[发明专利]一种基于多输出高斯过程贝叶斯优化的天线优化方法

说明书

本发明公开了一种基于多输出高斯过程贝叶斯优化的天线优化方法，利用少量的高精度电磁仿真和大量的低精度电磁仿真构建代理模型，在代理模型的基础上使用贝叶斯优化，从而大幅提高天线的优化速度。天线优化过程通常需要多次电磁仿真的反复迭代，消耗大量的计算资源和时间。高精度的电磁仿真可以获得更为精确的天线响应，但仿真耗时长；低精度的电磁仿真获得的天线响应粗糙，但仿真耗时短。利用多输出高斯过程，基于少量的高精度仿真数据和大量的低精度仿真数据建立代理模型，然后在此基础上使用贝叶斯优化方法进行迭代。本发明基于成熟的数学模型，逻辑清晰，与传统贝叶斯优化相比，在保证优化结果的前提下明显提升了优化的速度。

技术领域

本发明属于天线优化方法技术领域，特别涉及一种基于多输出高斯过程贝叶斯优化的天线优化方法。

背景技术

在对天线的设计和优化中，电磁仿真消耗大量的计算资源和时间，随着天线设计趋于复杂，需要优化的天线物理尺寸数量不断增加，天线优化算法制约着天线设计的效率。天线的优化问题可以被归为对黑盒函数求优化的问题。为使用尽量少的迭代次数找到符合要求的解，根据已采样样本建立代理模型用于拟合黑盒函数，从而减少迭代的次数。在贝叶斯优化中，一般情况下使用高斯过程作为代理模型。

建立在高斯过程的后验均值与方差的基础上，贝叶斯优化使用获得函数平衡探索和利用。

2015年，Sergio Ledesm等学者在“IEEE Antennas and Propagation Magazine”上发表题为“A Hybrid Method to Design Wire Antennas：Design and optimization ofantennas using artificial intelligence”的文章。文章通过建立综合目标函数的方法将天线的多个分目标与限制条件融合为一个综合目标函数。

2014年，Slawomir Koziel等学者在“IEEE Transactions onAntennas andPropagation”上发表题为“Efficient Multi-Objective Simulation-Driven AntennaDesign Using Co-Kriging”的文章，使用Co-Kriging的方法融合高低精度电磁仿真提高了建立代理模型的效率，然后使用进化算法进行迭代。

2018年，Wenlong Lyu等学者在“IEEE Transactions on Circuits and SystemsI：Regular Papers”上发表题为“An Efficient Bayesian Optimization Approach forAutomated Optimization of Analog Circuits”的文章，使用贝叶斯优化对电路进行优化，验证了贝叶斯优化的效率远远超过进化算法。

2018年，Haitao Li等学者在“2017 7th IEEE International Symposium onMicrowave，Antenna，Propagation，and EMC Technologies”上发表题为“Optimizationdesign of skin antenna based on Bayesian optimization”的文章，使用贝叶斯优化对蒙皮天线进行了优化，文中使用的代理模型为传统高斯过程。

2020年，Qi Wu等学者在“IEEE Transactions on Antennas and Propagation”上发表题为“Multistage collaborative machine learning and its application toantenna modeling and optimization”的文章，使用多输出高斯过程中ICM建立代理模型，但是使用了进化算法进行迭代。