CN117574783B - 基于深度高斯过程的天线优化方法、装置、设备和介质 - Google Patents
基于深度高斯过程的天线优化方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117574783B CN117574783B CN202410057349.2A CN202410057349A CN117574783B CN 117574783 B CN117574783 B CN 117574783B CN 202410057349 A CN202410057349 A CN 202410057349A CN 117574783 B CN117574783 B CN 117574783B
- Authority
- CN
- China
- Prior art keywords
- database
- initial
- simulation
- updating
- antenna
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000005457 optimization Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 title claims abstract description 64
- 238000004088 simulation Methods 0.000 claims abstract description 94
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 description 21
- 239000003795 chemical substances by application Substances 0.000 description 16
- 238000006467 substitution reaction Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于天线优化技术领域，涉及基于深度高斯过程的天线优化方法、装置、设备和介质。方法包括：获取天线空间，进行抽样并进行第一仿真，根据结构参数和性能参数得到初始数据库，进而得到初始帕累托集合以及初始代理模型；根据初始数据库，进行全局搜索，得到新种群并评估每个个体的适应度；根据适应度进行第二仿真，得到下一帕累托集合；若下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；对局部搜索结果进行第三仿真，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化。本申请能够实现高维度和多目标的天线优化。
Description
技术领域
本申请涉及天线优化技术领域，特别是涉及基于深度高斯过程的天线优化方法、装置、设备和介质。
背景技术
近年来，由于天线设计在无线通信系统中的关键作用，天线设计引起了广泛关注。
随着新通信技术的不断发展，对具有紧凑尺寸、多频段和宽带特性的高性能天线需求的增加给天线设计师提出了新的挑战。
进化算法（EAs），如差分进化（DE）和粒子群优化（PSO）等启发式算法通过克服局部最优解并提供最佳或接近最佳设计，在天线设计优化方面取得了显著成功。然而，在电磁领域中，这些算法也存在一些明显的不足之处。首先，启发式算法通常需要大量的全波电磁（EM）仿真来评估候选设计的性能，这些仿真计算耗费了大量的时间和计算资源，导致优化过程变得低效。其次，启发式算法在处理复杂、高维度和多目标问题时，不能有效的处理多目标之间的权重关系，往往陷入局部最优解，且收敛速度较慢。这些问题限制了启发式算法在电磁仿真领域的应用效果。
现有技术中，为了缓解电磁仿真带来的巨大计算负担，基于机器学习的天线替代模型受到了研究者的关注。这种模型是利用机器学习技术，特别是代理模型技术，来精确地逼近电磁仿真所得到的天线性能参数。与传统的全波仿真方法相比，代理模型提供了一个计算效率更高且资源消耗较少的预测手段，从而大大缩短了仿真时间。在此基础上，启发式算法被引入到代理模型的搜索过程中，充分发挥其优化能力。而随着搜索的深入，代理模型也可以根据搜索算法所提供的数据集进行自我优化。这种相互促进的模式确保了更加精确和高效的搜索结果。代理模型的优化方法主要分为离线和在线两种策略。离线学习策略先构建一个高质量的代理模型，并在天线优化过程中仅进行少量或不进行更新。而在线学习策略则在整个天线设计过程中不断地更新和提高代理模型的预测质量，以适应不断变化的设计要求。在线代理模型辅助天线全局优化中，最重要的三个关键因素分别为代理建模方法、启发式搜索策略和模型管理方法。代理建模方法指的是机器学习核心模型，也就是用来拟合非线性关系的模型。启发式搜索策略可以有效地识别有潜力的候选设计，并避免陷入局部最优解。模型管理方法是指使模型和启发式搜索策略结合的工作框架。在复杂的天线设计过程中，代理建模方法提供了对设计空间的有效近似，而启发式搜索策略能够帮助我们高效地识别有潜力的设计。因此，模型管理方法的作用不仅是为了实现这两者之间的有机结合，还要确保搜索过程能够持续优化，保证设计正确的收敛和代理模型的更新。
但是，即使是采用了基于机器学习的天线替代模型，在涉及到多个性能参数的优化时，往往无法有效的平衡多目标之间的效益，仍然无法实现多目标的天线优化。
发明内容
基于此，有必要针对上述技术问题，提供一种基于深度高斯过程的天线优化方法、装置、设备和介质，能够实现高维度和多目标的天线优化，提高电磁仿真中天线设计的优化性能，同时更加高效可靠。
基于深度高斯过程的天线优化方法，包括：
获取天线空间，对所述天线空间进行抽样，得到多维数组；对所述多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据所述结构参数和所述性能参数，得到初始数据库；
根据所述初始数据库，得到初始帕累托集合；根据所述初始数据库，训练并构建深度高斯过程的初始代理模型；根据所述初始数据库，进行全局搜索，得到新种群，并根据所述初始代理模型，评估所述新种群中每个个体的适应度；
