HFSS【T形接头即波导功分器】.ppt

CSTSTUDIOSUITETMT形接头 优化 电子科技大学2014年6月 波导功分器 T形接头工作频率9 12GHz HFSS中扫频设置 三种扫频方法 扫频求解设置 AddSweep DiscreteSweep 离散扫频 特点 利用当前设置频率剖分网格 逐点求解各个频点的电磁场求解时间与点数成正比能够得到各个频点的场分布SolutionFrequency可设置扫频范围的最高点作为自适应点在一般工程应用当中 为了节约一部分时间 也可设置为中间偏高1 3处进行自适应求解 能够在精度 速度上获得较好的均衡适应场合 需要的频点数不多 并关注各个频点的场分布时 FastSweep 快速扫频 特点通过求解传输函数零极点的方法 快速获得结构的频率响应求解时间与扫频点数不敏感 可以求解充分多的频点数以便表征结构的谐振特性能够得到各个频点的场分布SolutionFrequency中设置扫频范围的中心点作为自适应点网格在求解频率上生成离开中心频率越远 求解误差越大 不适合特别快的频带 InterpolatingSweep 插值扫频 特点 在给定的频率范围内 由软件利用当前网格 自动确定电磁场求解的频点 然后通过内插 获得整个扫频范围内的频率响应插值扫描的精度可以通过ErrorTolerance设置SolutionFrequency中设置整个扫频范围偏高的位置作为自适应点 可以在整个带宽内获得较好的精确性只能得到自适应频点的场分布适合于超宽带扫频 如DC 10GHz 三种扫频算法比较 求解频率的设置离散扫频 Discrete 和插值扫频 InterpolatingSweep 自适应求解频率设置为扫频范围的偏高处 利用较高求解频率产生的较多网格确保求解精度快速扫频 FastSweep 的算法特点 使得离开求解频率越远误差越大 精度越低自适应求解频率设置为扫频范围的中心点适合频带情况离散扫频 Discrete 适合比较窄的少数几个频点快速扫频 FastSweep 适合不宽不窄的频带 大多数应用场合 插值扫频 InterpolatingSweep 适合超宽带得到的场分布离散扫频 Discrete 能得到各个频点的场分布快速扫频 FastSweep 能得到各个频点的场分布插值扫频 InterpolatingSweep 只能得到自适应频点的场分布 问题 反射大 功分损耗大 w Length 方法一 加金属块突起 r 10 50 20 10 100 20 offset 工作频率9 12GHz金属销钉半径r 1mm 离开短路面距离offset 20mm优化r和offset 使得1端口反射小于 20dB 尺寸单位 mm 1端口 2端口 3端口 方法二 加金属销钉 优化前可以先参扫 可缩小优化的范围 提高优化的效率这里以参扫offset为例 计算中心频点10 5GHz处的S11 HFSS13 0的优化器 在HFSS优化分析中有5种优化器可供选择 连续非线性规划 SequentialNonlinearProgramming SNLP 连续和整数非线性规划 SequentialMixedIntegerNonLinearProgramming SMINLP 准牛顿 QuasiNewton 模式搜索 PatternSearch 遗传算法 GeneticAlgorithm 在大多数情况下 推荐使用连续非线性规划 SequentialNonlinearProgramming 该优化器最好用 优化的效果也最好 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 通过解析计算 参扫等手段获取 优化自变量的范围选择 首先应保证期望的最优值是在指定的自变量范围之内 其次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 而QuasiNewton PatternSearch和GeneticAlgorithm的约束条件只能是线性的 Costfunction的定义 Thecostfunctionthattheoptimizerusesisbuiltbasedonthenormsettingaslongastherearemultiplegoals Thus inthiscasetheerrorassociatedwitheachindividualgoal weighted iscombinedinawaythatisspecificforeachnormtypechosen ForL1normtheactualcostfunctionusesthesumofabsoluteweightedvaluesoftheindividualgoalerrors ForL2norm thedefault theactualcostfunctionusestheweightedsumofabsolutevaluesoftheindividualgoalerrors FortheMaximumnormthecostfunctionusesthemaximumamongalltheweightedgoalerrors 调出L1 L2和Maximum 优化器1 非线性规划 非线性规划是20世纪50年代才开始形成的一门学科 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 非线性规划是指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 目标函数和约束条件至少有一个是未知量的非线性函数 若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 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 0i 1 mhj x1 xn 0j 1 p并使目标函数f x1 xn 达到最小值 或最大值 其中f gi和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 需要设置变量的最小最大聚焦区 中点 优化器2 准牛顿法 准牛顿 QuasiNewton 准牛顿法是一种通过求梯度的 下山 搜索 与最速下降法类似 但区别是 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 提高了优化速度 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 InordertousetheQuasi Newtonoptimizereffectively thecostfunctionshouldbebasedonparametersthatexhibitasmoothcharacteristic littlenumericalnoise andastartingpointoftheoptimizationshouldbechosensomewhatclosetotheexpectedminimumbeingoptimized Thisbecomesincreasinglydifficult however whenmultipleparametersarebeingoptimized ThecomputationalburdenofmultivariateoptimizationwithQuasi Newtonincreasesgeometricallywiththenumberofvariablesbeingoptimized Asaresult thismethodshouldonlybeattemptedwhen1or2variablesarebeingoptimizedasatime 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 准牛顿法最大步长和最小步长变量设置 准牛顿法的最大步长设置 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圆 沿搜索方向的搜索步长应小于最大步长 即搜索步矢量的端点在这个圆内 这个参数限制了搜索一步的 半径 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 噪声 可接受误差 噪声 优化器3 模式搜索 模式搜索 PatternSearch 若噪声大可使用模式搜索 这种模式被定在网格上 是基于网格的单纯形搜寻 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 即计算单纯形点的成本函数 然后不断被镜像构成模式搜索 如果在这个搜索过程中有比较好的点 这个点被设定做第二次迭代 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 单纯形 不断被镜像构成模式图 Generally PatternSearchalgorithmsarenotusedwhenmorethanthreevariablesareusedintheoptimization 模式搜索法最大步长和最小步长变量设置 模式搜索法的最大步长设置 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 模式搜索法的最小步长设置 和准牛顿搜索的情况一样 这个参数触发搜索停止 随着迭代接近最佳值 模式搜索算法自然地细分网格 当网格被细分到间隔小于最小设定步长时 则算法停止进一步的搜索 优化器4 遗传算法 遗传算法 GeneticAlgorithm 是根据达尔文生物进化论中的自然选择和遗传学原理构建的优化算法 通过模拟自然进化过程从而搜索最优解的方法 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 AdaptationinNaturalandArtificialSystems GA这个名称才逐渐为人所知 遗传算法定义 遗传算法的计算过程是 在一开始需要实现从表现型到基因型的映射工作 即编码 由于仿照基因编码的工作很复杂 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 geneticoperators 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 后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 即作为问题近似最优解 优化 r 1 范围0 5 1 5offset 9 范围7 11 是否忽略前面在designproperty里的设置勾上就是忽略掉 以本窗口的设置为准否则 将以designproperty里的设置为准 进