基于图网络的产品模型设计系统及方法与流程

本申请实施例涉及产品模型设计方法及其系统，尤指一种基于图网络技术而实现的产品模型设计系统及方法。

背景技术

当前，产品模型的设计是通过使用计算机仿真设计工具来实现的，其主要包括通过仿真设计工具在计算机中建立仿真模型，添加相关运行环境条件，然后再由仿真设计工具进行计算，如果仿真模型的计算结果无法满足模型指标参数的设计要求，则需要不断的调整仿真模型，直至计算结果满足模型指标参数的设计需求。

此外，当前产品模型的设计流程也是零散的，并且均是通过人工手段来实现的。此外，在产品模型的设计过程中会生成高度相关的数据，然而，目前没有一个系统和方法能够自动学习设计过程中所产生的数据的规律，导致当前的产品模型设计工作存在工作效率低、开发周期长等技术问题。

有鉴于此，如何克服现有产品模型设计过程中存在的种种问题，即为本案待解决的技术课题。

技术实现要素：

为了解决现有技术存在的缺陷，本发明的主要目的在于提供一种基于图网络的产品模型设计系统及方法，通过使用深度神经网络实现产品模型的优化设计。

本发明的另一目的在于提供一种基于图网络的产品模型设计系统及方法，其基于人工智能的框架，能够把产品模型抽象成一种关系结构，并从这种结构中推理其中的关联关系。

本发明的又一目的在于提供一种基于图网络的产品模型设计系统及方法，通过使用关系归纳偏置(relationalinductivebiases)，促进对产品模型抽象化的实体、及其关系，以及对上述各者之间的组成规则进行学习。

为达上述目的及其他相关目的，本申请的实施例提供了一种基于图网络的产品模型设计系统，其特征在于，包括：数据采集模块，其用于采集样本模型其对应的样本模型指标参数以及样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数表示针对所述样本模型所执行的优化设计动作；设定模块，其用于设定待建的产品模型的设计指标参数；图网络生成模块，其用于针对所述数据资料库中的所述样本模型生成对应的图网络；图网络学习模块，其用于将所述样本模型对应的所述图网络、所述样本模型指标参数以及所述样本优化设计参数输入第一深度神经网络中进行训练，以构建所述第一深度神经网络的深度学习模型，以令所述第一深度神经网络基于所构建的所述深度学习模型，而针对所述设计指标参数预测生成第一优化设计参数并予以输出；以及产品模型生成模块，其用于接收所述第一优化设计参数，据以执行相应的优化设计动作，而生成符合所述设计指标参数的所述产品模型。

可选地，在本申请的实施例中，所述图网络生成模块进一步用于通过将所述样本模型输入第二深度神经网络，以供所述第二深度神经网络依据所述样本模型输出相应的映射特征图，并将所述映射特征图作为对应于所述样本模型的所述图网络。

可选地，在本申请的实施例中，所述图网络生成模块进一步用于从所述样本模型中提取节点信息、边信息和全局信息，以利用所述节点信息、边信息和全局信息生成对应于所述样本模型的所述图网络；所述图网络学习模块进一步用于分析当更新所述节点信息、所述边信息以及所述全局信息中的其中一者时，所述节点信息、所述边信息以及所述全局信息中的其它两者所产生的变化，而分析所述节点信息、所述边信息以及所述全局信息之间的关联关系；以及所述产品模型生成模块进一步用于通过调节所述图网络中的所述节点信息、所述边信息以及所述全局信息中的其中一者，以令所述节点信息、所述边信息以及所述全局信息中的其它两者产生相应变化，以执行所述优化设计动作。

可选地，在本申请的实施例中，所述系统进一步包括分析模块，其用于分析所述产品模型生成模块依据所述第一优化设计参数执行优化设计动作所生成的所述产品模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述产品模型，而当分析结果为不符合时，输出分析信号至所述图网络学习模块，以通过所述图网络学习模块令所述第一深度神经网络基于所构建的所述深度学习模型，而针对所述设计指标参数重新预测生成新的所述第一优化设计参数并予以输出。

可选地，在本申请的实施例中，所述系统进一步包括图网络强化学习模块，其用于当无法由所述图网络学习模块输出的所述第一优化设计参数生成符合所述设计指标参数的所述产品模型时，自所述产品模型生成模块依据所述第一优化设计参数所生成的多个所述产品模型中，选取最接近所述设计指标参数的一所述产品模型，并通过将所述产品模型对应的图网络输入到第三深度神经网络，以令所述第三深度神经网络根据所述设计指标参数生成第二优化设计参数并予以输出；且其中，所述产品模型生成模块进一步用于接收所述第二优化设计参数，据以执行相应的优化设计动作，而生成所述产品模型；所述分析模块进一步用于分析所述产品模型生成模块依据所述第二优化设计参数执行优化设计动作所生成的所述产品模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述产品模型，而当分析结果为不符合时，输出分析信号至所述图网络强化学习模块，以通过所述图网络强化学习模块令所述第三深度神经网络重新根据所述设计指标参数生成一新的所述第二优化设计参数并予以输出。

