CN111581825B - 基于贝叶斯协同优化算法的超材料设计方法及相关设备 - Google Patents
基于贝叶斯协同优化算法的超材料设计方法及相关设备 Download PDFInfo
- Publication number
- CN111581825B CN111581825B CN202010387625.3A CN202010387625A CN111581825B CN 111581825 B CN111581825 B CN 111581825B CN 202010387625 A CN202010387625 A CN 202010387625A CN 111581825 B CN111581825 B CN 111581825B
- Authority
- CN
- China
- Prior art keywords
- target
- function
- mean
- metamaterial
- structural
- 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
Abstract
本发明提供一种基于贝叶斯协同优化算法的超材料设计方法及相关设备。所述方法将超材料设计问题转化为黑箱函数的优化问题,将超材料复杂函数型响应转化为两个简单响应函数,用高斯过程模型对两个简单响应函数建模,用贝叶斯协同优化算法求解目标设计。本发明可以实现超材料的快速设计。
Description
技术领域
本发明涉及超材料技术领域,具体涉及一种基于贝叶斯协同优化算法的超材料设计方法及相关设备。
背景技术
近几年,随着材料科学的发展,超材料引起国内外学者广泛关注。超材料是一种由大量结构基元以特定方式排列而形成的具有特殊电磁性能的人造材料,其电磁性能不是由构成的材料决定,而是取决于结构基元的几何结构。在一定的设计下,超材料能够以全新的方式对电磁波进行操控,进而创造多种不寻常的电磁性能,例如负折射、相位全相片、超级透镜等。由于超材料超常的电磁性能是天然材料所不具备的,超材料应用前景十分广泛,可以用于隐身衣、超材料雷达天线、吸波材料、超材料通信天线等的制作。
超材料由大量的结构基元构成,每个结构基元的几何结构由一定的几何参数确定,通常每个结构基元的目标电磁响应值都不一样,因此超材料设计的工程量非常庞大。目前,超材料的设计方法主要以人工设计为主,即通过设计者的经验和直觉设计材料的几何参数,需要人为多次调整几何参数进行实验,需要耗费大量的人力和时间,效率极低。缺乏高效的超材料多目标设计方法严重束缚了设计出结构更多样、适用性更广的超材料。
发明内容
鉴于以上内容,有必要提出一种基于贝叶斯协同优化算法的超材料设计方法及相关设备,其可以实现超材料的快速设计。
本申请的第一方面提供一种基于贝叶斯协同优化算法的超材料设计方法,所述方法包括:
(d)根据所述均值集合e={e(x1),...,e(xn)}和所述对数方差集合v={v(x1),...,v(xn)},用两个独立的高斯过程模型分别对所述均值函数e(x)和所述对数方差函数v(x)建模,得到所述均值函数e(x)和所述对数方差函数v(x)的后验分布;
(e)根据所述均值函数e(x)和所述对数方差函数v(x)的后验分布,计算所述K个结构基元中未找到目标设计的剩余结构基元的平均得分函数 其中Zp为所述剩余结构基元对应的剩余目标电磁响应集合,为未找到目标设计的第k个结构基元在实验点x上的得分函数,1≤k≤K;
(g)判断是否找到所述K个结构基元的K个目标设计;
(i)判断是否存在目标k使得dk(x*)≤εk,其中dk(x*)=(e(x*)-zk)2+V(x*),如果存在则将新的几何参数x*作为所述K个结构基元的第k个目标设计,从Zp中移除目标电磁响应zk并返回(d),若不存在则直接返回(d);
(j)若找到所述K个结构基元的K个目标设计,则输出所述K个结构基元的K个目标设计。
另一种可能的实现方式中,所述K大于或等于103。
另一种可能的实现方式中,所述K个结构基元为“工”型结构、“T”型结构或环型结构。
另一种可能的实现方式中,所述n在整数区间[20,40]内取值。
另一种可能的实现方式中,满足如下条件的e(x)为一个高斯过程模型:给定实验点集合e={e(x1),...,e(xn)},则e~N(μ1,∑),其中1为所有元素为1的n维向量,μ为未知均值,∑为n×n的协方差矩阵,其(i,j)元素满足: φ=(φ1,...,φd)为未知参数,用高斯过程模型对所述均值函数e(x)建模包括:
利用贝叶斯公式计算e(x)的后验分布为正态分布:
另一种可能的实现方式中,所述未找到目标设计的第k个目标设计的得分函数根据下式计算:
本申请的第二方面提供一种基于贝叶斯协同优化算法的超材料设计装置,所述装置包括:
获取模块,用于获取超材料的工作频段K个结构基元的目标电磁响应集合Z={z1,...,zK}和误差阈值集合ε={ε1,...,εK},其中选择模块,用于选择所述K个结构基元的初始的实验点集合在所述初始的实验点集合上仿真产生电磁响应集合
建模模块,用于根据所述均值集合e={e(x1),...,e(xn)}和所述对数方差集合v={v(x1),...,v(xn)},用两个独立的高斯过程模型分别对所述均值函数e(x)和所述对数方差函数v(x)建模,得到所述均值函数e(x)和所述对数方差函数v(x)的后验分布;
第二计算模块,用于根据所述均值函数e(x)和所述对数方差函数v(x)的后验分布,计算所述K个结构基元中未找到目标设计的剩余结构基元的平均得分函数其中Zp为所述剩余结构基元对应的剩余目标电磁响应集合,为未找到目标设计的第k个结构基元在实验点x上的得分函数,1≤k≤K;
第三计算模块,用于通过最大化所述平均得分函数得到新的几何参数x*,x*=argmaxx∈ΩI(x),Ω为几何参数的取值范围,在x*上仿真产生电磁响应根据电磁响应计算x*对应的均值e(x*)和对数方差v(x*);
第一判断模块,用于判断是否找到所述K个结构基元的K个目标设计;
第二判断模块,用于判断是否存在目标k使得dk(x*)≤εk,其中dk(x*)=(e(x*)-zk)2+V(x*),如果存在则将新的几何参数x*作为所述K个结构基元的第k个目标设计,从Zp中移除目标电磁响应zk;
输出模块,用于若找到所述K个结构基元的K个目标设计,则输出所述K个结构基元的K个目标设计。
本申请的第三方面提供一种计算机设备,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述基于贝叶斯协同优化算法的超材料设计方法。
本申请的第四方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于贝叶斯协同优化算法的超材料设计方法。
与现有的超材料设计方法相比,本发明具有如下特点和优势:(1)解决了一个更复杂的超材料设计问题,即实现包含多个不同结构基元的几何参数设计;(2)将函数型的电磁响应数据用均值和方差表示,将无穷维函数转化为两个简单函数,实现了数据的高效降维,降维后的函数保留了原始数据的大量信息,为所有设计目标共有,形式更简单,并用统计模型对均值和方差进行联合建模;(3)提出贝叶斯协同优化算法,充分利用了不同设计目标间的相关性,减少了仿真实验的次数,从而节省计算资源和仿真时间,实现超材料的快速设计。
附图说明
图1为“工”型结构的结构基元的示意图。
图2是本发明实施例提供的基于贝叶斯协同优化算法的超材料设计方法的流程图。
图3是本发明实施例提供的基于贝叶斯协同优化算法的超材料设计装置的结构图。
图4是本发明实施例提供的计算机设备的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
优选地,本发明基于贝叶斯协同优化算法的超材料设计方法应用在一个或者多个计算机设备中。所述计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
超材料由多个(记为K个)不同的结构基元构成,例如由大于或等于103的结构基元构成。多个不同的结构基元构成整个超材料的平面,结构基元的个数越多,构成的超材料平面越大。在一实施例中,超材料平面为毫米量级。
每个结构基元具有一定的几何结构,例如“工”型结构、“T”型结构、环型结构或其他几何结构。结构基元的几何结构由结构基元的几何参数确定。结构基元的几何参数不同,则几何结构不同。例如,环型结构的结构基元可以包括内环半径和外环半径两个几何参数,“工”型结构的结构基元包括如图1所示的a,l,w1,和w2四个几何参数。
在一实施例中,结构基元的几何参数为毫米量级。
图1为“工”型结构的结构基元的示意图。
“工”型结构的结构基元包括a,l,w1,和w2四个几何参数,a,l,w1,和w2的物理意义参见图中所示。“工”型结构的结构基元的几何参数可以表示为x=(a,l,w1,w2)。
对于任意几何结构的结构基元,其几何参数可以表示为x=(x1,...,xd),其中d表示几何参数的个数,也称为x的维度。图1中“工”型结构的结构基元的几何参数的个数为4,即x的维度为4。
对特定的应用场景,超材料设计分成如下两步:
(1)System-level design(系统级设计):根据问题需求,通过变换光学求解出超材料的K个结构基元的目标电磁响应集合Z={z1,...,zK};
(2)Cell-level design(基元级设计):根据K个结构基元的目标电磁响应集合Z={z1,...,zK},求解出K个结构基元的目标设计集合X={X1,...,XK}(即K个目标设计)。
