该文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

作者及机构
该研究由Kai Fu（IEEE学生会员）、Xiwen Cai、Bo Yuan（IEEE会员）、Yang Yang（IEEE高级会员）和Xin Yao（IEEE会士）合作完成。作者分别来自中国深圳的南方科技大学计算机科学与工程系、澳大利亚悉尼科技大学电气与数据工程学院，以及英国伯明翰大学计算机科学学院。研究发表于2022年7月的《IEEE Transactions on Antennas and Propagation》第70卷第7期。

学术背景
该研究属于计算电磁学与机器学习交叉领域，聚焦于天线设计自动化问题。传统天线设计依赖经验法则和参数扫描方法，耗时且难以获得最优解。尽管进化算法（EAs）如粒子群优化（PSO）被引入以提升效率，但其仍需大量电磁（EM）仿真计算，导致计算成本高昂。近年来，机器学习（ML）的预测能力为解决这一问题提供了新思路。本研究旨在开发一种高效的“代理辅助粒子群优化算法”（SAPSO-MIXP），通过融合ML模型与PSO框架，显著减少EM仿真次数，同时保持优化性能。

研究流程
1. 算法设计
- 核心架构：提出SAPSO-MIXP算法，包含三个模块：（1）动态更新的ML模型（RBF网络和简化Kriging）；（2）ML引导的PSO更新机制；（3）混合预筛选策略（MIXP）。
- ML模型选择：RBF网络作为主预测模型，因其高维问题适应性；简化Kriging用于预筛选，通过单参数θ调谐降低计算成本。
- 创新策略：MIXP结合最小代理预测值（MINSF）和期望改进（EI）准则，平衡算法的探索与开发能力。

1. 实验验证

   • 案例1（SIW缝隙天线）：优化10个几何变量，目标为8.9–10.6 GHz频段反射系数S11≤−10 dB。十次重复实验显示，平均仅需98.5次EM仿真即可达标，最佳案例仅需60次，效率较对比算法（SA-QNEGO-NSM、SOGPR）提升4倍。
     
   • 案例2（四元线阵天线）：优化19个变量以最大化3.4–3.8 GHz增益。SAPSO-MIXP在300次仿真内达到平均增益71.98 dB，优于传统PSO（需1700次）和SADEA（需600次）。
     
   • 案例3（SR馈电网络）：首次实现27变量中型问题的自动化优化，目标为23–30 GHz频段相位差90°和阻抗匹配。450次仿真后，最佳案例满足所有设计约束。
     

2. 数据处理

   • 模型更新：采用在线数据驱动模式，ML模型随PSO迭代动态更新。初始数据集通过拉丁超立方采样（LHS）生成，确保设计空间均匀覆盖。
     
   • 性能评估：对比算法包括PESPSO、SA-QNEGO-NSM等，以EM仿真次数和优化目标达成率作为核心指标。
     

主要结果
1. 效率提升：SIW天线优化中，SAPSO-MIXP将仿真次数从传统方法的数百次降至60–129次，且成功率100%；线阵天线优化效率提升6倍。
2. 算法鲁棒性：扩展变量范围后，SIW天线优化仍能保持90%成功率，验证算法对复杂问题的适应性。
3. 中型问题突破：SR馈电网络的优化证明算法可处理高维问题（27变量），为首次实现该类结构的自动化设计。

结论与价值
1. 科学价值：提出首个融合RBF与简化Kriging的混合预筛选策略，解决了传统Kriging计算成本高的问题，为代理辅助进化算法（SAEAs）提供了新范式。
2. 应用价值：显著降低天线设计周期与计算资源消耗，可推广至5G毫米波阵列、航天器天线等复杂场景。工业实测显示，单个案例优化时间从数周缩短至57.6小时（并行计算）。

研究亮点
1. 方法创新：MIXP策略首次将MINSF（局部开发）与EI（全局探索）动态结合，较单一预筛选方法提升收敛速度2–4倍。
2. 工程突破：成功优化27变量中型问题，填补了SAEAs在天线合成领域的空白。
3. 开源贡献：公开SR馈电网络的最优几何参数（GitHub），促进社区验证与后续研究。

其他价值
研究还指出未来方向：结合多保真度代理模型处理更大规模问题，并探索设计空间探索（如CCPSO2算法）的进一步应用。