CN102479278A - 一种生成人造微结构参数的方法 - Google Patents
一种生成人造微结构参数的方法 Download PDFInfo
- Publication number
- CN102479278A CN102479278A CN2011100618015A CN201110061801A CN102479278A CN 102479278 A CN102479278 A CN 102479278A CN 2011100618015 A CN2011100618015 A CN 2011100618015A CN 201110061801 A CN201110061801 A CN 201110061801A CN 102479278 A CN102479278 A CN 102479278A
- Authority
- CN
- China
- Prior art keywords
- nel
- distance
- parameter group
- electromagnetic response
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Hall/Mr Elements (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种生成人造微结构参数的方法,方法包括以下步骤:S1:根据当前的均值和方差所示的多元正态分布生成N个参数组;S2:分别计算N个电磁响应函数与目标电磁响应函数的距离;S3:选取最小的前Nel个距离所对应的Nel个参数组同时更新均值和方差;S4:判断是否符合循环条件,若是跳至步骤S1,若否,退出循环。本发明提供了一种高效率生成人造微结构参数的方法,同时利用图形处理单元GPU实现多线程计算,从根本上提高了对人造微结构参数的设计效率。本发明常运用于超材料领域。
Description
【技术领域】
本发明涉及超材料领域,特别涉及一种生成人造微结构参数的方法。
【背景技术】
超材料技术是一个前沿性交叉科技,其设计的技术领域包括了电磁、微波、太赫兹、光子、先进的工程设计体系、通信、半导体等范畴。其核心思想是利用复杂的人造微结构设计与加工实现人造“原子”以对电磁场或者声纳进行响应。其核心理论是描述电磁波轨迹与超材料特性的变形光学。该技术的一大核心难点在于如何建模设计成千上万个相互不同的人造微结构并按照合理的排布组成一个具有特殊功能性的超材料器件。这对建模、计算、理论分析、设计、调试都带来了极大的困难。
在超材料设计领域,由于人造微结构的复杂响应和实验设计采样点有限,故传统参数模型难以拟合其电磁响应函数,无法实现精确的建模,造成了超材料自动化设计的瓶颈。
由于超材料所提供的特殊功能,这都是取决于它异常复杂的单元微结构,每个由微结构所组成的单元结构都可以由一个参数组来定义,每个参数组包含多个属性参数,例如单元微结构的长、宽、高、厚度、介电常数、材料材质等。其电磁响应参数是多维的,每改变一个属性参数Pi都将改变其最终的电磁响应函数,如何寻找最佳的人造微结构属性参数,使它的电磁响应函数符合超材料的目标电磁响应函数,是全球科研人员一直在努力探索的。
传统的超材料单元结构体设计方法是,通过手动逐一改变人造微结构属性参数,测试某一频率的电磁波通过该人造微结构后的电磁响应函数,并与目标电磁响应函数进行对比,如此不断循环,最终找到与目标电磁响应函数最为相近的人造微结构属性参数。由图1可以看出,对于每个人造微结构,调整其属性参数是一项非常耗时的步骤,为了达到超材料设计的超高要求和特殊的电磁响应函数,人造微结构参数的微调单位可能达到毫米级,甚至微米级、纳米级,同时每个超材料可能包括上万甚至上亿个这样的人造微结构,其工作量可想而知。
传统的超材料设计方法对人力、物力、时间都有极大的要求,如何缩短时间对提高超材料设计效率有着至关重要的作用。
【发明内容】
本发明针对现有技术效率低下,只能通过手动设计的缺陷,提供了一种可以进行高效的生成超材料人造微结构参数的方法。
本发明提供一种生成人造微结构参数的方法,人造微结构由参数组来定义,方法包括以下步骤:
S1:生成一个均值和方差分别是μt和∑t的正态分布函数,并在正态分布函数中,使用多元正态随机数函数生成N个参数组X1,X2,......,XN,其中μt和∑t的初始值为预先设定,t为迭代次数;
S2:分别计算N个参数组对应的人造微结构的电磁响应函数与预先设置的目标电磁响应函数的距离D1,D2,......,DN;
S3:将距离进行排序并从最小的距离开始取Nel个距离,并根据前Nel个参数组更新均值μt+1和方差∑t+1,其中,Nel为小于N的自然数;
S4:判断距离Di是否满足预先设置的循环条件,若否,则获取Nel个距离对应的人造微结构的电磁响应函数,循环结束,其中,Nel个距离包括距离Di,i的值为预先设定。
在本发明生成人造微结构参数的方法中,循环条件包括:
迭代次数t小于常数C,常数C为预设的大于2的自然数;或者
选取最小距离Dmin,1≤min≤N,最小距离Di大于ζ,ζ的值为预先设定。
在本发明生成人造微结构参数的方法中,判断最小的距离是否满足预先设置的循环条件的步骤之后还包括:
若是,则将更新的均值μt+1和方差∑t+1代入S1进行下一轮循环计算,直至循环结束。
在本发明生成人造微结构参数的方法中,Nel等于分位数ρ乘以参数组数N。