根据所述适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新所述初始数据库，得到下一数据库；根据下一数据库，更新所述初始帕累托集合，得到下一帕累托集合；
若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；
对所述局部搜索结果进行第三仿真，并根据第三仿真的结果更新所述下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化。
在一个实施例中，若所述下一帕累托集合不满足预设的判断标准：
当全局搜索的次数达到预设的条件时，进行局部搜索；
否则，根据下一数据库，更新所述初始代理模型，得到下一代理模型；根据所述下一数据库，重新进行全局搜索，得到下一种群，并根据所述下一代理模型，评估所述下一种群中每个个体的适应度，重新进行第二仿真，重新更新所述下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准。
在一个实施例中，若当前数据库的帕累托前沿不包含局部搜索后的解，根据下一数据库，更新所述初始代理模型，得到下一代理模型；根据所述下一数据库，重新进行全局搜索，得到下一种群，并根据所述下一代理模型，评估所述下一种群中每个个体的适应度，重新进行第二仿真，重新更新所述下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准。
在一个实施例中，根据所述初始代理模型，评估所述新种群中每个个体的适应度，包括：
根据所述初始代理模型，预测新种群中个体与初始帕累托集合中每个样本的欧几里得距离，并根据所述个体的预测方差，计算所述个体的适应度函数，得到所述个体的适应度；
遍历新种群中的每个个体，并得到新种群中每个个体的适应度。
在一个实施例中，若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果，包括：
若所述下一帕累托集合满足预设的判断标准，对下一帕累托集合的样本进行密度排序，得到待选样本；
根据下一数据库，更新所述初始代理模型，得到下一代理模型；
根据下一代理模型，计算损失函数，以损失函数确定优化方向，并在优化范围内采用适应性矩估计算法对下一帕累托集合的待选样本进行优化，得到局部搜索结果。
在一个实施例中，所述损失函数为权重与性能参数的乘积和。
在一个实施例中，根据所述初始数据库，得到初始帕累托集合，包括：
根据所述初始数据库，采用非支配排序算法进行排序，并计算拥挤距离以度量分布性，以支配数最多的多个样本以及支配数相等且拥挤距离更大的样本作为初始帕累托集合。
基于深度高斯过程的天线优化装置，包括：
初始模块，用于获取天线空间，对所述天线空间进行抽样，得到多维数组；对所述多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据所述结构参数和所述性能参数，得到初始数据库；
全局搜索模块，用于根据所述初始数据库，得到初始帕累托集合；根据所述初始数据库，训练并构建深度高斯过程的初始代理模型；根据所述初始数据库，进行全局搜索，得到新种群，并根据所述初始代理模型，评估所述新种群中每个个体的适应度；
更新模块，用于根据所述适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新所述初始数据库，得到下一数据库；根据下一数据库，更新所述初始帕累托集合，得到下一帕累托集合；
局部搜索模块，用于若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；
输出模块，用于对所述局部搜索结果进行第三仿真，并根据第三仿真的结果更新所述下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取天线空间，对所述天线空间进行抽样，得到多维数组；对所述多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据所述结构参数和所述性能参数，得到初始数据库；
根据所述初始数据库，得到初始帕累托集合；根据所述初始数据库，训练并构建深度高斯过程的初始代理模型；根据所述初始数据库，进行全局搜索，得到新种群，并根据所述初始代理模型，评估所述新种群中每个个体的适应度；
根据所述适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新所述初始数据库，得到下一数据库；根据下一数据库，更新所述初始帕累托集合，得到下一帕累托集合；
若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；
对所述局部搜索结果进行第三仿真，并根据第三仿真的结果更新所述下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化。
一种计算机可读存储介质，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以下步骤：
获取天线空间，对所述天线空间进行抽样，得到多维数组；对所述多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据所述结构参数和所述性能参数，得到初始数据库；
根据所述初始数据库，得到初始帕累托集合；根据所述初始数据库，训练并构建深度高斯过程的初始代理模型；根据所述初始数据库，进行全局搜索，得到新种群，并根据所述初始代理模型，评估所述新种群中每个个体的适应度；
根据所述适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新所述初始数据库，得到下一数据库；根据下一数据库，更新所述初始帕累托集合，得到下一帕累托集合；
若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；
对所述局部搜索结果进行第三仿真，并根据第三仿真的结果更新所述下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化。
