英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
《基于增强学习的二级倒立摆控制研究》 外文参考文献翻译（原文略）
MEMS的演化设计优化：回顾历史和最先进的技术
摘要 作为物联网（IOT）和网络物理系统（CPS）的重要组成部分，微电子机械系统（MEMS）在当前工业界和即将到来的工业4.0时代中扮演着越来越不可替代的角色。本文分析评论了一些常用的MEMS设计优化设计方法的局限性。为了克服这些困难，MEMS的最新设计优化趋势受到了自然界进化机制的启发。 许多强大的技术，特别是演化计算（EC），已被用于
MEMS的设计优化。 本文介绍了在这个有前途的研究领域取得的利用EC方法进行MEMS设计优化成就，并提出了三个面临的公开问题。
关键字 微机电系统（MEMS）、设计优化、演化设计、进化计算、企业系统
1 概述
在企业系统中，有效，灵活和优秀的设计是实现智能化生产的基础。如何创建强大的设计方法成为企业系统的关键问题的其中之一。微机电系统（MEMS）是一种重要的高科技设备。 MEMS器件包括机械和电子部件。这是在一个普通的硅衬底上制造的从集成电路中采用微加工技术的cuits（集成电路）。 MEMS具有非常小的尺寸通常以微米测量。作为物联网（IoT）和网络物理系统（CPS）重要组成部分，MEMS正在当前的工业社区和即将到来的工业4.0时代发挥越来越不可替代的作用。
接下来的部分安排如下：Sect 2，传统的MEMS优化设计的局限性在于介绍; Sect 3，多重进化设计对MEMS的优化方法进行了综述; Sect 4，关于演化设计的三个公开问题列举并讨论了MEMS的优化方法，并在第4部分给出结论。
在MEMS设计领域，研究人员正面临着一些特殊的挑战。 其中之一是在微小的几何形状中操作分析MEMS器件之间的相互关联的物理现象。微机电系统涉及很多学科，如力学，电子学，三种科学，电子学，流体力学，光学，此外，这仍然是一个很遥远的年轻领域。 许多物理现象是未知的或没有充分的科学解释。因此，一些在成熟领域广泛使用的方法，例如微分方程，往往更难以应用于MEMS设计领域。 另一个难题是，设计的搜索空间非常庞大而复杂，这些优化方法常常困在本地最优化，很难在搜索领域寻求全局最优设计解决方案。
2 MEMS的演化设计
设计过程的中心部分通常作为优化问题制作。 但是，在复杂的MEMS的设计空间，传统的优化算法很难找到全局最优解集。因此启发式搜索方法，特别是进化计算（EC），被广泛认为是一种替代方案和有希望的方法。 EC已成功应用于许多工程优化应用。 它有处理复杂的多模式搜索区域的能力和不连续的设计变量。 这将带来MEMS自动设计领域平均水平，对合理，快速的优化思路。
与大量使用tra-数字MEMS设计方法只有少数几个研究小组参与了MEMS的进化设计，其中包括加州大学伯克利分校[2-9]，加州美国宇航局密歇根州立大学技术研究所[5,7,9]大学[10,11]，丹麦技术大学[10,12]和剑桥大学[13,14]。 一些重要的会议也把重点放在这个领域，
如GECCO [6]，SPIE [7]，ASME [2,4,15,16]。
自H.李和E. K.安东松开创了先驱遗传算法（GA）用于掩模设计的工作合成[15]，许多进化技术已被使用开发用于处理不同级别的MEMS设计。 一个简要说明如下。
2.1 MEMS的层次演化综合
Senturia首先提出将MEMS模型分成四个部分：系统层，设备层，物理层和过程层[17]，如图1所示系统层模型，Fan实施了BGGP策略结合遗传编程和键图[18]。遗传编程（GP）[19]是一种有效的进化 - 基于树结构的一种新的计算方法。作为一个建模工具，键合图（BG）[20]提供了一个统一的动态系统的建模和分析方法（特别是对于混合多域系统）。在sys-温度水平，遗传编程和键合图结合起来实现交互式建模和仿真MEMS元件以及电子设备。在里面Fan，Z. [18]的工作，函数被加载到每个节点中那个树。实验数据表明，定义后可行的功能集，拓扑结构和参数带通滤波器（RF MEM器件）可以演化出来优化，以满足预定义的设计规范等。进一步研究了物理布局综合涉及系统层和设备层[11]。该几何尺寸参数的基本组成部分被优化[17]。在大多数情况下，这些基本组件是从微机电设备中挑选出来的固定的拓扑结构。因此，设计问题可以制定为约束优化问题和GA通常用来解决它。MEMS陀螺仪的整体性能优化，范围从系统层面考虑[21]。作者系统地优化了热稳定性和高陀螺仪的高频振荡。通过实践，Tical测试，它表现出比较好的环境适应性。
