CN117669238A - 一种用于hpm源的多目标原型优化方法及系统 - Google Patents
一种用于hpm源的多目标原型优化方法及系统 Download PDFInfo
- Publication number
- CN117669238A CN117669238A CN202311704434.5A CN202311704434A CN117669238A CN 117669238 A CN117669238 A CN 117669238A CN 202311704434 A CN202311704434 A CN 202311704434A CN 117669238 A CN117669238 A CN 117669238A
- Authority
- CN
- China
- Prior art keywords
- population
- parameters
- tree
- hpm
- optimization
- 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 82
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 210000000349 chromosome Anatomy 0.000 claims abstract description 64
- 238000013461 design Methods 0.000 claims abstract description 45
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 108090000623 proteins and genes Proteins 0.000 claims description 109
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000035772 mutation Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 11
- 206010064571 Gene mutation Diseases 0.000 claims description 9
- 238000007667 floating Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009395 breeding Methods 0.000 claims description 2
- 230000001488 breeding effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000013138 pruning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108700026220 vif Genes Proteins 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 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
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于HPM源的多目标原型优化方法及系统,包括:基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数;利用器件结构参数,设计参数的树形编码,生成初始化种群;基于初始化种群中种群个体所描述的器件结构,预测器件性能参数以及获取个体适应度评价;利用改进的适用于树形染色体的遗传算子,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,实现HPM源的原型优化设计。本发明通过利用参数的关联性信息和树形染色体编码方法,可以减少搜索空间的维度,提高优化的效率。同时,使用改进的适用于树形染色体的遗传算子,可以更好地保持种群的多样性,避免陷入局部最优解。
Description
技术领域
本发明属于高功率微波源的原型优化领域,特别涉及一种用于HPM源的多目标原型优化方法及系统。
背景技术
高功率微波(high power microwave,HPM)源基于电磁场与带电粒子间复杂的非线性互作用工作,可产生工作频率为1~300GHz,微波输出功率大于100MW的高功率微波。高功率微波源是产生高功率微波的核心部件,在军事、民用、科研等领域被广泛应用。
自HPM源器件被提出以来,国内外的研究人员主要从物理机理出发,通过理论分析提出新的研究思路,设计器件原型,并结合粒子模拟(particle-in-cell,PIC)方法和实验验证方式实现器件调优。近年来,随着HPM技术地不断发展,大量新的理论和器件性能指标被提出,旨在帮助研究人员设计出性能更优的HPM源。但是,随着研究人员对器件性能要求的不断提高,HPM源的设计难度也在不断增加,对传统仅基于理论分析和PIC数值模拟的HPM源设计方法提出了新的挑战。
传统器件原型设计方法严重依赖于设计人员的主观意识和个人偏好。这可能导致设计结果受到个人喜好和经验的局限,缺乏客观性和全面性;
