ADS 使用教程（六）Optimization in ADS

---

上一篇：ADS 使用教程（五）Real Time Tuning

---

在本节中，我们来一起了解一下如何在ADS中执行优化。

在之前的步骤中，我们创建了一个低通滤波器，并使用Real Time Tuning进行了初步的优化。为了得到更好的性能，我们可以进行Optimization。首先在主设计窗口左侧的Library Palettes中选择“Optim/Stat/DOE”：

然后点击，放入优化控制器（Optimization Controller），然后点击，放入两个优化目标。

然后我们需要定义两个GOAL的具体内容：

在第一个GOAL中，我们设置对dB(S(2,1))的约束（对应的名称可以直接在仿真得到的plot的左侧查看，无需自己猜测）。首先，我们定义Expression（表达式）为dB(S(2,1))，表示S参数S(2,1)的dB值。然后，选择进行优化的分析类型（Analysis），此处选择SP1，表示S参数分析。然后Weight（权重）表示的是目标的权重，决定了该目标在整体优化中的重要性，默认值为1.0。接下来选择Sweep Variables（扫频变量）为freq（频率）。然后设置Limit lines（限制条件），具体内容如图所示，希望设计出的低通滤波器在通带内（0.01 GHz到0.2 GHz）有较低的插入损耗（< -1 dB），并且在阻带内（0.35 GHz到0.5 GHz）有较高的衰减（< -25 dB）。然后点击“OK”。

同理，我们设置第二个GOAL，在这里的限制条件要求在0.01 GHz到0.2 GHz频率范围内，S(1,1)必须小于-15 dB，这表示在该频段内，需要输入端口的反射非常小，阻抗匹配良好。

接下来，我们需要设定Optimization Controller：

在“Setup”中，有多种优化类型，我们此次选择“Random”类型，然后将Number of iterations设为5000。对各个优化类型及其它内容解释如下：

• Random（随机）：使用随机搜索算法进行优化。适用于全局优化问题，可以探索整个设计空间。
• Gradient（梯度）：使用梯度下降算法进行优化。适用于连续且可微的目标函数，快速收敛到局部最优解。
• Random Minimax（随机最小最大）：结合随机搜索和最小最大优化方法。适用于需要兼顾多个目标的优化问题。
• Gradient Minimax（梯度最小最大）：结合梯度下降和最小最大优化方法。适用于多目标优化，利用梯度信息加快收敛。
• Quasi-Newton（拟牛顿）：使用拟牛顿法进行优化。适用于需要快速收敛的优化问题，利用二阶导数信息。
• Least Pth（最小P次方）：使用最小P次方方法进行优化。适用于特定类型的目标函数优化。
• Minimax（最小最大）：采用最小最大优化方法，平衡多个目标函数的优化问题。
• Random Max（随机最大）：使用随机搜索找到最大值。适用于全局最大化问题。
• Hybrid（混合）：结合多种优化算法进行优化，适用于复杂优化问题。
• Discrete（离散）：针对离散变量的优化方法。适用于变量取离散值的优化问题。
• Genetic（遗传）：使用遗传算法进行优化。适用于复杂的全局优化问题，模拟生物进化过程。
• Simulated Annealing（模拟退火）：使用模拟退火算法进行优化。适用于全局优化问题，模拟物理退火过程。
• Simulated Annealing Corana（Corana模拟退火）：Corana改进的模拟退火算法。提高了模拟退火的效率和收敛性。

此外，Number of iterations（迭代次数）设置优化过程的最大迭代次数，Desired error（期望误差）设置优化过程停止的期望误差，当优化结果达到该误差水平时，优化过程停止（0.0表示尽可能减小误差）。

在“Display”页面，我们可以选择优化控制器呈现的内容，我们此次实验中，先点击“Clear All”清除所有选项，然后选中“OptimType”和“MaxIters”：

得到的界面如下：

接下来，我们需要将变量定义到组件内部，我们选择“Simulate – Simulation Variables Setup”：

之后选择“Optimization”界面，选中设计中的参数，然后设置其最大最小值，此处format有多种模式，可以按需选择：

点击“OK”完成设置。完成Optimization的设置后，我们点击工具栏中的执行优化，之后ADS就会自动开始进行优化。该窗口显示了许多信息，想优化类型、状态、迭代次数等。在窗口右侧，显示出优化过程中误差的历史变化和每个优化目标对总误差的贡献，同时也展示了S(2,1)和S(1,1)的dB值优化目标的误差和贡献情况。

等待执行，执行结束后会弹出优化后的结果：

由于此时终止原因是迭代次数达到设置的数量了，所以可能并没有满足我们设定的Goal。我们可以选中，为参数设置不同的范围，让其尝试更多不同的组合，然后点击再次进行优化：

此时终止原因变为了Goals are satisfied，说明优化成功了，已经满足了我们当前的设计要求。

此时我们点击，然后观察子设计，发现此时子设计中组件的参数都已经变为了满足要求的组合情况：

最后再点击进行一次仿真，验证之前的操作是否成功。

（To be continued......）

---

下一篇：ADS 使用教程（七）Monte Carlo Simulations

---