CN117521564B - 一种面向微波电路的优化设计方法和系统 - Google Patents
一种面向微波电路的优化设计方法和系统 Download PDFInfo
- Publication number
- CN117521564B CN117521564B CN202410009277.4A CN202410009277A CN117521564B CN 117521564 B CN117521564 B CN 117521564B CN 202410009277 A CN202410009277 A CN 202410009277A CN 117521564 B CN117521564 B CN 117521564B
- Authority
- CN
- China
- Prior art keywords
- value
- microwave circuit
- design parameters
- actual
- bandwidth
- 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
- 238000013461 design Methods 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003044 adaptive effect Effects 0.000 claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 38
- 230000002068 genetic effect Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Genetics & Genomics (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种面向微波电路的优化设计方法和系统，涉及微波电路优化领域。该面向微波电路的优化设计方法，通过获取微波电路理想性能指标，所述微波电路理想性能指标包括理想增益值、理想噪声系数值、理想带宽值；使用自主生成算法生成多组微波电路初始设计参数，并基于电磁仿真获得每组微波电路初始设计参数的实际性能指标，所述实际性能指标包括实际增益值、实际噪声系数值、实际带宽值，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值，本发明通过遗传算法等优化技术，使微波电路的性能逐步接近或满足理想性能指标，通过不断生成新的设计参数组合，筛选出性能更好的参数，以实现性能的优化和提高微波电路的整体性能。
Description
技术领域
本发明涉及微波电路优化领域，具体为一种面向微波电路的优化设计方法和系统。
背景技术
微波电路是一种广泛用于通信、雷达、无线电等领域的电子组件，其性能指标包括增益、噪声系数和带宽等，对于不同应用场景要求不同的性能参数，在传统的微波电路设计过程中，工程师通常需要手动调整设计参数，并通过一些仿真工具来评估性能，这个过程通常是耗时且需要大量试错，因为微波电路的性能与设计参数之间的关系复杂，难以准确预测。
现有技术中，传统微波电路的优化设计方法通常需要大量的时间去调整设计参数，尤其在需要满足多种性能指标的情况下，由于反复尝试不同参数组合，从而导致设计周期延长，并且大量试错和不确定性可能导致原材料和生产成本的浪费。
发明内容
针对现有技术的不足，本发明提供了一种面向微波电路的优化设计方法和系统，解决了传统微波电路的优化设计方法通常需要大量的时间去调整设计参数，尤其在需要满足多种性能指标的情况下，由于反复尝试不同参数组合，从而导致设计周期延长，并且大量试错和不确定性可能导致原材料和生产成本的浪费的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种面向微波电路的优化设计方法，包括以下步骤：获取微波电路理想性能指标，所述微波电路理想性能指标包括理想增益值、理想噪声系数值、理想带宽值；使用自主生成算法生成多组微波电路初始设计参数，并基于电磁仿真获得每组微波电路初始设计参数的实际性能指标，所述实际性能指标包括实际增益值、实际噪声系数值、实际带宽值；读取每组微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值；基于各组微波电路初始设计参数的适应值计算得到适应均值，并将适应均值与各组微波电路初始设计参数的适应值进行比较，将适应值小于或等于适应均值的微波电路初始设计参数作为初始种群；对初始种群采用遗传算法进行优化计算，获得多组微波电路适应设计参数计算微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每个适应设计参数的适应值，直至得到符合微波电路理想性能指标的微波电路的最优设计参数。
