基于深度神经网络替代模型的快速多目标天线合成进化优化方法

《IEEE Journal on Multiscale and Multiphysics Computational Techniques》：Rapid Multi-Objective Antenna Synthesis via Deep Neural Network Surrogate-Driven Evolutionary Optimization

天线设计需在成本、尺寸、重量和功耗（C-SWAP）减小的同时满足严格的电磁性能要求。本文提出一种分支深度卷积神经网络（BCNN）替代全波模拟器（FWS），可快速预测天线反射系数、输入阻抗和辐射模式的全频谱响应，并通过离线代理模型实现多目标优化，显著提升设计效率。实验验证了BCNN在三个不同目标（窄带、双频带、宽带）天线设计中的有效性，设计时间缩短至秒级，为电磁波器件数据驱动设计提供新方法。

　　

摘要：

随着对C-SWAP（成本、尺寸、重量和功耗）降低的严格要求以及维持严格的电磁性能规格，天线合成变得越来越具有挑战性。尽管机器学习方法在天线合成中的应用日益增多，但它们仍然无法处理具有多样响应的大型形状集合。我们提出了一种分支深度卷积神经网络架构，可以作为全波模拟器的替代方案（它可以预测反射系数、输入阻抗和辐射模式的全频谱响应）。我们展示了这种模型在辅助进化优化中的实用性，以实现具有任意目标响应的天线合成。具体来说，我们考虑了由16个顶点组成的多边形贴片天线组成的大型形状集合，并通过指定回波损耗、辐射模式和增益的独立约束来进行天线合成。与在线替代模型不同，我们的方法是离线的、不依赖于具体目标的；一旦训练完成，就可以在多次优化中重复使用，从而将模型训练成本分摊到多个合成请求中。我们的方法优于依赖全波求解器进行适应性评估的进化优化方法。具体而言，我们报告了三种多边形贴片天线的设计、制造和实验表征，每种天线都实现了不同的目标（窄带、双频带和宽带）。所报告的方法能够实现快速合成（仅需几秒钟），产生可验证的合理设计，并为进一步推动电磁波器件的数据驱动设计方法提供了前景。

引言

在天线合成中，要在满足严格的电磁性能要求（如宽带、多频带、高增益、圆极化、定制辐射模式等）的同时最小化C-SWAP（成本、尺寸、重量和功耗），面临着重大挑战。鉴于无线通信的普及，多功能设计技术尤为重要[1]。传统方法首先基于直觉进行设计，然后通过迭代参数调整来实现所需特性。这些方法通常计算量大，且无法保证最佳结果，特别是对于具有多个变量和多个设计目标的复杂天线设计。在用于探索设计空间以寻找最佳解决方案的各种优化技术中，受自然启发的进化算法（EAs）因其高效的全局优化能力而在天线设计中特别受欢迎[2]。然而，进化算法需要多次调用电磁求解器进行函数评估，这使得计算成本过高。为了进行函数评估，通常会使用计算成本较低的近似模型（称为“替代模型”）来替代全波电磁求解器[3]、[4]。目前，将替代模型与优化算法（EAs）结合使用是自动化天线优化的主要方法[5]、[6]、[7]。