CN117669237A - 一种用于hpm源的原型优化设计方法及系统 - Google Patents
一种用于hpm源的原型优化设计方法及系统 Download PDFInfo
- Publication number
- CN117669237A CN117669237A CN202311704200.0A CN202311704200A CN117669237A CN 117669237 A CN117669237 A CN 117669237A CN 202311704200 A CN202311704200 A CN 202311704200A CN 117669237 A CN117669237 A CN 117669237A
- Authority
- CN
- China
- Prior art keywords
- population
- parameters
- structural
- hpm
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 238000013461 design Methods 0.000 title claims abstract description 43
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000007667 floating Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 4
- 206010064571 Gene mutation Diseases 0.000 claims description 3
- 230000007614 genetic variation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 210000000349 chromosome Anatomy 0.000 description 6
- 239000002245 particle Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 101100276022 Schizosaccharomyces pombe (strain 972 / ATCC 24843) lsk1 gene Proteins 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于HPM源的原型优化设计方法及系统,包括:基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化;基于结构参数的变化范围和精度,构建自编码器;利用自编码器实现结构参数编码,构建初始种群,利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型;基于数值模型完成仿真,利用仿真结果完成个体适应度评价;利用引入了参数相关性编码的遗传算法实现种群进化,基于进化后的种群,重复优化过程,通过迭代方式找到精英个体,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。本发明可以实现在遗传进化过程中引入参数相关性,达到缩小搜索空间,提高优化效率,改善优化结果的目的。
Description
技术领域
本发明属于高功率微波源原型优化技术领域,特别涉及一种用于HPM源的原型优化设计方法及系统。
背景技术
高功率微波(HPM)源是一种能够产生工作频率为1~300GHz,微波输出功率大于100MW的高功率微波产生部件。自HPM源器件被提出以来,研究人员主要从物理机理出发,通过理论分析、设计原型和结合粒子模拟(PIC)方法和实验验证方式实现器件调优。随着HPM技术的不断发展,新的理论和器件性能指标不断提出,旨在帮助研究人员设计出性能更优的HPM源。然而,随着对器件性能要求的不断提高,HPM源的设计难度也在增加,对传统的设计方法提出了新的挑战。
传统器件原型设计方法有明显的不足之处,具体体现在:
1.缺乏系统化的设计流程和标准化的设计规范,可能导致设计过程缺乏条理和一致性,增加了设计的不确定性和风险;
2.难以充分考虑器件的复杂非线性特征和多参数耦合效应,导致设计结果可能无法满足实际的设计要求;
3.由于依赖人工调整和优化,设计结果可能受到局部最优解的限制,无法充分发挥器件的性能潜力;
4.通常需要耗费大量的时间和资源。从概念到实际制作,需要进行多次迭代和调整,设计周期长,设计成本高。
遗传算法是一种常用的参数优化算法,基于自然遗传学机理实现,可有效应用于解决复杂非线性问题。由于其高效的求解能力和强大的鲁棒性,遗传算法被广泛应用于最优化问题的求解。近年来,研究人员尝试将进化优化算法(如遗传算法和粒子群算法)与PIC模拟方法相结合,辅助完成HPM源的优化设计,并取得了一定成果。传统的遗传算法主要在选择和变异过程中获得后代优秀个体,但在变异过程中可能会损坏这些个体。
与器件结构优化不同,器件原型的优化设计需要调整器件的拓扑结构。鉴于描述器件拓扑结构的参数通常呈现相关性,而传统遗传算法在交叉和变异的过程中未考虑参数之间的这种相关性,因此,传统的遗传算法在交叉和变异过程中可能会损坏优秀个体的基因型,进而影响到优化效率和优化结果。因此,传统遗传算法并不适于直接优化这种具有较强相关性的参数组合。
发明内容
本发明的目的在于提供一种用于HPM源的原型优化设计方法及系统,以解决传统的遗传算法在交叉和变异过程中可能会损坏优秀个体的基因型,进而影响到优化效率和优化结果的问题。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供一种用于HPM源的原型优化设计方法,包括:
