CST_with_Python(四):仿真优化

前言

在工程设计、求解计算的过程中,往往存在大量重复性的工作,这些工作不仅耗时耗力,而且容易出错。为了提高工作效率,减少人为错误,我们希望这些重复性工作能够被计算机自动完成,从而让工程师从繁重的重复性劳动中解放出来,将更多的精力投入到创造性的工作中。

CST Studio Suite® 提供了 Python 编程接口,也提供了在 Python 环境中执行 VB 脚本的接口。并且,在 CST Studio Suite 2024 中,CST Python Libraries 的特性得到了更新。

广州浦信系统技术有限公司发布的 CST Studio Suite® Python Automation and Scripting 系列文章,将会为您详细介绍使用 Jupyter Notebook 连接到 CST Studio Suite 进行脚本控制与自动化仿真的方方面面。

现在,我们将使用 Jupyter Notebook 连接到 CST Studio Suite,通过一个演示案例,使用 Python 优化模块对该模型进行优化。

文章共分为5个部分,分别介绍以下内容:

  1. 搭建 Python 环境
  2. 控制 CST 建模
  3. 仿真并绘制结果
  4. 仿真优化
  5. 外部后处理

本期为第 4 篇文章,详细介绍如何使用 Python 的优化模块控制 CST 进行自动优化。

零、为什么需要使用 Python

CST Studio Suite 已经拥有一套功能强大的优化器,这不禁让人思考:在这样高速运转的机器面前,为何还需要借助 Python 的优化功能?

图片

首先,我们必须承认,CST Studio Suite 的优化器已经能够解决大多数用户在电磁场仿真和优化方面的需求。然而,随着智能化时代的到来,我们面临的工程挑战也日益复杂。对于那些追求高度定制化优化策略的用户来说,单纯依赖 CST Studio Suite 的内置优化器可能无法满足他们的需求。

此外,随着人工智能(AI)技术的飞速发展,AI 能够处理的问题范围正在不断扩大。在许多情况下,AI 可以高效解决人工难以应对的复杂问题。而在 AI 领域,Python 无疑占据着主导地位。为了顺应这一趋势,将 CST Studio Suite 与 Python 结合使用,无疑是明智之举。

CST Studio Suite 提供了 Python 接口,这意味着用户可以将其与已有的优化程序和/或算法相结合,为有自动化需求的用户提供更加灵活的解决方案。同时,对于需要引入 AI 模型/技术来解决问题的用户,Python 接口为他们提供了极大的便利。

图片

 

综上所述,虽然 CST Studio Suite 的优化器已经非常强大,但通过与 Python 的结合,我们可以进一步拓展其应用范围,应对更加复杂的工程挑战。这种协同进化的方式,不仅能够提升我们的工作效率,还能为复杂工程问题研究和计算领域带来更多的可能性。

一、准备工作

在此前的文章中,我们分享了搭建 Python 测试环境的流程,并完成了建模、求解器设置、仿真、结果绘制等工作。

现在,我们尝试使用 Python 命令定义相关的函数,并控制 CST 进行自动优化。

模型介绍

我们使用前面创建的 T 型波导进行演示。在 T 形波导结构中,中间的金属结构通常被称为“探针”,它的作用主要是将能量从主波导耦合到分支波导,或者从分支波导耦合到主波导。

改变探针的位置,能够改变波导内部的场分布。前面设置的offset参数的作用就是修改探针的位置。优化的过程即调整offset参数的过程,使得仿真结果符合我们的期望。

图片

 

路径和参数设置

本案例基于此前的 Python 自动化案例,文件名为CST_TEST.cst,默认的路径为C:\Users\<Users>\AppData\Local\Temp。

在开始优化之前,需要加载所需的库,以及明确文件的路径。

为了避免访问冲突,让我们先关闭项目,并加载必要的库。

关闭项目和窗口

图片

安装必要的 Python 库

图片

 安装 CST Python 库

图片

二、Python函数

在这里,我们使用 Python 优化模块进行参数优化。优化的核心过程完全基于 Python,CST Studio Suite 的优化模块并未参与本次计算。

在整个优化的过程中,我们使用优化函数和控制函数两个函数,通过优化函数多次调用控制函数,调整offset参数的值,尽可能降低S11@9GHz,从而达到优化的效果。

具体地,优化函数我们选用scipy.optimize库中的minimize_scalar函数,控制函数我们定义一个runcst(x)函数,这两个函数会在后面有详细介绍。

优化过程简介

为了便于理解,我们可以给本例中的各个相关的函数/模块分别取个昵称:

图片

 各个相关的函数/模块的运行过程可以参考下图:

图片

 

优化函数(熊大)身居高位,负责布置任务,以及判定仿真结果,并传递新的offset参数值(布置新的任务)。

控制函数(熊二)承上启下,负责分配任务,控制一线的幻兽帕鲁 CST 求解器按照上级领导优化函数(熊大)布置的任务进行仿真,并从仿真结果中提取所需的数据S11@9GHz,返回给其上级领导优化函数(熊大)。

在优化的过程中,若熊大函数发现熊二函数计算输出的结果符合期望(例如达到优化目标/限定值等),则指挥熊二暂停给幻兽帕鲁分配计算任务,落班!两人可以一边玩去了。

CST求解器(幻兽帕鲁)仅负责对具体参数的求解。在示意图中我们能够清晰地看到,优化的核心过程完全基于 Python 环境中的熊大和熊二,CST Studio Suite 只有求解器参与了整个流程,并且只完成最后的数值计算工作。而 CST Studio Suite 的优化模块并未参与优化决策的过程。

