基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法
【專利摘要】本發(fā)明公開了一種基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，涉及電磁計(jì)算領(lǐng)域，該方法步驟為：1.多目標(biāo)粒子群優(yōu)化計(jì)算粗糙模型。2.精確模型評價粗糙模型Pareto最優(yōu)解集的響應(yīng)，由精確模型響應(yīng)更新精確模型Pareto最優(yōu)解集。3.采用差值神經(jīng)網(wǎng)絡(luò)模型建立粗糙模型與精細(xì)模型之間的映射關(guān)系。4.粗糙模型結(jié)合差值模型作為新的粗糙模型，多目標(biāo)粒子群優(yōu)化計(jì)算新粗糙模型。5.判斷終止條件，若滿足終止條件則輸出精確模型Pareto最優(yōu)解集，否則返回步驟2。本發(fā)明可以完成多目標(biāo)形式的空間映射計(jì)算，使用差值神經(jīng)網(wǎng)絡(luò)模型替代參數(shù)提取過程，算法具有較好的收斂性和穩(wěn)定性。
【專利說明】基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種微波器件設(shè)計(jì)方法，尤其涉及一種基于多目標(biāo)空間映射算法的微波器件的設(shè)計(jì)方法。
【背景技術(shù)】
[0002]空間映射算法于1994年由Bandler提出，其巧妙地借助于同一電磁器件兩種不同模型的計(jì)算方式之間的優(yōu)點(diǎn)，實(shí)現(xiàn)了快速優(yōu)化設(shè)計(jì)微波器件。多目標(biāo)粒子群(MOPSO)算法，是使用粒子群算法搜索解空間的Pareto最優(yōu)解集。
[0003]目前，國內(nèi)外微波器件設(shè)計(jì)中的電磁計(jì)算方法一般使用傳統(tǒng)空間映射及其改進(jìn)算法，算法使用計(jì)算精度低速度快的粗糙模型輔助計(jì)算精度高速度慢的精確模型完成快速計(jì)算。使用空間映射算法快速計(jì)算優(yōu)化電磁問題時，存在的主要問題是:一是空間映射算法為單目標(biāo)形式的電磁快速計(jì)算方法，其無法處理多目標(biāo)電磁優(yōu)化問題；二是參數(shù)提取中，由于任意的精確模型響應(yīng)不一定會存在一個粗糙模型響應(yīng)與其完全一致，這樣參數(shù)提取的結(jié)果不唯一，嚴(yán)重影響收斂性和穩(wěn)定性。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，以解決微波器件設(shè)計(jì)中多目標(biāo)形式的電磁快速優(yōu)化計(jì)算問題。
[0005]本發(fā)明的目的通過以下技術(shù)方案予以實(shí)現(xiàn):
[0006]一種基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，包括以下步驟:
[0007]I)使用多目標(biāo)粒子群算法優(yōu)化計(jì)算粗糙模型，控制Pareto最優(yōu)解集的大小，得出一組Pareto最優(yōu)解集；
[0008]2)將粗糙模型Pareto最優(yōu)解集送入精細(xì)模型計(jì)算響應(yīng)，由精細(xì)模型響應(yīng)更新精細(xì)模型Pareto最優(yōu)解集；
[0009]3)采用差值神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將粗糙模型適應(yīng)度作為輸入，精細(xì)模型與粗糙模型適應(yīng)度之差作為輸出；
[0010]4)將粗糙模型結(jié)合差值神經(jīng)網(wǎng)絡(luò)模型作為新粗糙模型，使用多目標(biāo)粒子群優(yōu)化計(jì)算新粗糙模型，得出一組基于粗糙模型和差值神經(jīng)網(wǎng)絡(luò)模型的Pareto解集，且控制解集的大??；
[0011]5)判斷Pareto最優(yōu)解集個數(shù)是否滿足設(shè)計(jì)要求，若滿足設(shè)計(jì)要求，則輸出精細(xì)模型的最優(yōu)解集，否則返回步驟2)。