可选地，在本申请的实施例中，所述分析模块进一步用于当分析所述产品模型生成模块依据所述第二优化设计参数执行优化设计动作所生成的所述产品模型符合所述设计指标参数时，将所述产品模型、所述设计指标参数及所述第二优化设计参数输入到所述数据资料库中以作为所述样本模型及其对应的所述样本模型指标参数，以及所述样本优化设计参数予以存储。

本申请的另一实施例提供了一种基于图网络的产品模型设计方法，其特征在于，所述方法包括：采集样本模型其对应的样本模型指标参数以及样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数表示针对所述样本模型所执行的优化设计动作；针对所述数据资料库中储存的所述样本模型生成对应的图网络；将所述样本模型对应的所述图网络、所述样本模型指标参数以及所述样本优化设计参数输入第一深度神经网络中进行训练，以构建所述第一深度神经网络的深度学习模型；输入产品模型的设计指标参数，以令所述第一深度神经网络基于所述深度学习模型，而针对所述设计指标参数生成第一优化设计参数并予以输出；以及借由仿真工具依据所述第一优化设计参数执行相应的优化设计动作，生成符合所述设计指标参数的所述产品模型。

可选地，在本申请的实施例中，针对所述数据资料库中储存的所述样本模型生成对应的图网络包括：透过将所述样本模型输入第二深度神经网络，以令所述第二深度神经网络依据所述样本模型输出相应的映射特征图，并将其作为对应于所述样本模型的所述图网络。

可选地，在本申请的实施例中，所述方法进一步包括：从所述样本模型中提取节点信息、边信息和全局信息，以利用所述节点信息、边信息和全局信息生成对应于所述样本模型的所述图网络；分析当更新所述节点信息、所述边信息以及所述全局信息中的其中一者时，所述节点信息、所述边信息以及所述全局信息中的其它两者所产生的变化，而学习所述节点信息、所述边信息以及所述全局信息之间的关联关系；以及执行所述优化设计动作，以通过调节所述图网络中的所述节点信息、所述边信息以及所述全局信息中的其中一者，而令所述节点信息、所述边信息以及所述全局信息中的其它两者产生相应变化。

可选地，在本申请的实施例中，所述生成符合所述设计指标参数的所述产品模型的步骤进一步包括：分析所述仿真工具依据所述第一优化设计参数执行优化设计动作所生成的所述产品模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述产品模型，而当分析结果为不符合时，令所述第一深度神经网络基于所述深度学习模型而针对所述设计指标参数重新生成新的第一优化设计参数并予以输出。

可选地，在本申请的实施例中，所述生成符合所述设计指标参数的所述产品模型的步骤进一步包括：当分析无法依据所述第一优化设计参数生成符合所述设计指标参数的所述产品模型时，借由第三深度神经网络以执行强化学习步骤，以自所生成的多个所述产品模型中，选取最接近所述设计指标参数的一所述产品模型，并将所述产品模型的图网络输入到所述第三深度神经网络，以令所述第三深度神经网络根据所述设计指标参数生成第二优化设计参数并予以输出；借由所述仿真工具依据所述第二优化设计参数执行相应的优化设计动作以生成新的所述产品模型；以及分析所述仿真工具依据所述第二优化设计参数执行优化设计动作所生成的所述产品模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述产品模型，而当分析结果为不符合时，则令第三深度神经网络重新执行所述强化学习步骤。

可选地，在本申请的实施例中，所述方法进一步包括当分析所述仿真工具依据所述第二优化设计参数执行优化设计动作所生成的所述产品模型符合所述设计指标参数时，将所生成的所述产品模型、所述设计指标参数、以及所述第三深度神经网络所输出的所述第二优化设计参数输入到所述数据资料库中，以作为所述样本模型及其对应的所述样本模型指标参数，以及所述样本优化设计参数予以存储。

本申请的另一实施例提供了一种基于图网络的产品模型设计系统，其特征在于，包括：设定模块，其用于设定待建的产品模型的设计指标参数；产品模型生成模块，其用于依据所述设计指标参数生成基础模型，以及接收第二优化设计参数据以针对所述基础模型执行相应的优化设计动作而生成所述产品模型；图网络生成模块，其用于针对所述基础模型生成对应的图网络；图网络强化学习模块，其用于构建第三深度神经网络的强化学习模型，并将所述图网络生成模块所生成的所述图网络输入所述第三深度神经网络，以令所述第三深度神经网络基于所述强化学习模型，而针对所述设计指标参数预测生成所述第二优化设计参数并予以输出；以及分析模块，其用于分析所述产品模型生成模块依据所述第二优化设计参数所生成的所述产品模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述产品模型，而当分析结果为不符合时，输出分析信号至所述图网络强化学习模块，以令所述图网络强化学习模块借由所述第三深度神经网络重新根据所述设计指标参数生成一新的所述第二优化设计参数并予以输出，直至生成符合所述设计指标参数的所述产品模型，且其中，所述图网络强化学习模块进一步用于依据所述分析模块的分析结果，针对所述第三深度神经网络进行训练，以调整更新所述强化学习模型。