严重受限于设计人员的技术和知识水平的限制。这可能导致设计方案缺乏创新性和新颖性,无法充分发挥设计的潜力;
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;
缺乏自动化和优化的能力。人工实现器件优化通常局限于局部搜索和局部优化。设计者可能只能通过有限的试错和调整来改进设计,无法全面地探索设计空间和找到全局最优解。HPM器件结构复杂、参数众多、非线性特征明显,这将导致仅依靠人工方法难以找到全局最优解。
遗传算法是一种常用的参数优化算法,该方法是基于自然遗传学机理实现,可以有效应用到对复杂非线性问题的求解当中,因其求解效率高,鲁棒性强,被广泛的应用到了最优化问题的求解中。
近年来,研究人员尝试利用进化优化算法(如,遗传算法和粒子群算法等)与PIC模拟方法相结合辅助完成HPM源的优化设计,并取得了一定的成果。传统的遗传算法主要是在选择以及变异的过程中得到后代优秀的个体,但是在变异过程中可能将这些个体损坏。
由于受到传统遗传算子的限制,将遗传算法应用于HPM源优化设计时,仅限于实现在较小的参数变化范围内对器件结构进行优化微调,而无法改变器件的拓扑结构。与器件结构优化不同,器件的原型优化需要调整器件的拓扑结构,构建符合设计要求的器件原型。因此,传统的遗传算法无法满足HPM源器件原型优化设计要求。
发明内容
本发明的目的在于提供一种用于HPM源的多目标原型优化方法及系统,以解决传统的遗传算法无法满足HPM源器件原型优化设计要求的问题。
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源的多目标原型优化方法,包括:
基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数;
利用器件结构参数,设计参数的树形编码,生成初始化种群;
基于初始化种群中种群个体所描述的器件结构,预测器件性能参数以及获取个体适应度评价;
利用改进的适用于树形染色体的遗传算子,进行种群进化,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,实现HPM源的原型优化设计。
可选的,基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数:
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,利用器件结构参数,设计参数的树形编码:
首先,将独立参数按照浮点编码方式进行编码,形成独立基因构建树形染色体的主干;然后,基于组合参数隐含的强相关性关系,将组合参数按照浮点编码方式进行编码,形成组合基因构建树形染色体的枝干;其中,组合基因又被分为不同的级别,高级基因将决定低级基因的个数;最后,通过组合主干和枝干实现树形染色体的基因型构建;
生成初始化种群:
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,并根据树形染色体编码方法完成种群个体编码,实现种群初始化。
可选的,基于初始化种群中种群个体所描述的器件结构,预测器件性能参数:
利用种群个体中的器件结构参数具体取值,构建具象的器件数值模型;明确工作频率、输出功率、工作频率、频率纯度、能量转化效率、粒子通过率器件性能参数,利用PIC数值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。
可选的,获取个体适应度评价:
根据待优化器件性能的优先级确定目标权重,依据器件性能参数的类型分别进行评价;假设fs(x)为区间型器件性能参数的描述函数,为区间型性能参数的评价函数,区间型性能参数采用分级评价方式;
趋势型性能参数,分为正趋势指标和负趋势指标两类,其中,正趋势指标以相对大值为优,负趋势指标以相对小值为优;
假设fo(x)为趋势型器件性能参数的描述函数,为fo(x)的评价函数,待评价集合内共有p组结果;
若该趋势指标为正趋势指标,以相对大值为优,则:
Fo(fo(x))=(foi(x)/max(foi(x)))×100,(i=1,2,...,p),foi(x)>0
若该趋势目标为负趋势指标,以相对小值为优,则:
Fo(fo(x))=(min(foi(x))/foi(x))×100,(i=1,2,...,p),foi(x)>0
基于上述目标评价方法,确定个体的适应度为:
其中,W为指标的权重,Fs为区间型性能参数的评级,Fo为趋势型性能参数的评级,为个体的适应度。
可选的,利用改进的适用于树形染色体的遗传算子,进行种群进化,基于进化后的种群通过迭代方式找到精英个体,实现HPM源的原型优化设计:
利用适于树形染色体的基因交叉算子和基因变异算子,生成新种群,实现种群进化;
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。
可选的,具体过程为:
1)基因选择
利用轮盘赌算法完成个体选择,作为父代用于繁殖下一代;利用选择出的父代,采用适于树形染色体的基因交叉和基因变异算子,生成新种群,并保留原始种群中的精英个体;
2)基因交叉
假设需要进行交叉的父染色体分别为P1和P2,则:
针对独立基因,采用经典的均匀交叉算子实现;
针对组合基因,基于剪接枝的基因分级交叉算法实现。
3)基因变异算子
针对树形染色体的独立基因和组合基因需采用不同的变异方法;
