CN109472114B - 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 - Google Patents
一种磁性纳米粒子仿真测试平台的优化设计方法及装置 Download PDFInfo
- Publication number
- CN109472114B CN109472114B CN201811527095.7A CN201811527095A CN109472114B CN 109472114 B CN109472114 B CN 109472114B CN 201811527095 A CN201811527095 A CN 201811527095A CN 109472114 B CN109472114 B CN 109472114B
- Authority
- CN
- China
- Prior art keywords
- population
- simulation test
- test platform
- individual
- magnetic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种磁性纳米粒子仿真测试平台的优化设计方法及装置,属于磁性纳米粒子仿真测试平台的设计和优化技术领域。该优化方法包括:1)设置磁性纳米粒子仿真测试平台待优化参数的取值范围和精度,所述待优化参数至少包括线圈通入电流强度I、线圈距离L和线圈匝数N;以每一组待优化参数的取值为种群中的一个个体,设置遗传算法的控制参数;通过构造评价函数计算种群中每个个体的适应度;2)生成初始种群,计算初始种群中每个个体的适应度;3)迭代地进行遗传操作,生成新种群,计算新种群中每个个体的适应度,输出满足迭代停止条件时的最优解作为待优化参数的取值。本发明解决了如何设置磁性纳米粒子仿真测试平台参数的问题。
Description
技术领域
本发明涉及一种磁性纳米粒子仿真测试平台的优化设计方法及装置,属于磁性纳米粒子仿真测试平台的设计和优化技术领域。
背景技术
磁性纳米粒子(Magnetic Nanoparticles,MNPs)是近几年来发展迅速且实用价值极高的新型材料,在生物医药、环境监测、化学催化、免疫检定等方面有着广泛的应用,其制备方法包括共沉淀法、水热法、热分解法等。磁性纳米粒子由于其独特的物理化学特性,可作为免疫检定过程中的固相载体,再通过抗体抗原之间的反应,逐步实现检测和分析等功能,与此同时,磁性纳米粒子作为一种磁性材料,具有磁学性质。
可以通过软件技术搭建磁性纳米粒子测试仿真平台对磁性纳米粒子的各种性能进行研究。图1为一种磁性纳米粒子仿真测试平台的结构示意图,该仿真测试平台包括:球形磁屏蔽环境1、亥姆霍兹线圈和磁性纳米粒子装置4。其中,亥姆霍兹线圈由一对半径相同、匝数相同、绕线厚度相同并且同轴平行放置的圆形线圈(即第一线圈2和第二线圈3)构成,两个线圈之间的轴向距离与线圈的半径相同。磁性纳米粒子装置4是使用微流控和MEMS技术制造的厚度为微纳级、半径不同的圆形薄片装置,其具体结构如图2所示,包括磁性纳米粒子5、玻璃边框结构6、混合溶液7和吸附磁性纳米粒子的特殊基底结构8。由于实际用途和测量精度需求的差异,处理不同数量级的磁性纳米粒子时使用的磁性纳米粒子装置的尺寸不同。
磁性纳米粒子仿真测试平台通过亥姆霍兹线圈对磁性纳米粒子装置4施加匀强磁场,毕奥-萨伐尔定律如公式(1)所示,通过该公式可以计算稳定电流所产生的磁场。
公式(1)中,μ0为真空磁导率,Idl为电流元,r为电流元与空间中任意点之间的距离。
根据毕奥-萨伐尔定律,可对亥姆霍兹线圈内部的磁感应强度、磁感应强度Bx分量等进行计算。其中,通过毕奥-萨伐尔定律推出的亥姆霍兹线圈轴线上磁场强度计算方法如公式(2)所示:
公式(2)中,N为线圈匝数,R为线圈半径,I为电流强度,c是轴线上任意一点距离两线圈中心点的距离,μ0为真空磁导率。
然而,如何设置磁性纳米粒子仿真测试平台的参数,是亟需解决的问题。
发明内容
本发明的目的是提供一种磁性纳米粒子仿真测试平台的优化设计方法及装置,用以解决如何设置磁性纳米粒子仿真测试平台参数的问题。
为实现上述目的,本发明提供了一种磁性纳米粒子仿真测试平台的优化设计方法,包括以下步骤:
1)设置磁性纳米粒子仿真测试平台待优化参数的取值范围和精度,所述待优化参数至少包括线圈通入电流强度I、线圈距离L和线圈匝数N;
以每一组待优化参数的取值为种群中的一个个体,设置遗传算法的控制参数,所述控制参数至少包括最大进化代数、初始种群大小、交叉概率和变异概率;
