Труды КНЦ (Технические науки вып.3/2025(16))

Введение Процесс получения решения в рамах технологии генеративного дизайна (проектирования), иногда называемой технологией порождающего проектирования, заключается в том, что пользователь задает технические требования и параметры задачи, а программа генерирует варианты ее решения [1]. Пространство поиска при этом достаточно велико, чтобы человек вручную мог корректно построить все интересующие альтернативы, а затем их проанализировать. Алгоритм построения решений, как правило, не оперирует принципиально новыми идеями, а комбинирует хорошо зарекомендовавшие себя варианты реализации отдельных компонентов проектируемой системы и предлагает решения, оптимальные по определенной системе критериев. Среди методов генеративного дизайна можно выделить следующие группы [2-4]: методы с использованием грамматик формы [5; 6], L-системы [7], клеточные автоматы [8], методы на основе эволюционных вычислений, генетических алгоритмов, роевого интеллекта [9; 10]. В последнее время подобные задачи решаются с использованием нейросетевого подхода, а именно с помощью генеративных нейронных сетей [11; 12]. В представленных исследованиях предлагается задачу генеративного дизайна ставить как задачу удовлетворения ограничений и решать с использованием технологии программирования в ограничениях [13]. Предлагаемый подход иллюстрируется на примере задачи проектирования двумерной пространственной среды с учетом разнородных требований к взаимному расположению объектов среды. Задача генеративного дизайна Генеративный дизайн (Generarive Desing) — парадигма проектирования, в которой процесс создания проектных решений автоматизирован и делегирован вычислительной системе [4]. В отличие от традиционного компьютерного моделирования, в котором инженер вручную создает проектное решение, использование парадигмы генеративного дизайна позволяет описать задачу, задать целевую функцию и ограничения, а алгоритм автоматически сгенерирует множество решений, удовлетворяющих заданным условиям. Автоматическая генерация множества решений позволяет сократить время проектирования и выбрать из предложенных альтернатив лучшую согласно различным критериям. Алгоритмы генеративного дизайна изначально использовались в области архитектуры и строительства, но в настоящее время данный подход применяется в различных областях промышленного и потребительского дизайна [4]. Ключевыми этапа генеративного дизайна являются: 1) описание задачи (определение проектной области, задание ограничений и целевой функции); 2) поиск всех решений на основе описанной задачи; 3) анализ решений (интерпретация полученных решений); 4) оценка решений по заданным критериям; 5) постобработка, уточнение предметной области путем задания новых ограничений. В настоящее время второй этап, который может быть автоматизирован, как правило, реализован с помощью нейросетевого подхода (нейроморфные методы). В настоящей работе предлагается описывать и решать задачу генеративного дизайна как задачу удовлетворения ограничений. Задача удовлетворения ограничений Задача удовлетворения ограничений — это задача поиска решений для сети ограничений, которая формализуется в виде трех множеств [13]: X = {X 1 ,X 2 , ... Xn} — множество переменных, представляющих элементы задачи; D = {D 1 , D 2 , ... Dn} — множество областей определения (доменов) переменных, причем каждый домен Di определяет множество допустимых значений, которые может принимать переменная X C = {C 1 , C 2 , ... Cn} — множество ограничений, где каждое ограничение Cj — это отношение, определяющее допустимые комбинации значений для некоторого подмножества переменных. Существует три вида ограничений. Унарное — ограничение затрагивает домен единственной переменной. Например, ограничение X 1 < m, где m — любое число. Бинарное — ограничение, связывающее между собой две переменные. Например, ограничение X 1 > X 2 . Ограничения высшего порядка — ограничение, связывающее между собой три и более переменные. Каждое ограничение высокого порядка с конечной областью определения можно свести к множеству бинарных Труды Кольского научного центра РАН. Серия: Технические науки. 2025. Т. 16, № 3. С. 117-130. Transactions of the Kola Science Centre of r A s . Series: Engineering Sciences. 2025. Vol. 16, No. 3. P. 117-130. © Таран П. В., Зуенко А. А., 2025 118