针对独立基因,采用经典的均匀变异算子实现;针对组合基因,基于剪接枝的基因分级变异算法实现;
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;
重复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,为高功率微波源的原型优化结果。
第二方面,本发明提供一种用于HPM源的多目标原型优化系统,包括:
参数获取模块,用于基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数;
初始化模块,用于利用器件结构参数,设计参数的树形编码,生成初始化种群;
预测模块,用于基于初始化种群中种群个体所描述的器件结构,预测器件性能参数以及获取个体适应度评价;
优化模块,用于利用改进的适用于树形染色体的遗传算子,进行种群进化,基于进化后的种群通过迭代方式找到精英个体,实现HPM源的原型优化设计。
第三方面,本发明提供一种计算机设备,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,所述处理器执行所述计算机程序时实现一种用于HPM源的多目标原型优化方法的步骤。
第四方面,本发明提供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源的多目标原型优化方法的步骤。
与现有技术相比,本发明有以下技术效果:
本发明通过利用参数的关联性信息和树形染色体编码方法,可以减少搜索空间的维度,提高优化的效率。同时,使用改进的适用于树形染色体的遗传算子,可以更好地保持种群的多样性,避免陷入局部最优解;
本发明生成的树形染色体直观地表示参数结构和依赖关系,具有良好的解释性;
本发明通过使用PIC数值模拟方法预测器件性能参数,并利用FSAWS方法进行适应度评价,可以对优化过程和结果进行解释和理解。这有助于设计人员对优化结果的可靠性和可行性进行评估;
本发明基于遗传算法,可以很容易地进行并行化处理。通过并行计算,可以加快优化过程的速度,提高优化的效率。
附图说明
图1是本发明流程图。
图2是一种相对论返波管类型器件的结构参数化示意图。
图3是一种树形编码示意图。
图4是一种树形染色体示例。
图5是独立基因均匀交叉示例。
图6是组合基因中高级基因均匀交叉示例。
图7是组合基因中低级基因剪接枝交叉示例。
图8是独立基因均匀变异示例图。
图9是组合基因中高级基因均匀变异示例图。
图10是组合基因中低级基因变异示例图,其中(a)是剪枝变异(b)是接枝变异。
图11是基于树形染色体进化的高功率微波源原型设计逻辑框图。
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11,一种用于HPM源的多目标原型优化方法。其中,该方法包括:
基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数;
利用器件结构参数的关联性信息,设计参数的树形编码方法,并生成初始化种群;
基于种群个体所描述的器件结构,利用PIC数值模拟方法预测器件性能参数,并利用FSAWS方法实现个体适应度评价;
利用改进的适用于树形染色体的遗传算子,实现种群进化;
通过迭代方式找到精英个体,实现HPM源的原型优化设计。
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;
所述利用器件结构参数的关联性信息,设计参数的树形编码方法,首先,将独立参数按照浮点编码方式进行编码,形成独立基因构建树形染色体的主干。然后,基于组合参数隐含的强相关性关系,将组合参数按照浮点编码方式进行编码,形成组合基因构建树形染色体的枝干,其中,组合基因又被分为不同的级别,高级基因将决定低级基因的个数。最后,通过组合主干和枝干实现树形染色体的基因型构建;
所述生成初始化种群,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,并根据树形染色体编码方法完成种群个体编码,实现种群初始化;
所述利用PIC数值模拟方法预测器件性能参数,并利用FSAWS方法实现个体适应度评价,对种群个体所描述的器件进行具象数值建模,利用PIC数值模拟软件进行仿真,根据数值模拟结果及预先设定的性能指标评级准则,利用FSAWS方法对个体适应度进行评价;
所述利用改进的适用于树形染色体的遗传算子,实现种群进化,利用适于树形染色体的基因交叉算子和基因变异算子,生成新种群,实现种群遗传变异;
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,基于更新后的新种群,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。
具体实施方式如下:
(1)对待优化的HPM源器件进行结构参数化
以相对论返波管为例,对器件结构进行参数化,如图2所示,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)结构参数树形编码