通过构造评价函数计算种群中每个个体的适应度,所述评价函数的性能指标至少包括磁感应强度、磁感应强度Bx分量、磁感应强度均匀度和磁感应强度Bx分量均匀度;
2)生成初始种群,计算初始种群中每个个体的适应度;
3)迭代地进行遗传操作,生成新种群,计算新种群中每个个体的适应度,直至满足迭代停止条件,输出满足迭代停止条件时的最优解作为待优化参数的取值。
本发明还提供了一种磁性纳米粒子仿真测试平台的优化设计装置,包括处理器和存储器,所述处理器用于运行存储在所述存储器中的程序指令以实现如下方法:
1)设置磁性纳米粒子仿真测试平台待优化参数的取值范围和精度,所述待优化参数至少包括线圈通入电流强度I、线圈距离L和线圈匝数N;
以每一组待优化参数的取值为种群中的一个个体,设置遗传算法的控制参数,所述控制参数至少包括最大进化代数、初始种群大小、交叉概率和变异概率;
通过构造评价函数计算种群中每个个体的适应度,所述评价函数的性能指标至少包括磁感应强度、磁感应强度Bx分量、磁感应强度均匀度和磁感应强度Bx分量均匀度;
2)生成初始种群,计算初始种群中每个个体的适应度;
3)迭代地进行遗传操作,生成新种群,计算新种群中每个个体的适应度,直至满足迭代停止条件,输出满足迭代停止条件时的最优解作为待优化参数的取值。
本发明的磁性纳米粒子仿真测试平台的优化设计方法及装置的有益效果是:首先,选取以线圈通入电流强度I、线圈距离L和线圈匝数N为主的参数,作为磁性纳米粒子仿真测试平台待优化参数;其次,以每一组待优化参数的取值为种群中的一个个体,生成初始种群后,利用遗传算法迭代地进行遗传操作,生成新种群;最后,通过构造评价函数,计算每代种群中每个个体的适应度,直至得到满足迭代停止条件的最优解,以此作为磁性纳米粒子仿真测试平台的待优化参数的取值,解决了如何设置磁性纳米粒子仿真测试平台参数的问题。
为了确定磁性纳米粒子仿真测试平台待优化参数的最优解,作为对上述磁性纳米粒子仿真测试平台的优化设计方法及装置的一种改进,所述满足迭代停止条件为达到最大进化代数,此时最优解为当前种群中适应度最大的个体所对应的待优化参数。
为了快速确定磁性纳米粒子仿真测试平台待优化参数的最优解,提高优化设计效率,作为对上述磁性纳米粒子仿真测试平台的优化设计方法及装置的另一种改进,所述满足迭代停止条件为适应度达到设定要求,此时最优解为适应度达到设定要求的个体所对应的待优化参数。
为了得到初始种群,作为对上述磁性纳米粒子仿真测试平台的优化设计方法及装置的又一种改进,步骤2)根据所述步骤1)中设置的精度确定染色体的长度,结合随机函数,生成初始种群。
为了得到新种群,作为对上述磁性纳米粒子仿真测试平台的优化设计方法及装置的再一种改进,步骤3)中所述遗传操作包括选择、交叉和变异,生成新种群的过程包括:根据上一代种群中的各个个体的适应度,计算选择概率和积累概率;根据选择概率和积累概率,利用轮盘赌规则从上一代种群中选择进行下一次进化的个体;每次利用轮盘赌规则选择出种群中的两个个体,根据设定的交叉概率,结合随机函数,判断这两个个体是否进行交叉操作,若进行交叉操作,则通过交叉繁殖得到两个新的个体,若不进行交叉操作,则保留选择出的两个个体;对于选择出的两个个体,根据设定的变异概率,结合随机函数,分别进行变异操作判断,若进行变异操作,则通过随机产生变异位得到新个体,若不进行变异操作,则保留选择出的个体。
为了更好地实现磁性纳米粒子仿真测试平台的优化设计,作为对上述磁性纳米粒子仿真测试平台的优化设计方法及装置的又进一步改进,利用COMSOL仿真软件实现磁性纳米粒子仿真测试平台的优化设计方法。
附图说明
图1是现有技术中磁性纳米粒子仿真测试平台的结构示意图;
图2是现有技术中磁性纳米粒子装置的具体结构示意图;
图3是本发明的磁性纳米粒子仿真测试平台的优化设计方法流程图;
图4是本发明的适应度计算方法流程图;
图5是本发明的实现磁性纳米粒子装置广泛适应功能和性能指标的提取与计算的流程图;
图6-1是本发明的实现磁性纳米粒子仿真测试平台自定义约束功能的流程图;
图6-2是本发明的出现符合约束条件的优化变量的窗口显示画面图;
图7-1是本发明的实现磁性纳米粒子测量仿真模型的直接生成和保存功能的流程图;
图7-2本发明的文件保存格式选择页面示意图;
图7-3本发明的输入磁性纳米粒子个数、生成测量仿真模型示意图;
图7-4本发明的磁性纳米粒子装置几何绘图、模型导出示意图;
图7-5本发明的模型名称和保存路径设置、模型保存示意图;
图中,1-球形磁屏蔽环境,2-第一线圈,3-第二线圈,4-磁性纳米粒子装置,5-磁性纳米粒子,6-玻璃边框结构,7-混合溶液,8-吸附磁性纳米粒子的特殊基底结构。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例对本发明进行进一步详细说明。
