计算机仿真浅谈计算机仿真

2021-12-30 23:20

说到计算机模拟，可能会想到一堆物理公式和3D数据。然而，如何计算和模拟可能仍然模糊不清。今天让我们做一些科普。先从最基础最重要的模型说起，再来说说计算机仿真如何为车辆开发提供优化方案。

/什么是模型/

有一只玩具鲨鱼，它的大嘴压了几颗牙就突然闭上了。我想知道这个玩具是怎么工作的，但是我不能把它拆开。所以我只能按各种排列组合来压牙。被无数人“咬”过之后，我终于发现了鲨鱼“咬”的规律。

这个英勇就义的故事，其实就是一个建模的过程。该模型是通过观察未打开的黑盒的输入和输出而总结的一组规则。通过这组规则，我们可以通过控制输入来控制黑盒的输出。

当然，这是一个相对简单的模型。现实中有很多黑箱定律相当复杂，它们的输入是不可观测和不可控的变量。对于这种黑箱，需要依靠计算机技术，构建更大的模型，模拟真实场景的输入进行快速计算，然后与现实中的输出进行比较，再对模型进行修正，通过这样的反复迭代不断提高模型的精度。

在获得校准模型后，可以通过计算特定输入下模型的输出来进行预测。例如，在我们的汽车模拟中，输入是从各种法律法规中的试验条件中抽象出来的工况，输出是预测的试验结果。

随着市场竞争的日益激烈和项目时间的不断缩短，计算机模拟不再局限于将设计方案转化为模型后测试结果的“事后”预测模式，而是开始提供“事前”建议。前期尝试了各种设计方案的大量模型，以求找到更好的效果，从而确定整体方向，避免走弯路。在这个过程中，大量的算法被用来提供试错效率，如退火算法、遗传算法、禁忌搜索算法、蚁群算法等。我们以蚁群算法为例，看看如何快速找到最优设计方案。

/蚁群算法在车辆性能优化中的应用/

首先，我们将介绍什么是蚁群算法。蚁群没有中央控制和任务分配的领导者，不能通过语言进行交流。那大量的蚁群，在外界条件未知的情况下，每个工蚁如何知道自己应该去哪里执行任务呢？这就要提到化学信息素了。以觅食为例，一只蚂蚁在一个方向随机觅食，如果找到食物，它会把食物带回巢穴，并沿着巢穴释放信息素。这时候就会出现正反馈和负反馈。正反馈:如果其他蚂蚁发现信息素，它们会有一定的概率沿着轨迹觅食。信息素浓度越高，概率越大。同时，蚂蚁在返回巢穴的途中也会留下信息素，使得路径上的信息素浓度不断增加，蚂蚁也会不断增加。负反馈:如果这条路上的食物已经收集完毕，蚂蚁就不会沿路返回，释放信息素。随着时间的推移，信息素的浓度会随着挥发而逐渐降低，蚂蚁会越来越少。蚁群就是通过这种微观层面上的简单随机机制，在宏观层面上实现了一种非常微妙奇妙的动态资源分配策略:一旦在某个方向上发现食物，就会出动更多的蚂蚁进行搜索，同时也会留下一定的随机性，保证少数蚂蚁继续朝着收成不好的方向进行探测。

我们在做优化的时候，面临的问题和蚁群非常相似。最常见的场景是用来说明:改变零件某一区域的长度l和厚度t可以提高其刚度性能。在这里，食物成为硬度值。地面变成由l和t组成的曲面，蚂蚁在某一时刻的位置坐标变成LOT曲面上的坐标，蚂蚁的路径变成LOT曲面上的曲线。信息素浓度成为路径曲线方向的偏导数。因此，我们把蚂蚁的工作从寻找食物改为爬LOT表面的山峰。

在完成元素变换后，利用蚁群动态分配资源的方法，探索刚度的最优解。首先，蚁群生成并随机分散在LOT表面。然后在每一轮中，让每只蚂蚁根据当前LOT表面的信息素分布和一定的随机概率爬到下一个位置。然后根据蚂蚁的运动和信息素的挥发更新信息素的分布。经过这几轮循环，爬得最高的蚂蚁的位置就是最优解。整个过程如下图所示。