2.2 MEMS的掩模设计综合
器件层需要一个基本的双二维布局，包括梁等组成部分。在某些情况下，如果MEMS是基于表面微观结构，加工过程并没有表现出显着的三维效果，三维（3-D）特性，这一层的设计会完成一个单一的循环。 但是，更普遍的是，它是执行高效3D建模所必需的MEMS的分析。 从制造商的角度来看，设备和系统的细节和功能设计，自动掩模设计和相关的工业过程syn-论文对缓解设计困难非常有帮助[22]。
进化方法被应用于掩模设计和在李和Antonsson的研究中[15]。GA被应用在几何有效的掩模设计弹出式窗口中，用于迭代搜索全局最优值。 一个3-D称为Segs的腐蚀模拟器模拟生产每个布局由同一个团队完成。 这项研究是进一步的通过利用面向对象的结构而得到改进，并且任何正向过程模拟都可以被评估[23]。
演化算法被应用于掩模设计[24,25]。 设计规则的测试和协调原理图和布局之间也考虑在内面具的设计[24]。与单面罩设计相比，MEMS的性能更好。
2.3多目标优化策略
由于MEMS设计的复杂特性，更多在许多情况下经常考虑一个目标。该MEMS的优化设计通常被认为是一种多目标优化问题。例如，设计曲折谐振器的设计目标包括：最小化与目标值的差异共振频率和每个脚的刚度方向，同时尽量减少表面积[4]。作为另一个例子，对于ADXL150加速计，设计目标包括：尽量减少差异在角频率和目标角频率之间，以最小化设计面积，并最大化感应电容[26]。周等人是第一个自动合成设计师团队将应用mul-单目标遗传算法（MOGA）（New develop-MOGA研究中的文献记载于文献[27]到MEMS（曲折谐振器）[2，4]。在他们的实验中，设备的拓扑结构和尺寸已使用优化MOGA。每个设计的几何（图形）有效性通过MEMS仿真工具箱SUGAR进行验证[28]。在多目标遗传算法中，帕累托最优优化（在图2中）被用来找到各种非线性函数，主导优化解决方案，以及适应性价值共享
用于保持解决方案的多样性。基于Kamalian的工作分析了地理信息系统的影响，谐振器案例研究的度量约束和扩展更先进的MEMS设计的方法设备，如加速度计和陀螺仪[29]。张继续研究周和卡马里安，并且提出了分层MEMS设计和优化结构[30]。 MOGA的有效性[3]通过比较MOGA和其他的表现来进行比较方法[模拟退火（SA）[31]和单个对象遗传算法（SOGA）]在MEMS优化设计中的应用。用曲线优化曲折谐振器的结果以上方法表明，SOGA比MOGA快，但是更容易陷入局部最优。在某些情况下，SA是比遗传算法更有效率，但只能治疗一个单一的目标，并且难以找到最优解。它被证明具有较低的鲁棒性表现在很多MEMS合成问题上。一个sim-ilar实验已经用简单的方式进行了Lohn等人的可扩展遗传编程语言[32]。在文献[33]中，微观资源的规模和力量，onator是通过结合NSGA-II算法和序列规划。在优化过程中，以最小化尺寸为主要目标，并根据实际情况得出了两种可行的方案实际制造原则。在文献[34]中，压电能量的客观演化设计 - 授权MEMS被执行。设计结果也是如此评估和讨论，这表明MOGA-II是在某些情况下优于NSGA-II。
2010年之后，张和阿戈诺已经出版了两部新作品：一种分层多目标遗传算法具有适当的基因型表达的组件是devel-oped，它集成了工程知识特定的领域进入设计优化过程，并且
应用于MEMS的优化设计[5]。 一个交互式混合进化计算方法是提出解决主观性和不合理性的问题，在专家评估中发生一致性[9]。 在过程中将专家经验集成到MEMS进化中设计，他们的研究成果在国内处于领先地位。
展示多目标的优势遗传算法，综合设计优化针对3个自由度为3的操纵器进行，在文献中是dom [35]。 根据优化结果，证明了遗传算法可以获得全局最优解，这是无法通过获得的人性化的设计。 同样，一个微加速度计是用多目标遗传算法优化文献[36]。 稳健性，稳定性，敏感性和可靠性陀螺仪的其他指标也通过使用而优化多目标遗传算法的文献[37]。该
实验结果表明该算法具有获得的设计性能比那些更好人类设计主要通过实证研究获得。
2.4鲁棒性设计
随着目前的微机械技术条件，由MEMS制造过程引起的变化是不可避免的。 因此它变得非常重要的问题是关于如何设计MEMS对引起的变化不敏感由制造过程。 鲁棒性的概念是从而介绍如何提高质量来研究该产品何时存在重大不确定性处理。 一些研究小组已经尝试过鲁棒性设计在MEMS优化设计中。 在以前的基础上面罩设计和工艺综合研究[22]，马提出了一种强大的设计技术，称为Genetic Algo-使用鲁棒解决方案搜索技术[38]。 在他们的办法，先把干扰因素加载进去设计过程，然后通过设计解决方案获得使用GA。 霍恩比提出了两种修改策略获得更好的鲁棒性，以便通过GA循环演化[39]。 一种策略是加载本地干扰，另一种是对人体施加预应力设计。
