CN117725756A - 一种参数确定方法、装置、电子设备及存储介质 - Google Patents
一种参数确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117725756A CN117725756A CN202311851249.9A CN202311851249A CN117725756A CN 117725756 A CN117725756 A CN 117725756A CN 202311851249 A CN202311851249 A CN 202311851249A CN 117725756 A CN117725756 A CN 117725756A
- Authority
- CN
- China
- Prior art keywords
- target
- sampling point
- initial
- parameter
- optimized
- 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 63
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 221
- 238000004088 simulation Methods 0.000 claims abstract description 152
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 230000005672 electromagnetic field Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种参数确定方法、装置、电子设备及存储介质,涉及参数优化领域,方法包括:获取目标对象的仿真模型、多个待优化参数以及每个待优化参数的参数取值范围;根据多个待优化参数和每个待优化参数的参数取值范围,确定目标采样点集;从目标采样点集中获取初始采样点集;将初始采样点集中的每个初始采样点输入至仿真模型,得到仿真结果;根据初始采样点集和仿真结果,构建降阶模型,降阶模型用于确定每个待优化参数对应的目标优化参数。如此,通过构建降阶模型,能够同时确定目标对象的多个目标优化参数,提升了参数确定的效率,且确定出的多个目标优化参数即为多个待优化参数的最优搭配,提升了参数确定的准确率。
Description
技术领域
本发明涉及参数优化领域,特别是涉及一种参数确定方法、装置、电子设备及存储介质。
背景技术
在电磁系统(如微波器件、射频电路、天线阵单元等)的智能制造中,可能需要对电磁系统的多个参数同时优化。
目前针对多参数需要同时优化的情况,只能由设计人员针对多个待优化参数中的每一个待优化参数在软件仿真环境确定其他参数不变的情况下,通过设置不同的数值不断地尝试需要被优化的参数,直到找到软件仿真环境下的电磁系统最优性能和相关参数搭配,但这样的方式通常耗时漫长,效率较低,且不能确定多个待优化参数的最优参数搭配,准确率较低。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种参数确定方法、装置、电子设备及存储介质。
为实现上述目的,本发明提供了如下方案:
一种参数确定方法,所述方法包括:
获取目标对象的仿真模型、多个待优化参数以及每个所述待优化参数的参数取值范围;
根据多个所述待优化参数和每个所述待优化参数的参数取值范围确定目标采样点集;
从所述目标采样点集中获取初始采样点集;
将所述初始采样点集中的每个初始采样点输入至所述仿真模型,得到仿真结果;
根据所述初始采样点集和所述仿真结果构建降阶模型;所述降阶模型用于确定每个待优化参数对应的目标优化参数。
优选地,还包括:
将所述目标采样点集中的每个目标采样点输入至所述降阶模型,得到目标仿真结果;所述目标仿真结果包括每个所述目标采样点对应的目标仿真性能指标;
确定所有所述目标仿真性能指标中符合设定目标条件的目标性能指标;
确定所述目标性能指标对应的目标采样点中与所述每个待优化参数对应的目标优化参数。
优选地,根据所述初始采样点集和所述仿真结果,构建降阶模型,包括:
根据每个所述初始采样点和每个所述初始采样点对应的电磁场分布构建对称矩阵;
对所述对称矩阵进行奇异值分解,得到多个奇异值以及每个所述奇异值对应的特征向量;
确定符合设定特征条件的特征向量;
基于所有所述特征向量和降阶模型算法构建初始降阶模型;
判断所述初始降阶模型是否符合设定条件;
在所述初始降阶模型符合设定条件的情况下,确定所述初始降阶模型为所述降阶模型。
优选地,还包括:
在所述初始降阶模型不符合设定条件的情况下,根据所述目标采样点集,重新构建所述初始降阶模型直至所述初始降阶模型符合设定条件,得到所述降阶模型。
优选地,判断所述初始降阶模型是否符合设定条件,包括:
将所述初始采样点集中的每个初始采样点输入至所述初始降阶模型,得到初始仿真结果;
根据设定函数比对所述仿真结果与所述初始仿真结果,得到比对结果;
判断所述比对结果是否符合设定条件;
在所述比对结果符合设定条件的情况下,确定所述初始降阶模型符合设定条件;
在所述比对结果不符合设定条件的情况下,确定所述初始降阶模型不符合设定条件。
优选地,所述待优化参数包括所述目标对象的工作频率、材料参数以及电磁波入射角参数。
一种参数确定装置,包括:
第一获取模块,用于获取目标对象的仿真模型、多个待优化参数以及每个所述待优化参数的参数取值范围;
第一确定模块,用于根据多个所述待优化参数和每个所述待优化参数的参数取值范围确定目标采样点集;
第二获取模块,用于从所述目标采样点集中获取初始采样点集;
第一输入模块,用于将所述初始采样点集中的每个初始采样点输入至所述仿真模型,得到仿真结果;
构建模块,用于根据所述初始采样点集和所述仿真结果构建降阶模型;所述降阶模型用于确定每个待优化参数对应的目标优化参数。
优选地,还包括:
第二输入模块,用于将所述目标采样点集中的每个目标采样点输入至所述降阶模型,得到目标仿真结果;所述目标仿真结果包括每个所述目标采样点对应的目标仿真性能指标;
第二确定模块,用于确定所有所述目标仿真性能指标中符合设定目标条件的目标性能指标;
第三确定模块,用于确定所述目标性能指标对应的目标采样点中与所述每个待优化参数对应的目标优化参数。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述参数确定方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行上述参数确定方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种参数确定方法、装置、电子设备及存储介质,方法包括:获取目标对象的仿真模型、多个待优化参数以及每个待优化参数的参数取值范围;根据所述多个待优化参数和所述每个待优化参数的参数取值范围,确定目标采样点集;从所述目标采样点集中获取初始采样点集;将所述初始采样点集中的每个初始采样点输入至所述仿真模型,得到仿真结果;根据所述初始采样点集和所述仿真结果,构建降阶模型,所述降阶模型用于确定每个待优化参数对应的目标优化参数。如此,通过构建降阶模型,能够同时确定目标对象的多个目标优化参数,提升了参数确定的效率,且确定出的多个目标优化参数即为多个待优化参数的最优搭配,提升了参数确定的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的参数确定方法的实现流程示意图;
图2为本发明实施例提供的参数确定方法的具体应用示例的实现流程示意图;
图3为本发明实施例提供的参数确定装置的组成结构示意图;
图4为本发明实施例提供的参数确定装置的电子设备的组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。
本发明的目的是提供一种参数确定方法、装置、电子设备及存储介质,通过构建降阶模型,能够同时确定目标对象的多个目标优化参数,提升了参数确定的效率,且确定出的多个目标优化参数即为多个待优化参数的最优搭配,提升了参数确定的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参考图1,本申请实施例提供了一种参数确定方法,该方法包括:操作101,获取目标对象的仿真模型、多个待优化参数以及每个待优化参数的参数取值范围;操作102,根据多个待优化参数和每个待优化参数的参数取值范围确定目标采样点集;操作103,从目标采样点集中获取初始采样点集;操作104,将初始采样点集中的每个初始采样点输入至仿真模型,得到仿真结果;操作105,根据初始采样点集和仿真结果构建降阶模型;降阶模型用于确定每个待优化参数对应的目标优化参数。
在操作101中,获取目标对象的仿真模型、多个待优化参数以及每个待优化参数的参数取值范围。
具体的,目标对象可以指代需要进行参数优化的电磁系统,如微波器件、射频电路、天线阵单元等。需要说明的是,本申请的目标对象不仅限于电磁系统,也可以是其他的系统、结构或设备,例如流体、热力学系统、柔性体结构等。
进一步的,参数优化即相当于对目标对象的性能进行优化,首先需要获取目标对象的仿真模型,仿真模型可以为电磁系统的几何模型,几何模型可以通过三维制图软件进行构建,例如CAD、Proe等。之后,基于目标对象待优化的性能,可以获取与待优化性能相关的多个待优化参数,并确定每个待优化参数对应的参数取值范围。
在本申请一实施方式中,待优化参数可以表示目标对象的工作频率、材料参数以及电磁波入射角参数等。
在操作102中,根据多个待优化参数和每个待优化参数的参数取值范围,确定目标采样点集。