进一步地，读取每组微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值的具体步骤如下：读取每组微波电路初始设计参数的实际增益值、实际噪声系数值和实际带宽值；将实际增益值和实际带宽值都转化为与实际噪声系数值单位相同的分贝尺度，获得转化后的实际增益值和转化后的实际带宽值；读取转化后的实际增益值、转化后的实际带宽值与实际噪声系数值，并基于微波电路理想性能指标进行加权计算，得到每组微波电路初始设计参数的适应值，其计算公式如下：
,其中，/>为第/>组微波电路初始设计参数的适应值，/>为第/>组微波电路初始设计参数的转化后的实际增益值，/>为理想增益值，/>为第/>组微波电路初始设计参数的实际噪声系数值，/>为理想噪声系数值，/>为第/>组微波电路初始设计参数的转化后的实际带宽值，/>为理想带宽值，/>，/>，/>分别是转化后的实际增益值、实际噪声系数值、转化后的实际带宽值的权重，/>是适应调制因子。
进一步地，转化后的实际增益值将实际增益值转化为与实际噪声系数值单位相同的分贝尺度的计算公式获得方法为：，其中，为微波电路初始设计参数的实际增益值，e为自然常数，/>是增益调制因子。
进一步地，转化后的实际带宽值的获得方法为：，其中，e为自然常数，/>为微波电路初始设计参数的实际带宽值，/>为实际带宽值的中心频率值，/>是带宽调制因子。
进一步地，实际带宽值的中心频率值的获取步骤如下：基于微波电路初始设计参数构建的虚拟微波电路；采用频谱分析工具观察虚拟微波电路输出信号的频谱图，获得带宽上限频率值，带宽下限频率值；基于带宽上限频率值，带宽下限频率值采用加权平均法计算得到带宽中心频率值，其计算方法为：/>，其中，/>为带宽上限频率值，/>为带宽下限频率值，/>和/>分别是为带宽上限频率值和带宽下限频率值/>分配的权重，/>是中心频率调制因子。
进一步地，基于各组微波电路初始设计参数的适应值计算得到适应均值的具体步骤如下：读取各组微波电路初始设计参数的适应值并进行预处理；基于预处理之后的各组微波电路初始设计参数的适应值计算得到适应均值，其计算公式如下：，其中，/>为适应均值，/>为微波电路初始设计参数的组数，e为自然常数，/>为适应修正因子。
进一步地，读取各组微波电路初始设计参数的适应值并进行预处理，所述预处理包括：基于各组微波电路初始设计参数的适应值剔除其中的问题值，并已经剔除的微波电路初始设计参数的适应值进行插值操作补全。
进一步地，对初始种群采用遗传算法进行优化计算，包括：对初始种群中的微波电路初始设计参数进行交叉操作，将初始种群中的各组微波电路初始设计参数进行分割，并互相交换部分参数，以获得多组新微波电路设计参数。
进一步地，在获得多组新微波电路设计参数后，采用伪随机数生成器生成一个随机变异值，并将其应用到多组新微波电路设计参数中，以获得多组微波电路适应设计参数。
一种用于面向微波电路的优化设计方法的系统，包括：性能指标获取模块、初始参数生成模块、适应值计算模块、初始种群筛选模块、遗传算法优化模块和性能评估模块；所述性能指标获取模块用于获取微波电路理想性能指标；所述初始参数生成模块用于通过自主生成算法生成多组微波电路初始设计参数，并使用电磁仿真工具计算每组微波电路初始设计参数的实际性能指标；所述适应值计算模块用于根据实际性能指标和微波电路理想性能指标，计算每组微波电路初始设计参数的适应值；所述初始种群筛选模块用于根据适应值筛分初始种群，以便后续遗传算法的优化计算；所述遗传算法优化模块用于对初始种群中的微波电路初始设计参数进行遗传算法的优化计算，通过交叉和变异操作生成多组微波电路适应设计参数，以寻找最优的设计参数；所述性能评估模块用于对遗传算法生成的多组微波电路适应设计参数进行性能评估，以确定是否满足微波电路理想性能指标。
本发明具有以下有益效果：
（1）、该一种面向微波电路的优化设计方法和系统，通过遗传算法等优化技术，使微波电路的性能逐步接近或满足理想性能指标，通过不断生成新的设计参数组合，筛选出性能更好的参数，以实现性能的优化和提高微波电路的整体性能。
（2）、该一种面向微波电路的优化设计方法和系统，该方法引入了自主生成算法和遗传算法，实现了微波电路设计的自动化过程，设计参数的生成、筛选和性能评估都在计算机系统中完成，减少了人工干预，提高了设计效率。