对表1所示的结构参数进行树形编码,如图3所示。首先,将独立参数r0、r1、r2、r3、r4、d0、z0、z1、z2、z3按照浮点编码方式进行编码,形成独立基因构建树形染色体的主干,如图3中黑色方框所示。然后,基于组合参数隐含的强相关性关系,将组合参数{nr,hri1,wri1,hri2,wri2}、{ns,gsj1,wsj1,hsj2,wsj2}和{ne,gek1,wek1,gek2,wek2}按照浮点编码方式进行编码,形成组合基因构建树形染色体的枝干,如图3中圆圈所示。其中,nr、ns和ne均为高级基因,将分别决定低级基因{gri1,wri1,hri2,wri2}、{gsj1,wsj1,gsj2,wsj2}和{gek1,Wek1,gek2,wek2}的个数。
(3)初始化种群
假设种群内包含N个体,记为X1(0≤1≤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,并对参数进行浮点数编码,x1的染色体记为:
Chromosomel={r0l,r1l,r2l,r3l,r4l,d0l,z0l,z1l,z2l,z3l,Nrl,Nel,Nsl}. (1)
其中,
Nrl={nrl,hrli1,wrli1,hrli2,wrli2},i∈[0,nrl] (2)
Nel={nel,helj1,welj1,helj2,welj2},J∈[0,nel] (3)
Nsl={nsl,hslk1,wslk1,hslk2,wslk2},k∈[0,nsl] (4)
编码后的个体组成了初始种群。
(4)PIC数值模拟
利用种群个体中的器件结构参数具体取值,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数值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。利用下述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)个体适应度评价
根据待优化器件性能的优先级确定目标权重W,权重设置参考FSAWS方法分为5个级别,如表2所示。
表2
依据器件性能参数的类型分别进行评价。假设fs(x)为区间型器件性能参数的描述函数,为区间型性能参数的评价函数。区间型性能参数采用分级评价方式,参考FSAWS分为9个级别,如表3所示。
表3
趋势型性能参数,可分为正趋势指标和负趋势指标两类。其中,正趋势指标以相对大值为优,负趋势指标以相对小值为优。
假设fo(x)为趋势型器件性能参数的描述函数,为fo(x)的评价函数,待评价集合内共有p组结果。
若该趋势指标为正趋势指标,以相对大值为优,则:
Fo(fo(x))=(foi(x)/max(foi(x)))×100,(i=1,2,...,p),foi(x)>0 (5)
若该趋势目标为负趋势指标,以相对小值为优,则:
Fo(fo(x))=(min(foi(x))/foi(x))×100,(i=1,2,...,p),foi(x)>0 (6)
基于上述目标评价方法,可以确定个体的适应度为:
其中,W为指标的权重,Fs为区间型性能参数的评级,Fo为趋势型性能参数的评级,Eval为个体的适应度。
(6)种群进化
1)基因选择
利用轮盘赌算法完成个体选择,作为父代用于繁殖下一代。利用选择出的父代,采用适于树形染色体的基因交叉和基因变异算子,生成新种群,并保留原始种群中的精英个体。
2)基因交叉
针对树形染色体的独立基因和组合基因需采用不同的交叉方法。假设需要进行交叉的父染色体分别为P1和P2,如图4所示。则:
针对独立基因,采用经典的均匀交叉算子实现,若均匀交叉概率pc=0.5,则独立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。
针对组合基因,提出一种基于剪接枝的基因分级交叉算法,详细描述如下:
步骤1:将2个父染色体中组合基因的高级基因按照均匀交叉算子进行交叉,如图6所示,此时高级基因发生了交叉;
步骤2:根据组合基因中高级基因的取值,将多余的低级基因进行剪枝,如图7所示,将P2染色体的c2d2进行剪枝;
步骤3:将组合基因中剪枝后的低级基因利用均匀交叉算子进行交叉,如图7所示,将P1染色体的a0b0a1b1与P2染色体的c0d0c1d1进行均匀交叉。均匀交叉概率为pc2,取值如(8)式所示;
其中,Fg表示该组合基因的高级基因是否发生交叉,取值为0或1。Fg=0表示该组合基因的高级基因未发生交换运算,1表示发生了交换运算。Cg表示该组合基因的低级基因之间的相关性因子,Cg取值越趋向于1,则表示低级基因之间的相关性越强。若Cg=1,则低级基因会随着高级基因发生整体交换;若Cg=0,则低级基因之间发生交换的概率为0.5;
步骤4:将组合基因被剪掉的枝干接续在缺少低级基因的主干上,如图7所示,将c2d2接枝在P1染色体上。
上述主要以2级组合基因为例进行了详细说明,在算法使用过程中,可以按照上述逻辑,构建多级组合基因的剪接枝基因交叉。
3)基因变异算子
针对树形染色体的独立基因和组合基因需采用不同的变异方法。假设需要进行变异操作的父染色体分别为P1和P2,如图4所示。
针对独立基因,采用经典的均匀变异算子实现,若变异概率pm=0.05,则独立基因将按照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8所示,其中虚线箭头表示该基因发生了变异。
针对组合基因,提出一种基于剪接枝的基因分级变异算法,详细描述如下:
步骤1:将染色体中组合基因的高级基因按照独立基因的变异方式实施变异,如图9所示,其中虚线箭头表示该基因发生了变异;