在本申请一实施方式中,可以根据每个待优化参数的预设采样精度,在每个待优化参数的取值范围内对每个待优化参数进行采样点抽取,得到每个待优化参数对应的多个子采样点。之后将多个待优化参数的子采样点进行采样点组合,得到多个目标采样点,多个目标采样点组成目标采样点集。其中,每个目标采样点包括多个待优化参数中每个待优化参数对应的子采样点,子采样点即待优化参数中的参数值。
举例说明,以多个待优化参数为工作频率以及电磁波入射角为例,工作频率的取值范围可以为(50Hz,150Hz),预设采样精度可以设定为50Hz,则工作频率对应的子采样点可以为50Hz和100Hz;电磁波入射角的取值范围可以为(30°,60°),预设采样精度可以为30°,则电磁波入射角对应的子采样点可以为30°和60°,将工作频率的子采样点和电磁波入射角的子采样点进行组合,可以得到2×2个采样点组合,每个采样点组合称为目标采样点,所有目标采样点组成目标采样点集,目标采样点集包括目标采样点1(50Hz,30°)、目标采样点2(50Hz,60°)、目标采样点3(100Hz,30°)、目标采样点4(100Hz,60°)。
需要说明的是,上述待优化参数以及待优化参数对应的预设采样精度只是示例性说明,本申请对待优化参数以及待优化参数的预设精度不作具体限定,待优化参数还可以是其他的参数,例如模型几何大小、材料等,待优化参数的预设采样精度也可根据具体的设计精度要求而具体设定。
操作103,从目标采样点集中获取初始采样点集。
在本申请一实施方式中,可以通过间隔抽取法或随机抽取法从目标采样点集中抽取适量的采样点组成初始采样点集。
具体的,目标采样点集中的多个采样点相当于一个坐标系下的参数空间,可以设置参数空间的第一采样间隔,根据第一采样间隔在参数空间中逐一抽取采样点。或者采用常规的随机抽取法在目标采样点集中随机抽取采样点。
举例说明,以待优化参数为两个为例,目标采样点集可以被当作二维坐标系(X,Y)下的参数空间,可以在X轴和Y轴设置第一采样间隔,并根据设置的第一采样间隔对采样点进行抽取,得到初始采样点集。
在本申请一实施方式中,由于需要将初始采样点集中的初始采样点输入至常规的仿真模型中进行仿真计算,需要考虑到仿真模型的仿真计算速度,而常规的仿真模型的仿真计算速度较慢且能处理的数据数量也有限,因此,初始采样点集的采样点数量应小于目标采样点集,例如小于目标采样点集中采样点数量的1/10、1/2、1/3、1/4等。
需要说明的是,本申请对初始采样点集的采样点数量不作具体限定,可以根据实际需求进行适应配置。
在操作104中,将初始采样点集中的每个初始采样点输入至仿真模型,得到仿真结果。
具体的,初始采样点集中包括多个初始采样点,将所有采样点输入至仿真模型进行仿真计算,得到仿真结果。其中,为了加快仿真计算的速度,仿真计算为分布式仿真计算。
进一步的,将所有初始采样点输入至仿真模型后,得到仿真结果,仿真结果可以包括对每个初始采样点进行仿真计算后得到的仿真性能指标。其中,本申请参数的确定是为了确定出更优的参数以对参数进行优化,而参数的优化是为了提升目标对象的性能,由此仿真计算时需要计算出表示目标对像性能的性能指标,即仿真性能指标,例如散射系数,又称S参数。
操作105,根据初始采样点集和仿真结果,构建降阶模型,降阶模型用于确定每个待优化参数对应的目标优化参数。
具体的,降阶模型(Reduced Order Models,ROM)是在有合理的准确性的模型基础上构建一个简化的模型近似原来的模型,其核心思想是将大规模复杂系统模型在一定条件下转化为较小规模的近似系统模型,满足近似系统模型与原系统模型的误差足够小并且计算速度足够快。
进一步的,针对仿真模型的仿真计算处理能力有限的问题,可以通过对仿真模型进行降阶,得到降阶模型,以通过降阶模型代替仿真模型处理数据,提升效率。
在本申请一实施方式中,可以基于常用的降阶模型算法,根据初始采样点集和仿真结果,构建降阶模型。其中,降阶模型算法可以为特征正交分解法(Proper OrthogonalDecomposition,POD)、动力模态分解法(DMD)等。
需要说明的是,采用降阶模型算法构建降阶模型的过程可以参考常规的仿真模型降阶得到降阶模型的过程,在此不再赘述。
在本申请一实施方式中,仿真结果还包括对每个初始采样点仿真计算得到的电磁场分布,构建降阶模型的具体过程可以为:根据每个初始采样点和每个初始采样点对应的电磁场分布,构建对称矩阵;对对称矩阵进行奇异值分解,得到多个奇异值以及每个奇异值对应的特征向量;根据多个奇异值,确定符合设定特征条件的特征向量;基于所有特征向量和降阶模型算法,构建初始降阶模型;判断初始降阶模型是否符合设定条件;在初始降阶模型符合设定条件的情况下,确定初始降阶模型为降阶模型。
具体的,首先基于仿真结果中每个初始采样点对应的电磁场分布,构建对称矩阵,之后对对称矩阵进行奇异值分解,并获取符合设定特征条件的特征向量作为构建初始降阶模型的特征向量。其中,对称矩阵为汉克尔矩阵(Hankel Matrix)。