范将这个健壮性设计问题列为一个其中约束多目标优化问题MEMS中的两个设计目标被最小化版图设计。 然后是一个有效的算法NSGA-II用于寻找最优化的解决方案[16]。 在这种方法中，只需要修改目标函数而无需修改任何算法流程。 范的更多最近的研究，改进的差异演化（DE）基于随机排序的算法开发在鲁棒性设计中具有更好的性能[41]MEMS比NSGA-II [40]。
在文献[42]中，为了解决不确定性问题MEMS加工中的蚀刻过程，所有类型的可能不确定性被认为是未知和有界的。 一个刻蚀工艺不确定度集根据设计不同的条件，这与拓扑相结合优化以适应蚀刻中的不确定性处理。 在文献[43]中，有各种不确定因素影响MEMS的性能进行分析，用MEMS的强度，可靠性和性能指标加工过程建模。 那么，遗传算法是用于优化指标以获得最优化的指标，考虑到各种可能的不确定因素。
2.5提高效率
每代人的大量进化人口造成仿真过程的计算成本很高。 因此，演化优化设计MEMS的过程通常是复杂且耗时的。这是一个非常重要的研究提高效率在现实世界中找到全球最优设计解决方案应用。
一种具有两种方法的混合进化计算方法层优化技术，全局随机搜索和基于梯度的局部优化，由Zhang提出等人。 [30]，这是周作品的延伸[4]。
这些方法利用了由固定设计的几何模型全球搜索结束，从而有效整合本地基于梯度的优化技术进一步优化，微调并优化一个有前途的设计解决方案。
Kamalian等人 开展了包埋视力的工作设计师的控制和互动演化计算 - （IEC）的MEMS知识领域计算机辅助设计过程[6]。 例子曲流共振器显示了IEC的有效性方法。 张开发了一种交互式混合算法（IHC）[29]，以避免IEC和工作量繁重弥补缺乏对良好模式的认可混合GAs。 IEC和IHC都处理偏好问题以直率的方式。
由于MOGA的初始人口是由MOGA设立的用户或随机生成的基于案例的推理（CBR）方法由Cobb等人提出。 可以被整合进入MEMS设计过程以加速合成过程[7]。 一个以前成功的案例索引库MEMS设计和半成品的创建。该CBR提供了一个近似设计库目前的目标，可以存储当前最好的设计未来的使用。 他们的实验结果表明相结合CBR和MOGA工具有助于增加数量可行的概念设计。 他们最近在这方面的工作场可以在文献中看到[8]。
为了提高进化计算机的速度，MEMS继电器参数优化设计文献中设计了进化计算方法[44]。 为了提高效率和负载平衡计算机资源的适应度计算过程进化算法并行处理。 多连接在局域网中的机器与每个机器通信其他在主从模式下。 个人的人口由服务器分配给客户端
评估，最后收集个人的信息减少算法的运行时间。试验结果表明在短时间内tions并行进化算法具有计算效率高，可以获得更好的解决方案。
3 MEMS进化的主要问题设计
尽管MEMS已经取得了许多进展进化设计，作为一个新兴领域，三大开放问题依然存在：
（1）正如Chaudhuri和Deb指出的那样，演化优化社区很少考虑传统决策的偏好，
sion制造商系统和全面。但是，对于设计问题，偏好不是被忽略，有时甚至是至关重要的[46-49]。因此，这是一个重要的研究课题将偏好纳入MEMS进化设计。
- 复杂的系统已经绘制完成来自学术界的广泛关注。 科学杂志已经发表了一系列复杂而复杂的内容系统近10年。 一些MEMS（如分布式MEMS，分布式智能MEMS[58,59]）无疑是复杂的系统。该目前的MEMS进化设计研究还没有还没有充分利用复杂系统的方法，并利用了复杂的现有研究成果系统，如文献[50-59]。
- 设计完成后，系统增强多重性能评估计划将会进行，选择设计，绩效评估和
跨学科研究思路的选择技术路线。 这项研究尚未报道别处。
对这些问题的研究具有重要的科学性用于开发新方法的实用价值MEMS演进设计。 总之，以下建议研究方向：
-
在之前，期间应用偏好的想法在设计过程结束后，利用机器智能进行智能化。 这是有益的合理实现人机组合有效地构建科学，可行，甚至是MEMS的创新设
全文共10294字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[8990]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
