✨ 长期致力于电磁超材料、RCS缩减、数字编码超表面、超材料吸波器、遗传算法研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）设计棋盘式非均匀反射幅度超表面实现宽带雷达散射截面缩减：
基于人工磁导体原理，设计两种非连续广义十字形单元，分别工作在单谐振频率九吉赫与双谐振频率八吉赫及十一吉赫。单元周期五毫米，介质基板FR4厚度两毫米。通过调整十字臂长度使反射相位在目标频段相差一百八十度。非均匀反射幅度通过改变单元金属贴片宽度实现，幅度比从零点七至一点零可调。在CST中建立单元模型，提取反射系数与相位。将两种单元按棋盘格排列，相邻单元相位差一百八十度。仿真结果显示在八点一至十六吉赫范围内十分贝雷达散射截面缩减带宽达七点九吉赫。在紧缩场测试系统中，实测雷达散射截面缩减八分贝以上覆盖七点八至十七点五吉赫，与仿真吻合。
（2）提出基于遗传算法的1-Bit与3-Bit数字编码超表面优化设计：
将漫散射型超表面设计问题转化为相位编码优化问题，适应度函数为单站与双站雷达散射截面平均缩减量。遗传算法种群大小五十，编码长度二百五十六，交叉概率零点七，变异概率零点零一。对于1-Bit编码，优化后的随机编码序列使电磁波能量均匀分散到各个方向，峰值缩减十二分贝。进一步设计3-Bit编码，引入相位与单元形式复合编码，每个单元可从八种相位状态中选择。在Labview中开发自动建模软件，批量生成CST脚本。仿真时设置不同网格数量，最优网格为每波长十个网格。实测结果表明，3-Bit超表面在七点七至十八吉赫范围内雷达散射截面缩减达十分贝以上，入射角六十度时仍保持八分贝缩减。
（3）研制渐变电阻膜-介质复合结构的宽带超材料吸波器：
采用遗传算法优化多层电阻膜方阻值与介质厚度。结构由三层电阻膜与两层泡沫介质交替叠加，底层为金属板。电阻膜方阻优化值为每平方一百二十欧姆、二百二十欧姆与三百八十欧姆，介质厚度分别为三毫米与五毫米。等效传输线理论计算输入阻抗，在一点六二至十九点一六吉赫频段内与自由空间阻抗匹配，吸收率大于百分之九十。在弓形法反射率测试系统中，垂直入射实测吸收率百分之九十带宽为一点八至十八吉赫，斜入射三十度时吸收率大于百分之八十。与仿真对比，偏差主要源于电阻膜频率色散特性。该吸波器可用于空间信息对抗装备的隐身蒙皮。
import numpy as np import random from scipy.optimize import differential_evolution class GeneticPhaseCoding: def __init__(self, n_cells=256, bits=1): self.n_cells = n_cells self.bits = bits self.pop_size = 50 def fitness(self, coding): # 模拟RCS缩减评价函数 # coding: list of int rcs_reduction = 0 for i in range(len(coding)-1): phase_diff = coding[i] - coding[i+1] if self.bits==1: phase_diff = phase_diff * np.pi else: phase_diff = phase_diff * np.pi/4 rcs_reduction += np.abs(np.sin(phase_diff/2)) # 简化的散射抵消 return -np.mean(rcs_reduction) # 最小化负值即最大化缩减 def run(self, n_gen=100): population = [ [random.randint(0, 2**self.bits-1) for _ in range(self.n_cells)] for _ in range(self.pop_size) ] for gen in range(n_gen): fitness_vals = [self.fitness(ind) for ind in population] # 选择、交叉、变异 (简化) new_pop = [] for _ in range(self.pop_size): parents = random.sample(population, 2) crossover_point = random.randint(1, self.n_cells-1) child = parents[0][:crossover_point] + parents[1][crossover_point:] if random.random() < 0.1: idx = random.randint(0, self.n_cells-1) child[idx] = random.randint(0, 2**self.bits-1) new_pop.append(child) population = new_pop best = min(population, key=lambda x: self.fitness(x)) return best class MultiLayerAbsorber: def __init__(self, n_layers=3): self.n_layers = n_layers def absorption(self, params, freq): # params: [R1, R2, R3, d1, d2] 方阻与厚度 # 传输线矩阵法计算吸收率 eps0 = 8.854e-12 mu0 = 4e-7*np.pi Z0 = np.sqrt(mu0/eps0) Z_in = 1j * Z0 * np.tan(2*np.pi*freq*params[3]/3e8) # 简化模型 return 1 - np.abs((Z_in - Z0)/(Z_in + Z0))**2 if __name__ == '__main__': ga = GeneticPhaseCoding(n_cells=128, bits=1) best_code = ga.run(n_gen=50) print(f'1-Bit最佳编码前10位: {best_code[:10]}') # 吸波器优化 def obj(params): # 计算1-19GHz平均吸收率 freqs = np.linspace(1.6e9, 19.2e9, 50) abs_sum = 0 for f in freqs: a = MultiLayerAbsorber().absorption(params, f) abs_sum += a return -abs_sum/len(freqs) # 最大化平均吸收率 bounds = [(50,500), (50,500), (50,500), (1e-3, 10e-3), (1e-3, 10e-3)] result = differential_evolution(obj, bounds, maxiter=30) print(f'最优方阻: {result.x[:3]}, 最优厚度: {result.x[3:]}')