在本申请这一实施方式中,设定特征条件为特征向量对应的奇异值符合预设奇异值保留条件,例如奇异值的阈值或奇异值的排列顺序。在获取到多个奇异值后,可以对多个奇异值从大到小进行排序,并保留排在前面的奇异值对应的特征向量,或保留符合设定奇异值阈值的奇异值对应的特征向量。
进一步的,基于保留的特征向量和常用的一些降阶模型算法,即可构建初始降阶模型。
需要说明的是,构建对称矩阵以及奇异值分解的过程均可参考常规的对称矩阵构建过程以及奇异值分解过程,在此不再赘述。
在构建初始降阶模型后,还需判断初始降阶模型是否符合设定条件,在初始降阶模型符合设定条件的情况下,才确定初始降阶模型模型为可用的降阶模型。其中,设定条件可以为设定准确率、设定精度等。
在本申请一实施方式中,采用以下操作判断初始降阶模型是否符合设定条件:将初始采样点集的每个初始采样点输入至初始降阶模型,得到初始仿真结果;根据设定函数,比对仿真结果与初始仿真结果,得到比对结果;判断比对结果是否符合设定条件;在比对结果符合设定条件的情况下,确定初始降阶模型符合设定条件;在比对结果不符合设定条件的情况下,确定初始降阶模型不符合设定条件。
具体的,仿真结果包括每个初始采样点对应的仿真性能指标,初始仿真结果包括每个初始采样点对应的初始仿真性能指标。根据设定函数,对每个初始采样点对应的仿真性能指标和初始仿真性能指标进行比对,得到比对结果,在比对结果符合设定条件的情况下,确定初始降阶模型符合设定条件,在比对结果不符合设定条件的情况下,确定初始降阶模型不符合设定条件。
在本申请一实施方式中,设定函数为误差函数,设定条件为设定误差阈值,对仿真结果和初始仿真结果进行比对为计算仿真结果与初始仿真结果的误差。
进一步的,在仿真结果和初始仿真结果的误差符合误差设定阈值的情况下,确定初始降阶模型符合设定条件,确定初始降阶模型为降阶模型。其中,误差阈值可以根据具体需求具体设定,例如根据对目标对象的设计精度要求进行具体设定。
在本申请一实施方式中,在初始降阶模型不符合设定条件的情况下,根据目标采样点集,重新构建初始降阶模型至初始降阶模型符合设定条件,得到降阶模型。
具体的,可以通过不断在目标采样点集中获取不同的初始采样点集的方式构建新的初始降阶模型,直到构建的初始降阶模型符合设定条件,确定初始降阶模型为降阶模型。
在本申请一实施方式中,可以通过设置与第一采样间隔不同的采样间隔的方式重新获取初始采样点集。还可以获取最初使用的初始采样点集中初始采样点的初始仿真结果相较于对应的仿真结果偏差较大的初始采样点,将这些初始采样点周围的采样点作为新的初始采样点集。
由此,本申请实施例基于待优化参数以及待优化参数的取值范围可以一次性确定所有目标采样点,得到目标采样点集,相对于常规不断进行采样点设置的方案,避免了不断进行采样点设置,并在确定目标采样点集之后,可自动构建仿真模型对应的降阶模型,使用降阶模型代替仿真模型,避免了用户不断基于仿真模型重复调整每个待优化参数以确定每个待优化参数的目标优化参数的过程,提高了效率。且在构建降阶模型的过程中,能够基于已配置的设定条件,不断从目标采样点集中确定构建降阶模型的初始采样点集,实现对降阶模型的自动构建和更新,确定出最优的降阶模型。
在本申请一实施方式中,在操作105之后还根据降阶模型确定每个待优化参数对应的目标优化参数,具体为:将目标采样点集中的每个目标采样点输入至降阶模型,得到目标仿真结果,目标仿真结果包括每个目标采样点对应的目标仿真性能指标;确定所有目标仿真性能指标中符合设定目标条件的目标性能指标;确定目标性能指标对应的目标采样点中与每个待优化参数对应的目标优化参数。
具体的,由于基于仿真模型对目标采样点集中的所有采样点进行仿真计算耗费时间较长,由此,通过目标采样点集中的部分采样点对仿真模型进行降阶得到降阶模型之后,通过降阶模型对目标采样点集中的所有目标采样点进行仿真计算,可以得到每个目标采样点对应的目标仿真结果,即每个目标采样点对应的目标仿真性能指标。
进一步的,设定目标条件为目标性能指标最优,例如,目标性能指标小表示目标对象的性能越好的情况下,确定设定目标条件为目标性能指标最小;目标性能指标大表示目标对象的性能越好的情况下,确定设定目标条件为目标性能指标最大。确定符合设定目标条件的目标仿真性能指标对应的目标采样点为最优采样点,之后获取最优采样点中与每个待优化参数对应的目标优化参数。其中,目标采样点包括多个待优化参数对应的子采样点,子采样点即待优化参数的参数值,最优采样点对应的子采样点的参数值即为每个待优化参数对应的目标优化参数。
由此,本申请实施例基于降阶模型能够在较短时间内仿真计算出所有目标采样点对应的目标仿真性能指标,之后通过确定最优采样点,得到最优采样点对应的多个目标优化参数,能够得到最优的参数组合,提高参数确定的准确率。
图2示出了本申请实施例提供的参数确定方法的具体应用示例的实现流程示意图。
