一篇文章让你了解ISIGHT，2024年最新史上最通俗计算机网络分层详解

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Golang全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注go）

正文

Isight以应用组件的形式提供了针对大量第三方软件的接口，可以轻易的将各种常用软件串联在Isight的优化或试验设计等流程中，从而实现各软件间的数据流传递，完成多学科多领域联合仿真和优化流程。

Isight软件中的工具模块主要分为两大种类：流程组件和应用组件。下面会对Isight的不同功能组件和模块进行介绍。

2、Isight流程组件

Isight软件中的流程组件的主要功能是定义不同的优化或试验设计等控制流程。如下图所示，Isight的主要流程组件为：优化方法（Optimization）、试验设计（DOE）、近似拟合（Approximation）、稳健性设计（包括蒙特卡洛方法、田口稳健性设计、6S稳健性设计）。

2.1 优化方法

Isight优化组件中集成了大量的数值优化算法，从理论方面通常可分为三大类：梯度优化算法、直接搜索方法和全局优化算法。Isight优化组件支持多输入变量（设计变量），多约束条件和多目标函数。特别指出，Isight不仅提供了针对单目标函数的优化算法，同时支持真正意义上的针对多目标函数的优化算法。理论上Isight的优化模块支持无穷个输入设计变量作为输入和无穷个目标函数作为输出。

2.1.1 梯度优化算法

通常我们将工程问题抽象为非线性、连续可导的数学问题后，梯度优化算法是解决这类问题的高效方法。Isight中集成的梯度优化算法有：MMFD修正可行方向法（Modified Method of Feasible Direction），LSGRD广义下降梯度法（Large Scale Generalized Reduced Gradient），NLPQL序列二次规划法（Sequential Quadratic Programming），MOST多动能优化系统技术（Multifunction Optimization System Tool），MISQP混合整型序列二次规划（Mixed-Interger Sequential Quadratic Programming）。

一般的情况下梯度算法优化效率较高，但是要求目标函数可导，且容易陷入局部最优解。当我们对优化空间足够了解的情况下，对设计变量取值范围进一步约束限制后，可通过梯度算法最快的得到最优解。

2.1.2 直接搜索方法

直接搜索方法无需计算函数梯度，只需要通过设计点上的某函数表达式的值对搜索方向和步长进行判定和调整。当优化问题中的目标函数较复杂或无直接函数表达式时，可采用直接搜索法得到最优解。

Isight优化模块集成了如下直接搜索方法：Hooke-Jeeves直接搜索法（Hooke-Jeeves Direct Search Method），下山单纯型法（Downhill Simplex）。

直接搜索方法无需目标函数可导，搜索步长较梯度法更大，所以通过直接搜索方法可以在限制较小的情况下得到更大范围的设计空间的信息。同样，直接搜索法也容易陷入局部最优解，并且无法通过并行方法进行优化计算。

2.1.3 全局优化算法

我们遇到的工程问题往往比较复杂，设计空间中的目标函数可能是多峰的、非线性、不连续、不可导的；设计变量和约束函数也可能是线性、非线性、连续、离散的。当优化问题非常复杂，没有导数、梯度信息可供利用，问题又存在多峰可能性的时候，梯度算法和直接法都无法求得全局最优解，此时就应该应用全局优化算法解决问题。

Isight优化模块集成了如下全局优化算法：1、多岛遗传算法MIGA（Multi-Island Genetic Algorithm）；2、自适应模拟退火法ASA（Adaptive Simulated Annealing）；3、粒子群优化算法PSO（Particle Swarm Optimization）；4、进化算法Evol（Evolutionary Optimization）；5、自动优化专家算法Pointer（Pointer Automatic Optimizer）。

全局优化算方法的适应性很强，可以用于各种优化问题，只评价设计点不需要计算梯度。全局优化算方法在进行搜索时可以从设计空间的峰谷区域（局部最优解）跳出，因此可最终得到全局最优解。全局优化算法所需迭代次数往往非常多，因此优化速率较低，计算代价非常大。