[0012]本發(fā)明的目的還可以通過以下技術(shù)措施來進(jìn)一步實(shí)現(xiàn):
[0013]前述基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，其中多目標(biāo)粒子群算法包括以下步驟:
[0014]I)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，最大保留的Pareto解集的數(shù)量NR，目標(biāo)函數(shù)空間每維分割個數(shù)ND，并計(jì)算每個粒子的適應(yīng)度；[0015]2)更新粒子群:粒子群的運(yùn)動方程如下，
[0016]V (t) = Co ? V (t~l) +C1 ? (lbest-x (t))+C2 ? (REP_x (t))
[0017]x (t+1) = x(t)+v(t)
[0018]其中co可以為常數(shù)或隨迭代次數(shù)在[0.6，I]之間線性增大，C1, C2為常數(shù)，Ibest為每個粒子搜索過的最優(yōu)解，REP的選取是將所求的Pareto解集空間分割為NDd個超立方，統(tǒng)計(jì)每個立方中解的個數(shù)，除去不分布解的超立方，依照輪盤選擇方法，選擇解的個數(shù)較少的超立方，再隨機(jī)在其中選擇一個解；
[0019]3)計(jì)算粒子適應(yīng)度,更新Pareto解集:對于此次迭代的每個粒子,遍歷Pareto解集，若粒子對應(yīng)的解支配Pareto解集中的解，則將Pareto解集中的解替換為此粒子對應(yīng)的解，遍歷完成后，除去Pareto解集中重復(fù)的解；若Pareto解集中的某個解支配粒子對應(yīng)的解，則舍棄粒子對應(yīng)的解；若遍歷完成后，粒子對應(yīng)解既不支配Pareto解集中的解也不被Pareto解集中的解支配，則將Pareto解集分割為NDd個超立方，統(tǒng)計(jì)每個立方中解的個數(shù)，除去不分布解的超立方，依照輪盤選擇方法，選出解個數(shù)較多的超立方，將粒子對應(yīng)的解隨機(jī)替換選中的超立方中的一個解；
[0020]4)判斷終止條件:若迭代次數(shù)達(dá)到最大迭代次數(shù)，則運(yùn)算迭代停止，輸出Pareto最優(yōu)解集；若未達(dá)到最大迭代次數(shù)，則返回步驟2)繼續(xù)迭代。
[0021]前述基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，其中更新精細(xì)模型Pareto最優(yōu)解的方法包括:
[0022]將本次精細(xì)模型所計(jì)算出的解與精細(xì)模型Pareto最優(yōu)解集中的解逐個比較，若本次精細(xì)模型計(jì)算出的解支配精細(xì)模型Pareto最優(yōu)解集中的某個解，則將精細(xì)模型Pareto最優(yōu)解集中的這個解替換為本次精細(xì)模型計(jì)算出的解；若本次精細(xì)模型計(jì)算出的解被精細(xì)模型Pareto解集中的某個 解支配，則拋棄本次精細(xì)模型計(jì)算出的解；若本次精細(xì)模型計(jì)算出的解既不支配也不被支配，則在精細(xì)模型Pareto解集中添加本次精細(xì)模型計(jì)算出的解。
[0023]前述基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，其中差值神經(jīng)網(wǎng)絡(luò)模型為將粗糙模型適應(yīng)度作為輸入，精細(xì)模型適應(yīng)度與粗糙模型適應(yīng)度差值作為輸出，訓(xùn)練神經(jīng)網(wǎng)絡(luò)；對于整個差值神經(jīng)網(wǎng)絡(luò)模型，粗糙模型適應(yīng)度為輸入，差值神經(jīng)網(wǎng)絡(luò)輸出與粗糙模型適應(yīng)度之和為輸出。
[0024]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:與現(xiàn)有技術(shù)的空間映射算法相比，可以完成多目標(biāo)形式的空間映射計(jì)算，使用差值神經(jīng)網(wǎng)絡(luò)模型替代參數(shù)提取過程，算法具有較好的收斂性和穩(wěn)定性。本發(fā)明用以解決微波器件設(shè)計(jì)中的快速優(yōu)化計(jì)算電磁問題，并可以求出優(yōu)化問題的Pareto最優(yōu)解，以供后續(xù)設(shè)計(jì)使用。