上述基于深度高斯过程的天线优化方法、装置、设备和介质，能够实现高维度和多目标的天线优化，提高电磁仿真中天线设计的优化性能，同时更加高效可靠。具体地：使用深度高斯过程建立天线替代模型（即代理模型）融合高低精度电磁仿真，提高了替代模型的数据拟合能力，熟练地处理高维复杂的设计变量，并结合启发式的搜索算法，在基于替代模型的框架中集成一个局部搜索机制，使用分段式搜索方法实现天线参数帕累托集合的动态更新，确保了最优多目标天线几何参数的快速筛选，大大减少了模拟迭代和收敛持续时间，保证了精确的替代模型的拟合能力，实现了算法复杂性和泛化能力之间的有效平衡，可以保证在较为复杂的多目标（多规格）天线中，减少仿真软件的调用次数，提高天线优化设计效率，实现天线多参数的快速优化，并增强了整个优化过程的稳定性。
附图说明
图1为一个实施例中基于深度高斯过程的天线优化方法的应用场景图；
图2为一个实施例中基于深度高斯过程的天线优化方法的流程示意图；
图3为一个具体实施例中基于深度高斯过程的天线优化方法的架构图；
图4为一个具体实施例中天线的几何参数结构图；
图5为一个具体实施例中仿真结果图；
图6为一个具体实施例中不同模型的仿真结果对比图；
图7为一个实施例中基于深度高斯过程的天线优化装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
另外，在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多组”的含义是至少两组，例如两组，三组等，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
另外，本申请各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
本申请提供的基于深度高斯过程的天线优化方法，可以应用于如图1所示的应用场景图中。其中，终端102通过网络与服务器104进行通信，终端102可以包括但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以是各类门户网站、工作系统后台对应的服务器等。
本申请提供了一种基于深度高斯过程的天线优化方法，如图2所示的流程示意图，在一个实施例中，以该方法应用于图1中的终端为例进行说明，包括：
步骤202，获取天线空间，对天线空间进行抽样，得到多维数组；对多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据结构参数和性能参数，得到初始数据库。
在本步骤中，天线空间是指包括天线的多个结构参数的空间，记为，其中，/>为结构参数的下限，/>为结构参数的上限，/>为结构参数的数量（也即维度）。
对天线空间进行抽样时，可以采用拉丁超立方抽样法，对每个结构参数都抽取一个候选样本（候选解），以采用有限样本尽量覆盖整个天线空间，最后得到多维数组。至于如何采用拉丁超立方抽样法抽取样本属于现有技术，在此不再赘述。
进行第一仿真得到第一仿真结果，即为与结构参数对应的性能参数。
初始数据库中的样本为形如的数据对，其中，/>为结构参数，/>为性能参数。
步骤204，根据初始数据库，得到初始帕累托集合；根据初始数据库，训练并构建深度高斯过程的初始代理模型；根据初始数据库，进行全局搜索，得到新种群，并根据初始代理模型，评估新种群中每个个体的适应度。
具体地：
根据初始数据库，采用非支配排序算法进行排序，并计算拥挤距离以度量分布性，以支配数最多的多个样本以及支配数相等且拥挤距离更大的样本作为初始帕累托集合；
根据初始数据库，训练并构建深度高斯过程的初始代理模型；
根据初始数据库，采用差分进化算法进行全局搜索，得到新种群；
根据初始代理模型，预测新种群中个体与初始帕累托集合中每个样本的欧几里得距离，并根据个体的预测方差，计算个体的适应度函数，得到个体的适应度；遍历新种群中的每个个体，并得到新种群中每个个体的适应度。
在本步骤中，初始帕累托集合是初始数据库的优选样本（优选解），初始帕累托集合中的样本也是形如的数据对，具体的样本数量取决于初始数据库。采用非支配排序算法和拥挤距离得到初始帕累托集合时，采用收敛性和多样性作为评判标准；其中，收敛性的评判是基于预定的所有性能标准范围来确定，多样性则通过解的密度情况来评估；当解满足收敛性条件时，再进一步对解的密度进行排序，从而评价其分布特性，并优先选择密度较低的解进入下一阶段处理，不仅挑选出满足收敛性标准的解，还考虑了多样性评价，确保最终得到的帕累托集合更加全面，为后续的局部搜索提供有利的起始点。
深度高斯过程设置为多输入多输出的模型，用于复杂天线结构参数、性能参数的映射和对预测不确定性的度量。预测值和不确定性的结合能够更好的对输出结果进行度量，以平衡探索和利用的关系。天线性能参数涉及到天线的回波损耗、反射系数、天线增益、天线方向图和辐射效率中的一个或多个，也可以是同种类型数据的多个标准，创建初始数据库后，考虑消除量纲影响，对数据库进行标准化操作。基于深度高斯过程构建的初始代理模型作为天线仿真的替代。
采用差分进化算法，对天线新种群基于初始数据库进行全局搜索策略的更新。
采用初始代理模型，对经过差分变异的样本进行性能评估和预测，进而得知每一样本的性能参数及其预测的不确定性。最终，通过考虑每个样本与下一帕累托集合在高维空间中的平均欧几里得距离和预测样本的不确定度得出每个样本候选解的适应度。在评估适应度时，避免直接使用多目标的线性叠加方式，以确保优化结果在多目标间存在的非线性关系下仍然保持平衡。
步骤206，根据适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新初始数据库，得到下一数据库；根据下一数据库，更新初始帕累托集合，得到下一帕累托集合。
具体地：
选择适应度最低的多个个体进行第二仿真，得到第二仿真结果，以适应度最低的多个个体以及对应的第二仿真结果为多个新样本，加入到初始数据库中，得到下一数据库；
根据下一数据库，采用非支配排序算法进行排序，并计算拥挤距离以度量分布性，以支配数最多的多个样本以及支配数相等且拥挤距离更大的样本作为下一帕累托集合。
在本步骤中，通过适应度的大小从变量空间中筛选出优质样本进行仿真以确定其真实性能参数。仿真后，将数据结果整合到初始数据库，同时更新代理模型(具体为：深度高斯过程DGP)和帕累托集合，旨在提高代理模型在优质区域的精确性，并确保更新后的帕累托集合更接近真实的帕累托前沿和最优解空间。
