In parametric design, the geometric model is edited by changing relevant parameters in the parametric model, which is commonly done sequentially on multiple parameters. Without guidance on allowable parameter ranges that can guarantee the solvability of the geometric constraint system, the user could assign improper parameter values to the model's parameters, which would further lead to a failure in model updating. However, current commercial CAD systems provide little support for the proper parameter assignments. Although the existing methods can compute allowable ranges for individual parameters, they face difficulties in handling multi-parameter situations. In particular, these methods could miss some feasible parameter values and provide incomplete allowable parameter ranges. To solve this problem, an automatic approach is proposed in this paper to compute complete parameter ranges in multi-parameter editing. In the approach, a set of variable parameters are first selected to be sequentially edited by the user; before each editing operation, the one-dimensional ranges of the variable parameters are presented as guidance. To compute the one-dimensional ranges, each variable parameter is expressed as an equality-constrained function, and its one-dimensional allowable range is obtained by calculating the function range. To effectively obtain the function range which can hardly be calculated in a normal way, the function range problem is converted into a constrained optimization problem, and is then solved by Lagrange multiplier method and the Niching particle swarm optimization algorithm (the NichePSO). The effectiveness and efficiency of the proposed approach is verified by several experimental results.


翻译:在参数设计中,通过改变参数模型中的相关参数对几何模型进行编辑,参数模型通常按多个参数顺序排列。如果没有能够保证几何限制系统的可允许参数范围提供指导,用户可以将不适当的参数值分配给模型参数,这将进一步导致模型更新失败。然而,目前的商业 CAD 系统很少为适当的参数任务提供支持。虽然现有方法可以计算单个参数的可允许范围,但它们在处理多参数情况下面临困难。特别是,这些方法可能会错过一些可行的参数值,提供不完整的可允许参数范围。为解决这一问题,本文建议采用自动方法,在多参数编辑中计算完整的参数范围。在方法中,一组变量参数首先被用户按顺序编辑,但在每次编辑操作之前,变量的一维范围作为指导。要计算一维范围,每个变量参数的表达方式是平等限制功能,其一维可允许范围是通过计算函数范围获得的。要有效地获得在多参数编辑中完成参数范围的计算。在多参数编辑中,一套变量参数的计算范围是正常的优化范围,然后通过精确度的方法来计算出一个正常的优化的幅度。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
会议交流 | IJCKG: International Joint Conference on Knowledge Graphs
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Parameter Averaging for Robust Explainability
Arxiv
0+阅读 · 2022年8月5日
Arxiv
0+阅读 · 2022年8月5日
Arxiv
0+阅读 · 2022年8月3日
VIP会员
相关VIP内容
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
会议交流 | IJCKG: International Joint Conference on Knowledge Graphs
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员