Алгоритм оптимизации антенны

Суррогатная модель помогла, дифференциальная эволюция для синтеза антенны (SADEA) является искусственным интеллектом (AI) управляемый метод разработки антенны. Это основано на машинном обучении и эволюционных методах расчета, с преимуществами качества оптимизации, КПД, общности и робастности. SADEA выполняет глобальную оптимизацию и использует суррогатную модель, созданную статистическими методами изучения, метод, чтобы сделать суррогатное моделирование и оптимизацию работает, гармонично очень важно в таком суррогате помогшие с моделью методы оптимизации. В SADEA, некоторые идеи суррогатной эволюционной поисковой среды модели осведомленной одолжены, см. [3] и [4].

SADEA использует дифференциальную эволюцию (DE) в качестве поисковой системы и машинного обучения Гауссова процесса (GP) как метод моделирования суррогата. Для получения дополнительной информации см. [1].

Схема алгоритма

Инициализация

Используйте Латинскую выборку гиперкуба (LHS), чтобы сгенерировать выборки проекта α от [a,b]d, оцените все выборки проекта с помощью симуляций EM и затем используйте их, чтобы сформировать начальную базу данных. [a,b]d поисковая область значений, заданная пользователем. Значение α определяется адаптивно.

Шаги итерации

  • Выберите λ лучшие проекты кандидата из базы данных, чтобы сформировать население P. Обновите лучший проект кандидата, полученный до сих пор. Значение λ определяется адаптивно.

  • Примените дифференциальную эволюцию current-to-best/1 мутация и биномиальные перекрестные операторы на P, чтобы сгенерировать λ дочерние решения.

  • Для каждого дочернего решения в P выберите τ самые близкие выборки проекта (на основе Евклидова расстояния) как точки обучающих данных и создайте локальную Гауссову модель суррогата процесса. Значение τ определяется адаптивно.

  • Предварительно экранируйте λ дочерние решения, сгенерированные прежде при помощи Гауссовой модели суррогата процесса с более низким предварительным экранированием доверительной границы.

  • Выполните симуляцию EM к предварительно экранированному лучшему дочернему решению, добавьте этот симулированный проект кандидата и его значение функции к базе данных.

Критерий остановки

  • Спецификация (спецификации) соответствуются.

  • Стандартное отклонение населения меньше, чем порог и текущее лучшее значение целевой функции не улучшаются для определенного числа итераций. (Лучше управляться с помощью фигуры, отображающей тренд сходимости).

  • Вычислительный бюджет (количество симуляций EM) исчерпывается. Обратите внимание на то, что количество симуляций EM может быть добавлено в любое время.

Ссылки

[1] Лю, Филиал, Хади Алиэкбэриэн, Жонгкун Ма, Гай А. Э. Вэнденбош, Жорж Гилен и Питер Эксселл. “Эффективный метод для Оптимизации Проекта Антенны На основе Эволюционных Методов Расчета и Машинного обучения”. Транзакции IEEE на Антеннах и Распространении 62, № 1 (январь 2014): 7–18. https://doi.org/10.1109/TAP.2013.2283605.

[2] Лю, Филиал, Александр Ирвин, Мобайод О. Акинсолу, Омер Араби, Вик Грут и Назар Али. “GUI Design Exploration Software для Микроволновых Антенн”. Журнал Вычислительного Проекта и Разработки 4, № 4 (октябрь 2017): 274–81. https://doi.org/10.1016/j.jcde.2017.04.001.

[3] Лю, Филиал, Цинфу Чжан и Жорж Г. Э. Гилен. “Гауссова Модель Суррогата Процесса Помогла Эволюционному Алгоритму для Средней Шкалы Дорогие Задачи оптимизации”. Транзакции IEEE на Эволюционном Расчете 18, № 2 (апрель 2014): 180–92. https://doi.org/10.1109/TEVC.2013.2248012.

[4] Лю, Филиал, Цинфу Чжан, Жорж Г. Э. Гилен, A.Karkar, А.Яковлев, V.Grout. “SMAS: Обобщенная и Эффективная Среда для В вычислительном отношении Дорогих Электронных Задач оптимизации Проекта”. Вычислительный Интеллект в Электронном Проекте, Спрингере, 2015.

[5] Гроут, Вик, Мобайод О. Акинсолу, Филиал Лю, Пэвлос Ай. Лэзэридис, Кеюр К. Мистри и Саариас Д. Саарис. “Программные продукты для Исследования Проекта Антенны: Сравнение Пакетов, Инструментов, Методов и Алгоритмов для Различных проблем Проекта”. Антенны IEEE и Журнал 61 Распространения, № 3 (июнь 2019): 48–59. https://doi.org/10.1109/MAP.2019.2907887.

Смотрите также

|

Для просмотра документации необходимо авторизоваться на сайте