步骤208，若下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果。
具体地：
若下一帕累托集合满足预设的判断标准，对下一帕累托集合的样本进行密度排序，得到待选样本；
根据下一数据库，更新初始代理模型，得到下一代理模型；
根据下一代理模型，计算损失函数，以损失函数确定优化方向，并在优化范围内采用适应性矩估计算法对下一帕累托集合的待选样本进行优化，得到局部搜索结果。
在本步骤中，评估下一帕累托集合的质量，如果满足预设的判断标准，则对下一帕累托集合进行局部搜索。
局部搜索包括：基于密度排序（对全局搜索后的解集按密度进行排序，低密度解被优先选取）、损失函数选择（损失函数为权重与性能参数的乘积和，在多目标优化环境中为各目标分配权重，使用线性叠加方法计算，以损失函数确定优化方向）、确定优化范围（根据给定点与其最近邻的欧氏距离，定义搜索范围）以及适应性矩估计算法（Adam优化策略，在已定义的范围和替代模型结果的指导下，利用Adam方法进行解的微调，初始学习率设为0.01）。
步骤210，对局部搜索结果进行第三仿真，并根据第三仿真的结果更新下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化。
具体地：
对局部搜索结果进行第三仿真，得到第三仿真结果，以局部搜索结果以及对应的第三仿真结果为多个新样本，加入到下一数据库中，得到当前数据库；
如果当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，根据最优结构参数进行天线优化。
在本步骤中，输出最优解。
在本实施例中，第一仿真、第二仿真以及第三仿真均是指进行全波电磁仿真。
若下一帕累托集合不满足预设的判断标准：当全局搜索的次数达到预设的条件时，进行局部搜索。
若下一帕累托集合不满足预设的判断标准：当全局搜索的次数未达到预设的条件时，根据下一数据库，更新初始代理模型，得到下一代理模型；根据下一数据库，重新进行全局搜索，得到下一种群，并根据下一代理模型，评估下一种群中每个个体的适应度，重新进行第二仿真，重新更新下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准。
若当前数据库的帕累托前沿不包含局部搜索后的解：根据下一数据库，更新初始代理模型，得到下一代理模型；根据下一数据库，重新进行全局搜索，得到下一种群，并根据下一代理模型，评估下一种群中每个个体的适应度，重新进行第二仿真，重新更新下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准。
上述基于深度高斯过程的天线优化方法，能够实现高维度和多目标的天线优化，提高电磁仿真中天线设计的优化性能，同时更加高效可靠。具体地：使用深度高斯过程建立天线替代模型（即代理模型）融合高低精度电磁仿真，提高了替代模型的数据拟合能力，熟练地处理高维复杂的设计变量，并结合启发式的搜索算法，在基于替代模型的框架中集成一个局部搜索机制，使用分段式搜索方法实现天线参数帕累托集合的动态更新，确保了最优多目标天线几何参数的快速筛选，大大减少了模拟迭代和收敛持续时间，保证了精确的替代模型的拟合能力，实现了算法复杂性和泛化能力之间的有效平衡，可以保证在较为复杂的多目标（多规格）天线中，减少仿真软件的调用次数，提高天线优化设计效率，实现天线多参数的快速优化，并增强了整个优化过程的稳定性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图3所示的基于深度高斯过程的天线优化方法的架构图，在一个具体的实施例中，建立天线初始数据库，收集少量由形如的数据对组成的数据集。其中/>表示结构参数，/>表示性能参数。
根据初始数据库内的天线参数（即）和规格性能值（即/>），提取出当前数据库（即初始数据库）中的帕累托前沿解集（即初始帕累托集合），考虑到在天线的性能参数数量过多时，初始帕累托集合数量可能也会很多，因此根据初始帕累托集合的数据分布情况，使用非支配排序算法先做初步排序，选取支配数更多的样本作为优质帕累托解，对于同等支配数的帕累托集合，考虑用拥挤距离作为其分布性的度量，具体公式为：
；
其中，和/>分别是在当前目标函数排序中，解/>的下一个解和前一个解的函数值，/>和/>分别是该目标函数的最大值和最小值。
为使用初始数据库，构建以深度高斯过程为基础的天线替代模型（即代理模型）。具体的，性能参数包括天线的回波损耗、反射系数、天线增益、天线方向图和辐射效率中的一个或多个，也可以是同种类型数据的多个标准。利用电磁仿真软件对天线初始模型的结构参数进行仿真，得到回波损耗(S11)。收集到数据集之后，为了消除量纲影响，使网络能够快速收敛，对数据集按照下式进行标准化。
；
其中，和/>分别表示数据中的最小值和最大值。结果/>将会落在/>范围内。
天线的几何参数结构图如图4所示，按照表1所示的结构参数和变量空间范围使用方法均匀抽出50个样本，并将其送入/>软件进行仿真，用时3小时32分，采样频率，标准化完成后将数据送入深度高斯过程（DGP）模型进行训练。
表1结构参数和变量空间范围
差分进化算法（DE算法）是一种较为优秀的全局搜索算法。具体的，差分进化是一种针对实数编码优化的精妙的全局优化算法。该算法主要依赖于一个指定的种群，其中包含各个体解/>，这些解存在于/>空间内，通过利用种群中不同解之间的差异，差分进化算法执行变异和交叉操作以产生新的候选解。
具体而言，对于任何给定的解，首先执行一个初始的变异操作生成一个供体向量：
；
其中，和/>是从种群/>中随机选取的三个不同的解，而/>是一个起到缩放作用的系数。
随后，进行交叉操作以生成子解，其定义如下：
；
式中，随机数是从均匀分布中随机抽取的，/>是交叉概率的定义因子。
DE算法也具备多种变异策略，如：
；
其中，是种群/>中的最优候选解。
这种方法避开了导数计算的复杂性，使DE算法特别适用于那些非可微、非线性或者具有多个局部最优解的优化问题。
在完成差分变异操作后，对适应度进行评估。深度高斯过程（DGP）只参与输入、输出的映射和不确定度的度量，并不参与适应度的计算。
