y la estructuración del conocimiento.
La profundización de la tecnología de razonamiento requiere un razonamiento monótono con modos de control de procesos de razonamiento directo, inverso y bidireccional, y la atención debe centrarse en el razonamiento no inductivo, no monótono y basado en redes neuronales.
Un modelo integral de expresión del conocimiento, es decir, cómo construir una estructura de tabla de conocimiento múltiple que unifique el conocimiento profundo y el conocimiento superficial.
Investigación en la resolución de sistemas estructurales basados en distribución e ideas paralelas.
Modelo Estructural de Pizarra
El modelo estructural de pizarra se centra en la descripción general del problema y la herencia del conocimiento o experiencia. Este modelo de resolución de problemas considera el proceso de resolución de diseños como un proceso en el que primero se generan algunas soluciones parciales y luego se combinan las soluciones parciales para obtener una solución satisfactoria. Su núcleo se compone de tres partes: fuente de conocimiento, base de datos global y estructura de control. La base de datos global es el lugar de almacenamiento de información sobre el estado de la resolución de problemas, es decir, la pizarra. El conocimiento necesario para resolver el problema se divide en varias fuentes de conocimiento, que son independientes entre sí y necesitan comunicarse, cooperar y resolver el problema a través de la pizarra. Cambie el contenido de la pizarra a través de la fuente de conocimiento para derivar la solución al problema. Todas las soluciones parciales generadas durante el proceso de resolución de problemas se registran en la pizarra. La comunicación e interacción entre fuentes de conocimiento se produce exclusivamente a través de Blackboard, que es de acceso público. La estructura de control controla el proceso de reemplazo de información entre la fuente de conocimiento y la pizarra de acuerdo con los requisitos humanos, selecciona y ejecuta las acciones correspondientes y completa la solución del problema de depuración. El modelo de estructura de pizarra es un modelo de solución general adecuado para soluciones de grandes espacios y problemas complejos.
(4) Razonamiento basado en casos (CBR)
CBR es un nuevo método de razonamiento y autoaprendizaje. Su espíritu central es utilizar ejemplos y experiencias exitosas del pasado para resolver nuevos problemas. . pregunta. Las investigaciones muestran que los diseñadores generalmente completan las tareas de diseño actuales basándose en la experiencia de diseño previa y no comienzan desde cero cada vez. Los pasos generales de CBR son hacer preguntas, encontrar ejemplos similares, modificar los ejemplos para cumplir completamente con los requisitos y finalmente estar satisfechos. La solución se almacena en la biblioteca de instancias como una nueva instancia. El soporte más importante en CBR es la biblioteca de instancias y la clave es la extracción eficiente de instancias.
La característica de CBR es reutilizar directamente los resultados de la solución sin tener que derivarlos desde cero nuevamente, mejorando así la eficiencia en la resolución de problemas. Además, las experiencias pasadas de éxito o fracaso de soluciones se pueden utilizar para guiar dinámicamente el proceso de solución actual y lograr que tenga éxito de manera eficiente, o para permitir que el sistema de razonamiento evite repetir errores conocidos.