由于步骤(1)是光学的研究范畴,能够通过变换光学求解出来,本发明对该步骤不做讨论。本发明解决的问题为步骤(2)的求解,即在给定K个结构基元的目标电磁响应集合Z={z1,...,zK}的情况下,快速求解出K个结构基元的K个目标设计。本发明解决的是超材料的多目标设计问题。
实施例一
图2是本发明实施例一提供的超材料设计方法(即基于贝叶斯协同优化算法的超材料设计方法)的流程图。所述超材料设计方法应用于计算机设备。所述超材料设计方法根据构成超材料的多个结构基元的目标电磁响应,通过贝叶斯协同优化算法确定所述多个结构基元对应的几何参数。
如图2所示,所述超材料设计方法包括:
目标电磁响应集合Z中的目标电磁响应与误差阈值集合ε的误差阈值一一对应。
K个结构基元的目标电磁响应集合可以通过超材料的系统级设计获得,此处不再赘述。
在一实施例中,所述K大于或等于103。
在一实施例中,所述K个结构基元为“工”型结构、“T”型结构或环型结构。
在一实施例中,ε1,...,εK小于或等于10-4。
实验点集合中的每个实验点为一个结构基元对应的几何参数。例如,超材料由“工”型结构的结构基元构成,每个“工”型结构的结构基元包括a,l,w1,和w2四个几何参数,则实验点集合中的每个实验点为一个“工”型结构的结构基元的几何参数,即(a,l,w1,w2)。
在一实施例中,所述n在整数区间[20,40]内取值,例如取值为20。
几何参数x上的电磁响应rf(x)与第k个目标电磁响应zk的距离为:
dk(Xk)≤εk,1≤k≤K (2)
由于dk(x)是黑箱函数,因此公式(2)等价于优化如下黑箱函数:
本发明把超材料设计问题数学化,转化为黑箱函数的优化问题。
要找到满足公式(3)的K个目标设计,当K较大时,对每个目标解单独优化的方法并不适用,因此需要分析K个结构基元的共性成分。注意到K个结构基元对应相同的电磁响应函数但是一个无穷维的函数型响应,直接对处理仍较困难,因此定义:
其中E(x)和V(x)分别为rf(x)在频段F内的均值和方差。通过定义E(x)和V(x)两个函数,将无穷维的函数型响应转化为一个二维响应(E(x),V(x)),本发明实现了响应变量的高效降维,则公式(1)可变形为
dk(x)=(E(x)-zk)2+V(x) (6)
定义均值函数e(x)=E(x),对数方差函数v(x)=log V(x)。
例如,对于x1,计算得到均值e(x1)和对数方差v(x1):
204,根据所述均值集合e={e(x1),...,e(xn)}和所述对数方差集合v={v(x1),...,v(xn)},用两个独立的高斯过程模型分别对所述均值函数e(x)和所述对数方差函数v(x)建模,得到所述均值函数e(x)和所述对数方差函数v(x)的后验分布。
e(x)和v(x)采用相同的模型(即高斯过程模型)建模,二者建模的方法相同,只是用来建模的数据不同。下面以e(x)为例介绍用高斯过程模型建模的具体过程。
称满足如下条件的e(x)为一个高斯过程模型:给定n个数据点χ={x1,...,xn},e={e(x1),...,e(xn)},则
e~N(μ1,∑),
其中1为所有元素为1的n维向量,μ为未知均值,∑为n×n的协方差矩阵,其(i,j)元素满足:
利用贝叶斯公式可得e(x)的后验分布为正态分布:
正态分布的均值和方差具体表达式如下:
式(7)是均值函数e(x)的建模结果,式(8)是方差函数v(x)的建模结果。
205,根据所述均值函数e(x)和所述对数方差函数v(x)的后验分布,计算所述K个结构基元中未找到目标设计的剩余结构基元的平均得分函数 其中Zp为所述剩余结构基元对应的剩余目标电磁响应集合,为未找到目标设计的第k个结构基元在实验点x上的得分函数,1≤k≤K。
K个结构基元中未找到目标设计的剩余结构基元是指未求解得到几何参数(即目标设计)的结构基元。例如,超材料由1000个结构基元构成,已求解得到200个结构基元的几何参数,则剩余800个结构基元为剩余结构基元。
求解超材料的K个结构基元的K个目标设计的过程是一个迭代求解过程,当第一次迭代时,剩余结构基元的数量为K,每求解得到一个结构基元的目标设计,则剩余结构基元的数量减一。
由于贝叶斯优化算法通常只能处理单目标优化问题(K=1),为了解决多目标优化问题,本发明对传统的贝叶斯优化算法中的得分函数进行了改进。基于e(x)和v(x)的后验分布,定义剩余目标的平均得分函数为:
式(9)的I(x)利用了不同目标设计间的相关性,整合了所有剩余结构基元的信息。
206,通过最大化所述平均得分函数得到新的几何参数x*,x*=argmaxx∈ΩI(x),Ω为几何参数的取值范围,在x*上仿真产生电磁响应根据电磁响应计算x*对应的均值e(x*)和对数方差v(x*)。
可以用数值优化算法,例如牛顿迭代法、遗传算法最大化所述平均得分函数,得到新的几何参数x*。
Ω可以为任意的取值区间。