步骤2:若组合基因中高级基因变异后,导致了低级基因减少,则需要进行剪枝操作如图10的(a)所示,P1染色体的a1b1被剪枝;然后,将剪枝后的低级基因a0b0按照pm的概率进行变异操作;
步骤3:若组合基因中高级基因变异后,导致了低级基因增加,则需要进行接枝操作如图10的(b)所示,P1染色体的a2b2为接枝,基因值在该基因取值范围内随机获取;然后,将原有低级基因a0b0a1b1按照pm的概率进行均匀变异操作,其中虚线箭头表示该基因发生了变异;
上述主要以2级组合基因为例进行了详细说明,在算法使用过程中,可以按照上述逻辑,构建多级组合基因的剪接枝基因变异。
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。
(7)重复步骤4至步骤6,直到达到最大迭代次数或者找到满足设计要求的解。
(8)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。
能够处理复杂的参数关联性:该方法使用树形染色体来表示参数组合,可以灵活地处理参数之间的复杂关联性。树形结构可以表示参数的层次结构和依赖关系,可用于对描述器件拓扑结构的层级参数进行编码;
2.支持变长染色体:该方法基于树形染色体的特点,提出了适用于树形染色体的基因交叉算法,和适用于树形染色体的基因变异算法,允许染色体的长度在进化过程中发生变化。这意味着可以动态地增加或减少参数的数量,以适应不同的优化需求。这种灵活性使得该方法适用于处理参数数量不确定的问题;
3.高效的空间探索能力:该方法继承了遗传操作(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。树形结构的染色体可以通过交叉和变异操作来生成新的个体,从而增加了搜索的多样性和探索能力;
4.可解释性和可视化:该方法生成的树形染色体可以直观地表示参数的层次结构和依赖关系。这使得优化结果更易于解释和理解,有助于设计人员对优化结果进行分析和调整;
5.适应性和灵活性:该方法可以根据具体问题的特点和需求进行定制和扩展。可以根据问题的复杂程度和优化目标,选择合适的遗传操作和适应度评估方法,以获得更好的优化结果;
6.支持多目标原型设计:该方法引入了基于模糊简单加权系统(Fuzzy SimpleAdditive Weighting System,FSAWS)的多目标适应度评价方法,可应用于HPM源多目标原型优化设计场景。
总的来说,基于树形染色体进化的HPM源原型优化设计方法具有处理复杂参数关联性、支持变长染色体、高效的搜索空间探索、可解释性和可视化、适应性和灵活性等优势和特点。这使得该方法将成为一种强大的原型优化工具,适用于各种需要考虑参数关联性和层次结构的原型优化设计问题。
本发明再一实施例中,提供一种用于HPM源的多目标原型优化系统,能够用于实现上述的一种用于HPM源的多目标原型优化方法,具体的,该系统包括:
参数获取模块,用于基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数;
初始化模块,用于利用器件结构参数,设计参数的树形编码,生成初始化种群;
预测模块,用于基于初始化种群中种群个体所描述的器件结构,预测器件性能参数以及获取个体适应度评价;
优化模块,用于利用改进的适用于树形染色体的遗传算子,进行种群进化,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,实现HPM源的原型优化。
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源的多目标原型优化方法的操作。
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源的多目标原型优化方法的相应步骤。
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源的多目标原型优化方法,其特征在于,包括:
基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数;
利用HPM源器件结构参数,设计参数的树形编码,利用树形编码生成初始化种群;
基于初始化种群中种群个体所描述的HPM源器件结构,预测HPM源器件性能参数以及获取个体适应度评价;
利用改进的适用于树形染色体的遗传算子,进行种群进化,基于进化后的种群,通过迭代方式找到精英个体,实现HPM源的原型优化设计。
2.根据权利要求1所述的一种用于HPM源的多目标原型优化方法,其特征在于,基于待优化的HPM源器件类型,构建描述该类型HPM源器件的结构参数:
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2所述的一种用于HPM源的多目标原型优化方法,其特征在于,利用器件结构参数,设计参数的树形编码:
首先,将独立参数按照浮点编码方式进行编码,形成独立基因构建树形染色体的主干;然后,基于组合参数隐含的强相关性关系,将组合参数按照浮点编码方式进行编码,形成组合基因构建树形染色体的枝干;其中,组合基因又被分为不同的级别,高级基因将决定低级基因的个数;最后,通过组合主干和枝干实现树形染色体的基因型构建;
生成初始化种群:
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,并根据树形染色体编码方法完成种群个体编码,实现种群初始化。
4.根据权利要求1所述的一种用于HPM源的多目标原型优化方法,其特征在于,基于初始化种群中种群个体所描述的器件结构,预测器件性能参数:
利用种群个体中的器件结构参数具体取值,构建具象的器件数值模型;明确工作频率、输出功率、工作频率、频率纯度、能量转化效率、粒子通过率器件性能参数,利用PIC数值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。
5.根据权利要求1所述的一种用于HPM源的多目标原型优化方法,其特征在于,获取个体适应度评价:
根据待优化器件性能的优先级确定目标权重,依据器件性能参数的类型分别进行评价;假设fs(x)为区间型器件性能参数的描述函数,为区间型性能参数的评价函数,区间型性能参数采用分级评价方式;
趋势型性能参数,分为正趋势指标和负趋势指标两类,其中,正趋势指标以相对大值为优,负趋势指标以相对小值为优;
假设fo(x)为趋势型器件性能参数的描述函数,为fo(x)的评价函数,待评价集合内共有p组结果;
若该趋势指标为正趋势指标,以相对大值为优,则:
Fo(fo(x))=(foi(x)/max(foi(x)))×100,(i=1,2,…,p),foi(x)>0
若该趋势目标为负趋势指标,以相对小值为优,则:
Fo(fo(x))=(min(foi(x))/foi(x))×100,(i=1,2,…,p),foi(x)>0
基于上述目标评价方法,确定个体的适应度为:
其中,W为指标的权重,Fs为区间型性能参数的评级,Fo为趋势型性能参数的评级,为个体的适应度。
6.根据权利要求1所述的一种用于HPM源的多目标原型优化方法,其特征在于,利用改进的适用于树形染色体的遗传算子,进行种群进化,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,实现HPM源的原型优化设计:
利用适于树形染色体的基因交叉算子和基因变异算子,生成新种群,实现种群进化;
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。
7.根据权利要求6所述的一种用于HPM源的多目标原型优化方法,其特征在于,具体过程为:
1)基因选择
利用轮盘赌算法完成个体选择,作为父代用于繁殖下一代;利用选择出的父代,采用适于树形染色体的基因交叉和基因变异算子,生成新种群,并保留原始种群中的精英个体;
2)基因交叉
假设需要进行交叉的父染色体分别为P1和P2,则:
针对独立基因,采用经典的均匀交叉算子实现;
针对组合基因,基于剪接枝的基因分级交叉算法实现;
3)基因变异算子
针对树形染色体的独立基因和组合基因需采用不同的变异方法;
针对独立基因,采用经典的均匀变异算子实现;针对组合基因,基于剪接枝的基因分级变异算法实现;
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;
重复上述步骤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,即为高功率微波源的原型优化设计结果。
8.一种用于HPM源的多目标原型优化系统,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,构建描述该类型HPM源器件的结构参数;
初始化模块,用于利用器件结构参数,设计参数的树形编码,生成初始化种群;
预测模块,用于基于初始化种群中种群个体所描述的器件结构,预测器件性能参数以及获取个体适应度评价;
优化模块,用于利用改进的适用于树形染色体的遗传算子,进行种群进化,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,实现HPM源的原型优化设计。
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源的多目标原型优化方法的步骤。
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源的多目标原型优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311704434.5A CN117669238A (zh) | 2023-12-12 | 2023-12-12 | 一种用于hpm源的多目标原型优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311704434.5A CN117669238A (zh) | 2023-12-12 | 2023-12-12 | 一种用于hpm源的多目标原型优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669238A true CN117669238A (zh) | 2024-03-08 |
Family
ID=90067959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311704434.5A Pending CN117669238A (zh) | 2023-12-12 | 2023-12-12 | 一种用于hpm源的多目标原型优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669238A (zh) |