【專利附圖】

【附圖說明】
[0025]圖1是本發(fā)明的流程圖；
[0026]圖2是本發(fā)明中多目標(biāo)算法流程圖；
[0027]圖3是本發(fā)明中差值神經(jīng)網(wǎng)絡(luò)模型示意圖；
[0028]圖4是本發(fā)明實(shí)施例中階躍阻抗濾波器所采用的粗糙模型與精確模型示意圖；
[0029]圖5是本發(fā)明用于多目標(biāo)階躍阻抗濾波器設(shè)計(jì)中最優(yōu)解個數(shù)與迭代次數(shù)關(guān)系曲線.[0030]圖6是本發(fā)明用于多目標(biāo)階躍阻抗濾波器試驗(yàn)中搜索效率曲線與迭代次數(shù)關(guān)系曲線；
[0031]圖7是本發(fā)明用于多目標(biāo)階躍阻抗濾波器中計(jì)算所得較好的2組最優(yōu)解對應(yīng)的S21曲線。
【具體實(shí)施方式】
[0032]下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步說明。
[0033]以設(shè)計(jì)階躍阻抗濾波器為例，本具體實(shí)施例中，粗糙模型選擇階躍阻抗濾波器的等效電路模型計(jì)算結(jié)果，精確模型選擇電磁仿真軟件計(jì)算結(jié)果。
[0034]如圖1所示，基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，包括以下步驟:
[0035]1.使用多目標(biāo)粒子群算法優(yōu)化計(jì)算粗糙模型，控制Pareto最優(yōu)解集的大小，得出一組Pareto最優(yōu)解集。
[0036]如圖2所示，是所述多目標(biāo)算法的流程圖。多目標(biāo)算法保證了本方法可以完成多目標(biāo)形式的空間映射快速計(jì)算。所述多目標(biāo)算法包括以下步驟:
[0037]I)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，最大保留的Pareto解集的數(shù)量NR，目標(biāo)函數(shù)空間每維分割個數(shù)ND，并計(jì)算每個粒子的適應(yīng)度；
[0038]2)更新粒子群:粒子群的運(yùn)動方程如下，
[0039]V (t) = Co ? V (t~l) +C1 ? (lbest-x (t))+C2 ? (REP_x (t))
[0040]x (t+1) = x (t) +v (t)
[0041]其中Co可以為常數(shù)或隨迭代次數(shù)在[0.6，I]之間線性增大，C1, C2為常數(shù)，Ibest為每個粒子搜索過的最優(yōu)解，REP的選取是將所求的Pareto解集空間分割為NDd個超立方，統(tǒng)計(jì)每個立方中解的個數(shù)，除去不分布解的超立方，依照輪盤選擇方法，選擇解的個數(shù)較少的超立方，再隨機(jī)在其中選擇一個解；
[0042]3)計(jì)算粒子適應(yīng)度,更新Pareto解集:對于此次迭代的每個粒子,遍歷Pareto解集，若粒子對應(yīng)的解支配Pareto解集中的解，則將Pareto解集中的解替換為此粒子對應(yīng)的解，遍歷完成后，除去Pareto解集中重復(fù)的解；若Pareto解集中的某個解支配粒子對應(yīng)的解，則舍棄粒子對應(yīng)的解；若遍歷完成后，粒子對應(yīng)解既不支配Pareto解集中的解也不被Pareto解集中的解支配，則將Pareto解集分割為NDD個超立方，統(tǒng)計(jì)每個立方中解的個數(shù)，除去不分布解的超立方，依照輪盤選擇方法，選出解個數(shù)較多的超立方，將粒子對應(yīng)的解隨機(jī)替換選中的超立方中的一個解；
[0043]4)判斷終止條件:若迭代次數(shù)達(dá)到最大迭代次數(shù)，則運(yùn)算迭代停止，輸出Pareto最優(yōu)解集；若未達(dá)到最大迭代次數(shù)，則返回步驟2)繼續(xù)迭代。