可选地，在本申请的实施例中，所述图网络生成模块进一步用于通过将所述基础模型输入第二深度神经网络，以供所述第二深度神经网络据以输出相应的映射特征图，并将所述映射特征图作为对应于所述基础模型的所述图网络。

可选地，在本申请的实施例中，所述图网络生成模块进一步用于从所述基础模型中提取节点信息、边信息和全局信息，以利用所述节点信息、边信息和全局信息生成对应于所述样本模型的所述图网络；所述产品模型生成模块进一步用于通过调节所述图网络中的所述节点信息、所述边信息以及所述全局信息中的其中一者，以令所述节点信息、所述边信息以及所述全局信息中的其它两者产生相应变化，以执行所述优化设计动作。

本申请的另一实施例提供了一种基于图网络的产品模型设计方法，其特征在于，包括：设定待建的产品模型的设计指标参数；借由所述仿真工具依据所述设计指标参数生成基础模型；针对所述基础模型生成对应的图网络；将所述基础模型对应的图网络输入第三深度神经网络，以令所述第三深度神经网络依据所述设计指标参数，生成所述第二优化设计参数并予以输出；借由所述仿真工具依据所述第二优化设计参数对所述基础模型执行相应的优化设计动作以生成所述产品模型；分析所生成的所述产品模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述产品模型，而当分析结果为不符合时，令所述第三深度神经网络重新根据所述设计指标参数生成一新的所述第二优化设计参数并予以输出，直至所生成的所述产品模型符合所述设计指标参数。

可选地，在本申请的实施例中，针对所述基础模型生成对应的图网络进一步包括：将所述基础模型输入第二深度神经网络，以供所述第二深度神经网络依据所述基础模型输出相应的映射特征图，以作为对应于所述样本模型的所述图网络。

可选地，在本申请的实施例中，所述方法进一步包括：从所述样本模型中提取节点信息、边信息和全局信息，以利用所述节点信息、边信息和全局信息生成对应于所述样本模型的所述图网络；以及执行所述优化设计动作，以通过调节所述图网络中的所述节点信息、所述边信息以及所述全局信息中的其中一者，以令所述节点信息、所述边信息以及所述全局信息中的其它两者产生相应变化。

由上可知，本申请所提供的基于图网络的产品模型设计系统及方法，通过将样本模型以关系结构化方式转换为相应的图网络，以利用深度神经网络针对图网络进行学习而生成模型优化设计规则，以利用深度神经网络依据所输入的产品模型的设计指标参数，执行优化设计动作，从而自动生成符合设计指标参数的产品模型。此外，本申请更可针对所生成的模型优化设计规则进行强化学习，以依据产品模型的设计指标参数而生成第二优化设计参数，从而自动生成符合设计指标参数的产品模型。借此，本申请可在实现产品模型自动化设计的同时，更具有设计效率高，可复用程度高以及设计成本低廉的优点。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1为显示本申请的第一实施例的产品模型设计系统的结构示意图；

图2为显示图1的产品模型设计系统的实施例示意图；

图3为显示本申请的第二实施例的产品模型设计方法的流程示意图；

图4为显示图3的产品模型设计方法的实施例示意图；

图5为显示本申请的第三实施例的产品模型设计系统的结构示意图；

图6为显示本申请的第四实施例的产品模型设计方法的流程示意图；

图7为显示本申请实施例中由节点信息(p)、边信息(e)、和全局信息(u)所组成的图网络的示意图；以及

图8a至图8b与图9a至图9b为显示本申请的产品模型设计系统及方法的不同应用实施例示意图。

具体实施方式

实施本发明实施例的任一技术方案必不一定需要同时达到以上的所有优点。

为了使本领域的人员更好地理解本发明实施例中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。

图网络(graphnetwork)是一种基于图结构的广义人工神经网络，其可直接对真实问题进行建模，亦可利用自动微分技术进行学习，具有强大的关系归纳偏置，支持关系推理和组合泛化，为更复杂、可解释和灵活的推理模式打下基础。有鉴于此，本发明提出了一种基于图网络技术而实现的产品模型设计方法。本领域技术人员应当明了的是，本发明提出的产品模型设计技术适用于所有可通过模拟仿真工具进行设计的产品模型，所涉及的产品模型可以包括力学模型和电路模型，但不仅限于此。

下面结合本发明实施例附图进一步说明本发明实施例具体实现。

图1为显示本申请的第一实施例的产品模型设计系统的结构示意图。如图所示，本实施例的产品模型设计系统100主要包括设定模块105、数据采集模块110、图网络生成模块120、图网络学习模块130、以及产品模型生成模块140。