具体多目标的适应度计算采用以下方法。首先计算深度高斯过程（DGP）的预测样本和筛选出的帕累托集合的平均欧几里距离，以评判新一轮解集的收敛性和分布性。
然后，同时考虑深度高斯过程（DGP）输出的不确定性度量，以平衡探索和利用的关系，具体公式如下：
；
适应度函数可以表示为:
；
其中，是样本/>和第/>个帕累托样本/>的欧几里得距离，/>是一个权重因子，用于平衡适应度值和方差的影响，/>是样本/>的预测方差。这样，既考虑了模型预测的准确性(通过平均欧几里得距离)，也考虑了预测的不确定性(通过方差)。
通过结合深度高斯过程模型和帕累托前沿计算的适应度，可以反映出变量空间下的优质样本，需要选出一定数量的优质样本进行仿真，确定其真实的性能参数。在仿真完成后，将仿真的数据结果加入到初始数据库中，并且更新深度高斯过程（DGP）模型和当前最新帕累托集合，一方面使得深度高斯过程（DGP）模型在变量空间的优质区域变得更加精确，另一方面也使新的帕累托集合更贴近于真实帕累托集合，更贴近最优解空间。
需要根据系统输出的最优帕累托集合，对其进行评判，也就是判定是否需要进行局部搜索，并需要设定评判的标准。具体的，期望的天线性能参数定义为反射系数和频谱宽度width，为了更好的衡量算法的稳定性，此实施例涉及三组初始优化限制：
；
；
；
在同时满足三组优化目标的情况下，进行局部搜索。
得到了结合差分进化和帕累托前沿的动态更新机制的收敛解集。由于全局搜索在整体解空间的综合探索及其对各解深入评估的特性，这些解已经非常接近真实的帕累托前沿。因此，引入局部搜索策略对这些近似解进行微调，并结合替代模型的计算结果，利用adam方法进一步优化这些解。具体步骤如下：
1）帕累托集合基于密度排序：基于密度对全局搜索后得到的解集进行排序，优先选择低密度解；
2）选择损失函数：在多目标优化中为每个目标分配权重，并采用简单的线性叠加方法，具体的损失函数公式为：
；
其中，是针对/>的权重，/>是针对/>(当/>)的权重，/>是针对/>(当/>）的权重；
3）定义优化范围：计算给定点与最近邻的欧氏距离，根据该距离定义搜索范围；
4）adam优化：利用已确定的范围和替代模型的计算结果，采用adam对解进行微调优化，adam算法初始学习率选为0.01。
在执行局部搜索后，对得到的局部搜索结果进行电磁模拟，并将此模拟结果并入当前迭代的数据库中。若该模拟后的解位于该数据的帕累托前沿中，在该解输出为优化结果；反之，若该解不满足前述条件，则继续进行基于差分进化策略的全局搜索。
表2显示了局部搜索前后解的仿真性能对比，可以看到使用了adam的局部搜索方法在全局搜索之后有很大的提升，各个规格的参数值都有了一些改进，且解2的局部搜索出现的解能够在所有性能参数上对之前的解1和解2进行支配，解2局部搜索后，仿真结果图由图5所示。最终，此天线设计完成。
表2局部搜索前后解的仿真性能对比表
进一步的，为验证此算法框架的有效性，进行3次独立的运行实验，以便获取更为稳健的统计结论。在现有的天线设计替代模型辅助优化研究中，尚未出现能同时处理多个设计变量和性能指标的多目标优化算法。因此，本申请更多地关注算法内部模块的自我验证，旨在证实算法所用替代模型和多目标优化策略的实用性和有效性。进一步的，高斯过程（GP）模型被选为第一个案例研究的基准方法，这是因为高斯过程（GP）模型在天线设计的替代模型应用中具有广泛的应用。为了更全面地评估本申请所提出的多样性增强策略的性能，还与非支配排序和多样性增强的效果进行了对比分析，各个模型进行3次独立的运行实验，不同模型的仿真结果对比图如图6所示，对比模型用于满足规格的最少EM模拟数如表3所示：
表3：用于满足规格的EM模拟数
如表3数据所揭示，模型1中尽管高斯过程（GP）模型以其优良的模型拟合和精准的不确定性度量为特点，但当与加入了深度高斯过程（DGP）的模型4进行对比时，其需要增加约17%的仿真次数，这一差异可归因于高斯过程（GP）模型相对于深度高斯过程（DGP）的较低深度抽象能力，深度特征抽象提供了更全面的不确定性度量，从而使深度高斯过程（DGP）模型更为精准和高效地拟合数据。模型2缺乏非支配排序和拥挤距离筛选机制，未能成功完成优化任务，这一局限性恰恰证明了筛选后的帕累托集合在指导优化过程中的重要性，没有经过筛选的帕累托解集缺乏明确的优化方向，从而导致算法未能达到预定目标。模型3未执行针对帕累托解集的多样性增强，而是对整个解集进行了局部搜索，这虽然最终产生了符合要求的解，但却以大量不必要的仿真次数为代价。
综上所述，本申请采用了深度高斯过程（DGP）作为其代理模型，与传统的高斯过程（GP）相比，深度高斯过程（DGP）提供了更高的模拟能力和预测准确性；尤其在高维或复杂的搜索空间中，性能更加优越，确保了代理模型能更精准地引导优化过程。其次，本申请综合了非支配筛选和拥挤距离筛选，这不仅有助于锁定高质量的解决方案以找到质量上乘的解，而且确保了解集的多样性；多样性是多目标优化中的一个关键要素，它有助于更全面地探索解空间，并找到更好的解。此外，本申请采用了多样性增强策略，进一步提升了在多目标优化问题中的性能。需要说明，在仿真模拟次数这一关键指标上，本申请的模型只需93次仿真模拟，远少于其他模型，具有优越的计算效率，能够精确又高效地实现多目标优化。综上，本申请在应对复杂和高维多目标优化问题，如天线设计领域，表现出显著的综合性能优势。
本申请还提供了一种基于深度高斯过程的天线优化装置，如图7所示的结构框图，在一个实施例中，包括：初始模块702、全局搜索模块704、更新模块706、局部搜索模块708和输出模块710，其中：
初始模块702，用于获取天线空间，对天线空间进行抽样，得到多维数组；对多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据结构参数和性能参数，得到初始数据库；
全局搜索模块704，用于根据初始数据库，得到初始帕累托集合；根据初始数据库，训练并构建深度高斯过程的初始代理模型；根据初始数据库，进行全局搜索，得到新种群，并根据初始代理模型，评估新种群中每个个体的适应度；
更新模块706，用于根据适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新初始数据库，得到下一数据库；根据下一数据库，更新初始帕累托集合，得到下一帕累托集合；