基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化;
基于结构参数的变化范围和精度,构建自编码器;利用自编码器实现结构参数编码,构建初始种群,利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型;
基于数值模型完成仿真,利用仿真结果完成个体适应度评价;
利用引入了参数相关性编码的遗传算法实现种群进化,基于进化后的种群,重复优化过程,通过迭代方式找到精英个体,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。
可选的,基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化:
基于待优化的HPM源器件结构特点,将器件结构以参数形式进行描述,并设置参数的变化范围、变化精度及关联性关系。
可选的,构建自编码器:首先,基于结构参数的关联性关系,将参数分类为独立参数和组合参数;然后,针对不同的组合参数,参考正交试验方法分别构建正交数据集,作为训练集用于自编码器训练,得到分别用于不同组合参数编码的自编码器;最后,将独立参数进行浮点编码,并与自编码器的编码结果相结合,实现结构参数的编码。
可选的,利用自编码器实现结构参数编码,构建初始种群:
利用参数的变化范围和变化精度信息,通过均匀随机算法完成参数取值,并利用结构参数编码方法,完成种群个体编码,实现种群初始化。
可选的,利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型:
首先,利用自编码器中的解码器对种群个体基因型进行解码,得到器件结构描述参数;然后,基于解码得到的结构参数和结构参数关联性关系,调整结构参数取值;最后,利用校正后的结构参数构建合理的具象数值模型。
可选的,基于数值模型完成仿真,利用仿真结果完成个体适应度评价:
利用PIC数值模拟软件对种群个体描述的具象数值模型进行仿真,并根据数值模拟结果及预先设定的适应度评价方法对个体适应度进行评价。
可选的,利用引入了参数相关性编码的遗传算法实现种群进化:
基于相关性编码后的基因型,利用基因选择、交叉和变异算子,生成个体,构建新种群,实现种群进化:
基因选择
利用锦标赛选择算法完成个体选择,作为父代用于繁殖下一代,同时保留原始种群中的精英个体;
基因交叉
对经过筛选的父代进行交叉操作,采用经典均匀交叉算子实现基因的交叉;
基因变异
对经过交叉操作得到的子代进行变异操作,采用经典的均匀变异算子实现基因的变异;
生成新种群
重复上述过程,利用新生成的子代构建新种群,并将这些新的个体将作为下一代的候选解,用于进一步的优化和搜索,直到达到最大迭代次数或者找到满足设计要求的解;从最终的种群中选择适应度最高的个体进行输出作为最优解,即是高功率微波源的原型优化设计结果。
第二方面,本发明提供一种用于HPM源的原型优化设计系统,包括:
参数获取模块,用于基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化;
初始化模块,用于基于结构参数的变化范围和精度,构建自编码器;利用自编码器实现结构参数编码,构建初始种群,利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型;
数值模拟模块,用于基于数值模型完成仿真,利用仿真结果完成个体适应度评价;
优化输出模块,用于利用引入了参数相关性编码的遗传算法实现种群进化,基于进化后的种群,重复优化过程,通过迭代方式找到精英个体,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。
第三方面,本发明一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现一种用于HPM源的原型优化设计方法的步骤。
第四方面,本发明一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现一种用于HPM源的原型优化设计方法的步骤。
与现有技术相比,本发明有以下技术效果:
本发明利用自编码器,可以自适应地学习和捕捉参数之间的复杂关联性,从而在优化过程中全面考虑多个参数之间的综合影响。通过将这种关联性编码引入遗传优化过程,可以实现在遗传进化过程中引入参数相关性。这种方法能够更深入地考虑到器件参数之间的关联性,为器件原型优化设计提供新的可能性;
本发明通过利用自编码器实现参数的相关性编码,可以有效地实现高维数据的降维。这种处理方式有助于去除数据中的冗余信息,降低数据维度,从而显著提高优化过程的效率。这种降维处理不仅可以简化问题的复杂性,还可以在保留关键信息的同时,提高遗传算法的搜索效率;
本发明借鉴了遗传操作(选择、交叉和变异)来搜索参数空间,能够快速而有效地探索潜在的解空间;
本发明通过自编码器的编码和解码过程,可以获得对参数关联性的一定解释,这有助于理解优化设计结果的内在原因。这种解释性能够更好地理解和解释优化结果,从而为进一步的优化提供指导;
总的来说,自编码器可以帮助捕捉参数之间的复杂关联性,并将其编码为适合遗传算法处理的形式。遗传算法可以有效地搜索参数空间,结合自编码器的编码能力,可以更全面地考虑参数之间的关联性,从而为优化设计提供新的可能性。这种方法能够处理复杂的参数关联性,具有潜力成为一种强大的优化工具,适用于各种需要考虑参数关联性和层次结构的优化设计问题。
附图说明