在本发明生成人造微结构参数的方法中,根据前Nel个参数组更新均值μt+1和方差∑t+1的公式为:
在本发明生成人造微结构参数的方法中,距离还可用适应度函数计算,适应度函数Si=|F(Xi)-G(x)|,其中,F(Xi)为参数组Xi的电磁响应函数,G(x)是目标电磁响应函数;Si的数值越小,说明参数组的人造微结构的电磁响应特性与目标电磁响应特性越接近。
在本发明生成人造微结构参数的方法中,在步骤3中,将距离进行排序并从最小的距离开始取Nel个距离之后,及根据前Nel个参数组更新均值μt+1和方差∑t+1之前,还包括:获取Nel个距离对应的Nel个参数组。
本发明针对现有技术的不足,提供了一种快速生成最优人造微结构参数的方法,从根本上提高了对人造微机构参数的设计效率,极大地减少了系统内存的消耗。
【附图说明】
图1为现有技术对人造微结构参数的设计流程图;
图2为本发明对人造微结构参数的设计流程图;
图3为本发明是基于GPU加速的优化对人造微结构参数的设计流程图。
【具体实施方式】
下面结合附图和实施例对本发明进行详细说明。
图2、3是本发明对超材料人造微结构的设计流程图;
参见图2、3,图2、3所示的生成超材料人造微结构的方法,方法包括以下步骤:
S1:生成一个均值和方差分别是μt和∑t的正态分布函数,并在正态分布函数中,使用多元正态随机数函数生成N个参数组X1,X2,......,XN,其中μt和∑t的初始值为预先设定,t为迭代次数;
在第一步中,需要对均值μ0和方差∑0初始化,初值的赋值由经验得出。例如,待设计的超材料尺寸长为L,宽为W,均值μ0为(L+W)/2,方差∑0为MAX(L,W)。对于目标电磁响应函数G(x),根据实际目标由计算机通过数理模型计算得出,结果为常数。而在以后的每一次循环中,生成一个均值和方差分别是μt和∑t的正态分布函数,在正态分布函数中,使用多元正态随机数函数生成N个参数组X1,X2,......,XN,其中,多元正态随机数函数所生成的特定均值和方差的正态分布,每个参数组随机生成,且符合生成的正态分布规律。而μt和∑t由上一次循环所得结果μt-1和∑t-1通过公式得出。
S2:分别计算N个参数组对应的人造微结构的电磁响应函数与预先设置的目标电磁响应函数的距离D1,D2,......,DN;
本发明的创新点在于,距离可用适应度函数计算,适应度函数Si=|F(Xi)-G(x)|,其中,F(Xi)为参数组Xi的电磁响应函数,G(x)是目标电磁响应函数;Si的数值越小,说明参数组Xi的人造微结构的电磁响应特性与目标电磁响应特性越接近。
在步骤S2中,分别计算N个参数组对应的人造微结构的电磁响应函数与目标电磁响应函数的距离是由CPU执行的,该计算过程也可在GPU端并行执行,分如下步骤:
S2.1:在GPU端申请可以存放N个参数组的内存空间;
S2.2:将N个参数组X1,X2,......,XN复制到内存空间中;
S2.3:调用GPU端内核函数,分别计算N个参数组对应的人造微结构的电磁响应函数与目标电磁响应函数的距离D1,D2,......,DN。
S3:将距离进行排序并从最小的距离开始取Nel个距离,并根据前Nel个参数组更新均值μt+1和方差∑t+1,其中,Nel为小于N的自然数;
从距离D1,D2,......,DN中选取最小的前Nel个距离是通过对D1,D2,......,DN,进行大小排序实现。其中,Nel等于分位数ρ乘以参数组数N;例如,在一个N为100的情况下,分位数ρ为预设值,取0.1,则选出的前Nel个参数组个数为10。
本发明的创新点在于,如果分别计算N个参数组对应的人造微结构的电磁响应函数与目标电磁响应函数的距离的过程是在GPU端并行执行的,那么,将距离排序的过程也可以在GPU端进行,该排序过程可在GPU端通过并行运算实现,可采用奇偶排序、快速排序和基数排序等,从而大大地提高运算效率。
进一步的,使用交叉熵算法对前Nel个参数组更新均值μt+1和方差∑t+1,公式如下:
其中α为光滑因子,α为0到1的任一数值,为前Nel个参数组中的第i个。
S4:判断距离Di是否满足预先设置的循环条件,若否,则获取Nel个距离对应的人造微结构的电磁响应函数,循环结束,其中,Nel个距离包括距离Di,i的值为预先设定。
其中,循环条件包括:迭代次数t小于常数C,常数C为预设的大于2的自然数;或者选取最小距离Dmin,1≤min≤N,最小距离Di大于ζ,ζ的值为预先设定。若是,则将更新的均值μt+1和方差∑t+1代入S1进行下一轮循环计算,直至循环结束。
本发明针对现有技术的不足,提供了一种高效率生成超材料人造微结构的方法,同时利用GPU实现真正意义上多线程并行转换,从根本上提高了对人造微结构参数的设计效率。从根本上解决了现有方法效率低下的缺陷,减少了系统内存的消耗,极具应用意义。
在上述实施例中,仅对本发明进行了示范性描述,但是本领域技术人员在阅读本专利申请后可以在不脱离本发明的精神和范围的情况下对本发明进行各种修改。
Claims (7)
1.一种生成人造微结构参数的方法,所述人造微结构由参数组来定义,其特征在于,所述方法包括以下步骤:
S1:生成一个均值和方差分别是μt和∑t的正态分布函数,并在所述正态分布函数中,使用多元正态随机数函数生成N个参数组X1,X2,......,XN,其中所述μt和∑t的初始值为预先设定,t为迭代次数;
S2:分别计算所述N个参数组对应的人造微结构的电磁响应函数与预先设置的目标电磁响应函数的距离D1,D2,......,DN;