为进一步理解本方案,下面以本申请实施例一具体应用实例来进行说明。
参考图2,本申请实施例这一具体应用示例的目标对象为电磁系统,本申请实施例这一具体应用示例包括:
S1,获取来自用户端的输入,输入包括几何模型、待优化参数空间。
具体的,可以接收用户输入的几何模型,几何模型即电磁系统的仿真模型。其中,仿真模型包括目标函数和电磁函数y=CTx,A表示几何模型,(a1、a2……aI)表示待优化参数的参数空间,I为待优化参数的数量,C表示目标函数的系数,f表示电磁系统的激励,y表示模型的性能指标,CT为电磁函数的系数,x为待优化参数对应的电磁场分布。
进一步的,待优化参数空间中包括多个采样点,每个采样点包括多个待优化参数,例如采样点1包括:参数1、参数2以及参数3等。其中,待优化参数可以为电磁系统的工作频率、电磁入射角、材料参数等。
S2,设置待优化参数空间采样点。
具体的,可以根据间隔抽取法或其他形式的取点法从待优化参数空间中抽取待优化参数空间采样点。
S3,根据所选择的待优化参数空间采样点进行分布式仿真计算,得到第一仿真计算结果。
具体的,通过对待优化参数空间点进行分布式仿真计算,得到第一仿真计算结果,第一仿真计算结果包括每个待优化参数空间采样点对应的电磁场分布和S参数,其中,S参数为电磁系统的性能指标。
S4,构建汉克尔矩阵并通过奇异值分解,对奇异值大小进行排序,筛选出待保留的系统特征。
具体的,对仿真结果中的电磁场分布构建汉克尔矩阵并通过奇异值分解,之后将奇异值进行排序,保留奇异值较大的特征向量作为电磁系统的系统特征。
S5,构建电磁系统参数空间的降阶模型。
具体的,基于S4得到的系统特征和降阶模型算法,对电磁系统的仿真模型进行降阶,构建降阶模型。其中,降阶模型算法可以为特征正交分解法(Proper OrthogonalDecomposition,POD)、动力模态分解法(DMD)等。
进一步的,降阶模型包括降阶目标函数和降阶电磁函数其中,/>由/>降阶得到,ai表示待优化参数,/>表示降阶模型,/>表示电磁场分布,/>表示降阶目标函数的参数,f表示电磁系统的激励,/>表示S参数,/>表示降阶电磁函数的系数。
需要说明的是,降阶模型的具体构建过程可以参考常规的降阶模型构建过程,在此不再赘述。
S6、利用所构建的电磁系统参数空间的降阶模型进行参数空间快速扫描,得到第二仿真计算结果。
具体的,利用降阶模型对S2中选取的待优化参数空间采样点进行仿真计算,得到第二仿真计算结果。
S7,对第二仿真计算结果进行检查,若满足要求,执行S8;若不满足要求,返回S2,调整待优化参数空间采样点,并重复进行S2-S7至第二仿真计算结果满足要求。
具体的,将第二仿真结果与第一仿真结果进行比较,在第二仿真结果相较于第一仿真结果的误差满足设定误差阈值时,确定当前降阶模型为最终的降阶模型。如果误差不满足误差阈值,则回到S2重新选取待优化参数空间采样点,并根据重新选取的待优化空间采样点执行S3-S7,重复执行,直到构建的降阶模型满足要求。
S8,利用降阶模型对待优化参数空间进行快速扫描,得到参数空间优化结果散点图。
具体的,在S7中确定最终的降阶模型后,利用降阶模型对S1用户输入的待优化参数空间中的每个采样点进行仿真计算,得到每个采样点的S参数,并基于每个采样点和每个采样点对应的S参数构建散点图,得到参数空间优化散点图。
如此,本申请实施例这一具体应用实例,通过构建电磁系统的降阶模型代替常规的仿真模型,通过降阶模型解决多维参数空间优化的问题,避免了目前针对多维参数空间优化的问题需要由设计人员在仿真环境下针对每个待优化参数进行反复调试的流程,提高了效率。且根据降阶模型可以快速的扫描待优化参数空间中的每个采样点,得到每个采样点的S参数,形成参数空间优化结果散点图,相对于采样点较少情况下生成的散点图,可以更好的协助设计人员全面掌握待优化的电磁系统在多维参数空间下的性能指标和参数,避免遗漏待优化电磁系统的最佳参数。
需要说明的是,本申请实施例这一具体应用示例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。对于本申请实施例这一具体应用示例中未尽的技术细节,可以根据图1的说明而理解。
图3示出了本申请实施例提供的参数确定装置的组成结构示意图。
基于上述参数确定方法,本申请实施例又提供了一种参数确定装置,该装置包括:第一获取模块301,用于获取目标对象的仿真模型、多个待优化参数以及每个待优化参数的参数取值范围;第一确定模块302,用于根据多个待优化参数和每个待优化参数的参数取值范围,确定目标采样点集;第二获取模块303,用于从目标采样点集中获取初始采样点集;第一输入模块304,用于将初始采样点集中的每个初始采样点输入至仿真模型,得到仿真结果;构建模块305,用于根据初始采样点集和仿真结果,构建降阶模型,降阶模型用于确定每个待优化参数对应的目标优化参数。