2.1.4 多目标优化算法

我们遇到的实际工程问题多数为多目标问题，即对多个子目标（目标函数）同时进行优化，而这些目标函数往往不是单调一致的，存在相互冲突。

一般多目标优化方法可分为两大类：1、归一化方法（加权法），即通过对多目标函数进行加权求和，创建出一个新的单一目标函数，再应用单目标优化算方法对此目标函数进行优化；

2、非归一化方法，即不通过加权方式实现对多目标函数的真正优化

Isight中的单目标优化算方法都支持对多目标函数进行加权求和，因此对于简单的多目标优化问题，并且多目标函数单调一致的情况下，可采用2.1.1节-2.1.3节中介绍的各种不同算法进行归一化多目标优化。

对于非归一化方法，Isight提供了如下算法：第二代非劣排序遗传算法NSGA-II（Non-Dominated Sorting Genetic Algorithm），邻域培植多目标遗传算法NCGA（Neighborhood Cultivation Genetic Algorithm），存档微遗传算法AMGA（Archive-Based Micro Genetic Algorithm），全局多目标梯度探索算法PE（Hybrid Multi-Gradient Pareto Exploration）。

Isight中的非归一化方法是采用Pareto最优解集的概念，可以直接处理多个目标函数，使优化所求解集的前沿尽可能贴近和均匀覆盖Pareto前沿，并且支持求解复杂Pareto前沿（凹陷部分）。

2.2 试验设计

Isight给我们提供了试验设计（DOE）工具，便于合理有效的获取数据信息，是产品开发和过程优化环节中重要的统计方法。通过Isight试验设计模块，我们可以达到如下效果：获取设计空间整体信息；分析输入设计变量和输出响应之间的参数关系；辨识关键因子（设计变量）；构筑经验公式和近似模型，等。

通过应用Isight试验设计模块提供的工具，在试验计划阶段，我们可以自由定义试验设计因子和它们的类型、水平，选择不同的试验设计方法，指定关注的交互作用，自动生成试验设计矩阵，设定对响应趋势的分析；在结果处理阶段，我们可以在结果分析工具的辅助下对DOE结果进行数值分析，并得出相应结论，我们可以得到试验数据表格、散点图、ANOVA分析表、Pareto图、主效应图、交互效应图和相关性图等。

Isight集成了多种试验设计方法（DOE方法）算法，并提供二次开发接口方便用户自定义试验设计方法。已集成的试验设计方法有：参数试验法（parameter study），全因子法（full factorial design），部分因子法（fractional factorial），正交数组法（orthogonal arrays），中心复合法（central composite design），Box-Behnken法，拉丁超立方法（latin hypercube design），优化拉丁超立方法（optimal latin hypercube design），自定义数据文件（data file）。

在应用试验设计方法后，Isight可以提供丰富的结果分析数据和图表。Isight可以通过样本点建立多元二次回归模型，通过系数表给出回归模型表达式的系数值。Isight可以根据试验设计结果给出Pareto图，反映出实际空间里每个因子对每个响应的影响大小和贡献程度，以百分比图表形式给出，使用户对因子-响应的影响关系一目了然。Isight提供了方差分析工具，方便用户判定试验设计拟合结果误差是否符合要求。Isight可以给出主效应图和交互效应图，方便用户分析单个因子水平改变时，对其他因子改变求平均的情况下，响应值的变化。同样的，通过交互效应图获知因子和因子以及因子和响应之间的相互影响和作用关系。Isight在做拟合误差分析是还会给出相关性图表可以显示所有输入参数（因子）对输出参数（响应）的相关系数r。

2.3 近似拟合

近似拟合是通过逼近拟合的方法建立输入变量和输出变量之间的数学表达式关系。在Isight中的近似拟合过程中，我们可以采用不同方式进行样本数据采集，样本点可以来自试验设计矩阵、随机采点、真实试验采点和经验数据库等；我们可以选择不同的近似模型；我们可以通过误差分析工具对近似拟合模型进行验证。

一旦建立近似拟合模型替代实际仿真或试验模型，再基于近似拟合模型进行优化，则不再需要调用仿真软件重复计算，节省时间，提高优化效率。并且由于近似拟合模型相对于原数据采点模型更平滑，降低了数值噪音，是优化求解过程更容易收敛。