图1是一种相对论返波管类型器件的结构参数化示意图。
图2是自编码器的训练流程图。
图3是一种自编码器的结构示意图。
图4是一种染色体示例图。
图5是基因均匀交叉示例。
图6是基因均匀变异示例。
图7为本发明流程图。
具体实施方式
以下结合附图对本发明进一步说明:
请参阅图1至图7,一种用于HPM源的原型优化设计方法,包括:
基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化;
基于结构参数的变化范围和精度,构建自编码器;利用自编码器实现结构参数编码,构建初始种群,利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型;
基于数值模型完成仿真,利用仿真结果完成个体适应度评价;
利用引入了参数相关性编码的遗传算法实现种群进化,基于进化后的种群,重复优化过程,通过迭代方式找到精英个体,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。
具体的:
所述HPM源器件的结构参数化,基于待优化的HPM源器件结构特点,将器件结构以参数形式进行描述,并设置参数的变化范围、变化精度、关联性关系等。
所述基于结构参数的变化范围和精度,构建自编码器,确定结构参数编码方法,首先,基于结构参数的关联性关系,将参数分类为独立参数和组合参数。然后,针对不同的组合参数,参考正交试验方法分别构建正交数据集,作为训练集用于自编码器训练,得到分别用于不同组合参数编码的自编码器。最后,将独立参数进行浮点编码,并与自编码器的编码结果相结合,实现结构参数的编码;所述利用自编码器实现结构参数编码,构建初始种群,利用参数的变化范围和变化精度信息,通过均匀随机算法完成参数取值,并根据上述结构参数编码方法,完成种群个体编码,实现种群初始化;
所述利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型,首先,利用自编码器中的解码器对种群个体基因型进行解码,得到器件结构描述参数。然后,基于解码得到的结构参数和结构参数关联性关系,调整结构参数取值。最后,利用校正后的结构参数构建合理的具象数值模型。
所述利用PIC数值模拟方法实现器件性能预测,并完成个体适应度评价,利用PIC数值模拟软件对种群个体描述的具象数值模型进行仿真,并根据数值模拟结果及预先设定的适应度评价方法对个体适应度进行评价;
所述利用引入了参数相关性编码的遗传算法,实现种群进化,基于相关性编码后的基因型,利用基因选择、交叉和变异算子,生成个体,构建新种群,实现种群进化;所述通过迭代方式找到精英个体,实现HPM源的原型优化设计,基于进化后的新种群,重复上述优化过程,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。
实施例:
(1)对待优化的HPM源器件进行参数化
用于描述器件结构的参数可分为独立参数和组合参数两类。其中,独立参数为单个参数,其取值不会对其他参数产生影响;组合参数通常为一组参数,参数之间有较强的相关性关系,组合参数又可被分为不同的级别,其中高级别参数的取值将对组内其他低级别参数的个数和取值产生影响。以相对论返波管为例,r0、r1、r2、r3、r4、d0、z0、z1、z2、z3均为独立参数,其余参数为组合参数。其中,nr为反射腔个数,hri1、wri1、hri2和wri2为第i个反射腔的结构尺寸(0≤i≤nr);ns为慢波结构个数,hsj1、wsj1、hsj2和wsj2为第j个慢波的结构尺寸(0≤j≤ns);ne为反射腔个数,hek1、wek1、hek2和wek2为第k个提取腔的结构尺寸(0≤k≤ne),设置参数的变化范围和变化精度,如表1所示。若以反射腔结构描述参数为例,则{nr,hri1,wri1,hri2,wri2}为一组组合参数。该组合参数中的nr为高级参数,用于决定反射腔的个数及反射腔结构参数个数。
表1
(2)构建自编码器,确定编码方法
如表1所示,用于表征器件结构的参数可分为独立参数和组合参数两种类型。为了能够对两种类型参数进行基因编码,采用了一种基于自编码器的相关性编码方法。首先,基于结构参数的关联性关系,将参数分类为独立参数和组合参数。然后,针对不同的组合参数,参考正交试验方法分别构建正交数据集,作为训练集用于自编码器的训练,得到分别用于不同组合参数编码的自编码器。
最后,将独立参数进行浮点编码,并与自编码器的编码结果相结合,实现基因型的构建。
以组合参数为例,进一步说明组合基因的相关性编码方法如下:
假设组合参数为
其中n为1级参数,将决定2级参数m的维度,m为2级参数将决定3级参数a的维度。利用正交实验方法生成尽可能多的训练数据集,用于自编码器训练。自编码器的训练流程如图2所示。
其中,X0代表输入参数,即,上述的组合参数,C代表编码器生成的相关性编码结果,X1代表解码器输出的结果。利用X0和X1计算损失函数MSE,并采用Adam优化方法训练编码器和解码器。当训练收敛后,即得到了用于组合参数相关性编码的编码器。
假设一组组合参数为{n,{a1,a2,...,an}},其中,0≤n≤3,1≤ai≤10,(i=1,2,3),详细说明组合编码流程如下:
1)在组合参数的取值范围内,将参数的取值精度设定为1,并生成训练数据集T,T中共包含1111组数据。且,若n<3时,数据需要用0进行补齐,确保数据长度为4;
2)构建一种自编码器如图3所示;
3)基于训练数据集T,利用Adam优化方法训练自编码器;
4)由于{n,{a1,a2,...,an}}中的a参数相互独立,考虑将n隐含入相关性编码中,因此,将相关性编码的长度设置为3;
5)自编码器训练完成后,可通过将组合参数输入编码器得到相关性编码;
