Surrogate model assisted дифференциальная эволюция для синтеза антенны (SADEA) - метод проекта антенны с приводом от искусственного интеллекта (ИИ). Он основан на машинном обучении и эволюционных расчетах с преимуществами оптимизации качества, эффективности, общности и робастности. SADEA проводит глобальную оптимизацию и использует суррогатную модель, созданную с помощью статистических методов обучения. Метод для гармоничной работы суррогатного моделирования и оптимизации имеет решающее значение в таких методах оптимизации с помощью суррогатной модели. В SADEA некоторые идеи эволюционной среды, учитывающей суррогатную модель, заимствованы, см. [3] и [4].
SADEA использует дифференциальную эволюцию (DE) в качестве поисковой системы и машинное обучение по Гауссову процессу (GP) в качестве метода суррогатного моделирования. Для получения дополнительной информации см. раздел [1].
Инициализация
Используйте латинскую выборку гиперкуба (LHS), чтобы сгенерировать расчетные выборки α из [a, b]d, оцените все выборки проекта с помощью EM симуляций и затем используйте их, чтобы сформировать начальную базу данных. [a, b]d - область значений поиска, заданный пользователем. Значение α определяется самоадаптивно.
Шаги итерации
Чтобы сформировать население P, выберите из базы данных и лучшие проекты. Обновите лучший проект кандидата, полученный до сих пор. Значение И определяется самоадаптивно.
Примените дифференциальную эволюцию мутации «ток-к-лучшему/1» и биномиальные операторы кроссовера на P, чтобы сгенерировать дочерние решения.
Для каждого дочернего решения в P в качестве обучающих точек данных выберите Значение И определяется самоадаптивно.
Предварительно экранируйте дочерние решения, сгенерированные ранее, используя суррогатную модель Гауссова процесса с нижним доверительным связанным предварительным экранированием.
Выполните симуляцию EM к предварительно скринированному лучшему дочернему решению, добавьте этот моделируемый проект кандидата и его значение функции в базу данных.
Критерий остановки
Спецификации (спецификации ) (ы) выполняются (выполняются ).
Стандартное отклонение населения меньше порога, и текущее лучшее значение целевой функции не улучшается для определенного количества итераций. (Лучше управлять с помощью рисунка, отображающего тренд сходимости).
Вычислительный бюджет (количество симуляций EM) исчерпан. Обратите внимание, что количество симуляций EM может быть добавлено в любое время.
[1] Лю, Бо, Хади Алиакбарян, Чжункун Ма, Ги А. Э. Ванденбос, Жорж Гилен, и Питер Экс-камера. Эффективный метод оптимизации проекта антенны на основе эволюционных расчетов и методов 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, Мобайод О. Акинсолу, Омер Араби, Вик Гроут и Назар Али. GUI Design Exploration Software for СВЧ Antennas (неопр.) (недоступная ссылка). Журнал вычислительных Проектов и инженерных 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. Gaussian Process Surrogate Model Assisted Evolutional Algorithm for Medium Scale Easured задачи оптимизации). Транзакции IEEE по эволюционным расчетам 18, № 2 (апрель 2014): 180-92. https://doi.org/10.1109/TEVC.2013.2248012.
[4] Лю, Бо, Цинфу Чжан, Жорж Г. Е. Гилен, А. Каркар, А. Яковлев, В. Грут. SMAS: обобщенная и эффективная среда для вычислительно дорогих задач оптимизации электронного проекта. Вычислительная разведка в электронном проекте, Springer, 2015.
[5] Grout, Vic, Mobayode O. Akinsolu, Bo Liu, Pavlos I. Lazaridis, Keyur K. Mistry, and Zaharias D. Zaharis. Software Solutions for Antenna Design Exploration: A Comparison of Packages, Tools, and Algorithms for Experiment Design Challenges (неопр.) (недоступная ссылка). IEEE Antennas and Propagation Magazine 61, № 3 (июнь 2019): 48-59. https://doi.org/10.1109/MAP.2019.2907887.
Максимальное усиление и улучшение полосы сопротивления антенны E-Patch | Оптимизация элементов антенной решетки с помощью приложения Antenna Array Designer