局部搜索模块708，用于若下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；
输出模块710，用于对局部搜索结果进行第三仿真，并根据第三仿真的结果更新所述下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化。
关于基于深度高斯过程的天线优化装置的具体限定可以参见上文中对于基于深度高斯过程的天线优化方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度高斯过程的天线优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.基于深度高斯过程的天线优化方法，其特征在于，包括：
获取天线空间，对所述天线空间进行抽样，得到多维数组；对所述多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据所述结构参数和所述性能参数，得到初始数据库；
根据所述初始数据库，得到初始帕累托集合；根据所述初始数据库，训练并构建深度高斯过程的初始代理模型；根据所述初始数据库，进行全局搜索，得到新种群，并根据所述初始代理模型，评估所述新种群中每个个体的适应度；
根据所述适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新所述初始数据库，得到下一数据库；根据下一数据库，更新所述初始帕累托集合，得到下一帕累托集合；
若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；
对所述局部搜索结果进行第三仿真，并根据第三仿真的结果更新所述下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化；
若所述下一帕累托集合不满足预设的判断标准：
当全局搜索的次数达到预设的条件时，进行局部搜索；
否则，根据下一数据库，更新所述初始代理模型，得到下一代理模型；根据所述下一数据库，重新进行全局搜索，得到下一种群，并根据所述下一代理模型，评估所述下一种群中每个个体的适应度，重新进行第二仿真，重新更新所述下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准；
若当前数据库的帕累托前沿不包含局部搜索后的解，根据下一数据库，更新所述初始代理模型，得到下一代理模型；根据所述下一数据库，重新进行全局搜索，得到下一种群，并根据所述下一代理模型，评估所述下一种群中每个个体的适应度，重新进行第二仿真，重新更新所述下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准。
2.根据权利要求1所述的基于深度高斯过程的天线优化方法，其特征在于，根据所述初始代理模型，评估所述新种群中每个个体的适应度，包括：
根据所述初始代理模型，预测新种群中个体与初始帕累托集合中每个样本的欧几里得距离，并根据所述个体的预测方差，计算所述个体的适应度函数，得到所述个体的适应度；
遍历新种群中的每个个体，并得到新种群中每个个体的适应度。
3.根据权利要求1所述的基于深度高斯过程的天线优化方法，其特征在于，若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果，包括：
若所述下一帕累托集合满足预设的判断标准，对下一帕累托集合的样本进行密度排序，得到待选样本；
根据下一数据库，更新所述初始代理模型，得到下一代理模型；
根据下一代理模型，计算损失函数，以损失函数确定优化方向，并在优化范围内采用适应性矩估计算法对下一帕累托集合的待选样本进行优化，得到局部搜索结果。
4.根据权利要求3所述的基于深度高斯过程的天线优化方法，其特征在于，所述损失函数为权重与性能参数的乘积和。
5.根据权利要求1至4任一项所述的基于深度高斯过程的天线优化方法，其特征在于，根据所述初始数据库，得到初始帕累托集合，包括：
根据所述初始数据库，采用非支配排序算法进行排序，并计算拥挤距离以度量分布性，以支配数最多的多个样本以及支配数相等且拥挤距离更大的样本作为初始帕累托集合。
6.基于深度高斯过程的天线优化装置，其特征在于，包括：
初始模块，用于获取天线空间，对所述天线空间进行抽样，得到多维数组；对所述多维数组包含的结构参数进行第一仿真，得到对应的性能参数；根据所述结构参数和所述性能参数，得到初始数据库；
全局搜索模块，用于根据所述初始数据库，得到初始帕累托集合；根据所述初始数据库，训练并构建深度高斯过程的初始代理模型；根据所述初始数据库，进行全局搜索，得到新种群，并根据所述初始代理模型，评估所述新种群中每个个体的适应度；
更新模块，用于根据所述适应度选择多个个体进行第二仿真，并根据第二仿真的结果更新所述初始数据库，得到下一数据库；根据下一数据库，更新所述初始帕累托集合，得到下一帕累托集合；
局部搜索模块，用于若所述下一帕累托集合满足预设的判断标准，进行局部搜索，得到局部搜索结果；若所述下一帕累托集合不满足预设的判断标准：当全局搜索的次数达到预设的条件时，进行局部搜索；否则，根据下一数据库，更新所述初始代理模型，得到下一代理模型；根据所述下一数据库，重新进行全局搜索，得到下一种群，并根据所述下一代理模型，评估所述下一种群中每个个体的适应度，重新进行第二仿真，重新更新所述下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准；
