Суррогатная модель помогает дифференциальной эволюции для синтеза антенн (SADEA) - метод конструирования антенн под управлением искусственного интеллекта (AI). Он основан на машинном обучении и методах эволюционных вычислений, с преимуществами качества оптимизации, эффективности, общности и надежности. SADEA осуществляет глобальную оптимизацию и использует суррогатную модель, построенную с помощью методов статистического обучения. Метод, обеспечивающий гармоничную работу суррогатного моделирования и оптимизации, имеет решающее значение в таких методах оптимизации с помощью суррогатной модели. В SADEA заимствованы некоторые идеи системы эволюционного поиска, учитывающей суррогатную модель, см. [3] и [4].
SADEA использует дифференциальную эволюцию (DE) в качестве поисковой системы и гауссово-технологическое машинное обучение (GP) в качестве метода суррогатного моделирования. Для получения дополнительной информации см. [1].
Инициализация
Используйте латинскую выборку гиперкуба (LHS) для генерации образцов конструкции α из [a,b]dоцените все образцы конструкции с помощью ЭМП-моделирования и затем используйте их для формирования исходной базы данных. [a,b]d - диапазон поиска, определенный пользователем. Величину α определяют самоадаптационно.
Этапы итерации
Выберите из базы данных наилучшие проекты-кандидаты λ для формирования совокупности P. Обновите наилучший проект-кандидат, полученный на данный момент. Величина λ определяется самостоятельно.
Примените дифференциальную эволюцию мутации ток-в-лучшем/1 и биномиальные перекрестные операторы на P, чтобы создать λ дочерних решений.
Для каждого дочернего решения в P в качестве обучающих точек данных выберите (на основе евклидова расстояния) наиболее близкие выборки и создайте локальную модель суррогата гауссова процесса. При этом значение startопределяют самоадаптационно.
Выполните предварительный скрининг дочерних решений λ, полученных ранее, с использованием суррогатной модели гауссова процесса с более низким предварительным скринингом, связанным с доверием.
Выполните эмуляцию EM в предварительно экранированном наилучшем дочернем решении, добавьте этот смоделированный проект-кандидат и значение его функции в базу данных.
Критерии остановки
Технические условия удовлетворяются .
Стандартное отклонение совокупности меньше порога и текущее значение наилучшей целевой функции не улучшается для некоторого числа итераций. (Лучше управлять с помощью рисунка, отображающего тренд сходимости).
Исчерпан вычислительный бюджет (количество ЭМП-симуляций). Обратите внимание, что количество эмуляций EM может быть добавлено в любое время.
[1] Лю, Бо, Хади Алиакбарян, Чжункун Ма, Гай А. Е. Ванденбош, Жорж Гилен и Петер Экселл. «Эффективный метод оптимизации конструкции антенны на основе методов эволюционных вычислений и машинного обучения». Транзакции IEEE по антеннам и распространению 62, № 1 (январь 2014 года): 7-18. https://doi.org/10.1109/TAP.2013.2283605.
[2] Лю, Бо, Александр Ирвайн, Мобайоде О. Акинсолу, Омер Араби, Вик Гроут и Назар Али. «Программное обеспечение для исследования графического интерфейса пользователя для микроволновых антенн». Журнал расчетно-конструкторских работ 4, № 4 (октябрь 2017): 274-81. https://doi.org/10.1016/j.jcde.2017.04.001.
[3] Лю, Бо, Цинфу Чжан и Жорж Г. Э. Гилен. «Суррогатная модель гауссовского процесса помогает эволюционному алгоритму для средних задач дорогостоящей оптимизации». Транзакции IEEE по эволюционным вычислениям 18, № 2 (апрель 2014 г.): 180-92. https://doi.org/10.1109/TEVC.2013.2248012.
[4] Лю, Бо, Цинфу Чжан, Жорж Г. Э. Гилен, А.Каркар, А.Яковлев, В.Гроут. «SMAS: обобщенная и эффективная структура для вычислительных дорогостоящих задач оптимизации электронного проектирования». Вычислительный интеллект в электронном дизайне, Springer, 2015.
[5] Гроут, Вик, Мобайоде О. Акинсолу, Бо Лю, Павлос И. Лазаридис, Кейур К. Мистия и Захариас Д. Захарис. «Программные решения для исследования конструкции антенны: сравнение пакетов, инструментов, методов и алгоритмов для различных задач проектирования». IEEE Antennas and Propagation Magazine 61, No 3 (июнь 2019): 48-59. https://doi.org/10.1109/MAP.2019.2907887.
Максимизация усиления и увеличение полосы пропускания импеданса антенны E-Patch | Оптимизация элементов антенной решетки с помощью приложения «Конструктор антенной решетки»