Advanced Simulation-Inserted Optimization Using Combined Quasi-Newton Method With Lagrangian Method for EM-Based Design Optimization
Notice bibliographique
Résumé
Traditional electromagnetic (EM)-based design optimizations typically treat the EM simulation as a black-box and use optimization algorithms to externally drive EM simulations iteratively. Recently, a novel EM-based design optimization technique, named as simulation-inserted optimization (SIO) in this article, has been developed by opening the black-box and inserting the optimization algorithm into the internal of EM simulation to achieve EM field solutions and the optimal values of design variables simultaneously. This article proposes an advanced SIO algorithm using combined quasi-Newton method with Lagrangian method. In the proposed algorithm, the finite element method (FEM) is used as the EM simulation method, and the Lagrangian method is incorporated to internally integrate EM simulation with design optimization. New formulations based on quasi-Newton method are derived to approximate the computationally intensive lower upper (LU) decomposition of the FEM system matrix in the current optimization iteration by that in the previous optimization iteration to significantly reduce the number of LU decompositions. The proposed SIO technique further derives novel optimization update formulations by introducing the line search algorithm to increase the robustness of optimization. Using the proposed SIO algorithm, only a few initial LU decompositions of FEM system matrices need to be calculated instead of repetitively calculating a large number of LU decompositions of FEM system matrices during optimization, consequently speeding up the overall optimization process. The proposed technique is demonstrated by two application examples of EM-based design optimization of microwave components.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».