Netradiční metody modelování a optimalizace mikrovlnných struktur

Mezi netradiční nástroje pro modelování mikrovlnných struktur řadíme dopředné a rekurentní neuronové sítě. Za netradiční nástroje pro optimalizaci považujeme evoluční algoritmy (genetické, polytopní) a umělé neuronové sítě.Předkládaný projekt je zaměřen na vzájemné porovnání netradičních přístupů k modelování a optimalizaci mikrovlnných struktur. Na základě provedeného srovnání budou stávající přístupy k modelování a optimalizaci originálním způsobem modifikovány.V případě vytváření modelů bude důraz kladen na dosažení dobré přesnosti modelů, jejich nízké výpočetní náročnosti jak v etapě přípravy tak v etapě použití, a na možnost realizovat automatizované vytváření modelů.V případě optimalizace bude důraz kladem na rychlou konvergenci, na stabilitu a na vzájemné propojení globálních a lokálních optimalizačních technik.Funkčnost modelů bude experimentálně ověřena.

We consider feed-forward neural networks and recurrent ones as non-conventional tools for modeling microwave structures. As tools for non-conventional optimization, evolutionary algorithms (genetic, polytope) and artificial neural networks are considered.The proposed project is focused in the mutual comparison of non-conventional approaches to modeling and optimization of microwave structures. On the basis of the mutual comparison, the so-far existing approaches to modeling and optimization are going to be originally modified.In case of modeling, attention is turned to ensuring good accuracy of the developed model, low CPU-time demands of the model during its activity and its preparation, and to the possible automated model creation.In case of optimization, attention is turned to ensuring rapid convergence, stability and to the mutual combination of local and global optimization techniques.Functionality of models will be experimentaly verified.