在本申请一实施方式中,装置还包括:第二输入模块,用于将目标采样点集中的每个目标采样点输入至降阶模型,得到目标仿真结果,目标仿真结果包括每个目标采样点对应的目标仿真性能指标;第二确定模块,用于确定所有目标仿真性能指标中符合设定目标条件的目标性能指标;第三确定模块,用于确定目标性能指标对应的目标采样点中与每个待优化参数对应的目标优化参数。
在本申请一实施方式中,仿真结果包括初始采样点集中每个初始采样点对应的电磁场分布;相应的,构建模块305包括:第一构建子模块,用于根据每个初始采样点和每个初始采样点对应的电磁场分布,构建对称矩阵;分解子模块,用于对对称矩阵进行奇异值分解,得到多个奇异值以及每个奇异值对应的特征向量;第一确定子模块,用于确定符合设定特征条件的特征向量;第二构建子模块,用于基于所有特征向量和降阶模型算法,构建初始降阶模型;判断子模块,用于判断初始降阶模型是否符合设定条件;第二确定子模块,用于在初始降阶模型符合设定条件的情况下,确定初始降阶模型为降阶模型。
在本申请一实施方式中,构建模块305还包括:重新构建模块,用于在初始降阶模型不符合设定条件的情况下,根据目标采样点集,重新构建初始降阶模型至初始降阶模型符合设定条件,得到降阶模型。
在本申请一实施方式中,判断子模块包括:输入单元,用于将初始采样点集中的每个初始采样点输入至初始降阶模型,得到初始仿真结果;比对单元,用于根据设定函数,比对仿真结果与初始仿真结果,得到比对结果;判断子单元,用于判断比对结果是否符合设定条件;第一确定单元,用于在比对结果符合设定条件的情况下,确定初始降阶模型符合设定条件;第二确定单元,用于在比对结果不符合设定条件的情况下,确定初始降阶模型不符合设定条件。
需要说明的是,本申请实施例装置的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。对于本申请实施例提供的参数确定装置中未尽的技术细节,可以根据图1至图2中任一附图的说明而理解。
根据本申请的实施例,本申请还提供了一种电子设备和一种非瞬时计算机可读存储介质。
图4示出了可以用来实施本申请的实施例的示例电子设备40的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,电子设备40包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM403中,还可存储电子设备40操作所需的各种程序和数据。计算单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备40中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如参数确定方法。例如,在一些实施例中,参数确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到电子设备40上。当计算机程序加载到RAM403并由计算单元401执行时,可以执行上文描述的参数确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行参数确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种参数确定方法,其特征在于,包括:
获取目标对象的仿真模型、多个待优化参数以及每个所述待优化参数的参数取值范围;
根据多个所述待优化参数和每个所述待优化参数的参数取值范围确定目标采样点集;
从所述目标采样点集中获取初始采样点集;
将所述初始采样点集中的每个初始采样点输入至所述仿真模型,得到仿真结果;
根据所述初始采样点集和所述仿真结果构建降阶模型;所述降阶模型用于确定每个待优化参数对应的目标优化参数。
2.根据权利要求1所述的参数确定方法,其特征在于,还包括:
将所述目标采样点集中的每个目标采样点输入至所述降阶模型,得到目标仿真结果;所述目标仿真结果包括每个所述目标采样点对应的目标仿真性能指标;
确定所有所述目标仿真性能指标中符合设定目标条件的目标性能指标;
确定所述目标性能指标对应的目标采样点中与所述每个待优化参数对应的目标优化参数。
3.根据权利要求1所述的参数确定方法,其特征在于,根据所述初始采样点集和所述仿真结果构建降阶模型,包括:
根据每个所述初始采样点和每个所述初始采样点对应的电磁场分布构建对称矩阵;
对所述对称矩阵进行奇异值分解,得到多个奇异值以及每个所述奇异值对应的特征向量;
确定符合设定特征条件的特征向量;
基于所有所述特征向量和降阶模型算法构建初始降阶模型;
判断所述初始降阶模型是否符合设定条件;
在所述初始降阶模型符合设定条件的情况下,确定所述初始降阶模型为所述降阶模型。
4.根据权利要求3所述的参数确定方法,其特征在于,还包括:
在所述初始降阶模型不符合设定条件的情况下,根据所述目标采样点集,重新构建所述初始降阶模型直至所述初始降阶模型符合设定条件,得到所述降阶模型。
