基于强化学习的生成式设计：增强拓扑优化设计的多样性
计算机视觉与模式识别
2022-10-04 v2
摘要
生成式设计是指在设计者定义的约束下能够自动进行设计探索的计算设计方法。在众多方法中，基于拓扑优化的生成式设计旨在探索多样的拓扑设计，这是传统参数化设计方法无法表示的。近来，数据驱动的拓扑优化研究已开始利用人工智能（如深度学习或机器学习）来提升设计探索能力。本研究提出一种基于强化学习（RL）的生成式设计流程，其奖励函数最大化拓扑设计的多样性。我们将生成式设计表述为根据给定的参考设计寻找最优设计参数组合的顺序问题。使用近端策略优化作为学习框架，并在汽车车轮设计问题中进行了案例研究。为减轻我们 RL 表述所需的车轮拓扑优化过程的沉重计算负担，我们用神经网络逼近该优化过程。借助高效的数据预处理/增强与神经网络架构，神经网络实现了泛化性能与保持对称性的特性。我们表明，基于 RL 的生成式设计通过利用 GPU 以全自动化方式在短推理时间内产生大量多样设计。这与先前使用 CPU 且耗时更长并涉及人工干预的方法不同。
引用
@article{arxiv.2008.07119,
title = {Generative Design by Reinforcement Learning: Enhancing the Diversity of Topology Optimization Designs},
author = {Seowoo Jang and Soyoung Yoo and Namwoo Kang},
journal= {arXiv preprint arXiv:2008.07119},
year = {2022}
}