207,判断是否找到所述K个结构基元的K个目标设计。
可以理解,第一次迭代时,找到的目标设计的数量为零,每求解得到一个结构基元的目标设计,则找到的目标设计的数量加一。
209,判断是否存在目标k使得dk(x*)≤εk,其中dk(x*)=(e(x*)-zk)2+V(x*),如果存在则将新的几何参数x*作为所述K个结构基元的第k个目标设计,从Zp中移除目标电磁响应zk并返回204,若不存在则直接返回204。
判断是否存在目标k使得dk(x*)≤εk也就是判断新的几何参数x*是否为目标设计,若新的几何参数x*为目标设计则从Zp移除该目标设计对应的目标电磁响应。
例如,d5(x*)=(e(x*)-z5)2+V(x*),满足d5(x*)≤ε5,则将新的几何参数x*作为所述K个结构基元的第5个目标设计,从Zp中移除目标电磁响应z5并返回204。
由于v(x)=log V(x),对v(x*)进行指数运算可以得到V(x*),将e(x*)、V(x*)、zk代入(e(x*)-zk)2+V(x*)即可得到dk(x*)。
210,若找到所述K个结构基元的K个目标设计,则输出所述K个结构基元的K个目标设计。
每个结构基元对应一个目标设计。
例如,K为1000,即超材料由1000个结构基元构成,若找到该1000个结构基元的1000目标设计,则输出该1000个目标设计。
与现有的超材料设计方法相比,本发明具有如下特点和优势:(1)解决了一个更复杂的超材料设计问题,即实现包含多个不同结构基元的几何参数设计;(2)将函数型的电磁响应数据用均值和方差表示,将无穷维函数转化为两个简单函数,实现了数据的高效降维,降维后的函数保留了原始数据的大量信息,为所有设计目标共有,形式更简单,并用统计模型对均值和方差进行联合建模;(3)提出贝叶斯协同优化算法,充分利用了不同设计目标间的相关性,减少了仿真实验的次数,从而节省计算资源和仿真时间,实现超材料的快速设计。
实验证明,与使用遗传算法、贝叶斯独立优化算法等优化算法相比,本发明的超材料设计方法使用贝叶斯协同优化算法,将函数型电磁响应数据降维成均值和方差,并利用了不同目标间的相关性,平均实验次数更少,算法效率更高,能够快速找到所有目标设计,并且算法的稳定性更好。
实施例二
图3是本发明实施例二提供的超材料设计装置(即基于贝叶斯协同优化算法的超材料设计装置)的结构图。所述超材料设计装置30应用于计算机设备。所述超材料设计装置30根据构成超材料的多个结构基元的目标电磁响应,通过贝叶斯协同优化算法确定所述多个结构基元对应的几何参数。
如图3所示,所述超材料设计装置30可以包括获取模块301、选择模块302、第一计算模块303、建模模块304、第二计算模块305、第三计算模块306、第一判断模块307、加入模块308、第二判断模块309、输出模块310。
目标电磁响应集合Z中的目标电磁响应与误差阈值集合ε的误差阈值一一对应。
K个结构基元的目标电磁响应集合可以通过超材料的系统级设计获得,此处不再赘述。
在一实施例中,所述K大于或等于103。
在一实施例中,所述K个结构基元为“工”型结构、“T”型结构或环型结构。
在一实施例中,ε1,...,εK小于或等于10-4。
实验点集合中的每个实验点为一个结构基元对应的几何参数。例如,超材料由“工”型结构的结构基元构成,每个“工”型结构的结构基元包括a,l,w1,和w2四个几何参数,则实验点集合中的每个实验点为一个“工”型结构的结构基元的几何参数,即(a,l,w1,w2)。
在一实施例中,所述n在整数区间[20,40]内取值,例如取值为20。
几何参数x上的电磁响应rf(x)与第k个目标电磁响应zk的距离为:
dk(Xk)≤εk,1≤k≤K (2)
由于dk(x)是黑箱函数,因此公式(2)等价于优化如下黑箱函数:
本发明把超材料设计问题数学化,转化为黑箱函数的优化问题。
要找到满足公式(3)的K个目标设计,当K较大时,对每个目标解单独优化的方法并不适用,因此需要分析K个结构基元的共性成分。注意到K个结构基元对应相同的电磁响应函数但是一个无穷维的函数型响应,直接对处理仍较困难,因此定义:
其中E(x)和V(x)分别为rf(x)在频段内的均值和方差。通过定义E(x)和V(x)两个函数,将无穷维的函数型响应转化为一个二维响应(E(x),V(x)),本发明实现了响应变量的高效降维,则公式(1)可变形为
dk(x)=(E(x)-zk)2+V(x) (6)
定义均值函数e(x)=E(x),对数方差函数v(x)=log V(x)。
例如,对于x1,计算得到均值e(x1)和对数方差v(x1):
建模模块304,用于根据所述均值集合e={e(x1),...,e(xn)}和所述对数方差集合v={v(x1),...,v(xn)},用两个独立的高斯过程模型分别对所述均值函数e(x)和所述对数方差函数v(x)建模,得到所述均值函数e(x)和所述对数方差函数v(x)的后验分布。