(3)初始化种群
假设种群内包含N个个体,第l个个体记为xl,其中,0≤l≤N。
在参数变化范围内,基于参数变化精度,采用均匀随机方式生成具体参数值,并对独立参数进行浮点数基因编码,其中浮点精度根据器件参数精度确定,组合基因则采用训练好的编码器进行编码。以表1所示结构参数为例,xl个体编码后的基因型为:
Chromosomel={rl0,rl1,rl2,rl3,rl4,dl0,zl0,zl1,zl2,zl3,F1(Nlr),F2(Nle),F3(Nls)}
(1)
其中,
Nlr={nlr,hlri1,wlri1,hlri2,wlri2},i∈[0,nlr] (2)
Nle={nle,hlej1,wlej1,hlej2,wlej2},j∈[0,nle] (3)
Nls={nls,hlsk1,wlsk1,hlsk2,wlsk2},k∈[0,nls] (4)其中,F1(x),F2(x)和F3(x)分别表示预训练好的用于组合基因Nlr,Nle和Nls的自编码器,编码后的个体xl组成了初始种群。
(4)PIC数值模拟
利用解码器将种群个体基因型中的组合基因进行解码,生成真实的组合参数。
例如:个体编码后的结果如(1)所示,解码后的器件结构描述参数为,
xl={rl0,rl1,rl2,rl3,rl4,dl0,zl0,zl1,zl2,zl3,N′lr,N′le,N′ls} (5)
其中,
N′lr={n′lr,h′lri′1,w′lri′1,h′lri′2,w′lri′2} (6)
N′le={n′le,h′lej′1,w′lej′1,h′lej′2,w′lej′2} (7)
N′ls={n′ls,h′lsk′1,w′lsk′1,h′lsk′2,w′lsk′2} (8)
且,(6)(7)(8)式中的i',j',k'不一定满足条件i′∈[0,n′lr],j∈[0,n′le],k′∈[0,n′ls]。需要对解码后的器件结构描述参数利用结构参数校正模块进行校正,以保证结构参数的合理性和正确性。此处的结构参数校正模块,将根据解码后的组合参数取值及组合参数间的相互关联性,进行参数校正。
例如:解码后的器件结构描述参数如(5)所示,经过关联性关系校正后的表式为,
其中,
以组合参数为例,结构参数校正方法可以描述为:
若(6)式中解码得到的i'的取值范围大于n′lr,则令且:
若(6)式中解码得到的i'的取值范围小于n′lr,则令等于i'的最大取值。/>和将采用类似的方法进行参数校正。
然后,利用校正后的结构参数构建具象的器件数值模型。明确所关注的器件性能参数,如工作频率、输出功率、工作频率、频率纯度、能量转化效率、粒子通过率等。利用PIC模拟软件分别对每种器件结构进行数值模拟,预测种群个体所描述的所有器件的性能参数。然后利用预先定义的个体适应度评价方法计算个体适应度,并利用迭代方式实现种群进化,得到精英个体。
(5)种群进化
1)基因选择
利用锦标赛选择算法完成个体选择,作为父代用于繁殖下一代,同时保留原始种群中的精英个体。
2)基因交叉
对经过筛选的父代进行交叉操作,假设需要进行交叉操作的父染色体分别为P1和P2,如图4所示,其中,F1(N1)表示P1染色体上组合基因N1的编码结果,F1(N2)表示P2染色体上组合基因N2的编码结果。则:采用经典的均匀交叉算子实现,若均匀交叉概率pc=0.5,则基因将按照该交叉概率实现交叉运算。如图5所示。其中,虚线箭头表示基因发生了交叉,实线箭头表示基因未发生交叉。其中,组合基因发生交叉的是编码F1(N1)和F1(N2),交叉后的编码记为F′1(N1)和F′1(N2)。
3)基因变异
对经过交叉操作得到的子代进行变异操作,假设需要进行变异操作的父染色体分别为P1和P2,如图5所示。则:采用经典的均匀变异算子实现,若变异概率pm=0.05,则基因将按照0.05的概率发生变异,变异后的基因将在该基因取值范围内随机取值,如图6所示。其中,组合基因变异前的是编码F′1(N1)和F′1(N2),变异后的编码为F″1(N1)和F″1(N2)。
4)生成新种群
重复上述过程,利用新生成的子代构建新种群,并将这些新的个体将作为下一代的候选解,用于进一步的优化和搜索。
(6)重复步骤(4)和步骤(5),直到达到最大迭代次数或者找到满足设计要求的解。
(7)输出最优解。
从最终的种群中选择适应度最高的个体进行输出作为最优解,即是高功率微波源的原型优化设计结果。
本发明再一实施例中,提供一种用于HPM源的原型优化设计系统,能够用于实现上述的一种用于HPM源的原型优化设计方法,具体的,该一种用于HPM源的原型优化设计系统包括:
参数获取模块,用于基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化;
初始化模块,用于基于结构参数的变化范围和精度,构建自编码器;利用自编码器实现结构参数编码,构建初始种群,利用解码器和结构参数校正构建种群个体所描述器件的数值模型;
数值模拟模块,用于基于数值模型完成仿真,利用仿真结果完成个体适应度评价;
优化输出模块,用于利用引入了参数相关性编码的遗传算法实现种群进化,基于进化后的种群,重复优化过程,通过迭代方式找到精英个体,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。
