天府无线智能研究院

本发明属于人工智能、自动化设计和功率放大器的交叉技术领域，具体提供一种神经网络辅助的功率放大器自动化优化设计方法，用以解决现有功率放大器优化设计方法存在的高计算成本、设计迭代次数多、对工程师经验依赖大以及传统优化方法在高维、多目标约束下性能受限的问题。本发明基于DNN网络构建代理预测模型，通过代理预测神经网络替代高斯过程进行目标函数建模，并结合增量学习与高效候选生成，实现对复杂、高维、多目标功率放大器优化问题的快速收敛和低成本计算；相比贝叶斯优化，本发明具有更快的收敛速度、更低的计算成本，以及在迭代过程中更灵活的探索能力，且在复杂的高维问题和多目标约束优化中表现出更好的适应性和稳健性。

本发明属于人工智能辅助电磁结构设计领域，涉及深度强化学习（DRL），具体提供一种基于深度强化学习的频段可泛化天线设计方法，用以解决现有天线设计方法中存在的人工依赖强、仿真开销大、跨频段泛化能力弱、工艺约束难以嵌入以及多任务复用能力不足等问题。本发明中，首先构建电磁仿真代理模型以代替全仿真，输出天线的频率信息及其对应的S11预测值；其次构建深度强化学习智能体，输出待优化结构参数的补偿值，根据补偿值对待优化结构参数进行补偿更新，迭代优化直至达到设计预期；综上，本发明通过强化学习机制学习不同频段下天线结构变化与电磁响应之间的共性规律，从而高效完成天线结构参数的优化，并且具备频段可泛化能力。