（3）、该一种面向微波电路的优化设计方法和系统，通过遗传算法中的交叉和随机变异操作，系统引入了设计参数的多样性，有助于摆脱局部最优解，进行更广泛的设计空间探索，以找到全局性能优化的可能性。这提高了微波电路设计的灵活性。
（4）、该一种面向微波电路的优化设计方法和系统，通过剔除问题值、插值操作和综合性能度量，确保了性能评估的准确性和可靠性，减少了不准确数据对设计决策的影响，这有助于更精确地了解和分析微波电路的性能，减少了资源浪费。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明一种面向微波电路的优化设计方法流程图。
图2为本发明一种面向微波电路的优化设计方法中计算每组微波电路初始设计参数的适应值的具体步骤流程图。
图3为本发明一种面向微波电路的优化设计方法中实际带宽值的中心频率值的获取步骤流程图。
图4为本发明一种面向微波电路的优化设计方法中计算得到适应均值的具体步骤流程图。
图5为本发明一种用于面向微波电路的优化设计方法的系统框图。
具体实施方式
本申请实施例通过一种面向微波电路的优化设计方法和系统，实现了解决的问题。
本申请实施例中的问题，总体思路如下：
通过获取微波电路的理想性能指标，包括增益、噪声系数和带宽，利用自主生成算法生成多组微波电路的初始设计参数，使用电磁仿真工具计算每组参数的实际性能指标，实际性能指标包括实际增益、实际噪声系数和实际带宽，将每组设计参数的实际性能指标与理想性能指标进行比较，计算适应值，以评估每组参数的匹配程度，将适应值小于或等于适应均值的参数选为初始种群，采用遗传算法进行优化，反复迭代，逐渐改进设计参数，直到获得最佳设计参数，以满足微波电路的理想性能指标，通过整合自主生成算法和遗传算法，提高了方法设计的效率，降低了资源浪费，解决了不确定性问题，更好地满足不同应用需求的微波电路设计。
请参阅图1，本发明实施例提供一种技术方案：一种面向微波电路的优化设计方法，包括以下步骤：获取微波电路理想性能指标，微波电路理想性能指标包括理想增益值、理想噪声系数值、理想带宽值；使用自主生成算法生成多组微波电路初始设计参数，并基于电磁仿真获得每组微波电路初始设计参数的实际性能指标，实际性能指标包括实际增益值、实际噪声系数值、实际带宽值；读取每组微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值；基于各组微波电路初始设计参数的适应值计算得到适应均值，并将适应均值与各组微波电路初始设计参数的适应值进行比较，将适应值小于或等于适应均值的微波电路初始设计参数作为初始种群；对初始种群采用遗传算法进行优化计算，获得多组微波电路适应设计参数计算微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每个适应设计参数的适应值，直至得到符合微波电路理想性能指标的微波电路的最优设计参数。
具体地，如图2所示，读取每组微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值的具体步骤如下：读取每组微波电路初始设计参数的实际增益值、实际噪声系数值、实际带宽值；将实际增益值和实际带宽值都转化为与实际噪声系数值单位相同的分贝尺度，获得转化后的实际增益值和转化后的实际带宽值；读取转化后的实际增益值、转化后的实际带宽值与实际噪声系数值，并基于微波电路理想性能指标进行加权计算，得到每组微波电路初始设计参数的适应值，其计算公式如下：
,其中，/>为第/>组微波电路初始设计参数的适应值，/>为第/>组微波电路初始设计参数的转化后的实际增益值，/>为理想增益值，/>为第/>组微波电路初始设计参数的实际噪声系数值，/>为理想噪声系数值，/>为第/>组微波电路初始设计参数的转化后的实际带宽值，/>为理想带宽值，/>，/>，/>分别是转化后的实际增益值、实际噪声系数值、转化后的实际带宽值的权重，/>是适应调制因子。
本实施方案中，该步骤之前，系统通过定义每个设计参数的取值范围和限制条件，其中包括电感、电容、传输线长度等参数，然后系统使用随机数生成器，在这些限制条件内随机生成多组初始参数值，生成的初始参数值将用于配置微波电路，通过电磁仿真工具，系统会对每组参数进行仿真，以获取实际性能指标，将实际增益和带宽值转化为与噪声系数值相同的分贝尺度，有助于将不同性能参数放在相同的评估框架内，简化了性能指标的比较和加权，通过分配不同参数的权重，可以根据应用需求和性能的相对重要性来调整设计的重点，这允许更灵活地满足特定应用的性能需求，引入适应调制因子使适应值的计算更加灵活，可以根据实际情况对性能参数进行进一步的调整，以更好地满足设计要求，通过这一计算方法，从而能够更全面地评估每组设计参数，更精确地了解其与理想性能的匹配程度，进而更好地指导微波电路设计的优化。
