[发明专利]基于多目标空间映射算法的微波器件设计方法

说明书

技术领域

本发明涉及一种微波器件设计方法，尤其涉及一种基于多目标空间映射算法的微波器件的设计方法。

背景技术

空间映射算法于1994年由Bandler提出，其巧妙地借助于同一电磁器件两种不同模型的计算方式之间的优点，实现了快速优化设计微波器件。多目标粒子群（MOPSO）算法，是使用粒子群算法搜索解空间的Pareto最优解集。

目前，国内外微波器件设计中的电磁计算方法一般使用传统空间映射及其改进算法，算法使用计算精度低速度快的粗糙模型辅助计算精度高速度慢的精确模型完成快速计算。使用空间映射算法快速计算优化电磁问题时，存在的主要问题是：一是空间映射算法为单目标形式的电磁快速计算方法，其无法处理多目标电磁优化问题；二是参数提取中，由于任意的精确模型响应不一定会存在一个粗糙模型响应与其完全一致，这样参数提取的结果不唯一，严重影响收敛性和稳定性。

发明内容

本发明的目的在于提供一种基于多目标空间映射算法的微波器件设计方法，以解决微波器件设计中多目标形式的电磁快速优化计算问题。

本发明的目的通过以下技术方案予以实现：

一种基于多目标空间映射算法的微波器件设计方法，包括以下步骤：

1）使用多目标粒子群算法优化计算粗糙模型，控制Pareto最优解集的大小，得出一组Pareto最优解集；

2）将粗糙模型Pareto最优解集送入精细模型计算响应，由精细模型响应更新精细模型Pareto最优解集；

3）采用差值神经网络模型训练神经网络，将粗糙模型适应度作为输入，精细模型与粗糙模型适应度之差作为输出；

4）将粗糙模型结合差值神经网络模型作为新粗糙模型，使用多目标粒子群优化计算新粗糙模型，得出一组基于粗糙模型和差值神经网络模型的Pareto解集，且控制解集的大小；

5）判断Pareto最优解集个数是否满足设计要求，若满足设计要求，则输出精细模型的最优解集，否则返回步骤2）。

本发明的目的还可以通过以下技术措施来进一步实现：

前述基于多目标空间映射算法的微波器件设计方法，其中多目标粒子群算法包括以下步骤：

1）初始化粒子群：确定粒子群大小NP，粒子群算法迭代次数NG，最大保留的Pareto解集的数量NR，目标函数空间每维分割个数ND，并计算每个粒子的适应度；

2）更新粒子群：粒子群的运动方程如下，

v(t)＝ω·v(t-1)+c₁·(lbest-x(t))+c₂·(REP-x(t))

x(t+1)＝x(t)+v(t)

其中ω可以为常数或随迭代次数在[0.6,1]之间线性增大，c₁,c₂为常数，lbest为每个粒子搜索过的最优解，REP的选取是将所求的Pareto解集空间分割为ND^D个超立方，统计每个立方中解的个数，除去不分布解的超立方，依照轮盘选择方法，选择解的个数较少的超立方，再随机在其中选择一个解；

3）计算粒子适应度，更新Pareto解集：对于此次迭代的每个粒子，遍历Pareto解集，若粒子对应的解支配Pareto解集中的解，则将Pareto解集中的解替换为此粒子对应的解，遍历完成后，除去Pareto解集中重复的解；若Pareto解集中的某个解支配粒子对应的解，则舍弃粒子对应的解；若遍历完成后，粒子对应解既不支配Pareto解集中的解也不被Pareto解集中的解支配，则将Pareto解集分割为ND^D个超立方，统计每个立方中解的个数，除去不分布解的超立方，依照轮盘选择方法，选出解个数较多的超立方，将粒子对应的解随机替换选中的超立方中的一个解；

4）判断终止条件：若迭代次数达到最大迭代次数，则运算迭代停止，输出Pareto最优解集；若未达到最大迭代次数，则返回步骤2）继续迭代。

前述基于多目标空间映射算法的微波器件设计方法，其中更新精细模型Pareto最优解的方法包括：

将本次精细模型所计算出的解与精细模型Pareto最优解集中的解逐个比较，若本次精细模型计算出的解支配精细模型Pareto最优解集中的某个解，则将精细模型Pareto最优解集中的这个解替换为本次精细模型计算出的解；若本次精细模型计算出的解被精细模型Pareto解集中的某个解支配，则抛弃本次精细模型计算出的解；若本次精细模型计算出的解既不支配也不被支配，则在精细模型Pareto解集中添加本次精细模型计算出的解。