S3:将所述距离进行排序并从最小的距离开始取Nel个距离,并根据所述前Nel个参数组更新所述均值μt+1和方差∑t+1,其中,所述Nel为小于所述N的自然数;
S4:判断距离Di是否满足预先设置的循环条件,若否,则获取所述Nel个距离对应的人造微结构的电磁响应函数,循环结束,其中,所述Nel个距离包括距离Di,i的值为预先设定。
2.根据权利要求1所述的方法,其特征在于,所述循环条件包括:
迭代次数t小于常数C,常数C为预设的大于2的自然数;或者
选取最小距离Dmin,1≤min≤N,最小距离Di大于ζ,ζ的值为预先设定。
3.根据权利要求2所述的方法,其特征在于,所述判断最小的距离是否满足预先设置的循环条件的步骤之后还包括:
若是,则将更新的均值μt+1和方差∑t+1代入S1进行下一轮循环计算,直至循环结束。
4.根据权利要求1所述的方法,其特征在于,所述Nel等于分位数ρ乘以所述参数组数N。
6.根据权利要求1所述的方法,其特征在于,所述距离还可用适应度函数计算,所述适应度函数Si=|F(Xi)-G(x)|,其中,F(Xi)为所述参数组Xi的电磁响应函数,G(x)是目标电磁响应函数;Si的数值越小,说明所述参数组的人造微结构的电磁响应特性与目标电磁响应特性越接近。
7.根据权利要求1所述的方法,其特征在于,在步骤3中,将所述距离进行排序并从最小的距离开始取Nel个距离之后,及根据所述前Nel个参数组更新所述均值μt+1和方差∑t+1之前,还包括:获取所述Nel个距离对应的Nel个参数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110061801 CN102479278B (zh) | 2011-03-15 | 2011-03-15 | 一种生成人造微结构参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110061801 CN102479278B (zh) | 2011-03-15 | 2011-03-15 | 一种生成人造微结构参数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102479278A true CN102479278A (zh) | 2012-05-30 |
CN102479278B CN102479278B (zh) | 2013-04-24 |
Family
ID=46091922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110061801 Active CN102479278B (zh) | 2011-03-15 | 2011-03-15 | 一种生成人造微结构参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102479278B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581588A (zh) * | 2020-05-06 | 2020-08-25 | 江苏赛博空间科学技术有限公司 | 一种电磁波空间计算装置及其运算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339628A (zh) * | 2008-07-11 | 2009-01-07 | 浙江大学 | 一种具有重构操作的rna遗传算法的化工过程建模方法 |
CN101854223A (zh) * | 2009-03-31 | 2010-10-06 | 上海交通大学 | 矢量量化码书生成方法 |
-
2011
- 2011-03-15 CN CN 201110061801 patent/CN102479278B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339628A (zh) * | 2008-07-11 | 2009-01-07 | 浙江大学 | 一种具有重构操作的rna遗传算法的化工过程建模方法 |
CN101854223A (zh) * | 2009-03-31 | 2010-10-06 | 上海交通大学 | 矢量量化码书生成方法 |
Non-Patent Citations (2)
Title |
---|
IAN B. HAYA等: "Optimum 2-D LOS MIMO Performance Using Omni-Directional Antennas Attained Through Genetic Algorithms", 《COMMUNICATION NETWORKS AND SERVICES RESEARCH CONFERENCE》, vol. 2008, no. 6, 8 May 2008 (2008-05-08) * |
程强等: "平面左手结构在微波器件及天线设计中的应用", 《电子学报》, vol. 35, no. 6, 30 June 2007 (2007-06-30), pages 118 - 126 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581588A (zh) * | 2020-05-06 | 2020-08-25 | 江苏赛博空间科学技术有限公司 | 一种电磁波空间计算装置及其运算方法 |