设定模块105用于设定待建的产品模型的设计指标参数。

数据采集模块110用于建立数据资料库101，以供储存样本模型其对应的样本模型指标参数，以及样本优化设计参数。具体而言，数据资料库101中所储存的样本模型是指以人工方式建立的符合样本模型指标参数的产品模型，例如，利用经验丰富的设计师，基于产品外形(产品尺寸等)和产品性能指标(电特性、功率等)等要求，通过在一个或多个计算机仿真设计工具中建立产品仿真模型，调试并优化产品仿真模型，而最终获取符合模型指标参数要求的产品仿真模型作为样本模型。其中，在调试(优化)过程中的每个步骤所生成的产品仿真模型的样本数据均可作为数据采集模块110所获取的样本模型。再者，所述的样本模型指标参数可包括但不限于，例如电子产品设计的输入及输出指标要求，对介质材料信息、元件信息、导体信息、输入接口、输出接口等信息。

上述的“样本优化设计参数”是指针对所述样本模型所执行的优化设计动作。具体而言，假设数据资料库101中所储存的不同样本模型包括有m0、m1、m2,,,m(n-1)、mn，其中，当针对样本模型m0执行优化设计动作(例如以a1予以表示)时，可由样本模型m0生成样本模型m1；当针对样本模型m1执行优化设计动作(例如以a2予以表示)时，可由样本模型m1生成样本模型m2；并以此类推，当由样本模型m(n-1)生成样本模型mn时，所执行的优化设计动作则为an，上述的优化设计动作a1、a2,,,an即为本申请所定义的“样本优化设计参数”。

图网络生成模块120用于针对数据资料库101中的所储存的各样本模型生成对应的图网络。具体而言，图网络生成模块120透过将数据资料库101中储存的各样本模型输入第二深度神经网络，以供第二深度神经网络依据所输入的样本模型而输出相应的映射特征图，并将所输出映射特征图作为对应于样本模型的图网络，从而实现以关系结构化方式来表示样本模型。于一实施例中，第二深度神经网络例如为cnn架构的深度神经网络(卷积神经网络)，然并不以此为限，亦可利用其它类型的深度神经网络予以实现。

请配合参阅图7，于一实施例中，图网络生成模块120还包括从样本模型中提取节点信息(p)、边信息(e)和全局信息(u)，以利用节点信息(p)、边信息(e)和全局信息(u)组成对应于样本模型的图网络。

图网络学习模块130用于将所述样本模型对应的所述图网络、所述样本模型指标参数以及所述样本优化设计参数输入第一深度神经网络中进行训练，以构建第一深度神经网络的深度学习模型，也就是针对第一深度神经网络进行产品模型优化设计功能的训练。并在第一深度神经网络训练完成之后，图网络学习模块130还用于令第一深度神经网络基于所构建的深度学习模型而针对所输入的设计指标参数预测生成第一优化设计参数予以输出。

于一实施例中，基于第一深度神经网络算法的图网络学习模块130是通过分析当更新节点信息、边信息以及全局信息中的其中一者时，节点信息、边信息以及全局信息中的其它两者所产生的变化，而分析上述三个信息之间的关联关系，例如，图网络学习模块130通过分析当边信息发生更新变化时，节点信息以及全局信息对应所产生的变化，来分析上述三者之间的关联关系。

如图7所示，其中，由网络生成模块120所生成的任意一个图网络中均包含有节点信息、边信息、和全局信息三个大的信息单元，且其中，每个信息单元都可以被表征为一个向量，因此，基于第一深度神经网络算法的图网络学习模块130所执行的分析学习处理可以发生于每一个环节上，包括对边状态的更新、节点状态的更新和对全局信息的更新。例如，基于第一深度神经网络算法的图网络学习模块130可在做完前馈运算之后，进行反向传播学习，因此边信息、节点信息、和全局信息则均可在反馈过程中被调整，此可使得图网络的整体架构变得可学习。

进一步地，基于第一深度神经网络算法的图网络学习模块130可基于深度学习框架构而建出多层的神经网络层，从而拟合复杂的运算过程来强化产品模型的特征，其中，图网络作为第一深度神经网络层的输入，输出是产品模型在设计优化过程中所需执行的优化设计动作参数，而图网络的学习即是针对图网络中的边信息状态的更新、节点信息状态的更新以及全局信息的更新。

进一步地，基于第一深度神经网络算法的图网络学习模块130用来学习模型优化设计规则的第一深度神经网络的优化训练为离线有监督训练，其所使用的深度学习算法包括但不仅限于：深度信念网络、循环神经网络、卷积深度信念网络、大存储器和存储器神经网络、深度玻尔兹曼机器、堆叠自动编码器、深堆积网络、张量深度堆叠网络等算法。

进一步地，例如图网络学习模块130用来学习模型优化设计规则的第一深度神经网络是基于循环神经网络搭建的，将图网络状态放入基于循环神经网络架构的第一深度神经网络中，从而完成对网络状态的预测，并进一步将网络的输出作为其输入，而进行下一轮的预测和生成。

进一步地，例如在图网络学习模块130用来学习模型优化设计规则的第一深度神经网络中引入网络的注意力机制，如此，在每次更新节点信息时，可以为每个节点在进行更新的过程中更应该关注哪一部分，亦即，哪一部分对于所述节点来说更为重要提供参考信息。