-
2023
- 2023-12-12 CN CN202311704434.5A patent/CN117669238A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liberis et al. | μnas: Constrained neural architecture search for microcontrollers | |
US8825573B2 (en) | Controlling quarantining and biasing in cataclysms for optimization simulations | |
Elhossini et al. | Strength Pareto particle swarm optimization and hybrid EA-PSO for multi-objective optimization | |
Talbi | Automated design of deep neural networks: A survey and unified taxonomy | |
CN109271320B (zh) | 一种上位多目标测试用例优先级排序方法 | |
Sun et al. | Correlated multi-objective multi-fidelity optimization for HLS directives design | |
CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
Wang et al. | Modified algorithms for fast construction of optimal Latin-hypercube design | |
WO2022227217A1 (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
CN115469851A (zh) | 一种编译器自动调参方法 | |
Song et al. | Storage ring nonlinear dynamics optimization with multi-objective multi-generation Gaussian process optimizer | |
Talbi | Optimization of deep neural networks: a survey and unified taxonomy | |
Nasr et al. | Hybrid genetic algorithm for constrained nonlinear optimization problems | |
Sharapov | Genetic algorithms: Basic ideas, variants and analysis | |
Zhou et al. | Adaptive multiobjective optimization of process conditions for injection molding using a Gaussian process approach | |
Pei et al. | AlphaSyn: Logic synthesis optimization with efficient monte carlo tree search | |
Doroshenko et al. | Automated Software Design for FPGAs on an Example of Developing a Genetic Algorithm. | |
CN111831955A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
CN117669238A (zh) | 一种用于hpm源的多目标原型优化方法及系统 | |
Miasojedow et al. | Sparse estimation in ising model via penalized Monte Carlo methods | |
CN115544869A (zh) | 一种高功率微波源多目标优化方法、系统、设备及介质 | |
CN117669237A (zh) | 一种用于hpm源的原型优化设计方法及系统 | |
CN112600208A (zh) | 一种区域分布式能源系统的多能流潮流计算方法及系统 | |
Sadegheih | Evolutionary algorithms and simulated annealing in the topological configuration of the spanning tree | |
Han et al. | A multi-objective genetic programming/NARMAX approach to chaotic systems identification |
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 |