5.根据权利要求3所述的参数确定方法,其特征在于,判断所述初始降阶模型是否符合设定条件,包括:
将所述初始采样点集中的每个初始采样点输入至所述初始降阶模型,得到初始仿真结果;
根据设定函数比对所述仿真结果与所述初始仿真结果,得到比对结果;
判断所述比对结果是否符合设定条件;
在所述比对结果符合设定条件的情况下,确定所述初始降阶模型符合设定条件;
在所述比对结果不符合设定条件的情况下,确定所述初始降阶模型不符合设定条件。
6.根据权利要求1所述的参数确定方法,其特征在于,所述待优化参数包括所述目标对象的工作频率、材料参数以及电磁波入射角参数。
7.一种参数确定装置,其特征在于,包括:
第一获取模块,用于获取目标对象的仿真模型、多个待优化参数以及每个所述待优化参数的参数取值范围;
第一确定模块,用于根据多个所述待优化参数和每个所述待优化参数的参数取值范围确定目标采样点集;
第二获取模块,用于从所述目标采样点集中获取初始采样点集;
第一输入模块,用于将所述初始采样点集中的每个初始采样点输入至所述仿真模型,得到仿真结果;
构建模块,用于根据所述初始采样点集和所述仿真结果构建降阶模型;所述降阶模型用于确定每个待优化参数对应的目标优化参数。
8.根据权利要求7所述的参数确定装置,其特征在于,还包括:
第二输入模块,用于将所述目标采样点集中的每个目标采样点输入至所述降阶模型,得到目标仿真结果;所述目标仿真结果包括每个所述目标采样点对应的目标仿真性能指标;
第二确定模块,用于确定所有所述目标仿真性能指标中符合设定目标条件的目标性能指标;
第三确定模块,用于确定所述目标性能指标对应的目标采样点中与所述每个待优化参数对应的目标优化参数。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的参数确定方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的参数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311851249.9A CN117725756A (zh) | 2023-12-29 | 2023-12-29 | 一种参数确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311851249.9A CN117725756A (zh) | 2023-12-29 | 2023-12-29 | 一种参数确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117725756A true CN117725756A (zh) | 2024-03-19 |
Family
ID=90208829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311851249.9A Pending CN117725756A (zh) | 2023-12-29 | 2023-12-29 | 一种参数确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725756A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220138194A1 (en) * | 2020-11-05 | 2022-05-05 | Kabushiki Kaisha Toshiba | Parameter optimization apparatus, method, and system |
US20230062266A1 (en) * | 2021-08-27 | 2023-03-02 | The Boeing Company | Modeling new designs for electromagnetic effects |
CN115809583A (zh) * | 2022-12-22 | 2023-03-17 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pod的变压器振动场数字孪生模型降阶方法 |
CN115964882A (zh) * | 2022-12-23 | 2023-04-14 | 怡力精密制造有限公司 | 工艺参数设计优化方法、处理器及制造设备 |
WO2023159922A1 (zh) * | 2022-02-22 | 2023-08-31 | 中国第一汽车股份有限公司 | 发动机物理模型的处理方法、装置、存储介质和处理器 |
CN116933605A (zh) * | 2023-09-13 | 2023-10-24 | 南京航空航天大学 | 基于有限元降阶模型的齿轮温度场寻优方法及系统 |
-
2023
