电磁学中优化技术综合回顾：过去、现状与未来

《IEEE Transactions on Antennas and Propagation》：A Comprehensive Review of Optimization Techniques in Electromagnetics: Past, Present, and Future

　　

摘要 优化在电磁（Electromagnetic, EM）系统的设计与分析中起着关键作用，其涉及调整输入参数以实现期望的性能指标。这篇特邀综述文章全面概述了电磁学和光学领域流行的优化技术，重点介绍了它们的独特特征和实现方法。重点阐述了这些方法在电磁和光学设计中的应用，包括天线、频率选择表面（Frequency-Selective Surfaces, FSSs）、超材料（metamaterials）和超表面（metasurfaces）、吸收体、透镜、先进涂层等。此外，文章提供了一个说明性的全局优化图景以指导从业者。文末附有全面的参考文献列表，使读者能够更深入地了解具体技术及其应用，为寻求增强对电磁学优化理解的研究人员和工程师提供了宝贵的资源。

一、 研究背景、问题与意义

在电磁（Electromagnetic, EM）与光学系统的设计与分析中，优化是一个核心环节，旨在通过调整输入参数来最大化或最小化目标性能指标。然而，电磁与光学问题中的适应度函数通常具有多峰、不可微和高度非线性的特点，这使得传统的局部优化方法（如梯度法）面临挑战，容易陷入局部最优，且对初始设计和导数信息有较高要求。随着电磁器件（如天线、超材料、频率选择表面等）结构日益复杂、性能要求不断提高，迫切需要更高效、更鲁棒的优化方法来探索巨大的设计空间并发现非直观的优异解。因此，对现有优化技术进行系统性的梳理、比较和展望，对于推动电磁与光学设计领域的进步至关重要。

为此，研究人员在《IEEE Transactions on Antennas and Propagation》上发表了这篇特邀综述文章。该研究旨在达成两个关键目标：一是对流行的进化优化（Evolutionary Optimization, EO）技术进行统一而新颖的全面回顾，突出其关键异同；二是展示这些技术在实际电磁与光学设计问题中的应用，证明这些方法不仅是趋势，而且正成为系统性确定最优设计所必不可少的工具。本文的意义在于为研究者和工程师提供了一个理解优化技术全景的框架，以及丰富的参考文献资源，以指导其在具体研究和工程实践中选择和应用合适的优化方法。

二、 主要关键技术方法概述

研究人员在综述中系统阐述并比较了多种主流的全局优化算法及其变体与混合策略。核心方法包括：遗传算法（Genetic Algorithm, GA），模仿生物进化中的“适者生存”，通过选择、交叉和突变操作优化二进制或实数编码的设计参数；粒子群优化（Particle Swarm Optimization, PSO），模拟鸟群或鱼群的群体智能，通过跟踪个体最优和群体最优来更新搜索代理的位置；风驱动优化（Wind-Driven Optimization, WDO）及其自适应版本（Adaptive WDO, AWDO），基于大气运动物理定律，提供更多控制自由度；蚁群优化（Ant Colony Optimization, ACO），模仿蚂蚁通过信息素寻找最短路径的行为；协方差矩阵自适应进化策略（Covariance Matrix Adaptation Evolutionary Strategy, CMA-ES），利用多元正态分布采样并自适应调整其形状和方向以逼近最优解；以及头脑风暴优化（Brain Storm Optimization, BSO），模仿人类集体头脑风暴的过程，通过聚类和想法碰撞生成新解。此外，文章还介绍了伴随优化（Adjoint Optimization, AO）或拓扑优化，其利用麦克斯韦方程的对称性，通过一次正向和一次伴随仿真高效计算大量设计梯度；以及基于代理模型（如克里金插值、多项式混沌展开、神经网络）的优化方法，用于替代计算昂贵的全波仿真，加速优化过程。文中还提及了将不同算法优势结合的混合策略，例如BSO与PSO的混合（HBPSO），以平衡全局探索和局部开发能力。

三、 研究结果与核心内容

SECTION I. 引言

该部分定义了优化的基本概念，将优化技术分为局部和全局两大类，并指出电磁/光学问题的特殊性使全局进化优化（EO）技术更具优势。文章列举了EO相较于局部方法的七大优点，例如无需导数、天然适合并行处理、能收敛到全局极值、可处理连续/离散参数、无需先验设计知识、能解决高维多目标问题以及能发现非直观解。文中通过图示概括了各类优化方法的全景，并给出了进化优化器实现的通用步骤框图。