产品模型生成模块140用于接收所述第一优化设计参数，据以执行相应的优化设计动作，而生成符合所述设计指标参数的所述产品模型。于实际应用中，产品模型生成模块140可通过重复多次接收图网络学习模块130所输出的第一优化设计参数，通过执行多次的优化设计动作，而自动生成符合所述设计指标参数的所述产品模型。

于一实施例中，产品模型生成模块140通过调节图网络中的所述节点信息、所述边信息以及所述全局信息中的其中一者，以令所述节点信息、所述边信息以及所述全局信息中的其它两者产生相应变化，来执行所述优化设计动作。换言之，产品模型生成模块140可基于产品指标，在计算机仿真设计工具中建立产品仿真模型，并调试和优化产品模型，其中，产品模型的调试和优化操作包括将当前的仿真模型经由图网络生成模块120而得到当前产品模型的图网络，将该图网络输入至经由基于第一深度神经网络算法的图网络学习模块130训练好的第一深度神经网络中，而获得产品模型设计优化过程中所需执行的优化设计动作，直至生成符合设计指标要求的产品模型。

请配合参阅图2，于一实施例中，产品模型设计系统100还可进一步包括分析模块150，其用于分析产品模型生成模块140依据第一优化设计参数执行优化设计动作所生成的产品模型是否符合所述设计指标参数，例如，分析模块150可通过模型运行产品模型生成模块140所生成的产品模型而得到相应的模拟运行结果，并分析所述产品模型的模拟运行结果是否与所输入的产品模型的设计指标参数相吻合。其中，当分析结果为符合时，则输出产品模型生成模块140所生成的产品模型。而当分析结果为不符合时，则可输出分析信号以反馈给图网络学习模块130，以通过图网络学习模块130而令第一深度神经网络基于所述深度学习模型，而针对所述设计指标参数重新预测生成新的所述第一优化设计参数并予以输出，以令产品模型生成模块150据以重新执行优化设计动作，而生成新的产品模型。

请继续参阅图2，于另一实施例中，本申请可在当产品模型生成模块140依据第一优化设计参数执行优化设计动作所生成的所述产品模型无法符合所述设计指标参数时，也就是无法通过图网络学习模块130生成符合设计指标参数的产品模型时，可启动执行一强化学习模式。

具体而言，产品模型设计系统100还进一步有图网络强化学习模块160，其用于在当判断产品模型生成模块140依据第一优化设计参数执行优化设计动作所生成的产品模型无法生成符合设计指标参数时(例如，可透过设定图网络学习模块130生成第一优化设计参数的次数或设定图网络学习模块130生成第一优化设计参数的执行时间，以于判断图网络学习模块130在达到所设定的上限而仍未设计出符合设计指标参数的产品模型时，即得到图网络学习模块130无法生成符合设计指标参数的产品模型的判断结果)，于此情况下，将启动执行图网络强化学习模块160，从依据模型生成模块140依据第一优化设计参数所生成的多个产品模型中，选取最接近于设计指标参数的一产品模型，并借由图网络生成模块120针对所述产品模型生成对应的图网络，以供图网络强化学习模块160通过将所述产品模型对应的图网络输入到第三深度神经网络，以令第三深度神经网络根据所输入的设计指标参数生成一第二优化设计参数，以令产品模型生成模块140依据第二优化设计参数，执行相应的优化设计动作，而生成新的产品模型。

此外，当图网络强化学习模块160生成新的产品模型后，分析模块150还可进一步分析依据图网络强化学习模块160所输出的第二优化设计参数所生成的产品模型是否符合设计指标参数，并当分析结果为符合时，则输出所生成的产品模型，而当分析结果为不符合时，输出分析信号并反馈至图网络强化学习模块160，以令图网络强化学习模块160借由第三深度神经网络重新根据设计指标参数生成一新的所述第二优化设计参数并予以输出，以令产品模型生成模块140据以重新执行一次优化设计动作，而生成新的产品模型，以供分析模块150再次进行分析。

具体而言，图网络强化学习模块160可将图网络作为深度强化学习的状态，通过第二深度神经网络所映射出图网络的相应特征，交由策略网络进行分析，给出对当前产品模型的预测优化设计动作(即第二优化设计参数对应的优化设计动作)；然后再交由价值网络评估策略网络所做出的预测优化设计动作的好坏，以找出最优策略，从而实现自动生成符合设计指标参数的产品模型的技术功效。

此外，在当分析模块150分析产品模型生成模块140依据第二优化设计参数执行优化设计动作所生成的产品模型符合所述设计指标参数时，则可将所生成的产品模型、所述设计指标参数、以及图网络强化学习模块160所输出的第二优化设计参数输入到数据资料库101中，以分别作为所述样本模型及其对应的所述样本模型指标参数，以及所述样本优化设计参数予以存储，从而针对第一深度神经网络所构建的深度学习模型不断地进行优化训练。

