基于多目标空间映射算法的微波器件设计方法

摘要

本发明公开了一种基于多目标空间映射算法的微波器件设计方法，涉及电磁计算领域，该方法步骤为：1.多目标粒子群优化计算粗糙模型。2.精确模型评价粗糙模型Pareto最优解集的响应，由精确模型响应更新精确模型Pareto最优解集。3.采用差值神经网络模型建立粗糙模型与精细模型之间的映射关系。4.粗糙模型结合差值模型作为新的粗糙模型，多目标粒子群优化计算新粗糙模型。5.判断终止条件，若满足终止条件则输出精确模型Pareto最优解集，否则返回步骤2。本发明可以完成多目标形式的空间映射计算，使用差值神经网络模型替代参数提取过程，算法具有较好的收敛性和稳定性。

主权项

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)；其特征在于，设计阶跃阻抗滤波器时，所述粗糙模型与精确模型的对应关系用下式表示：$L=\frac{{\mathrm{\beta lZ}}_0}{\omega },C=\frac{\beta l}{Z_0\omega }$其中$Z_0=\left\{\begin{array}{c}\frac{60}{\sqrt{{ϵ}_e}}ln(\frac{8d}{W}+\frac{W}{4d}),W/d\le 1\\ \frac{120\pi }{\sqrt{{ϵ}_e}[W/d+1.393+0.667\ln (W/d+1.444)]},W/d\ge 1\end{array}\right.$${ϵ}_e=\frac{{ϵ}_r+1}{2}+\frac{{ϵ}_r-1}{2}\frac{1}{\sqrt{1+12d/W}}$选取适应度函数为：$F=\left\{\begin{array}{c}{F}_1=abs\left(S_{21f=4GHz}\right)\\ F_2=100-abs\left(\min \right(S_{21f\le 3GHz}\left)\right)\end{array}\right..$