本发明实施例中对模块的划分是示意性的,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,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器中,也可以是单独物理存在,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,也可以采用软件功能模块的形式实现。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,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,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种用于HPM源的原型优化设计方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关一种用于HPM源的原型优化设计方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用于HPM源的原型优化设计方法,其特征在于,包括:
基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化;
基于结构参数的变化范围和精度,构建自编码器;利用自编码器实现结构参数编码,构建初始种群,利用解码器和结构参数校正模块构建种群个体所描述器件的数值模型;
基于数值模型完成仿真,利用仿真结果完成个体适应度评价;
利用引入了参数相关性编码的遗传算法实现种群进化,基于进化后的种群,重复优化过程,通过迭代方式找到精英个体,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。
2.根据权利要求1所述的一种用于HPM源的原型优化设计方法,其特征在于,基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化:
基于待优化的HPM源器件结构特点,将器件结构以参数形式进行描述,并设置参数的变化范围、变化精度及关联性关系。
3.根据权利要求1所述的一种用于HPM源的原型优化设计方法,其特征在于,构建自编码器:首先,基于结构参数的关联性关系,将参数分类为独立参数和组合参数;然后,针对不同的组合参数,参考正交试验方法分别构建正交数据集,作为训练集用于自编码器训练,得到分别用于不同组合参数编码的自编码器;最后,将独立参数进行浮点编码,并与自编码器的编码结果相结合,实现结构参数的编码。
4.根据权利要求3所述的一种用于HPM源的原型优化设计方法,其特征在于,利用自编码器实现结构参数编码,构建初始种群:
利用参数的变化范围和变化精度信息,通过均匀随机算法完成参数取值,并利用结构参数编码方法,完成种群个体编码,实现种群初始化。
5.根据权利要求1所述的一种用于HPM源的原型优化设计方法,其特征在于,利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型:
首先,利用自编码器中的解码器对种群个体基因型进行解码,得到器件结构描述参数;然后,基于解码得到的结构参数和结构参数关联性关系,调整结构参数取值;最后,利用校正后的结构参数构建合理的具象数值模型。
6.根据权利要求1所述的一种用于HPM源的原型优化设计方法,其特征在于,基于数值模型完成仿真,利用仿真结果完成个体适应度评价:
利用PIC数值模拟软件对种群个体描述的具象数值模型进行仿真,并根据数值模拟结果及预先设定的适应度评价方法对个体适应度进行评价。
7.根据权利要求1所述的一种用于HPM源的原型优化设计方法,其特征在于,利用引入了参数相关性编码的遗传算法实现种群进化:
基于相关性编码后的基因型,利用基因选择、交叉和变异算子,生成新个体,构建新种群,实现种群进化:
基因选择
利用锦标赛选择算法完成个体选择,作为父代用于繁殖下一代,同时保留原始种群中的精英个体;
基因交叉
对经过筛选的父代进行交叉操作,采用经典均匀交叉算子实现基因的交叉;
基因变异
对经过交叉操作得到的子代进行变异操作,采用经典的均匀变异算子实现基因的变异;
生成新种群
重复上述过程,利用新生成的子代构建新种群,并将这些新的个体作为下一代的候选解,用于进一步的优化和搜索,直到达到最大迭代次数或者找到满足设计要求的解;从最终的种群中选择适应度最高的个体进行输出作为最优解,即是高功率微波源的原型优化设计结果。
8.一种用于HPM源的原型优化设计系统,其特征在于,包括:
参数获取模块,用于基于待优化的HPM源器件类型的结构特征,实现HPM源器件结构的参数化;
初始化模块,用于基于结构参数的变化范围和精度,构建自编码器;利用自编码器实现结构参数编码,构建初始种群,利用解码器和结构参数校正方法构建种群个体所描述器件的数值模型;
数值模拟模块,用于基于数值模型完成仿真,利用仿真结果完成个体适应度评价;
优化输出模块,用于利用引入了参数相关性编码的遗传算法实现种群进化,基于进化后的种群,重复优化过程,通过迭代方式找到精英个体,直到达到最大迭代次数或者找到满足设计要求的器件原型结构。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种用于HPM源的原型优化设计方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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任一项所述一种用于HPM源的原型优化设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311704200.0A CN117669237A (zh) | 2023-12-12 | 2023-12-12 | 一种用于hpm源的原型优化设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311704200.0A CN117669237A (zh) | 2023-12-12 | 2023-12-12 | 一种用于hpm源的原型优化设计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669237A true CN117669237A (zh) | 2024-03-08 |