请配合参阅图3，其为显示本申请的第二实施例的产品模型设计方法的流程示意图。如图所示，首先执行步骤s31,采集样本模型其对应的样本模型指标参数，以及样本优化设计参数，以建立数据资料库，其中，样本优化设计参数是指针对样本模型所执行的优化设计动作，接着进行步骤s32。

于步骤s32中，针对数据资料库中储存的样本模型生成对应的图网络。于本实施例中，可透过将样本模型输入到第二深度神经网络，以令第二深度神经网络依据样本模型输出相应的映射特征图，并将其作为对应于所输入的样本模型的图网络。具体而言，可通过从样本模型中提取节点信息、边信息和全局信息，以利用所述节点信息、边信息和全局信息生成对应于样本模型的图网络，接着进行步骤s33。

于步骤s33中，将样本模型对应的所述图网络、所述样本模型指标参数以及所述样本优化设计参数输入第一深度神经网络中进行训练，以构建第一深度神经网络的深度学习模型。于一实施例中，可通过分析当更新所述节点信息、所述边信息以及所述全局信息中的其中一者时，所述节点信息、所述边信息以及所述全局信息中的其它两者所产生的变化，而分析所述节点信息、所述边信息以及所述全局信息之间的关联关系，从而对样本模型的图网络进行学习，接着进行步骤s34。

于步骤s34中，输入产品模型的设计指标参数，以令训练好的第一深度神经网络基于所述深度学习模型，而针对所述设计指标参数生成第一优化设计参数并予以输出，接着进行步骤s35。

于步骤s35中，借由仿真工具依据第一优化设计参数执行相应的优化设计动作，从而生成符合设计指标参数的所述产品模型。于本实施例中，执行所述优化设计动作可例如通过调节所述图网络中的所述节点信息、所述边信息以及所述全局信息中的其中一者，以令所述节点信息、所述边信息以及所述全局信息中的其它两者产生相应变化而实现。

请配合图4，于一实施例中，图3中的步骤s33与步骤s34还可进一步细化为以下几个操作步骤，具体包括：

步骤s41，令第一深度神经网络基于所述深度学习模型，而针对所输入的设计指标参数预测生成第一优化设计参数并予以输出。于一实施例中，可由仿真工具先根据设计指标参数生成一基础模型，以令第一深度神经网络基于所生成的基础模型以及所输入的设计指标参数，预测生成第一优化设计参数并予以输出，接着进行步骤s42。

于步骤s42中，令仿真工具依据第一优化设计参数执行优化设计动作，以生成相应的产品模型，接着进行步骤s43。

于步骤s43中，分析依据第一优化设计参数所生成的产品模型是否符合所输入的设计指标参数，其中，当分析结果为符合时，则输出所生成的产品模型，当分析结果为不符合时，则进行步骤s44。

于步骤s44中，分析依据所述第一优化设计参数是否能够生成符合所述设计指标参数的所述产品模型，在本实施例中，可通过分析第一深度神经网络输出第一优化设计参数的次数或第一深度神经网络生成第一优化设计参数的执行时间是否达到预设的上限值来实现，其中，当判断当前第一深度神经网络输出第一优化设计参数的次数或第一深度神经网络生成第一优化设计参数的操作时间未达到上限值时，则返回执行步骤s41，以令第一深度神经网络重新预测生成新的第一优化设计参数，而当判断当前第一深度神经网络输出第一优化设计参数的次数或第一深度神经网络生成第一优化设计参数的操作时间已达到上限值时，则执行步骤s45。

于步骤s45中，借由第三深度神经网络以执行强化学习步骤，从当前所生成的多个产品模型中(即依据第一优化设计参数所生成的多个产品模型)，选取最接近于设计指标参数的一产品模型，并将该产品模型转换为对应的图网络以输入到第三深度神经网络中，以令第三深度神经网络根据设计指标参数，生成第二优化设计参数并予以输出，以接着执行步骤s42，令仿真工具依据第二优化设计参数执行优化设计动作，以生成新的产品模型，再接着执行步骤s43，以分析依据第二优化设计参数所生成的产品模型是否符合设计指标参数，当分析结果为符合时，输出所生成的产品模型，而当分析结果为不符合时，则经由步骤s44之后重新进入步骤s45，以令第三深度神经网络重复执行强化学习步骤。

于另一实施例中，当步骤s43中分析出依据第二优化设计参数(即强化学习步骤)而生成的产品模型符合设计指标参数时，还可将所生成的产品模型、设计指标参数、以及第二优化设计参数输入到数据资料库中，以作为所述样本模型及其对应的所述样本模型指标参数，以及所述样本优化设计参数予以存储，从而不断扩充数据资料库中的相关样本资料，数据资料库中的这些扩充的相关样本资料可进一步输入到第一深度神经网络中进行训练，从而不断优化调整第一深度神经网络的深度学习模型。

请继续参阅图5，其为显示本申请的第三实施例的产品模型设计系统的结构示意图。如图所示，本实施例的产品模型设计系统200主要包括设定模块205、产品模型生成模块210、图网络生成模块220、基于深度强化学习算法(deepreinforcementlearning,drl)的图网络强化学习模块230、以及分析模块240。