e(x)和v(x)采用相同的模型(即高斯过程模型)建模,二者建模的方法相同,只是用来建模的数据不同。下面以e(x)为例介绍用高斯过程模型建模的具体过程。
e~N(μ1,∑),
其中1为所有元素为1的n维向量,μ为未知均值,∑为n×n的协方差矩阵,其(i,j)元素满足:
利用贝叶斯公式可得e(x)的后验分布为正态分布:
正态分布的均值和方差具体表达式如下:
式(7)是均值函数e(x)的建模结果,式(8)是对数方差函数v(x)的建模结果。
第二计算模块305,用于根据所述均值函数e(x)和所述对数方差函数v(x)的后验分布,计算所述K个结构基元中未找到目标设计的剩余结构基元的平均得分函数其中Zp为所述剩余结构基元对应的剩余目标电磁响应集合,为未找到目标设计的第k个结构基元在实验点x上的得分函数,1≤k≤K。
K个结构基元中未找到目标设计的剩余结构基元是指未求解得到几何参数(即目标设计)的结构基元。例如,超材料由1000个结构基元构成,已求解得到200个结构基元的几何参数,则剩余800个结构基元为剩余结构基元。
求解超材料的K个结构基元的K个目标设计的过程是一个迭代求解过程,当第一次迭代时,剩余结构基元的数量为K,每求解得到一个结构基元的目标设计,则剩余结构基元的数量减一。
由于贝叶斯优化算法通常只能处理单目标优化问题(K=1),为了解决多目标优化问题,本发明对传统的贝叶斯优化算法中的得分函数进行了改进。基于e(x)和v(x)的后验分布,定义剩余目标的平均得分函数为:
式(9)的I(x)利用了不同目标设计间的相关性,整合了所有剩余结构基元的信息。
第三计算模块306,用于通过最大化所述平均得分函数得到新的几何参数x*,x*=argmaxx∈ΩI(x),Ω为几何参数的取值范围,在x*上仿真产生电磁响应根据电磁响应计算x*对应的均值e(x*)和对数方差v(x*)。
可以用数值优化算法,例如牛顿迭代法、遗传算法最大化所述平均得分函数,得到新的几何参数x*。
Ω可以为任意的取值区间。
第一判断模块307,用于判断是否找到所述K个结构基元的K个目标设计。
可以理解,第一次迭代时,找到的目标设计的数量为零,每求解得到一个结构基元的目标设计,则找到的目标设计的数量加一。
第二判断模块309,用于判断是否存在目标k使得dk(x*)≤εk,其中dk(x*)=(e(x*)-zk)2+V(x*),如果存在则将新的几何参数x*作为所述K个结构基元的第k个目标设计,从Zp中移除目标电磁响应zk。
判断是否存在目标k使得dk(x*)≤εk也就是判断新的几何参数x*是否为目标设计,若新的几何参数x*为目标设计则从Zp移除该目标设计对应的目标电磁响应。
例如,d5(x*)=(e(x*)-z5)2+V(x*),满足d5(x*)≤ε5,则将新的几何参数x*作为所述K个结构基元的第5个目标设计,从Zp中移除目标电磁响应z5。
由于v(x)=log V(x),对v(x*)进行指数运算可以得到V(x*),将e(x*)、V(x*)、zk代入(e(x*)-zk)2+V(x*)即可得到dk(x*)。
输出模块310,用于若找到所述K个结构基元的K个目标设计,则输出所述K个结构基元的K个目标设计。
每个结构基元对应一个目标设计。
例如,K为1000,即超材料由1000个结构基元构成,若找到该1000个结构基元的1000目标设计,则输出该1000个目标设计。
与现有的超材料设计方法相比,所述超材料设计装置30具有如下特点和优势:(1)解决了一个更复杂的超材料设计问题,即实现包含多个不同结构基元的几何参数设计;(2)将函数型的电磁响应数据用均值和方差表示,将无穷维函数转化为两个简单函数,实现了数据的高效降维,降维后的函数保留了原始数据的大量信息,为所有设计目标共有,形式更简单,并用统计模型对均值和方差进行联合建模;(3)提出贝叶斯协同优化算法,充分利用了不同设计目标间的相关性,减少了仿真实验的次数,从而节省计算资源和仿真时间,实现超材料的快速设计。
实施例三
本实施例提供一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述基于贝叶斯协同优化算法的超材料设计方法实施例中的步骤,例如图2所示的201-210。或者,该计算机程序被处理器执行时实现上述装置实施例中各模块的功能,例如图3中的模块301-310。
实施例四
图4为本发明实施例提供的计算机设备的示意图。所述计算机设备40包括存储器401、处理器402以及存储在所述存储器401中并可在所述处理器402上运行的计算机程序403,例如超材料设计程序。所述处理器402执行所述计算机程序403时实现上述基于贝叶斯协同优化算法的超材料设计方法实施例中的步骤,例如图2所示的201-210。或者,该计算机程序被处理器执行时实现上述装置实施例中各模块的功能,例如图3中的模块301-310。
