汎用パラメーター最適化ソフトウェア
AMDESS
機能：最適化
近似最適化
近似最適化は、少ない試行回数で応答を近似モデルに置き換えることで、計算時間や実験コストを大幅に削減して最適化することができます。 近似最適化で鍵となる代表的な近似モデルを取り揃えています。
● RBF ●（ラジアルベーシス関数）
ニューラルネットワークのひとつです。ガウス関数の重ね合わせで非線形性の強い応答の近似も可能です。
AMDESSのRBFは2次多項式とKrigingの両方の長所を持ち合わせています。
● Krigingモデル ●（クリギングモデル）
補間方法のひとつです。そのため、サンプル点付近の値を
よく近似でき、非線形性の強い応答の近似も可能です。
● 2次多項式モデル ●
2次多項式モデルは最も一般的な近似モデルです。
計算も容易で大まかな挙動を把握するのに向いています。
多目的最適化
理想値と目標値（希求水準）を入力してパレート最適解を選択します。
希求水準法により具体的に目標の性能を指定するため、複数ある目的値の重み付けの悩みを解消し、トレードオフ分析により優先順位にかなったデザインを提供します。
自動トレードオフ分析機能
各目的関数の感度の大きさに応じて、改善したい目的関数の改善量の譲歩量を求め、目標値の目安を提示します。 あちらを立てればこちらはどれくらい立たないかを予測する機能です。
初期サンプリングデータ作成補助
● 直交表 ●
実験計画法で広く使われているサンプリング方法です。
設計空間からまんべんなく代表点を提示します。
● ラテン超方格 ●
ランダムサンプリングのひとつです。
試行回数を任意に指定でき、各設計変数が試行回数分の水準を持つためKrigingやRBFの近似に向いています。