输出模块，用于对所述局部搜索结果进行第三仿真，并根据第三仿真的结果更新所述下一数据库，得到当前数据库；若当前数据库的帕累托前沿包含局部搜索后的解，则将局部搜索后的解作为当前数据库的最优结构参数，并进行天线优化；若当前数据库的帕累托前沿不包含局部搜索后的解，根据下一数据库，更新所述初始代理模型，得到下一代理模型；根据所述下一数据库，重新进行全局搜索，得到下一种群，并根据所述下一代理模型，评估所述下一种群中每个个体的适应度，重新进行第二仿真，重新更新所述下一数据库，重新更新下一帕累托集合，并重新判断是否满足预设的判断标准。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其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权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410057349.2A CN117574783B (zh) | 2024-01-16 | 2024-01-16 | 基于深度高斯过程的天线优化方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410057349.2A CN117574783B (zh) | 2024-01-16 | 2024-01-16 | 基于深度高斯过程的天线优化方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574783A CN117574783A (zh) | 2024-02-20 |
| CN117574783B true CN117574783B (zh) | 2024-03-22 |
Family
ID=89862791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410057349.2A Active CN117574783B (zh) | 2024-01-16 | 2024-01-16 | 基于深度高斯过程的天线优化方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574783B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829988A (zh) * | 2018-06-22 | 2018-11-16 | 西安电子科技大学 | 一种六边形圆极化天线阵列及其快速优化方法 |
| CN110046365A (zh) * | 2018-01-16 | 2019-07-23 | 复旦大学 | 一种基于非高斯采样的sram电路良率分析方法 |
| CN111199126A (zh) * | 2019-11-08 | 2020-05-26 | 江苏科技大学 | 一种碎片天线的快速优化设计方法 |
| CN111625923A (zh) * | 2020-04-16 | 2020-09-04 | 中国地质大学（武汉） | 一种基于非平稳高斯过程模型的天线电磁优化方法及系统 |
| CN115719027A (zh) * | 2021-08-24 | 2023-02-28 | 中国电信股份有限公司 | 天线设计的实现方法及相关设备 |
| CN116562143A (zh) * | 2023-05-11 | 2023-08-08 | 东南大学 | 一种基于归一化高斯网络的天线拓扑及参数混合优化方法 |
| CN116595867A (zh) * | 2023-05-10 | 2023-08-15 | 西安电子科技大学 | 基于变量空间数据约束的代理模型辅助天线设计优化方法 |
| CN116720424A (zh) * | 2023-04-28 | 2023-09-08 | 西安电子科技大学 | 基于多自适应代理模型辅助进化算法的天线设计方法 |
| WO2023187447A1 (en) * | 2022-03-29 | 2023-10-05 | Bosch Car Multimedia Portugal, S.A. | Method for determining the correct placement of an antenna with radiation pattern prediction |
-
2024
- 2024-01-16 CN CN202410057349.2A patent/CN117574783B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046365A (zh) * | 2018-01-16 | 2019-07-23 | 复旦大学 | 一种基于非高斯采样的sram电路良率分析方法 |
| CN108829988A (zh) * | 2018-06-22 | 2018-11-16 | 西安电子科技大学 | 一种六边形圆极化天线阵列及其快速优化方法 |
| CN111199126A (zh) * | 2019-11-08 | 2020-05-26 | 江苏科技大学 | 一种碎片天线的快速优化设计方法 |
| CN111625923A (zh) * | 2020-04-16 | 2020-09-04 | 中国地质大学（武汉） | 一种基于非平稳高斯过程模型的天线电磁优化方法及系统 |
| CN115719027A (zh) * | 2021-08-24 | 2023-02-28 | 中国电信股份有限公司 | 天线设计的实现方法及相关设备 |
| WO2023187447A1 (en) * | 2022-03-29 | 2023-10-05 | Bosch Car Multimedia Portugal, S.A. | Method for determining the correct placement of an antenna with radiation pattern prediction |
| CN116720424A (zh) * | 2023-04-28 | 2023-09-08 | 西安电子科技大学 | 基于多自适应代理模型辅助进化算法的天线设计方法 |
| CN116595867A (zh) * | 2023-05-10 | 2023-08-15 | 西安电子科技大学 | 基于变量空间数据约束的代理模型辅助天线设计优化方法 |