设定模块205用于设定待建的产品模型的设计指标参数。

产品模型生成模块210用于依据设定模块205所设定的设计指标参数生成基础模型，或者用于接收第二优化设计参数据以针对所述基础模型执行相应的优化设计动作而生成所述产品模型。于本实施例中，产品模型生成模块210可通过仿真设计工具软件建立所述基础模型或所述产品模型。

图网络生成模块220用于将产品模型生成模块210所生成的基础模型转换为对应的图网络。于一实施例中，图网络生成模块220透过将基础模型输入到第二深度神经网络(例如cnn架构的深度神经网络)，以供第二深度神经网络依据基础模型输出相应的映射特征图，并将所输出的映射特征图作为对应于所输入的基础模型的图网络。于另一实施例中，图网络生成模块220通过从基础模型中提取节点信息、边信息和全局信息，以利用所述节点信息、边信息和全局信息生成对应于样本模型的图网络。

图网络强化学习模块230用于构建第三深度神经网络的强化学习模型，并将所述图网络生成模块220所生成的所述图网络输入第三深度神经网络，以令第三深度神经网络基于所构建的强化学习模型，而针对所输入的设计指标参数预测生成所述第二优化设计参数并予以输出。具体而言，图网络强化学习模块230通过将图网络生成模块220所生成的图网络输入基于深度强化学习算法搭建的第三深度神经网络，以令第三深度神经网络依据设定模块205所设定的设计指标参数，生成第二优化设计参数并予以输出，也就是输出基础模型在设计优化过程中所需执行的优化设计动作参数。

此外，产品模型生成模块210将依据图网络强化学习模块230输出的第二优化设计参数对基础模型执行相应的优化设计动作，而生成新的产品模型。具体而言，基于深度强化学习算法的图网络学习模块230可通过分析当更新所述节点信息、所述边信息以及所述全局信息中的其中一者时，所述节点信息、所述边信息以及所述全局信息中的其它两者所产生的变化，而分析所述节点信息、所述边信息以及所述全局信息之间的关联关系，以生成第二优化设计参数。

进一步地，基于深度强化学习算法的图网络学习模块230是在线深度强化学习阶段，其所用深度强化学习算法包括但不仅限于：deepqlearning、doubleq-network、deepdeterministicpolicygradien、actor-critic等。

具体而言，基于深度强化学习算法的图网络学习模块230可将图网络作为深度强化学习的状态，通过第二深度神经网络所映射出图网络的相应特征，交由策略网络进行分析，给出对当前产品模型(即基础模型)的预测优化设计动作(即第二优化设计参数)；然后再交由价值网络评估策略网络所做出的预测优化设计动作的好坏，以找出最优策略，从而实现自动生成符合设计指标参数的产品模型的技术功效。

分析模块240用于分析产品模型生成模块210的所述产品模型，也就是基于深度强化学习算法的图网络学习模块230所生成的产品模型是否符合所输入的设计指标参数，当分析结果为符合时，输出所述产品模型；当分析结果为不符合时，则输出分析信号并反馈至基于深度强化学习算法的图网络学习模块230，以令基于深度强化学习算法的图网络学习模块230重新生成新的第二优化设计参数，并据以重新执行预测优化设计动作。

此外，图网络强化学习模块230还进一步用于依据分析模块240的分析结果，针对第三深度神经网络进行训练，以调整更新第三深度神经网络的强化学习模型。

如图6所示，其为显示本申请的第四实施例的产品模型设计方法的流程示意图。

如图所示，首先执行步骤s61,设定待建的产品模型的设计指标参数，接着进行步骤s62。

于步骤s62中，通过仿真设计工具软件依据所设定的设计指标参数建立一个产品模型作为基础模型，接着进行步骤s63。

于步骤s63中，将所生成的基础模型转换为对应的图网络。于一实施例中，本步骤可透过将基础模型输入第二深度神经网络，以供第二深度神经网络依据样本模型输出相应的映射特征图，以作为对应于基础模型的图网络。具体而言，可通过从基础模型中提取节点信息、边信息和全局信息，以利用所述节点信息、边信息和全局信息生成对应于样本模型的图网络。接着进行步骤s64。

于步骤s64中，将所生成的图网络作为深度强化学习的状态输入基于深度强化学习算法的第三深度神经网络，以令第三深度神经网络依据设计指标参数，生成第二优化设计参数并予以输出。具体而言，通过第二深度神经网络所映射出图网络的相应特征，交由第三深度神经网络的策略网络进行分析，给出对当前产品模型(即基础模型)的预测优化设计动作(即第二优化设计参数对应的优化设计动作)；然后再交由第三深度神经网络的价值网络评估策略网络所做出的预测优化设计动作的好坏，以找出最优策略，从而生成设计产品模型的最优动作。接着进行步骤s65。