磁性纳米粒子仿真测试平台的优化设计方法实施例:
结合图3,本实施例的磁性纳米粒子仿真测试平台的优化设计方法,按照以下8个步骤进行:
步骤1:选取线圈通入电流强度I(以下简称电流强度I)、线圈距离L、线圈匝数N,作为影响磁性纳米粒子仿真测试平台实际性能的优化变量(即磁性纳米粒子仿真测试平台待优化参数),分别设定这三个优化变量的取值范围和精度。
其中,电流强度I的取值范围为2.0~3.5A,精度为0.01A;线圈距离L的取值范围为0.15~0.25m,精度为0.001m;线圈匝数N的取值范围为200~300圈,精度为1圈。
以每一组电流强度I、线圈距离L和线圈匝数N的取值作为种群中的一个个体,设置遗传算法的控制参数:最大进化代数为200、初始种群大小为20、交叉概率为0.45、变异概率为0.05。
作为其他实施方式,待优化参数、遗传算法的控制参数,还可以根据实际需要增加其他的参数,例如可以增加线圈厚度作为待优化参数。
步骤2:根据步骤1中设定的精度,确定染色体的长度为21,结合随机函数,生成初始种群,对初始种群中的个体进行二进制编码,同时根据磁性纳米粒子仿真测试平台中自定义的磁性纳米粒子装置的不同尺寸要求,利用步骤3计算初始种群的适应度。
如图5所示,可以利用磁性纳米粒子装置的广泛适应功能,设置不同的磁性纳米粒子装置尺寸,以调整种群中个体适应度计算的程序,使本发明的磁性纳米粒子仿真测试平台的优化设计方法,广泛适用于使用不同尺寸磁性纳米粒子装置的磁性纳米粒子仿真测试平台。
步骤3:对于已生成的初始种群中的个体,进行二进制到十进制转换,将每个个体中的三个优化变量转换为相应取值范围(即取值区间)内的实数。然后,按照图4所示流程计算个体适应度,具体过程如下:
(1)针对种群中的每个个体,利用MATLAB与COMSOL仿真软件(也称COMSOL)之间的连接,将相应个体的三个优化变量传递到COMSOL中,通过程序在COMSOL中进行其他的模型参数、材料属性、边界条件等设置,进行磁性纳米粒子仿真测试平台模型的生成和计算。
(2)利用COMSOL的后处理工具,提取和计算衡量磁性纳米粒子仿真测试平台性能的四个性能指标(即磁感应强度、磁感应强度Bx分量、磁感应强度均匀度和磁感应强度Bx分量)。
按照图5所示流程,提取磁性纳米粒子装置所在圆形薄片区域各个位置的磁感应强度、磁感应强度Bx分量,并计算磁感应强度均匀度和磁感应强度Bx分量均匀度,具体过程如下:
以初始设定的磁性纳米粒子装置的半径为例,利用COMSOL的后处理功能,在磁性纳米粒子装置所在圆形薄片区域内部均匀划定十个圆形三维曲线,每个圆形曲线按照360度分别均匀提取1000个磁感应强度数据和1000个对应的磁感应强度Bx分量数据,并根据提取的数据计算出磁感应强度均匀度和磁感应强度Bx分量均匀度。此时磁感应强度数据和磁感应强度Bx分量数据分别按照十个圆形三维曲线从内到外的顺序,通过COMSOL后处理工具的输出功能,保存在1.txt-10.txt的文档中,便于在MATLAB中进行磁感应强度、磁感应强度Bx分量、磁感应强度均匀度、磁感应强度Bx分量均匀度的计算时,进行读取和调用。
获取种群中某个个体对应的磁性纳米粒子仿真测试平台的磁感应强度、磁感应强度Bx分量的计算方法分别如公式(3)和公式(4)所示。
其中,B表示该种群中某个个体对应的磁感应强度,Bij表示从内到外均匀提取的十个圆形三维曲线中第i个三维曲线对应的1000个磁感应强度数据中的第j个数据。
其中,Bx表示该种群中某个个体对应的磁感应强度Bx分量,Bxij表示从内到外均匀提取的十个圆形三维曲线中第i个三维曲线对应的1000个磁感应强度Bx分量数据中的第j个数据。
在求出该种群中某个个体对应的磁感应强度和磁感应强度Bx分量后,进行磁感应强度均匀度和磁感应强度Bx分量均匀度的计算,计算方法分别如公式(5)和公式(6)所示。
其中,表示该种群中某个个体对应的磁感应强度Bx分量均匀度,Bxij表示从内到外均匀提取的十个圆形三维曲线中第i个三维曲线对应的1000个磁感应强度Bx分量数据中的第j个数据,Bx表示该个体对应的磁感应强度Bx分量。
在本实例中,施加沿Y轴方向的匀强磁场,并对磁性纳米粒子在X轴方向的响应磁场进行测量,考虑到响应磁场的信号较弱,需要施加磁感应强度较大的磁场,所以通过磁性纳米粒子测量仿真平台中设置的亥姆霍兹线圈产生符合要求的磁场。因此在该情况下,磁感应强度、磁感应强度Bx分量、磁感应强度均匀度和磁感应强度Bx分量均匀度这四个性能指标可以全面体现出磁性纳米粒子仿真测试平台的实际性能。
