.png){kind=icon}
返回
Generative Reliability-Based Design Optimization Using In-Context Learning Capabilities of Large Language Models
.png){kind=icon}
PRE
AI
DOI：10.1115/1.4069598.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大语言模型（LLMs）展示了卓越的上下文学习能力（ICL），能够灵活利用有限的历史信息在推理、问题解决和复杂模式识别任务中发挥关键作用。受LLMs在多个领域成功应用的启发，本文提出了一种生成式设计方法，结合LLMs的ICL能力与元启发式算法的迭代搜索机制来解决基于可靠性的设计优化（RBDO）问题。具体而言，采用Kriging代理模型替代昂贵的仿真，从而可使用蒙特卡罗仿真（MCS）近似设计方案的失效概率。随后，设计了一个RBDO信息驱动的LLM提示，动态地为LLMs提供关键信息，使其能够快速生成满足可靠性约束的高质量新设计点，同时提升设计效率。将LLMs作为设计生成器，RBDO是一个迭代过程，用于获得性能提升的可行设计方案。使用Deepseek-V3模型，通过三个案例研究展示了所提方法在解决RBDO问题上的性能。结果表明，所提出的基于LLMs的生成式RBDO方法成功识别出满足可靠性约束的可行解，同时与传统遗传算法相比具有可比的收敛速率。
Keyword:
LLMs
RBDO
reliability analysis
machine learning
Deepseek-V3
in-context learning
期刊
J
IF:
3
论文数:
265
被引数:
8.9K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Multi-objective reliability-based design optimization for the reducer housing of electric vehicles
PREAI
分享收藏
查看更多内容