Isight提供了如下近似模型方法：1、响应面模型RSM（Response surface）；2、径向基/椭圆基神经网络模型RBF/EBF（RBF/EBF Nueral Network）；3、正交多项式模型Orthogonal（Chebyshev/Orthogonal Polynomial）；4、Kriging模型。

在上述近似模型方法中，响应面模型通过多项式拟合方式实现，计算简单且具有良好鲁棒性，适用面广，但是不能保证响应面通过所有样本点，对于高度复杂问题近似结果容易存在误差。神经网络模型有很强的逼近性，可以保证响应面通过所有样本点，有较强的容错能力，即使样本中含有不平滑噪音，也不影响逼近结果，但是创立逼近模型耗时较长。在输入变量较多（因素较多）时，可以应用正交多项式模型替代响应面模型，加快近似模型建立速度。Kriging方法又称空间局部插值法，常用于设计空间有空间相关性的情况下，发源于并主要应用于地质统计学。

在Isight完成近似拟合后，还会自动对近似拟合模型进行误差评估，我们可以方便的通过自动评估结果确定近似模型的可用性。

2.4 随机抽样分析、稳健性设计和质量设计

在Isight中和随机分析相关的模块有三个：蒙特卡洛模拟组件（Monte Carlo Simulation）、田口稳健性设计组件（Taguchi Robust Design）和6 Sigma质量设计组件DFSS（Design For Six Sigma）。

其中蒙特卡洛模拟组件的功能是：系统在一组按随机概率分布的变量作为输入参数的情况下，研究输出变量的随机概率分布情况。同样可用于分析不同随机输入变量对输出响应的影响因素大小，以及分析设计点附件的失效概率和可靠度情况。对于蒙特卡罗模拟的两大关键因素，概率分布函数和采样规则，Isight都提供了丰富支持。Isight提供了7中常用概率分布函数：正态分布，对数正态分布，Weibull分布，Gumbel分布，指数分布，均匀分布和三角分布。Isight蒙特卡洛模拟组件提供了两种抽样技术：简单随机抽样和描述抽样。

Isight的田口稳健性设计组件针对田口稳健性设计方法中的系统设计、参数设计、容差设计这三大阶段中的第二、三阶段提供了自动化工具。通过设定设计参数，创建正交试验设计矩阵表格，以信噪比SNR为分析指标，实现减小目标随即差异（减小噪音因子对目标函数的影响），增强产品稳健性的目标。用户可以在Isight中对信号因子、控制因子、噪音因子等因素进行设置，生成田口方法正交表，命令程序执行试验计划得到试验结果。用户可以观察Isight输出的信噪比SNR，灵敏度β以及要因效果表来对稳健性设计结果进行分析判断。

Isight提供了一个完整的6 Sigma分析和优化算法框架，可以显著提高企业实施6 Sigma质量设计的效率和效果。Isight的DFSS组件包含了两个模块：6 Sigma分析模块和6 Sigma优化模块。6 Sigma分析模块的主要功能是应用随机方法对设计方案进行质量评估，Isight支持三种不同算方法：基于可靠性评价（Reliability Analysis），基于蒙特卡洛抽样（MCS, Monte Carlo Sampling）和基于试验设计（DOE, Design of Experiments）。6 Sigma优化模块的主要功能是搜寻设计空间中随机因素波动最小的区域，即由于随机设计变量引入的不确定因素对输出响应造成影响最小的区域，是6 Sigma分析的后续步骤。

3、Isight应用组件

针对市面上的第三方应用程序，Isight提供了大量此类程序的接口模块，以Isight应用组件的形式集成在Isight平台中。通过应用这些组件，用户可以有机的组合应用Isight流程组件、Isight内嵌应用组件和调用第三方应用程序进行仿真流程搭建和优化任务。

Isight中的部分常用应用组件库如下图所示：

可以看到Isight应用组件库中包含了主流CAD和CAE软件的接口，用户通过简单的设置即可完成对这些软件的调用。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
ip1024b （备注Go）**
[外链图片转存中…(img-pazQJLyn-1713449791289)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！