集成遗传算法与神经网络的单回路巨型负磁导率材料优化设计

本文主要探讨了"巨"型负磁导率材料在单回路结构中的优化设计方法。作者王琦、苏畅和姜弢基于哈尔滨工程大学信息与通信工程学院的研究背景，将神经网络和遗传算法理论相结合，对这类材料的设计过程进行了深入分析。 首先，研究者通过正交实验法，对负磁导率材料的关键结构参数进行了精心挑选，确保了样本的全面性和代表性。正交实验法是一种系统性地探索多个因素对结果影响的方法，这一步骤对于确定材料性能的敏感度和优化潜力至关重要。 接着，他们利用高频结构模拟器HFSS进行了仿真实验，获取了大量的结构参数与性能数据。HFSS是一个强大的电磁场求解软件，能够提供精确的结构性能预测，这对于建立神经网络模型提供了坚实的数据基础。 然后，利用BP（Back Propagation，反向传播）神经网络技术，这些实验数据被用来训练网络，建立起结构参数与材料性能之间的非线性映射关系。BP神经网络是深度学习的一种，其通过迭代学习过程，可以捕捉到复杂的输入输出关系，为优化设计提供了科学依据。 最后，设计了一套适应度函数，用于评估每个结构参数组合的性能优劣。遗传算法在此过程中起到了关键作用，通过自然选择和遗传操作（如交叉和变异），逐步筛选出具有最佳性能的材料结构参数。这个过程类似于生物进化过程，不断优化以达到目标性能。 本文通过集成神经网络和遗传算法，实现了对"巨"型负磁导率材料的高效优化设计，为实际应用中的磁场控制提供了创新的设计策略和技术路线。这项研究对于推动左手材料（具有负磁导率等特殊磁学性质的材料）的发展，特别是在电磁波屏蔽、微波器件和超导技术等领域具有重要意义。