作为其他实施方式,还可根据实际需要增加其他指标作为衡量磁性纳米粒子仿真测试平台性能的性能指标,例如增加磁感应强度平方差、磁感应强度Bx分量平方差等。
(3)利用线性加权法,构造评价函数maxF(x)对获得的四个性能指标进行处理,计算每个个体的适应度,以对种群中每个个体对应的磁性纳米粒子仿真测试平台的性能进行衡量。
构造的评价函数如下所示:
公式(7)中,a表示目标函数的个数,本实施例中a=4,wn为第n个目标函数的加权系数,gn(x)为第n个目标函数,根据线性加权的原则,w1+w2+w3+w4=1。
对于种群中的一个个体,该个体的一个性能指标对应一个目标函数,将该个体的四个目标函数代入公式(7),即可得到该个体的适应度。其中,目标函数和评价函数可以采用现有技术中常用的函数。在本实例中,四个目标函数gn(x)(n=1,2,3,4)分别对应种群中该个体的磁感应强度、磁感应强度Bx分量、磁感应强度均匀度、磁感应强度Bx分量均匀度这四个性能指标。考虑到四个性能指标的量纲不同,在计算目标函数的过程中需要进行归一化处理,在每个种群中所有个体的性能指标计算结束后,再进行该种群中各个个体的目标函数计算,具体的目标函数表达式如公式(8)—公式(11)所示。
g1(x)(x=1,2,3,...,20)表示该种群中各个个体的磁感应强度对应的目标函数,其中Bkx表示第k个种群中第x个个体对应的磁感应强度,Bkmin表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度中的最小值,Bkmax表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度中的最大值。
g2(x)(x=1,2,3,...,20)表示该种群中各个个体的磁感应强度Bx分量对应的目标函数,其中Bxkx表示第k个种群中第x个个体对应的磁感应强度Bx分量,Bxkmin表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度Bx分量中的最小值,Bxkmax表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度Bx分量中的最大值。
g3(x)(x=1,2,3,...,20)表示该种群中各个个体的磁感应强度均匀度对应的目标函数,其中表示第k个种群中第x个个体对应的磁感应强度均匀度,表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度均匀度中的最小值,表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度均匀度中的最大值。
g4(x)(x=1,2,3,...,20)表示该种群中各个个体的磁感应强度Bx分量均匀度对应的目标函数,其中表示第k个种群中第x个个体对应的磁感应强度Bx分量均匀度,表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度Bx分量均匀度中的最小值,表示包括当前种群在内的前k个种群中所有个体对应的磁感应强度Bx分量均匀度中的最大值。
通过构造评价函数,将多目标优化函数转化为单目标优化函数,简化了运算过程,提高了遗传算法的运行效率。
(4)评价函数计算结束后,将该种群中所有个体对应的磁性纳米粒子仿真测试平台的四个性能指标和适应度的具体数据都传递至一个文本文件中,可以随时调取和进一步处理。
步骤4:一个种群的适应度计算完成后,给各个个体的适应度都加上大小合理的相等的数,保证种群的适应度为正数,再根据种群中各个个体的适应度,计算选择概率和积累概率,作为选择、交叉、变异等遗传操作的依据。
选择、交叉、变异的操作步骤如下:
(1)选择:根据选择概率和积累概率,利用轮盘赌规则进行下一次进化的选择,此时一代种群中的所有个体都按照适应度大小成比例的依次组成圆形轮盘,然后通过随机函数来模拟转动轮盘的过程,当轮盘停下时,轮盘上指针指向的个体就是选中的个体,种群中适应度越大的个体被选中的概率越大。
(2)交叉:每次利用轮盘赌规则选择出种群中的两个个体,根据设置的交叉概率,本实施例中为0.45,结合随机函数,判断这两个个体是否进行交叉操作。若进行交叉操作,则在个体的基因长度范围内,通过随机函数选择一个整数值m作为交叉点,将两个个体的基因位串自第m位后的所有二进制字符对换,从而得到两个新的个体,实现交叉繁殖。若不进行交叉操作,则继续保留选择出的这两个个体。