Family
ID=90075001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311704200.0A Pending CN117669237A (zh) | 2023-12-12 | 2023-12-12 | 一种用于hpm源的原型优化设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669237A (zh) |
-
2023
- 2023-12-12 CN CN202311704200.0A patent/CN117669237A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022141754A1 (zh) | 一种卷积神经网络通用压缩架构的自动剪枝方法及平台 | |
US8825573B2 (en) | Controlling quarantining and biasing in cataclysms for optimization simulations | |
CN111275172B (zh) | 一种基于搜索空间优化的前馈神经网络结构搜索方法 | |
CN110222830B (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
WO2022227217A1 (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
Bidlo | On routine evolution of complex cellular automata | |
Idais et al. | Optimal knots allocation in the cubic and bicubic spline interpolation problems | |
CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
Zhou et al. | Adaptive multiobjective optimization of process conditions for injection molding using a Gaussian process approach | |
CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
JP2002533960A (ja) | 進化アルゴリズムによる符号圧縮 | |
CN101212681A (zh) | 一种快速运动搜索方法 | |
CN111831955A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
CN117669237A (zh) | 一种用于hpm源的原型优化设计方法及系统 | |
CN116305939A (zh) | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 | |
Hrbacek | Parallel multi-objective evolutionary design of approximate circuits | |
CN113051938B (zh) | 一种基于Transformer模型的机器翻译模型优化方法 | |
Liu et al. | An efficient BCNN deployment method using quality-aware approximate computing | |
CN115064216A (zh) | 一种基于位置序列矩阵的蛋白质编码方法 | |
Shetty et al. | Structure learning of Bayesian networks using a semantic genetic algorithm-based approach | |
CN117669238A (zh) | 一种用于hpm源的多目标原型优化方法及系统 | |
Cao et al. | A self-braking symbiotic organisms search algorithm for bi-objective reentrant hybrid flow shop scheduling problem | |
Mrazek et al. | Automatic design of arbitrary-size approximate sorting networks with error guarantee | |
Wang et al. | ELF-SP-evolutionary algorithm for non-slicing floorplans with soft modules | |
Bidlo | On routine evolution of new replicating structures in cellular automata |
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 |