示例性的,所述计算机程序403可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器401中,并由所述处理器402执行,以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序403在所述计算机设备40中的执行过程。
所述计算机设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图4仅仅是计算机设备40的示例,并不构成对计算机设备40的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机设备40还可以包括输入输出设备、网络接入设备、总线等。
所称处理器402可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器402也可以是任何常规的处理器等,所述处理器402是所述计算机设备40的控制中心,利用各种接口和线路连接整个计算机设备40的各个部分。
所述存储器401可用于存储所述计算机程序403,所述处理器402通过运行或执行存储在所述存储器401内的计算机程序或模块,以及调用存储在存储器401内的数据,实现所述计算机设备40的各种功能。所述存储器401可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备40的使用所创建的数据。此外,存储器401可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机设备40集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于贝叶斯协同优化算法的超材料设计方法,其特征在于,所述方法包括:
(c)定义均值函数和对数方差函数v(x)=log V(x),其中根据所述电磁响应集合 计算所述实验点集合对应的均值集合e={e(x1),…,e(xn)}和对数方差集合v={v(x1),…,v(xn)};
(d)根据所述均值集合e={e(x1),…,e(xn)}和所述对数方差集合v={v(x1),…,v(xn)},用两个独立的高斯过程模型分别对所述均值函数e(x)和所述对数方差函数v(x)建模,得到所述均值函数e(x)和所述对数方差函数v(x)的后验分布;
(e)根据所述均值函数e(x)和所述对数方差函数v(x)的后验分布,计算所述K个结构基元中未找到目标设计的剩余结构基元的平均得分函数 其中Zp为所述剩余结构基元对应的剩余目标电磁响应集合,为未找到目标设计的第k个结构基元在实验点x上的得分函数,1≤k≤K;
(g)判断是否找到所述K个结构基元的K个目标设计;
(i)判断是否存在目标k使得dk(x*)≤εk,其中dk(x*)=(e(x*)-zk)2+V(x*),εk是目标k的误差阈值,如果存在则将新的几何参数x*作为所述K个结构基元的第k个目标设计,从Zp中移除目标电磁响应zk并返回(d),若不存在则直接返回(d);
(j)若找到所述K个结构基元的K个目标设计,则输出所述K个结构基元的K个目标设计。
2.如权利要求1所述的基于贝叶斯协同优化算法的超材料设计方法,其特征在于,所述K大于或等于103。
4.如权利要求1所述的基于贝叶斯协同优化算法的超材料设计方法,其特征在于,所述K个结构基元为“工”型结构、“T”型结构或环型结构。
5.如权利要求1所述的基于贝叶斯协同优化算法的超材料设计方法,其特征在于,所述n在整数区间[20,40]内取值。
8.一种基于贝叶斯协同优化算法的超材料设计装置,其特征在于,所述装置包括:
第一计算模块,用于定义均值函数和对数方差函数v(x)=log V(x),其中根据所述电磁响应集合计算所述实验点集合对应的均值集合e={e(x1),…,e(xn)}和对数方差集合v={v(x1),…,v(xn)};
建模模块,用于根据所述均值集合e={e(x1),…,e(xn)}和所述对数方差集合v={v(x1),…,v(xn)},用两个独立的高斯过程模型分别对所述均值函数e(x)和所述对数方差函数v(x)建模,得到所述均值函数e(x)和所述对数方差函数v(x)的后验分布;
第二计算模块,用于根据所述均值函数e(x)和所述对数方差函数v(x)的后验分布,计算所述K个结构基元中未找到目标设计的剩余结构基元的平均得分函数其中Zp为所述剩余结构基元对应的剩余目标电磁响应集合,为未找到目标设计的第k个结构基元在实验点x上的得分函数,1≤k≤K;
第三计算模块,用于通过最大化所述平均得分函数得到新的几何参数x*,x*=argmaxx∈ΩI(x),Ω为几何参数的取值范围,在x*上仿真产生电磁响应根据电磁响应计算x*对应的均值e(x*)和对数方差v(x*);