具体地，将实际增益值转化为与实际噪声系数值单位相同的分贝尺度的计算公式为：，其中，/>为微波电路初始设计参数的实际增益值，e为自然常数，/>是增益调制因子。
本实施方案中，该公式通过将实际增益值和实际噪声系数值都统一到分贝尺度，消除了性能参数之间的单位不一致性，在传统设计中，不同性能参数通常具有不同的度量单位，这给性能比较和综合评估带来了挑战，而采用分贝尺度后，性能参数都以相同的度量方式表示，从而更容易比较它们之间的差异，使工程师更容易理解和分析微波电路的性能，从而提高了设计的可比性和可理解性，并且引入增益调制因子使性能参数的尺度更具弹性，可以更好地反映实际设计需求，不同应用场景可能对不同性能参数有不同的重要性，有些可能更看重增益，而其他应用可能更侧重于噪声系数，通过调整增益调制因子，从而能够更精确地权衡和满足不同的性能要求，这增加了设计的灵活性，有助于微波电路更好地适应多样化的技术问题和应用需求。
具体地，将实际带宽值转化为与实际噪声系数值单位相同的分贝尺度的计算公式为：，其中，e为自然常数，/>为微波电路初始设计参数的实际带宽值，/>为实际带宽值的中心频率值，/>是带宽调制因子。
本实施方案中，该公式将实际带宽值与中心频率值结合在分贝尺度下进行度量，这种统一性简化了不同性能参数的比较和评估，消除了度量单位不一致性可能引起的混淆，从而更容易地将带宽性能与其他性能参数进行对比，提高了设计的可比性和可理解性，并且带宽调制因子的引入增加了设计的灵活性，不同的应用可能对带宽有不同的需求，通过调整带宽调制因子，设计师可以更好地满足不同应用的性能要求，这种灵活性使微波电路设计更具定制性，有助于解决各种技术问题和应用需求。
具体地，如图3所示，实际带宽值的中心频率值的获取步骤如下：基于微波电路初始设计参数构建的虚拟微波电路；采用频谱分析工具观察虚拟微波电路输出信号的频谱图，获得带宽上限频率值，带宽下限频率值；基于带宽上限频率值，带宽下限频率值采用加权平均法计算得到带宽中心频率值，其计算方法为：，其中，/>为带宽上限频率值，/>为带宽下限频率值，/>和/>分别是为带宽上限频率值/>和带宽下限频率值/>分配的权重，/>是中心频率调制因子。
本实施方案中，该步骤能够获取实际带宽的精确中心频率，从而提高了微波电路设计的准确性和可信度，通过构建虚拟微波电路并采用频谱分析工具，从而能够准确地观察电路输出信号的频谱图，进而明确定义带宽的上限和下限频率值，这消除了模糊性和不确定性，有助于更全面地了解电路的性能，通过采用加权平均法计算带宽中心频率值，为设计参数提供了更大的灵活性，过分配不同频率值的权重，可以根据具体性能需求和应用场景来调整带宽中心频率，使其更好地适应不同的技术问题和应用需求，这种灵活性有助于优化微波电路的设计，以满足各种应用对带宽中心频率的特定要求。
具体地，如图4所示，基于各组微波电路初始设计参数的适应值计算得到适应均值的具体步骤如下：读取各组微波电路初始设计参数的适应值并进行预处理；基于预处理之后的各组微波电路初始设计参数的适应值计算得到适应均值，其计算公式如下：，其中，/>为适应均值，/>为微波电路初始设计参数的组数，e为自然常数，/>为适应修正因子。
本实施方案中，该步骤通过读取各组微波电路初始设计参数的适应值并进行预处理，提高了适应值数据的质量和准确性，从而能够更准确地反映每组设计参数的性能表现，增加了设计参数评估的可信度，并且适应均值的计算整合了各组设计参数性能，提供了综合性能度量，通过计算适应均值，设计师可以获得不同参数配置性能的整体评估，有助于更全面地了解性能表现，此外，适应修正因子的引入增加了计算的灵活性，可以根据具体需求进一步调整适应均值的计算方式，这种灵活性有助于更好地满足不同应用和性能需求，使该方法适用于各种技术问题和应用场景。
具体地，读取各组微波电路初始设计参数的适应值并进行预处理，预处理包括：基于各组微波电路初始设计参数的适应值剔除其中的问题值，并已经剔除的微波电路初始设计参数的适应值进行插值操作补全。