(3)变异:对于种群中按照轮盘赌规则选择出的两个个体,按照设置的变异概率,本实施例中为0.05,结合随机函数,分别进行变异操作判断。若进行变异操作,则在个体的基因长度范围内随机产生一个变异位,对个体基因位串中的某些基因值做变动,形成新的个体,有效跳出磁性纳米粒子仿真测试平台性能的局部最优,实现全局寻优。
步骤5:选择、交叉、变异等遗传操作完成后,新种群生成,将新种群中每个个体的二进制基因位串分开,进行解码,重新分为电流强度I、线圈距离L、线圈匝数N这三个优化变量,并从二进制转换为十进制,按照步骤3中适应度计算的方法,计算新种群中每个个体的适应度。
对于当前这一代种群中的最优适应度和平均适应度进行统计,并记录适应度最高的染色体个体和最佳染色体对应的电流强度I、线圈距离L、线圈匝数N这三个优化变量。
步骤6:在当前代的遗传操作结束后,对于新种群进行下一代的新循环,按照步骤3→步骤4→步骤5的顺序依次进行相应的求解和操作,通过MATLAB和COMSOL之间的参数传递,将种群中个体对应的优化变量传递到COMSOL中,进行磁性纳米粒子仿真测试平台的四个性能指标的计算,从而获得新种群中各个个体的适应度,找出新种群中的最大适应度、最佳染色体个体和对应的三个优化变量的实际值,并通过不断循环操作,实现种群的不断进化。
步骤7:随着种群的不断进化,达到设置的最大进化代数200时,可得后代中出现的最大适应度的个体,并得到该个体对应的电流强度I、线圈距离L、线圈匝数N这三个优化变量的实际取值,将这一结果作为磁性纳米粒子仿真测试平台待优化参数的最优解。
为了实现磁性纳米粒子仿真测试平台待优化参数的最优解的快速确定,提高优化设计效率,在达到最大进化代数的过程中,可启用磁性纳米粒子仿真测试平台的自定义约束功能,以加快优化时间,在获得符合约束条件(以下简称符合条件)的优化变量时,及时保存符合条件的优化变量并停止循环,此时,符合条件的优化变量的实际取值即为磁性纳米粒子仿真测试平台待优化参数的最优解,具体流程如图6-1所示:
(1)考虑到磁性纳米粒子仿真测试平台模型的生成和计算需要一定时间,在磁性纳米粒子仿真测试平台要求不高的情况下,可以启用自定义约束功能。
本实施例,通过对磁感应强度、磁感应强度Bx分量、磁感应强度均匀度和磁感应强度Bx分量这四个性能指标的约束范围进行设置,启用自定义约束功能。
在磁性纳米粒子仿真测试平台的实际使用过程中,可能会出现磁传感器性能的限制,对于部分高精度磁传感器,当施加磁场大于该磁传感器的饱和场时,传感器将不能进行准确地测量。在种群进化过程中,对个体所对应的磁感应强度大小设定约束,并可以自定义调节约束范围,适应不同传感器的要求,在本实例中,根据磁传感器性能,设定磁感应强度范围10-15Gs。
(2)当种群中一个个体的适应度计算完成后,提取该个体对应的四个性能指标,判断这四个性能指标是否满足设置的约束范围。
(3)当出现符合条件的个体时,程序及时保存该符合条件的个体对应的电流强度I、线圈距离L和线圈匝数N这三个优化变量,并在MATLAB命令行窗口显示,可以显著提高平台的优化效率,适应实际使用的需要。本实例中,出现符合条件的优化变量的窗口显示画面如图6-2所示。
作为其他实施方式,还可以通过对适应度的约束范围进行设置,启用自定义约束功能,即当适应度达到设定要求(例如适应度达到设定值或者最优适应度不发生明显变化)时,及时保存适应度达到设定要求的个体所对应的待优化参数作为最优解,并停止循环。
步骤8:磁性纳米粒子仿真测试平台待优化参数的最优解计算完成后,可以通过MATLAB和COMSOL之间的参数传递,使用直接生成和保存功能,获得不同磁性纳米粒子个数的磁性纳米粒子测量仿真模型,从而可以进一步处理和提取相关数据。
磁性纳米粒子测量仿真模型的直接生成和保存功能按以下步骤进行,具体流程如图7-1所示:
(1)自定义选择“.mph”或“.m”作为磁性纳米粒子测量仿真模型的保存方式。
(2)通过本发明的磁性纳米粒子仿真测试平台的优化设计方法,对磁性纳米粒子仿真测试平台进行优化(即通过遗传算法优化磁性纳米粒子仿真测试平台),优化完成后,获得相应的磁性纳米粒子仿真测试平台待优化参数的最优解。
(3)利用MATLAB和COMSOL的数据传递,将磁性纳米粒子仿真测试平台待优化参数的最优解(即遗传算法优化后获得的磁性纳米粒子仿真测试平台的参数)直接传递给COMSOL,再通过对磁性纳米粒子个数的设置和利用随机函数模拟磁性纳米粒子的分布,获得不同磁性纳米粒子个数的测量仿真模型,生成模型对应的Model文件。
(4)将Model文件导出后,可以统一设置Model文件的保存路径和保存名称,并且在MATLAB GUI窗口显示,便于使用者保存不同磁性纳米粒子个数的测量仿真模型和通过程序对这些模型进行数据处理。