| CN116562143A (zh) * | 2023-05-11 | 2023-08-08 | 东南大学 | 一种基于归一化高斯网络的天线拓扑及参数混合优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574783A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sharma et al. | Machine learning techniques for optimizing design of double T-shaped monopole antenna | |
| Couckuyt et al. | Fast calculation of multiobjective probability of improvement and expected improvement criteria for Pareto optimization | |
| Sun et al. | A new two-stage evolutionary algorithm for many-objective optimization | |
| Wang et al. | Factorization bandits for interactive recommendation | |
| Zhang et al. | Surrogate-assisted quasi-Newton enhanced global optimization of antennas based on a heuristic hypersphere sampling | |
| Shimoyama et al. | Kriging-surrogate-based optimization considering expected hypervolume improvement in non-constrained many-objective test problems | |
| Mollapourasl et al. | Radial basis functions with partition of unity method for American options with stochastic volatility | |
| CN112749495A (zh) | 基于多点加点的代理模型优化方法、装置和计算机设备 | |
| Santamaría-Bonfil et al. | Volatility forecasting using support vector regression and a hybrid genetic algorithm | |
| Qiu et al. | Multi-stage design space reduction and metamodeling optimization method based on self-organizing maps and fuzzy clustering | |
| Abdelhamid et al. | Robust Prediction of the Bandwidth of Metamaterial Antenna Using Deep Learning. | |
| Zhang et al. | Adaptive infinite impulse response system identification using an enhanced golden jackal optimization | |
| Yang et al. | Cultural emperor penguin optimizer and its application for face recognition | |
| Gilan et al. | Sustainable building design: A challenge at the intersection of machine learning and design optimization | |
| Phan et al. | Enhancing multi-objective evolutionary neural architecture search with training-free Pareto local search | |
| Vaverka et al. | Evolving component library for approximate high level synthesis | |
| Garbuglia et al. | Bayesian optimization for microwave devices using deep GP spectral surrogate models | |
| Couckuyt et al. | Towards efficient multiobjective optimization: multiobjective statistical criterions | |
| CN117574783B (zh) | 基于深度高斯过程的天线优化方法、装置、设备和介质 | |
| CN110909975B (zh) | 科研平台效益评估方法、装置 | |
| Ding et al. | Antenna optimization based on master-apprentice broad learning system | |
| Hazelton et al. | Bandwidth selection for kernel log-density estimation | |
| Mateo et al. | Approximate k-NN delta test minimization method using genetic algorithms: Application to time series | |
| CN115458040A (zh) | 蛋白质的生成方法、装置、电子设备及存储介质 | |
| Chen et al. | A multiobjective evolutionary algorithm based on surrogate individual selection mechanism |
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 |