本实施方案中，通过剔除问题值，预处理阶段提高了数据质量，问题值可能是由于测量误差、噪声或其他因素引起的，它们可能会导致不准确的性能评估，通过去除这些问题值，确保了评估的可信度和准确性，插值操作补全缺失的适应值，确保了数据的完整性，在某些情况下，由于技术限制或其他原因，可能无法获取完整的适应值数据，通过插值，可以填充缺失的数据，使其具有更全面的性能评估，预处理增加了数据的稳健性，在面对数据缺失或问题值时，系统可以更好地应对，不至于因为数据质量的问题而导致不准确的设计决策，通过可信度更高的数据可以减少不必要的设计试验和错误，从而提高设计效率。
具体地，对初始种群采用遗传算法进行优化计算，包括：对初始种群中的微波电路初始设计参数进行交叉操作，将初始种群中的各组微波电路初始设计参数进行分割，并互相交换部分参数，以获得多组新微波电路设计参数。
本实施方案中，通过交叉操作，初始种群中的微波电路初始设计参数被分割并互相交换部分参数，产生了多组新的设计参数，这增加了设计参数的多样性，有助于探索不同的设计空间，找到更多潜在的性能优化路径，交叉操作有助于摆脱局部优化的限制，在微波电路设计中，有时候设计参数可能陷入局部最优解，难以进一步改进性能，通过引入新的设计参数组合，交叉操作能够推动设计走出局部最优解，寻找全局性能改进的可能性，遗传算法中的交叉操作有望将不同设计参数的有利特性结合在一起，从而生成性能更好的微波电路设计，这有助于提高电路的整体性能，使其更好地满足性能指标和技术问题的要求，采用遗传算法进行交叉操作，实现了自动化的优化过程，从而加快了设计周期，进而提高了设计效率。
具体地，在获得多组新微波电路设计参数后，采用伪随机数生成器生成一个随机变异值，并将其应用到多组新微波电路设计参数中，以获得多组微波电路适应设计参数。
本实施方案中，引入随机变异值有助于增加设计参数的多样性，通过在多组新设计参数中引入随机性，可以探索更广泛的设计空间，找到可能的性能优化路径，从而增加了多样性，随机变异值的引入有助于防止设计参数陷入局部最优解，在微波电路设计中，有时设计参数可能会趋向局部最优，难以进一步改进性能，通过随机性的引入，可以在设计空间中进行更大范围的探索，有助于避免陷入局部最优解，找到全局性能改进的可能性，伪随机数生成器生成的随机变异值可以根据设计问题的特点自适应地改变，这使得设计更具灵活性，同时有助于应对不同的性能需求和技术问题，随机性的引入有助于进行全局搜索，以找到更好的性能优化路径，这对于寻找最佳设计参数组合以满足性能指标和技术问题的需求非常重要。
请参阅图5，一种用于面向微波电路的优化设计方法的系统，包括：性能指标获取模块、初始参数生成模块、适应值计算模块、初始种群筛选模块、遗传算法优化模块和性能评估模块；性能指标获取模块用于获取微波电路理想性能指标；初始参数生成模块用于通过自主生成算法生成多组微波电路初始设计参数，并使用电磁仿真工具计算每组微波电路初始设计参数的实际性能指标；适应值计算模块用于根据实际性能指标和微波电路理想性能指标，计算每组微波电路初始设计参数的适应值；初始种群筛选模块用于根据适应值筛分初始种群，以便后续遗传算法的优化计算；遗传算法优化模块用于对初始种群中的微波电路初始设计参数进行遗传算法的优化计算，通过交叉和变异操作生成多组微波电路适应设计参数，以寻找最优的设计参数；性能评估模块用于对遗传算法生成的多组微波电路适应设计参数进行性能评估，以确定是否满足微波电路理想性能指标。
综上，本申请至少具有以下效果：
通过遗传算法等优化技术，使微波电路的性能逐步接近或满足理想性能指标，通过不断生成新的设计参数组合，筛选出性能更好的参数，以实现性能的优化和提高微波电路的整体性能。
该方法引入了自主生成算法和遗传算法，实现了微波电路设计的自动化过程，设计参数的生成、筛选和性能评估都在计算机系统中完成，减少了人工干预，提高了设计效率。
通过遗传算法中的交叉和随机变异操作，系统引入了设计参数的多样性，有助于摆脱局部最优解，进行更广泛的设计空间探索，以找到全局性能优化的可能性。这提高了微波电路设计的灵活性。
通过剔除问题值、插值操作和综合性能度量，确保了性能评估的准确性和可靠性，减少了不准确数据对设计决策的影响，这有助于更精确地了解和分析微波电路的性能，减少了资源浪费。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种面向微波电路的优化设计方法，其特征在于，包括以下步骤：
获取微波电路理想性能指标，所述微波电路理想性能指标包括理想增益值、理想噪声系数值和理想带宽值；
使用自主生成算法生成多组微波电路初始设计参数，并基于电磁仿真获得每组微波电路初始设计参数的实际性能指标，所述实际性能指标包括实际增益值、实际噪声系数值和实际带宽值；
读取每组微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值；具体包括：
读取每组微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值的具体步骤如下：
读取每组微波电路初始设计参数的实际增益值、实际噪声系数值和实际带宽值；
将实际增益值和实际带宽值都转化为与实际噪声系数值单位相同的分贝尺度，获得转化后的实际增益值和转化后的实际带宽值；
读取转化后的实际增益值、转化后的实际带宽值与实际噪声系数值，并基于微波电路理想性能指标进行加权计算，得到每组微波电路初始设计参数的适应值，其计算方法为：
；
其中，为第/>组微波电路初始设计参数的适应值，/>为第/>组微波电路初始设计参数的转化后的实际增益值，/>为理想增益值，/>为第/>组微波电路初始设计参数的实际噪声系数值，/>为理想噪声系数值，/>为第/>组微波电路初始设计参数的转化后的实际带宽值，/>为理想带宽值，/>，/>，/>分别是转化后的实际增益值、实际噪声系数值、转化后的实际带宽值的权重，/>是适应调制因子；
转化后的实际增益值的获得方法为：
；
其中，为微波电路初始设计参数的实际增益值，e为自然常数，/>是增益调制因子；
转化后的实际带宽值的获得方法为：
；
其中，e为自然常数，为微波电路初始设计参数的实际带宽值，/>为实际带宽值的中心频率值，/>是带宽调制因子；
实际带宽值的中心频率值的获取步骤如下：
基于微波电路初始设计参数构建的虚拟微波电路；
采用频谱分析工具观察虚拟微波电路输出信号的频谱图，获得带宽上限频率值，带宽下限频率值；
基于带宽上限频率值，带宽下限频率值采用加权平均法计算得到带宽中心频率值，其计算方法为：
；
其中，为带宽上限频率值，/>为带宽下限频率值，/>和/>分别是为带宽上限频率值/>和带宽下限频率值/>分配的权重，/>是中心频率调制因子；
基于各组微波电路初始设计参数的适应值计算得到适应均值，并将适应均值与各组微波电路初始设计参数的适应值进行比较，将适应值小于或等于适应均值的微波电路初始设计参数作为初始种群；
对初始种群采用遗传算法进行优化计算，获得多组微波电路适应设计参数计算微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每个适应设计参数的适应值，直至得到符合微波电路理想性能指标的微波电路的最优设计参数。
2.根据权利要求1所述的一种面向微波电路的优化设计方法，其特征在于：基于各组微波电路初始设计参数的适应值计算得到适应均值的具体步骤如下：
读取各组微波电路初始设计参数的适应值并进行预处理；
基于预处理之后的各组微波电路初始设计参数的适应值计算得到适应均值，其计算公式如下：
；
其中，为适应均值，/>为微波电路初始设计参数的组数，e为自然常数，/>为适应修正因子。
3.根据权利要求2所述的一种面向微波电路的优化设计方法，其特征在于：读取各组微波电路初始设计参数的适应值并进行预处理，所述预处理包括：基于各组微波电路初始设计参数的适应值剔除其中的问题值，并已经剔除的微波电路初始设计参数的适应值进行插值操作补全。
4.根据权利要求3所述的一种面向微波电路的优化设计方法，其特征在于：对初始种群采用遗传算法进行优化计算，包括：对初始种群中的微波电路初始设计参数进行交叉操作，将初始种群中的各组微波电路初始设计参数进行分割，并互相交换部分参数，以获得多组新微波电路设计参数。
5.根据权利要求4所述的一种面向微波电路的优化设计方法，其特征在于：在获得多组新微波电路设计参数后，采用伪随机数生成器生成一个随机变异值，并将其应用到多组新微波电路设计参数中，以获得多组微波电路适应设计参数。
6.一种用于面向微波电路的优化设计方法的系统，其特征在于，包括：性能指标获取模块、初始参数生成模块、适应值计算模块、初始种群筛选模块、遗传算法优化模块和性能评估模块；
所述性能指标获取模块用于获取微波电路理想性能指标；
所述初始参数生成模块用于通过自主生成算法生成多组微波电路初始设计参数，并使用电磁仿真工具计算每组微波电路初始设计参数的实际性能指标；
所述适应值计算模块用于根据实际性能指标和微波电路理想性能指标，计算每组微波电路初始设计参数的适应值；具体包括：
读取每组微波电路初始设计参数的实际性能指标，并基于微波电路理想性能指标计算每组微波电路初始设计参数的适应值的具体步骤如下：
读取每组微波电路初始设计参数的实际增益值、实际噪声系数值和实际带宽值；
将实际增益值和实际带宽值都转化为与实际噪声系数值单位相同的分贝尺度，获得转化后的实际增益值和转化后的实际带宽值；
读取转化后的实际增益值、转化后的实际带宽值与实际噪声系数值，并基于微波电路理想性能指标进行加权计算，得到每组微波电路初始设计参数的适应值，其计算方法为：
；
其中，为第/>组微波电路初始设计参数的适应值，/>为第/>组微波电路初始设计参数的转化后的实际增益值，/>为理想增益值，/>为第/>组微波电路初始设计参数的实际噪声系数值，/>为理想噪声系数值，/>为第/>组微波电路初始设计参数的转化后的实际带宽值，/>为理想带宽值，/>，/>，/>分别是转化后的实际增益值、实际噪声系数值、转化后的实际带宽值的权重，/>是适应调制因子；
转化后的实际增益值的获得方法为：
；
其中，为微波电路初始设计参数的实际增益值，e为自然常数，/>是增益调制因子；
转化后的实际带宽值的获得方法为：
；
其中，e为自然常数，为微波电路初始设计参数的实际带宽值，/>为实际带宽值的中心频率值，/>是带宽调制因子；
实际带宽值的中心频率值的获取步骤如下：
基于微波电路初始设计参数构建的虚拟微波电路；
采用频谱分析工具观察虚拟微波电路输出信号的频谱图，获得带宽上限频率值，带宽下限频率值；
基于带宽上限频率值，带宽下限频率值采用加权平均法计算得到带宽中心频率值，其计算方法为：
；
其中，为带宽上限频率值，/>为带宽下限频率值，/>和/>分别是为带宽上限频率值/>和带宽下限频率值/>分配的权重，/>是中心频率调制因子；
所述初始种群筛选模块用于根据适应值筛分初始种群，以便后续遗传算法的优化计算；
所述遗传算法优化模块用于对初始种群中的微波电路初始设计参数进行遗传算法的优化计算，通过交叉和变异操作生成多组微波电路适应设计参数，以寻找最优的设计参数；
所述性能评估模块用于对遗传算法生成的多组微波电路适应设计参数进行性能评估，以确定是否满足微波电路理想性能指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410009277.4A CN117521564B (zh) | 2024-01-04 | 2024-01-04 | 一种面向微波电路的优化设计方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410009277.4A CN117521564B (zh) | 2024-01-04 | 2024-01-04 | 一种面向微波电路的优化设计方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117521564A CN117521564A (zh) | 2024-02-06 |
| CN117521564B true CN117521564B (zh) | 2024-03-26 |
Family
ID=89763035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410009277.4A Active CN117521564B (zh) | 2024-01-04 | 2024-01-04 | 一种面向微波电路的优化设计方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117521564B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018032052A1 (en) * | 2016-08-16 | 2018-02-22 | Macquarie University | Optimisation of designs of electromagnetic devices |
| CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
| CN115902487A (zh) * | 2022-12-09 | 2023-04-04 | 中国地质大学（武汉） | 一种知识驱动粒子群优化的微波滤波器调试方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11972346B2 (en) * | 2019-08-26 | 2024-04-30 | Chenope, Inc. | System to detect, assess and counter disinformation |
-
2024