CN111581588B (zh) * | 2020-05-06 | 2021-04-27 | 江苏赛博空间科学技术有限公司 | 一种电磁波空间计算装置及其运算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102479278B (zh) | 2013-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103425833B (zh) | 一种基于熵格子波尔兹曼模型的并行流体计算实现方法 | |
Liao et al. | Deep-learning-based isogeometric inverse design for tetra-chiral auxetics | |
CN104077496A (zh) | 基于差分进化算法的智能管道布局优化方法和系统 | |
Samudre et al. | Optimizing performance of convolutional neural network using computing technique | |
Momen et al. | Fpga-based acceleration of expectation maximization algorithm using high-level synthesis | |
CN106775905A (zh) | 基于fpga的高级综合实现拟牛顿算法加速的方法 | |
CN110598362B (zh) | 充分发展湍流条件下的大涡模拟计算速度边界条件生成方法 | |
CN104866286A (zh) | 一种基于OpenCL与SoC-FPGA的K近邻分类加速方法 | |
Hassanein et al. | Parallel hardware implementation of the brain storm optimization algorithm using FPGAs | |
Hou et al. | Trajectory-optimized cluster-based network model for the sphere wake | |
Mao et al. | Coopetition analysis in industry upgrade and urban expansion based on fractional derivative gray Lotka–Volterra model | |
Anzt et al. | Optimization of power consumption in the iterative solution of sparse linear systems on graphics processors | |
Chau et al. | Heterogeneous reconfigurable system for adaptive particle filters in real-time applications | |
CN102479278B (zh) | 一种生成人造微结构参数的方法 | |
Meddage et al. | Predicting transient wind loads on tall buildings in three-dimensional spatial coordinates using machine learning | |
Hong et al. | Optimizing a FPGA-based neural accelerator for small IoT devices | |
Kim et al. | Geometric modification for the enhancement of an airfoil performance using deep CNN | |
CN114676522B (zh) | 融合gan和迁移学习的气动形状优化设计方法及系统及设备 | |
CN105608267A (zh) | 一种多变量全局优化算法 | |
Zhang et al. | Distributed parallel computing technique for EM modeling | |
CN106383961B (zh) | Cpu+mic异构平台下的大涡模拟算法优化处理方法 | |
Shukayev et al. | Modeling resource flows and allocations in systems with parallel structure | |
Liu et al. | A novel hybrid immune algorithm and its convergence based on the steepest descent algorithm | |
CN107526856B (zh) | 可并行的显隐式混合不连续伽辽金时域有限元法 | |
Amendola et al. | Characterization of lossy SIW resonators based on multilayer perceptron neural networks on graphics processing unit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |