微波无源电路仿真技术(07)扫参和优化教程文件.pptx

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,#,参数扫描、优化、稳定性分析,入门,HFSS,中的,Optimetrics,模块,HFSS,中的,Optimetrics,模块包含,参数化、优化灵敏度分析工具,和,稳定性分析,模块；,Optimetrics,允许全部参数或多变量优化分析。,Optimetrics,给我们提供了：,定义可变的模型参数,设置一个表特别控制重复计算,识别性能指标使其最优化,在优化模型（或非优化模型）中完成灵敏度分析和稳定性分析。,Optimetrics,能做什么？,在构建模型阶段参数化,几何形状（尺寸、形状、取向、数量,）,材料（无耗、复数、各向异性,）,边界（阻抗,/,电导率边界、联系边界扫掠角、对称,/,或模型盒,）,解,设定,一旦你的模型已经参数化,，优化能够在广泛地成本函数和目标的范围内被完成,电路参数,天线模式,发射,推出的场分量,如果你能后处理他，他就能被优化！,仿真模型参数化,所有需要做参数扫描或优化的仿真模型都需要对变量参数化。,L2,L1,L1,R_inner0,R_inner1,R_outer,参数扫描（,Parameter Sweep,）,参扫目的：端口外半径固定，确定,50,欧姆同轴线内半径。,添加参数扫描,添加扫描变量,设置解算,计算结果,显示计算结果,优化（,Optimization,）,HFSS 12.0,的优化器,在,HFSS,优化分析中有种优化器可供选择。,连续非线性规划（,Sequential Nonlinear Programming(SNLP),）；,连续和整数非线性规划（,Sequential Mixed Integer NonLinear Programming(SMINLP),）；,准牛顿（,Quasi Newton,）；,模式搜索（,Pattern Search,）；,遗传算法（,Genetic Algorithm,）；,在多数情况下，推荐使用连续非线性规划,（,Sequential Nonlinear Programming,）,优化器。,优化变量初值的选择,优化自变量的初值应尽量接近最优值；,优化自变量的选择，首先应保证期望的最优自变量值是在指定的自变量范围之内。自变量的范围越窄越好；,需要设置最大优化迭代次数；,所有的优化器都可以对自变量添加约束。,SNLP,和,SMINLP,优化器的约束条件可以是线性的也可以是非线性的。,Quasi Newton,和,Pattern Search,优化器的约束条件必须是线性的。,优化器：准牛顿法,准牛顿（,Quasi Newton,）,准牛顿法是一种“下山”搜索，与最速下降法类似。最速下降法与准牛顿法的区别是：在发现有希望的搜索方向时准牛顿法使用了近似的二阶导数。这样做就避免了最速下降法由于,Z,字形搜索路径产生的慢收敛速率。它从设计空间的一个点开始搜索，并反复地尝试发现较好的设计点。,准牛顿优化器允许你确定成本函数噪声,准牛顿法的局限性,准牛顿法获得最优点与初值有关。,数字噪声大时，不能使用准牛顿法,优化器：模式搜索,模式搜索（,Pattern Search,）,这种模式被定在网格上，而且，网格根据搜索成功率来细分或粗化。与准牛顿法类似，这种搜索也是反复搜索。首先，计算模式（即计算每一个模式点的成本函数）。然后，决定下一步动作。假如在这个模式中有比较好的解，这个模式被设定做第二次叠代。如果，没发现较好的点，网格被细分且算法再次开始计算模式，希望第二次能发现一个较好的点。,准牛顿法最大步长和最小步长变量控制,准牛顿法的最大步长设置：,这个参数限制了线搜索的“半径”。你应该为所有的优化变量确定最大步长。这个参数确定了一个围绕对应设计空间坐标系统的椭圆，沿搜索方向的搜索步长大于最大搜索步长，即步矢量的端点在这个椭圆之外。如果，线搜索预计在搜索方向上的步长大于最大允许步长，无论是否适当线搜索都将进行。,准牛顿法的最小步长设置：,这个优化参数的设定也定义了一个与上面叙述类似的椭圆。当在给定方向搜索方向的搜索得到了一个小于最小步长的步长时，搜索算法将中止。所以，它真正是搜索停止的标准。,模式搜索法,最大步长和最小步长变量控制,模式搜索法的最大步长设置：,在上面一节，我们已经讨论了模式搜索算法。如前所述，这个算法使用常规网格。对每个优化变量网格的初始间隔由最大步长参数确定。,模式搜索法的最大步长设置：,和准牛顿搜索的情况一样，这个参数触发搜索停止。随着叠代接近最佳值，模式搜索算法自然地细分网格。当网格被细分到网格间隔小于最小设定步长时，算法停止更进一步的搜索。,非线性规划,具有非线性约束条件或目标函数的数学规划，是运筹学的一个重要分支。非线性规划研究一个,n,元实函数在一组等式或不等式的约束条件下的极值问题，且目标函数和约束条件至少有一个是未知量的非线性函数。目标函数和约束条件都是线性函数的情形则属于线性规划。,非线性规划是,20,世纪,50,年代才开始形成的一门新兴学科。,1951,年,H.W.,库恩和,A.W.,塔克发表的关于最优性条件,(,后来称为库恩塔克条件,),的论文是非线性规划正式诞生的一个重要标志。在,50,年代还得出了可分离规划和二次规划的,n,种解法,它们大都是以,G.B.,丹齐克提出的解线性规划的单纯形法为基础的。,50,年代末到,60,年代末出现了许多解非线性规划问题的有效的算法，,70,年代又得到进一步的发展。非线性规划在工程、管理、经济、科研、军事等方面都有广泛的应用，为最优设计提供了有力的工具。,数学模型,对实际规划问题作定量分析，必须建立数学模型。建立数学模型首先要选定适当的目标变量和决策变量，并建立起目标变量与决策变量之间的函数关系,称之为目标函数。然后将各种限制条件加以抽象,得出决策变量应满足的一些等式或不等式，称之为约束条件。非线性规划问题的一般数学模型可表述为求未知量,x1,，,x2,，,，,xn,，使满足约束条件：,gi(x1,，,，,xn)0,i,1,m,hj(x1,，,，,xn),0,j,1,p,并使目标函数,f(x1,，,xn),达到最小值,(,或最大值,),。其中,f,，诸,gi,和诸,hj,都是定义在,n,维向量空间,Rn,的某子集,D(,定义域,),上的实值函数,且至少有一个是非线性函数。,遗传算法,遗传算法（,Genetic Algorithm,）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国,Michigan,大学,J.Holland,教授于,1975,年首先提出来的，并出版了颇有影响的专著,Adaptation in Natural and Artificial Systems,，,GA,这个名称才逐渐为人所知，,J.Holland,教授所提出的,GA,通常为简单遗传算法（,SGA,）。,遗传算法定义,遗传算法是从代表问题可能潜在的解集的一个种群（,population,）开始的，而一个种群则由经过基因（,gene,）编码的一定数目的个体,(individual),组成。每个个体实际上是染色体,(chromosome),带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（,generation,）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（,fitness,）大小选择（,selection,）个体，并借助于自然遗传学的遗传算子（,genetic operators,）进行组合交叉（,crossover,）和变异（,mutation,），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（,decoding,），可以作为问题近似最优解。,优化,：,|(re(Z0)|=50 Ohms,指定优化变量,设置优化器和优化目标,优化结果,优化,II:,|S11|=.01 at 20 GHz,优化,II:,|S11|=.01 at 20 GHz,优化,II:,|S11|=.01 at 20 GHz,L2,的设计灵敏度,灵敏度分析设置,:,设置自变量,灵敏度分析设置,:,设置迭代次数,灵敏度分析结果,灵敏度分析,tol,tol,tol,tol,最坏,最好,设计,1,设计,2,设计变量,Cost,设计变量,Cost,取决于,L2,的稳定性分析,稳定度分析设置,：设置自变量,稳定度分析设置,：设置分析,稳定性分析结果,空气盒,介质板,微带滤波器,对称面,端口,1,端口,2,例,1:,参变量研究,微带低通滤波器,S21,被自动提取出来，研究介质如何影响滤波器响应。,设计变量,过孔,1,半径,d1,过孔,1,半径,d2,谐振器长度,l1,谐振器长度,l2,例,2:Optimetrics,TM,微波带通滤波器,l1,l1,l2,d1,d1,d2,d2,w,