本实例中选择“.mph”作为保存方式,将测量仿真模型按照磁性纳米粒子个数的不同,命名为“磁性纳米粒子个数+实验序号”的形式,保存在同一个路径中,如图7-2至7-5所示。
本发明充分结合COMSOL仿真和MATLAB编程的优势,可以广泛适应使用不同尺寸磁性纳米粒子装置的磁性纳米粒子仿真测试平台的优化需要,并可以通过不同软件之间的参数传递,直接生成和保存符合要求的磁性纳米粒子测量仿真模型。
磁性纳米粒子仿真测试平台的优化设计装置实施例:
本发明的磁性纳米粒子仿真测试平台的优化设计装置,包括处理器和存储器,处理器用于运行存储在存储器中的程序指令以实现本发明的磁性纳米粒子仿真测试平台的优化设计方法,具体方法参见磁性纳米粒子仿真测试平台的优化设计方法实施例。
Claims (8)
1.一种磁性纳米粒子仿真测试平台的优化设计方法,其特征在于,包括以下步骤:
1)设置磁性纳米粒子仿真测试平台待优化参数的取值范围和精度,所述待优化参数至少包括线圈通入电流强度I、线圈距离L和线圈匝数N;
以每一组待优化参数的取值为种群中的一个个体,设置遗传算法的控制参数,所述控制参数至少包括最大进化代数、初始种群大小、交叉概率和变异概率;
通过构造评价函数计算种群中每个个体的适应度,所述评价函数的性能指标至少包括磁感应强度、磁感应强度Bx分量、磁感应强度均匀度和磁感应强度Bx分量均匀度;
2)生成初始种群,计算初始种群中每个个体的适应度;
3)迭代地进行遗传操作,生成新种群,计算新种群中每个个体的适应度,直至满足迭代停止条件,输出满足迭代停止条件时的最优解作为待优化参数的取值。
2.根据权利要求1所述的磁性纳米粒子仿真测试平台的优化设计方法,其特征在于,所述满足迭代停止条件为达到最大进化代数,此时最优解为当前种群中适应度最大的个体所对应的待优化参数。
3.根据权利要求1所述的磁性纳米粒子仿真测试平台的优化设计方法,其特征在于,所述满足迭代停止条件为适应度达到设定要求,此时最优解为适应度达到设定要求的个体所对应的待优化参数。
4.根据权利要求2或3所述的磁性纳米粒子仿真测试平台的优化设计方法,其特征在于,步骤2)根据所述步骤1)中设置的精度确定染色体的长度,结合随机函数,生成初始种群。
5.根据权利要求2或3所述的磁性纳米粒子仿真测试平台的优化设计方法,其特征在于,步骤3)中所述遗传操作包括选择、交叉和变异,生成新种群的过程包括:根据上一代种群中的各个个体的适应度,计算选择概率和积累概率;根据选择概率和积累概率,利用轮盘赌规则从上一代种群中选择进行下一次进化的个体;每次利用轮盘赌规则选择出种群中的两个个体,根据设定的交叉概率,结合随机函数,判断这两个个体是否进行交叉操作,若进行交叉操作,则通过交叉繁殖得到两个新的个体,若不进行交叉操作,则保留选择出的两个个体;对于选择出的两个个体,根据设定的变异概率,结合随机函数,分别进行变异操作判断,若进行变异操作,则通过随机产生变异位得到新个体,若不进行变异操作,则保留选择出的个体。
7.根据权利要求1所述的磁性纳米粒子仿真测试平台的优化设计方法,其特征在于,利用COMSOL仿真软件实现磁性纳米粒子仿真测试平台的优化设计方法。
8.一种磁性纳米粒子仿真测试平台的优化设计装置,其特征在于,包括处理器和存储器,所述处理器用于运行存储在所述存储器中的程序指令,以实现权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527095.7A CN109472114B (zh) | 2018-12-13 | 2018-12-13 | 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527095.7A CN109472114B (zh) | 2018-12-13 | 2018-12-13 | 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472114A CN109472114A (zh) | 2019-03-15 |
CN109472114B true CN109472114B (zh) | 2022-10-11 |
Family