第一判断模块,用于判断是否找到所述K个结构基元的K个目标设计;
第二判断模块,用于判断是否存在目标k使得dk(x*)≤εk,其中dk(x*)=(e(x*)-zk)2+V(x*),εk是目标k的误差阈值,如果存在则将新的几何参数x*作为所述K个结构基元的第k个目标设计,从Zp中移除目标电磁响应zk;
输出模块,用于若找到所述K个结构基元的K个目标设计,则输出所述K个结构基元的K个目标设计。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任一项所述的基于贝叶斯协同优化算法的超材料设计方法。
10.一种计算机存储介质,所述存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于贝叶斯协同优化算法的超材料设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387625.3A CN111581825B (zh) | 2020-05-09 | 2020-05-09 | 基于贝叶斯协同优化算法的超材料设计方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387625.3A CN111581825B (zh) | 2020-05-09 | 2020-05-09 | 基于贝叶斯协同优化算法的超材料设计方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581825A CN111581825A (zh) | 2020-08-25 |
CN111581825B true CN111581825B (zh) | 2022-03-29 |
Family
ID=72117130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387625.3A Active CN111581825B (zh) | 2020-05-09 | 2020-05-09 | 基于贝叶斯协同优化算法的超材料设计方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581825B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136390B (zh) * | 2011-11-28 | 2015-12-16 | 深圳光启高等理工研究院 | 一种超材料单元结构的参数优化方法及装置 |
CN105468838B (zh) * | 2012-04-17 | 2018-07-20 | 深圳光启高等理工研究院 | 获得人工电磁材料的几何参数的方法、装置以及制作方法 |
US20180095936A1 (en) * | 2016-10-05 | 2018-04-05 | Board Of Regents, The University Of Texas System | Optimizing a manufacturing or fabrication process using an integrated bayesian statistics and continuum model approach |
CN107704673B (zh) * | 2017-09-26 | 2021-01-15 | 中国人民解放军空军工程大学 | 宽带编码超材料快速设计方法 |
CN113168891A (zh) * | 2018-09-14 | 2021-07-23 | 西北大学 | 用于材料系统的设计优化和/或性能预测的数据驱动的表示和聚类离散化方法及系统及其应用 |
-
2020
- 2020-05-09 CN CN202010387625.3A patent/CN111581825B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111581825A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | An improved loop subdivision to coordinate the smoothness and the number of faces via multi-objective optimization | |
Østergård et al. | A comparison of six metamodeling techniques applied to building performance simulations | |