让我们分别介绍 Python 环境下的这两个函数,先从控制函数开始。

控制函数(熊二函数)

图片

 

在这里,我们先定义一个负责“干活”的控制函数,用来调整offset参数的值。

后续优化函数将会调用控制函数,并期望在优化中返回当前参数和结果值,完成整个优化过程。

具体而言,控制函数(熊二)负责分配来自上级函数(优化函数)的具体仿真任务,控制一线的幻兽帕鲁 CST 求解器按照上级领导优化函数(熊大)布置的任务进行仿真,并从仿真结果中提取所需的数据S11@9GHz,返回给其上级领导优化函数(熊大)。

定义控制函数

首先,让我们打开一个新的设计环境。

图片

随后,定义控制函数runcst(x),参数x是金属探针的偏移量offset。

我们将尝试使用控制函数找到金探针的最佳位置,以尽量减少 9 GHz 时的反射。

图片

 

原则上,更有效的工作流程是保持项目一直打开,并简单更改参数值、更新历史列表(如使用 full_history_rebuild())和分析结果。

但出于演示目的(突出每一次优化流程),我们编写的控制函数在运行时,将多次打开和关闭项目。

因此,调用该函数时,除了第一次调用 Python 命令打开设计环境外,无需任何其他附加操作。

测试控制函数

为了测试控制函数,让我们使用新的offset参数值运行一次,运行完毕后,程序输出值是线性的Abs(S11)。

图片

 运行完毕后,可以再次更改offset参数,并进行多次测试。

图片

 运行以下代码,可以查看当前参数值仿真结果的dB(Abs(S11)频率曲线。

 

图片

 

图片

 优化函数(熊大函数)

图片

随后,我们介绍负责“指挥”的优化函数,用来配合控制函数进行优化。

优化函数(熊大)身居高位,负责布置任务,以及判定仿真结果。如果当前结果不符合优化要求,那么优化函数将会传递新的offset参数值(即布置新的任务)。

在优化的过程中,若熊大函数发现熊二函数计算输出的结果符合期望(例如达到优化目标/限定值等),则指挥熊二暂停给幻兽帕鲁分配计算任务,落班!!!两人可以一边玩去了。

对于这个简单的优化任务,我们使用scipy.optimize库中的minimize_scalar函数进行参数优化,配合上文的控制函数,将S11@9GHz尽可能降低。

优化函数简介

SciPy是一个用于科学计算的开源 Python 库,其中的scipy.optimize 模块专门用于优化算法和函数,包括无约束和有约束的优化问题,以及局部和全局优化算法。

模块中的minimize_scalar函数是一个用于寻找单变量无约束函数最小值的 Python 函数,其特性符合我们的需求:将某一频段内的S11@9GHz尽可能降低。

minimize_scalar函数的基本用法非常简单,只需提供一个目标函数,然后该函数就会返回一个包含最优解的OptimizeResult对象,这个对象包含了最优解的值、目标函数在该点的值、优化是否成功完成的信息等。

优化函数参数介绍

进行优化时,需要提供优化函数的参数,以下是部分参数的说明:

  • runcst-优化对象的函数名,即前面定义的控制函数
  • method-优化算法,这里选择bounded法,以定义优化范围的边界
  • bounds-优化区间,这里填写我们要寻找的最佳offset值,即(1.8,3.2)这个区间

有关参数的进一步解释,可查阅scipy.optimize库的文档。

三、执行优化

确定好优化函数(熊大)和控制函数(熊二)后,我们即可开始使唤他们干活,完成参数优化的工作。

运行以下代码,即可开始优化:

图片

 

程序运行后,优化函数会多次调用控制函数,从而控制 CST Studio Suite 求解器求解计算。类比熊大使唤熊二干活,熊二使唤帕鲁干活……

优化算法运行时,会调用 CST Studio Suite 多次打开项目求解,并返回每次求解的offset和S11@9GHz的值。

 

图片

 

需要注意的是,优化的核心过程完全基于 Python,CST 的优化模块并未参与本次计算。

四、查阅结果

优化结束后,可以查阅优化后的结果,以检查熊大和熊二的工作质量:

图片

图片

 

从结果可以看到,经过本次简单优化后,模型的 S 参数有所改善,反射系数S11已经低于 -30dB。

通过以上示例,可以看到简单的优化目标的优化效果。

虽然 CST Studio Suite 的优化器已经非常强大,但通过与 Python 的结合,我们可以进一步拓展其应用范围,应对更加复杂的工程挑战。如需定制更加复杂的优化目标,可以根据工程需要修改对应的控制函数,或者使用更加适合的优化函数,也可以专门编写对应的优化程序。

总结

  • 将 CST Studio Suite 与 Python 结合使用,不仅能够应对复杂工程问题,而且能引入 AI 参与到优化工作中。
  • 在整个计算过程中,使用优化函数多次调用控制函数,从而达到优化offset参数的效果。
  • 本案例为了演示,在脚本中控制打开和关闭项目,并输出运行结果,但更有效的工作流程是:保持项目打开,并简单更改参数值、更新历史列表(如使用 full_history_rebuild())和分析结果。
  • 优化的核心过程完全基于 Python,CST Studio Suite 的优化模块并未参与本次计算。



 

posted @ 2026-11-13 14:08  浦信仿真大讲堂  阅读(12)  评论(0)    收藏  举报