- 2023-12-29 CN CN202311851249.9A patent/CN117725756A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220138194A1 (en) * | 2020-11-05 | 2022-05-05 | Kabushiki Kaisha Toshiba | Parameter optimization apparatus, method, and system |
US20230062266A1 (en) * | 2021-08-27 | 2023-03-02 | The Boeing Company | Modeling new designs for electromagnetic effects |
WO2023159922A1 (zh) * | 2022-02-22 | 2023-08-31 | 中国第一汽车股份有限公司 | 发动机物理模型的处理方法、装置、存储介质和处理器 |
CN115809583A (zh) * | 2022-12-22 | 2023-03-17 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pod的变压器振动场数字孪生模型降阶方法 |
CN115964882A (zh) * | 2022-12-23 | 2023-04-14 | 怡力精密制造有限公司 | 工艺参数设计优化方法、处理器及制造设备 |
CN116933605A (zh) * | 2023-09-13 | 2023-10-24 | 南京航空航天大学 | 基于有限元降阶模型的齿轮温度场寻优方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114065939B (zh) | 量子芯片设计模型的训练方法、装置、设备及存储介质 | |
CN113610989B (zh) | 风格迁移模型训练方法和装置、风格迁移方法和装置 | |
US20230206578A1 (en) | Method for generating virtual character, electronic device and storage medium | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN115222879B (zh) | 一种模型减面处理方法、装置、电子设备及存储介质 | |
CN114861039A (zh) | 一种搜索引擎的参数配置方法、装置、设备及存储介质 | |
CN116596750A (zh) | 一种点云处理方法、装置、电子设备及存储介质 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN116911236A (zh) | 一种半导体器件的数值仿真方法、装置、设备及存储介质 | |
CN117725756A (zh) | 一种参数确定方法、装置、电子设备及存储介质 | |
CN113570067B (zh) | 分布式系统的同步方法、装置 | |
CN115908687A (zh) | 渲染网络的训练、渲染方法、装置及电子设备 | |
WO2021244203A1 (zh) | 参数优化的方法、电子设备和存储介质 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
JP7391127B2 (ja) | 点群データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN112507197B (zh) | 模型搜索方法、装置、电子设备、存储介质和程序产品 | |
CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 | |
CN114841324B (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN113470131B (zh) | 海面仿真图像的生成方法、装置、电子设备和存储介质 | |
WO2023245891A1 (zh) | 一种刻蚀工艺仿真方法及系统 | |
CN116361912A (zh) | 一种车架铸造加长梁重构方法、装置、设备及存储介质 | |
CN112528123A (zh) | 模型搜索方法、装置、电子设备、存储介质和程序产品 | |
CN114860341A (zh) | 线程配置方法、设备、装置、存储介质及程序产品 | |
CN116523051A (zh) | 一种模型混精推理方法、装置、设备及存储介质 |
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 |