[0044]2.將粗糙模型Pareto最優(yōu)解送入精細(xì)模型計(jì)算響應(yīng)，由精細(xì)模型響應(yīng)更新精細(xì)模型Pareto最優(yōu)解集。`
[0045]將優(yōu)化計(jì)算粗糙模型所得的Pareto最優(yōu)解集送入精細(xì)模型進(jìn)行計(jì)算，即將粗糙模型所得的Pareto最優(yōu)解送入電磁仿真軟件HFSS計(jì)算,再由精確模型Pareto最優(yōu)解集的更新規(guī)則，更新精確模型的Pareto最優(yōu)解集。其中更新精細(xì)模型Pareto最優(yōu)解的方法包括:[0046]將本次精細(xì)模型所計(jì)算出的解與精細(xì)模型Pareto最優(yōu)解集中的解逐個比較，若本次精細(xì)模型計(jì)算出的解支配精細(xì)模型Pareto最優(yōu)解集中的某個解，則將精細(xì)模型Pareto最優(yōu)解集中的這個解替換為本次精細(xì)模型計(jì)算出的解；若本次精細(xì)模型計(jì)算出的解被精細(xì)模型Pareto解集中的某個解支配，則拋棄本次精細(xì)模型計(jì)算出的解；若本次精細(xì)模型計(jì)算出的解既不支配也不被支配，則在精細(xì)模型Pareto解集中添加本次精細(xì)模型計(jì)算出的解。[0047]3.采用差值神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將粗糙模型適應(yīng)度作為輸入，精細(xì)模型與粗糙模型適應(yīng)度之差作為輸出。
[0048]如圖3所示是差值神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，采用差值模型的形式，可以使得神經(jīng)網(wǎng)絡(luò)收斂更快、更穩(wěn)定，即會使映射關(guān)系的建立更迅速、更穩(wěn)定。此時差值神經(jīng)網(wǎng)絡(luò)模型建立了粗糙模型與精確模型之間的映射關(guān)系。其中差值神經(jīng)網(wǎng)絡(luò)模型為將粗糙模型適應(yīng)度作為輸入，精細(xì)模型適應(yīng)度與粗糙模型適應(yīng)度差值作為輸出，訓(xùn)練神經(jīng)網(wǎng)絡(luò)；對于整個差值神經(jīng)網(wǎng)絡(luò)模型，粗糙模型適應(yīng)度為輸入，差值神經(jīng)網(wǎng)絡(luò)輸出與粗糙模型適應(yīng)度之和為輸出。
[0049]4.將粗糙模型結(jié)合差值神經(jīng)網(wǎng)絡(luò)模型作為新粗糙模型，使用多目標(biāo)粒子群優(yōu)化計(jì)算新粗糙模型，得出一組基于新粗糙模型的Pareto解集，且控制解集的大小；
[0050]5.判斷Pareto最優(yōu)解集個數(shù)是否滿足設(shè)計(jì)要求，若滿足設(shè)計(jì)要求，則輸出精細(xì)模型的最優(yōu)解集，否則返回步驟2。
[0051]本實(shí)施例進(jìn)行一組階躍阻抗濾波器的設(shè)計(jì)計(jì)算。采用的粗糙模型與精確模型如圖4所示，其粗糙模型與精確模型的對應(yīng)關(guān)系具體的可以用下式表示:
【權(quán)利要求】
1.一種基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，其特征在于，包括以下步驟: 1)使用多目標(biāo)粒子群算法優(yōu)化計(jì)算粗糙模型，控制Pareto最優(yōu)解集的大小，得出一組Pareto最優(yōu)解集； 2)將粗糙模型Pareto最優(yōu)解集送入精細(xì)模型計(jì)算響應(yīng)，由精細(xì)模型響應(yīng)更新精細(xì)模型Pareto最優(yōu)解集； 3)采用差值神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將粗糙模型適應(yīng)度作為輸入，精細(xì)模型與粗糙模型適應(yīng)度之差作為輸出； 4)將粗糙模型結(jié)合差值神經(jīng)網(wǎng)絡(luò)模型作為新粗糙模型，使用多目標(biāo)粒子群優(yōu)化計(jì)算新粗糙模型，得出一組基于粗糙模型和差值神經(jīng)網(wǎng)絡(luò)模型的Pareto解集，且控制解集的大小; 5)判斷Pareto最優(yōu)解集個數(shù)是否滿足設(shè)計(jì)要求，若滿足設(shè)計(jì)要求，則輸出精細(xì)模型的最優(yōu)解集，否則返回步驟2)。