ID=65674991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811527095.7A Active CN109472114B (zh) | 2018-12-13 | 2018-12-13 | 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472114B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276141B (zh) * | 2019-06-26 | 2023-06-16 | 中国人民解放军陆军装甲兵学院 | 一种螺线管线圈磁场的优化方法 |
CN111695292A (zh) * | 2020-05-15 | 2020-09-22 | 东南大学 | 基于matlab和comsol联合仿真的超导磁储能磁体优化设计方法 |
CN111709183B (zh) * | 2020-05-25 | 2023-09-12 | 西安交通大学 | 一种基于遗传算法的中子管加速系统优化方法 |
CN111859627B (zh) * | 2020-06-29 | 2023-09-22 | 珠海格力电器股份有限公司 | 一种元器件模型的参数优化方法及装置 |
CN112689350A (zh) * | 2020-10-06 | 2021-04-20 | 河南工业大学 | 一种基于物联网技术的矿热炉电极升降自动控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865170A (zh) * | 2015-04-24 | 2015-08-26 | 华中科技大学 | 三角波激励磁场下磁性纳米粒子粒径分布测量系统及方法 |
CN106446447A (zh) * | 2016-10-17 | 2017-02-22 | 北京工业大学 | 一种基于遗传算法的低频电磁传感器结构优化方法 |
WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
-
2018
- 2018-12-13 CN CN201811527095.7A patent/CN109472114B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865170A (zh) * | 2015-04-24 | 2015-08-26 | 华中科技大学 | 三角波激励磁场下磁性纳米粒子粒径分布测量系统及方法 |
CN106446447A (zh) * | 2016-10-17 | 2017-02-22 | 北京工业大学 | 一种基于遗传算法的低频电磁传感器结构优化方法 |
WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
Non-Patent Citations (2)
Title |
---|
基于非线性GA算法的MFF透射模型的参数辨识与优化;滕峰成等;《仪器仪表学报》;20160215(第02期);全文 * |
自适应对偶种群遗传算法及其在电磁场优化设计中的应用;徐斌等;《电工技术学报》;20130326(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109472114A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472114B (zh) | 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 | |
Deb et al. | Surrogate modeling approaches for multiobjective optimization: methods, taxonomy, and results | |
CN116245015A (zh) | 基于深度学习的数据变化趋势预测方法及系统 | |
De Boer et al. | Design optimisation of a magnetic field based soft tactile sensor | |
He et al. | An FPGA-based LSTM acceleration engine for deep learning frameworks | |
CN113158492A (zh) | 一种时变电磁场的全隐式双时间步计算方法 | |
CN110246205A (zh) | 一种平面工件自动排版方法 | |
Archibald et al. | Integrating deep learning in domain sciences at exascale | |