- 2024-01-04 CN CN202410009277.4A patent/CN117521564B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018032052A1 (en) * | 2016-08-16 | 2018-02-22 | Macquarie University | Optimisation of designs of electromagnetic devices |
| CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
| CN115902487A (zh) * | 2022-12-09 | 2023-04-04 | 中国地质大学（武汉） | 一种知识驱动粒子群优化的微波滤波器调试方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于PSO算法和高斯过程的微波器件优化设计;范箫鸿;中国优秀硕士学位论文全文数据库 信息科技辑;20190915;全文 * |
| 基于优化的微波滤波器和多工器设计研究;吴青强;中国优秀硕士学位论文全文数据库 信息科技辑;20231015;全文 * |
| 微波组件互联工艺缺陷预测与性能补偿方法研究;李芮宁;中国优秀硕士学位论文全文数据库 信息科技辑;20230715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117521564A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110213003B (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
| CN115659284B (zh) | 一种大数据融合平台 | |
| CN117494888A (zh) | 基于优化级联的分布式光伏功率预测方法及系统 | |
| CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
| CN115952426A (zh) | 基于随机采样的分布式噪音数据聚类方法及用户分类方法 | |
| CN117521564B (zh) | 一种面向微波电路的优化设计方法和系统 | |
| CN113190429B (zh) | 服务器性能预测方法、装置及终端设备 | |
| CN110441599A (zh) | 一种用于频谱仪的检波方法和装置、可读存储介质 | |
| CN109828253B (zh) | 一种多站雷达量化融合目标检测方法 | |
| CN114513374B (zh) | 一种基于人工智能的网络安全威胁识别方法及系统 | |
| CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
| CN112616160B (zh) | 一种智能短波频率跨频段实时预测方法及系统 | |
| CN114980315A (zh) | 一种移动智能终端高精度定位方法和系统 | |
| CN113988670A (zh) | 综合性企业信用风险预警方法及系统 | |
| CN108495262B (zh) | 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法 | |
| JP3155954B2 (ja) | 電波伝搬損失特性推定方法 | |
| CN114339855A (zh) | 无线网络覆盖率评估方法、装置及计算设备 | |
| CN116470975B (zh) | 一种基于svr的自适应传播预测模型的建模方法 | |
| CN117871917B (zh) | 用于多功能设备的信号模拟控制方法 | |
| CN116663437B (zh) | 一种基于深度神经网络的频谱测绘图构建方法和系统 | |
| CN118509121B (zh) | 一种基于混合分布估计算法的大数据传输方法及系统 | |
| CN117272778B (zh) | 微波无源器件的设计方法和装置 | |
| CN117915222B (zh) | 一种无线爆破联动通信方法 | |
| CN116596061B (zh) | 一种基于迁移学习的功率放大器谐波预测方法 | |
| CN117319291B (zh) | 一种低延时网络音频传输方法及系统 |
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 |