AI-FORM 的工業應用
AI-FORM 優化模塊支持並行自動優化計算，這是優化計算領域的突破性創新技術，能夠大幅度節約計算時間
AI-FORM 優化求解器能夠支持多準則下的非線性計算，基於人工智能領域的基因算法（遺傳算法）
多目標準則
支持各種物理場結果信息的優化計算，包括流場，熱場，應力場，變形翹曲，微觀結構，材料機械性能等。例如，單個或者多個目標的優化計算，鑄造工程師希望最大的良品率，最小縮孔率以及充填過程中的流動平衡性。
多變量優化（設計參數或者工藝參數）
設計變量通常有較大的自由度，比如流道造型中的CAD尺寸參數，內澆口位置，或者重力鑄造中的冒口尺寸，甚至包括鑄件尺寸與形狀。另外工藝過程參數眾多，諸如澆鑄溫度，金屬液速度，或者熱交換系數等。
Genetic Algorithm and PSO 在 AI-FORM 優化程序中
優化程序中的遺傳算法和粒子群優化算法檢查每一次迭代的收斂目標，並智能地為板材厚度等設計變量設定新的數值。一直持續到達到目標收斂準則
複雜的用戶公式
支持複雜的用戶自定義公式和方程。
AI-FORM 試驗設計是根據試驗設計原則而發展起來的具體技術，它通過系統和有效的方法來分析設計空間，進行設計參數篩選，評估變量影響，以及辨別關鍵的設計變量交叉影響關係。許多人認為試驗設計技術也是優化技術的一種替代方法。
為了能夠快速建立及分析設計參數與產品特性間的相關性，AI-FORM 提供各種不同的設計實驗法（Design of Experiment簡稱DOE）例如全因子、田口算法等實驗規則，讓產品設計者利用最少的實驗模擬次數，快速的找出設計參數對產品性特性間的相關性，增加產品設計者選擇設計參數的正確性。
AI-FORM 強調在設計時必須考慮設計參數的可靠度與穩健性，大大的提升產品設計優化的可靠度與強健性，使優化結果可以更值得信賴。
AI-FORM 包含的優化方法可以分為一下幾類：數值優化、全局探索法和多目標多準則優化算法。
實際上，優化的算法很多，而且選擇合適的算法極大地依賴於起始點的選擇。AI-FORM 側重於向用戶提供適應性廣，效率較高且使用簡單的優化算法。
全局探索技術則避免了局限於局部區域，一般通過評估整個設計空間的設計點來尋找全局最優。AI-FORM 全局探索法包括演化的遺傳算法和粒子群算法，這些算法不受凸（凹）面性、光滑性或設計空間連續性的限制。在AI-FORM 遺傳算法中，初始設計種群通過選擇、雜交、變異等遺傳操作得到進化，新的設計種群根據適者生存的法則從上一代種群中挑選出來。AI-FORM 的遺傳針對衝壓問題進行了特別處理，使之更有效率。
AI-FORM 提供分佈並行模式，使用戶能夠有效合理地利用硬件資源，對複雜耗時的優化任務進行分佈式並行計算。AI-FORM 中的各種優化算法都支持分佈式並行計算模式。
曲線擬合技術很久以來就被用於推導自變量與因變量之間的函數關係。用戶根據試驗數據瞭解這些變量之間的關係，並發展經驗關係式進一步用於性能預測
優化按照優化目標的個數分為單目標優化和多目標優化。實際的優化問題很少是單目標優化，比如，追求高性價比就是要求在成本低的同時質量好，是兩個目標優化的問題。多目標優化是提高產品競爭力的重要手段。多目標優化需要權衡。AI-FORM 提供了一種易於使用的圖形界面驅動的多準則權衡分析框架。藉助於分析工具， 工程師可以逐點調整約束條件從而得到一條最優設計方案的權衡曲線。
AI-FORM 為優化計算過程提供監控優化過程和數據的後處理工具，使用戶能夠實時瞭解設計方案變更的時機和效果，準確把握設計分析空間的特點和性質。
- 可視化：2D，3D，表面圖，等值線圖等；
- 分析數據能直接輸入Excel進行後續分析；
- 統計、迴歸、ANOVA；
- 平行座標圖， Pareto圖等。