2.如權(quán)利要求1所述的基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，其特征在于，所述多目標(biāo)粒子群算法包括以下步驟: 1)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，最大保留的Pareto解集的數(shù)量NR，目標(biāo)函數(shù)空間每維分割個數(shù)ND，并計(jì)算每個粒子的適應(yīng)度； 2)更新粒子群:粒子群的運(yùn)動方程如下，`
v(t) = Co ? V (t-1) +C1 ? (lbest-x (t)) +C2 ? (REP_x(t))
x (t+1) = x (t) +v (t) 其中CO可以為常數(shù)或隨迭代次數(shù)在[0.6，I]之間線性增大，C1, C2為常數(shù)，Ibest為每個粒子搜索過的最優(yōu)解，REP的選取是將所求的Pareto解集空間分割為NDd個超立方，統(tǒng)計(jì)每個立方中解的個數(shù)，除去不分布解的超立方，依照輪盤選擇方法，選擇解的個數(shù)較少的超立方，再隨機(jī)在其中選擇一個解； 3 )計(jì)算粒子適應(yīng)度，更新Pareto解集:對于此次迭代的每個粒子，遍歷Pareto解集,若粒子對應(yīng)的解支配Pareto解集中的解，則將Pareto解集中的解替換為此粒子對應(yīng)的解，遍歷完成后，除去Pareto解集中重復(fù)的解；若Pareto解集中的某個解支配粒子對應(yīng)的解，則舍棄粒子對應(yīng)的解；若遍歷完成后，粒子對應(yīng)解既不支配Pareto解集中的解也不被Pareto解集中的解支配，則將Pareto解集分割為NDd個超立方，統(tǒng)計(jì)每個立方中解的個數(shù)，除去不分布解的超立方，依照輪盤選擇方法，選出解個數(shù)較多的超立方，將粒子對應(yīng)的解隨機(jī)替換選中的超立方中的一個解；` 4)判斷終止條件:若迭代次數(shù)達(dá)到最大迭代次數(shù)，則運(yùn)算迭代停止，輸出Pareto最優(yōu)解集；若未達(dá)到最大迭代次數(shù)，則返回步驟2)繼續(xù)迭代。
3.如權(quán)利要求1所述的基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，其特征在于，所述更新精細(xì)模型Pareto最優(yōu)解的方法包括: 將本次精細(xì)模型所計(jì)算出的解與精細(xì)模型Pareto最優(yōu)解集中的解逐個比較，若本次精細(xì)模型計(jì)算出的解支配精細(xì)模型Pareto最優(yōu)解集中的某個解,則將精細(xì)模型Pareto最優(yōu)解集中的這個解替換為本次精細(xì)模型計(jì)算出的解；若本次精細(xì)模型計(jì)算出的解被精細(xì)模型Pareto解集中的某個解支配，則拋棄本次精細(xì)模型計(jì)算出的解；若本次精細(xì)模型計(jì)算出的解既不支配也不被支配，則在精細(xì)模型Pareto解集中添加本次精細(xì)模型計(jì)算出的解。
4.如權(quán)利要求1所述的基于多目標(biāo)空間映射算法的微波器件設(shè)計(jì)方法，其特征在于，所述差值神經(jīng)網(wǎng)絡(luò)模型為將粗糙模型適應(yīng)度作為輸入，精細(xì)模型適應(yīng)度與粗糙模型適應(yīng)度差值作為輸出，訓(xùn)練神經(jīng)網(wǎng)絡(luò)；對于整個差值神經(jīng)網(wǎng)絡(luò)模型，粗糙模型適應(yīng)度為輸入，差值神經(jīng)網(wǎng)絡(luò)輸出與粗糙模型適應(yīng)度之和為輸出。
【文檔編號】G06F17/50GK103500246SQ201310434810
【公開日】2014年1月8日 申請日期:2013年9月22日 優(yōu)先權(quán)日:2013年9月22日
【發(fā)明者】田雨波, 樓群, 邱大為 申請人:江蘇科技大學(xué)