于步骤s65中，利用仿真设计工具软件依据步骤s64输出的第二优化设计参数对步骤s62生成的基础模型进行调试，从而生成新的模型。接着进行步骤s66。

于步骤s66中，分析所生成的产品模型是否符合设计指标参数，并当分析结果为符合时，输出产品模型，而当分析结果为不符合时，则令第三深度神经网络重新根据所输入的设计指标参数预测生成一新的第二优化设计参数并予以输出，直至所生成的产品模型符合所述设计指标参数。

以下将结合两个具体产品模型的设计实施例来进一步说明本申请的产品模型设计系统及方法。

请配合参阅图8a及图8b，其中，图8a显示了滤波器电路的产品模型，图8b显示了图8a所示的滤波器电路产品模型对应的图网络(即关系结构图)。本实施例公开了利用本申请的产品模型设计系统及方法而实现的滤波器电路的产品模型设计技术，具体包括：首先，输入滤波器电路的指标参数；然后，通过仿真设计工具软件建立一个滤波器电路的基础模型，再利用第二深度神经网络将所生成的基础模型抽象成一个包含输入接口、输出接口、谐振器1、谐振器2四个节点的关系结构(即图8b所示的图网络)，其中，每个节点均与其他节点产生电磁关系。第一深度神经网络或者第三深度神经网络(人工智可能体)可基于接口与仿真工具之间的交互，而调节节点与节点之间的关系(即调节边信息)，从而分析并学习滤波器电路的基础模型的原理。具体而言，典型的滤波器电路是由输入接口、输出接口、谐振器所组成，其中只有输入接口、输出接口和谐振器之间保持特定的电磁耦合关系，并且谐振器的谐振频率满足特定数值的情况下，整个电路才能实现滤波器的功能。第一深度神经网络可被配置为学习滤波器电路所对应的图网络，从仿真模型和仿真数据中抽取谐振频率以及电磁耦合关系，并调整这些数值，进而实现滤波器电路的自动优化设计，在此实施例中所披露的设计框架旨在利用深度学习、强化学习、或者深度学习和强化学习的结合来达到关于滤波器电路模型设计和实现的最优决策。

请配合参阅图9a及图9b，其中，图9a显示了三脚桌的产品模型，图9b显示了图9a所示的三脚桌产品模型对应的图网络(即关系结构图)。本实施例公开了利用本申请的产品模型设计系统及方法而实现的三脚桌力学模型的设计技术，其利用图网络技术将三脚桌模型抽象成一种关系结构，并从中学习和推理，实现关于三脚桌模型的设计和实现的最佳决策，具体包括：首先，基于三脚桌的设计指标参数，通过控制仿真设计工具软件，建立一个三脚桌的基础力学模型；然后，利用第二深度神经网络将该基础模型抽象成一个包含桌面、桌腿1、桌腿2、桌腿3四个节点的关系结构(即图9b所示的图网络)，其中，每个节点均与其它节点产生受力关系。而后，第一深度神经网络可通过和仿真工具之间的交互，调节节点和节点之间的关系，从而理解该三脚桌模型的原理。举例而言，在给定受力方向和受力大小的情况下，存在着一个最优决策(即优化设计动作)，首先桌面的厚度不能太厚，桌腿不能太粗，否则余量过大会导致材料的浪费、重量的增加和成本的上升。因此，人工智能智(第一深度神经网络)被配置为从交互中学习，不断的调整桌面厚度、桌腿尺寸、桌腿位置等参数，实现三脚桌设计。在此实施例中披露的设计框架旨在利用深度学习、强化学习或者深度学习和强化学习的结合来达到关于三脚桌模型设计和实现的最优决策，利用最少的材料、最轻的重量、最低的成本实现最大的受力。

综上所述，本申请所提供的产品模型设计系统及方法，通过采集样本模型及其样本模型指标参数以及样本优化设计参数以建立数据资料库，并通过将样本模型以关系结构化方式转换为相应的图网络，再利用深度神经网络针对图网络进行学习而生成模型优化设计规则，以供后续可依据输入的产品模型的设计指标参数，找出相吻合的模型优化设计规则而执行优化设计动作，从而实现自动生成符合设计指标参数的产品模型的技术功效。

此外，本申请更可针对所生成的模型优化设计规则进行强化学习，依据输入的产品模型的设计指标参数而生成第二优化设计参数，并据以执行预测优化设计动作，而自动生成符合设计指标参数的产品模型。

借此，本发明在深度学习框架中利用图网络算法学习模型设计的规则，进而使产品模型的设计工艺智能化，通过不断的关系推理的学习可逐步提升对产品模型设计规则的认知以及设计的准确率。因此，本申请不但可实现产品模型自动化设计，亦可提高产品模型的设计效率，并具有可复用程度高以及设计成本低廉的优点。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，所述计算机可读记录介质包括用于以计算机(例如计算机)可读的形式存储或传送信息的任何机制。例如，机器可读介质包括只读存储器(rom)、随机存取存储器(ram)、磁盘存储介质、光存储介质、闪速存储介质、电、光、声或其他形式的传播信号(例如，载波、红外信号、数字信号等)等，该计算机软件产品包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

本领域的技术人员应明白，本发明实施例的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。