Gálvez et al. | A new iterative mutually coupled hybrid GA–PSO approach for curve fitting in manufacturing | |
Kang et al. | A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence | |
Bostanabad et al. | Globally approximate gaussian processes for big data with application to data-driven metamaterials design | |
Parvin et al. | A clustering ensemble framework based on elite selection of weighted clusters | |
Li et al. | A novel complex network community detection approach using discrete particle swarm optimization with particle diversity and mutation | |
Sharpe et al. | Topology design with conditional generative adversarial networks | |
Yu et al. | Zinb-based graph embedding autoencoder for single-cell rna-seq interpretations | |
Jiang et al. | Machine learning based parameter tuning strategy for MMC based topology optimization | |
CN111460665B (zh) | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 | |
Couckuyt | Forward and inverse surrogate modeling of computationally expensive problems | |
Masud et al. | Generate pairwise constraints from unlabeled data for semi-supervised clustering | |
Heyrani Nobari et al. | Range-GAN: Range-constrained generative adversarial network for conditioned design synthesis | |
CN117454495B (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
Salinas-Gutiérrez et al. | D-vine EDA: a new estimation of distribution algorithm based on regular vines | |
CN111581825B (zh) | 基于贝叶斯协同优化算法的超材料设计方法及相关设备 | |
CN111581826B (zh) | 基于贝叶斯联合建模优化算法的超材料设计方法及设备 | |
CN115035017A (zh) | 细胞密度分群方法、装置、电子设备及存储介质 | |
JP5909943B2 (ja) | 情報処理装置、推定機生成方法、及びプログラム | |
Sharpe et al. | Bayesian network structure optimization for improved design space mapping for design exploration with materials design applications | |
CN116721327A (zh) | 一种基于泛化界的神经网络架构搜索方法 | |
CN115330971A (zh) | 一种面向渲染性能优化的几何模型轻量化方法 | |
Badami et al. | An enriched game-theoretic framework for multi-objective clustering | |
Chen et al. | Clustering algorithm of density difference optimized by mixed teaching and learning |
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 |