Zhang et al. | A hybrid deep learning approach for the design of 2D low porosity auxetic metamaterials | |
CN103489007A (zh) | 基于样本先验信息的支持向量机核函数选择方法及应用 | |
Cao et al. | An efficient hybrid multi-objective optimization method coupling global evolutionary and local gradient searches for solving aerodynamic optimization problems | |
CN116151135B (zh) | 一种电大尺寸目标的电磁仿真方法及系统 | |
CN109597006B (zh) | 一种磁性纳米粒子测量位置的优化设计方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN116341286A (zh) | 一种基于fpga的加速量子启发式求解方法及其装置 | |
Ivagnes et al. | Towards a machine learning pipeline in reduced order modelling for inverse problems: neural networks for boundary parametrization, dimensionality reduction and solution manifold approximation | |
CN113935556B (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
JP2007080095A (ja) | 異方性を有する球状表面波素子の解析方法 | |
CN106909747B (zh) | 一种热对流扩散系统中模糊参数隶属度函数识别方法 | |
Zhang et al. | Research and application of electric power curve inversing dynamometer diagram technology using big data approach | |
CN114692529A (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
Balijepalli et al. | Stochastic simulations with graphics hardware: Characterization of accuracy and performance | |
Wu et al. | A Dimension Selection-Based Constrained Multi-Objective Optimization Algorithm Using a Combination of Artificial Intelligence Methods | |
Sun et al. | A GPU-Accelerated method for 3D nonlinear kelvin ship wake patterns simulation | |
CN113484919A (zh) | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221128 Address after: 450000 Building 19, Zhengzhou Airport Biomedical Park, the intersection of Huanghai Road and the Second Biotechnology Street, Zhengzhou Airport Economic Comprehensive Experimental Zone, Zhengzhou, Henan Patentee after: Henan Chuangxin Technology Co.,Ltd. Address before: 450001 No. 100 Lianhua Street, Zhengzhou High-tech Industrial Development Zone, Henan Province Patentee before: He'nan University of Technology |
|
TR01 | Transfer of patent right |