SECTION II. 代表性算法

本部分是文章的核心，详细评述了多种代表性优化算法。

• •
  A. GA概述：介绍了GA的生物学灵感、二进制编码特性及其在像素化金属结构（如天线、FSS、编码超表面）优化中的广泛应用。概述了其基本实现步骤，并强调了其适用于组合优化问题的特点。
• •
  B. PSO概述：阐述了PSO受群体社会行为启发的原理，及其在解决多维、线性和非线性电磁问题中的有效性。详细说明了其实数、二进制及多目标变体的实现步骤。
• •
  C. WDO概述：介绍了受大气运动启发的WDO算法，及其相较于PSO提供的额外自由度。提到了自适应的AWDO在收敛效率和鲁棒性上的改进。
• •
  D. ACO概述：说明了ACO模仿蚂蚁信息素追踪行为的机制，及其在空间填充和路径优化问题中的应用，例如用于设计三维频率选择表面（FSS）。
• •
  E. CMA-ES概述：描述了CMA-ES利用多元正态分布采样并自适应更新分布均值和协方差矩阵以寻找成本函数最小值的策略，指出其在多种电磁问题上表现出优异的收敛性能。
• •
  F. BSO与混合优化：解释了BSO模仿人类头脑风暴的过程，通过聚类和基于Osborn四大原则生成新想法来增强探索能力。重点介绍了一种混合方案（HBPSO），它先使用BSO进行广泛探索，再切换到PSO进行精细开发，以结合两者优势。
• •
  G. 伴随优化：阐述了伴随优化（拓扑优化）利用麦克斯韦方程对称性，通过一次正向和一次伴随仿真计算所有设计梯度的高效性，特别适用于介质（如梯度折射率透镜）的优化设计。
• •
  H. 其他优化方法：简要介绍了其他重要方法，包括利用二阶导数信息加速收敛的海森优化（Hessian optimization）；通过代理模型（如克里金、多项式混沌展开、神经网络）替代昂贵仿真以加速优化的代理建模与容差优化；以及其他元启发式算法，如混沌群体捕食算法（CCPA）和灰狼优化器（GWO）。

SECTION III. 应用实例

该部分通过精选实例展示了各种优化算法在高端期刊和/或商业产品中的应用。

• •
  A. 代表性多样化天线实例：
  • •
    1) 手机天线设计实例：展示了采用混合PSO-矩量法（Method of Moments, MoM）优化的紧凑多频段手机天线，在有限空间内实现了良好的阻抗匹配和辐射特性，并评估了其靠近人头时的性能。
  • •
    2) 3D打印透镜天线实例：阐述了利用增材制造（Additive Manufacturing, AM）和基于几何光学（Geometrical Optics, GO）的PSO算法，对透镜剖面和空间非均匀介电常数分布进行协同优化，设计出轻量、高性能的透镜天线。
  • •
    3) 刺绣纺织E形贴片天线实例：介绍了利用PSO辅助的代理模型（基于全波分析）优化刺绣纺织E形贴片天线的方法，并进行了实物验证。
• •
  B. RF与光学中的应用与实例：广泛列举了多种优化算法在射频（RF）和光学领域的应用。例如，GA用于稀疏非周期阵列和超材料喇叭天线优化以降低旁瓣电平（Sidelobe Level, SLL）；CMA-ES用于优化超表面衬底以实现短背射天线的高孔径效率；多目标懒惰蚁群优化（Multiobjective Lazy Ant Colony Optimization, MOLACO）用于设计具有宽视角的三维FSS；伴随优化用于快速设计高指向性的梯度折射率（Gradient Refractive Index, GRIN）透镜；以及GA和优化算法在光学超材料吸收体、超表面相位调控等逆设计中的应用。文章通过图示汇总了这些应用。

SECTION IV. 新兴技术/未来方向

该部分展望了优化技术在电磁与光学设计领域的未来发展趋势，指出神经网络（Neural Networks, NN）、人工智能（Artificial Intelligence, AI）与自然启发优化方法的集成将带来变革。关键方向包括：AI增强的代理建模、用于自适应设计的强化学习（Reinforcement Learning, RL）、自然启发算法与机器学习的混合、多目标优化（Multiobjective Optimization, MOO）的进步、数据驱动优化、量子启发与生物启发新方法的应用，以及应对计算挑战的高性能计算（High-Performance Computing, HPC）发展。

四、 讨论与结论总结

讨论部分：研究人员在文中指出，由于篇幅所限，未能全面讨论多目标优化、帕累托前沿、成本函数选择等相关主题的所有方面。未来的发展将依赖于先进算法与新兴计算资源的整合。

研究结论部分翻译：

优化技术已成为电磁与光学系统设计与分析中不可或缺的一部分，以满足对性能和效率日益增长的需求。本综述对全局优化方法及混合方法进行了全面审视，重点介绍了它们在电磁学领域的独特特性和实际应用。文中提供的说明性全局优化图景和分类参考文献列表，为研究者和工程师提供了工具，以导航大量文献并深化对这些方法的理解。随着优化的不断演进，集成先进算法并利用新兴计算资源，它无疑将在塑造电磁与光学设计的未来中发挥关键作用。本文作为基础资源，旨在激发创新并指导这一动态领域的未来发展。