ESTECO modeFRONTIER v4.3.0 for linux x86+x64

ESTECO modeFRONTIER - это среда для решения задач критериальной и многокритериальной оптимизации, работающая с различными CAD, CAE, CFD и другими программными комплексами. В среде имеется возможность работы в режиме автоматического проектирования и оптимизации изделий. Реализована обработка и анализ данных с помощью различных методов.

Основные технические характеристики

Планирование эксперимента (DOE), распределение входной популяции переменных, оценка точности прогноза:
User DOE, Random, Sobol, Full factorial, Cubic-face-centered, Taguchi, Box-Benken, Montecarlo, Reduced Factorial, Latin Square, Latin Hypercube, D-Optimal, Метод кросс-проверки (cross validation), Задача удовлетворения ограничений (constraint satisfaction problem).

Принятие решений при проведении многокритериальной оптимизации (MCDM):
Критерий Гурвица (Hurwicz criterion), Linear algorithm, GA algoriphm, Минимакс, savage mimimax regret criterion.

Алгоритмы, методы оптимизации:
DOE Sequence – прямой перебор параметров, MOGA II – генетический алгоритм для многокритериальной оптимизации, ARMOGA – генетический алгоритм на основе MOGA, NSGA II – генетический алгоритм недоминируемой сортировки для многокритериальной оптимизации, NASH – алгоритм, основанный на теории некооперативных игр Нэша (Nash), для многокритериальной оптимизации, B-BFGS – градиентный алгоритм, SIMPLEX – поиск решения без использования производных по методу Нелдера-Мида, Левенберг-Маркар (Levenberg-Marquardt), Simulated Annealing– алгоритм модельной закалки (метод имитации отжига), 1P1-ES – эволюционная стратегия, DES – эволюционная стратегия для проведения критериальной оптимизации с непрерывными переменными, MMES – эволюционная стратегия для многокритериальной оптимизации с дискретными и непрерывными переменными, FMOGA II – версия алгоритма MOGA с улучшенной сходимостью, FSIMPLEX – версия Simplex с улучшенной сходимостью и возможностью решений многокритериальных задач, MOSA – версия simulated annealing с возможностью решений многокритериальных задач, MACK – алгоритм для аппроксимации поверхностей отклика, NLPQLP – алгоритм последовательного квадратичного программирования (SQP), NLPQLP-NBI – Normal Boundary Intersection method + NLPQLP (алгоритм с возможностью решения многокритериальных нелинейных задач), Multi-Objective Particle Swarm.

Метамодели (аппроксимация поверхности отклика, RSM, приближенные математические модели), методы построения:
K-Nearest (метод Shepard-a), SVD (singular value decomposition), Кригинг (Kriging), методика регрессионного анализа на основе работ Daniel Krige, Parametric surfaces, полиноминальная регрессия, Gaussian Processes – подход к решению задач регрессионного анализа на основе работ Безье (Bayesian), Искусственные нейронные сети, радиально-базисные нейронные сети (radial basis function), Средства проверки корректности мета–моделей.
 
6 сигм, управление качеством, Design for Six Sigma (DFSS):
Качество Sigma (six sigma quality), Виды отказов и анализ их воздействия (discards analysis), Ishikawa diagram.

Визуальный анализ данных, оценка статистической значимости данных:
Функция плотности вероятностей (probability density function), Исследование связи между переменными, диаграмма рассеивания, линия, пузырьковая диаграмма, линии тренда, Распределение данных, гистограмма, «пирог», cumilative plot, Линейный корреляционный анализ, матрица корреляции (correlation matrix), матрица рассеивания (scatter matrix), матрица эффектов (effects matrix), Определение основных характеристики выборк, «ящик с усами» (box-whiskers), график квантилей (Quantile-Quantile plot), Расчет тесноты взаимодействия параметров, Работа с выборками данных большой размерности, тест Стьюдента, дисперсионный анализ (тест Бон-феррони, ANOVA), Проверка выборки (distribution fitting), Методы кластерного анализа.