LCLS-II光发射器多目标优化方法比较
摘要：粒子加速器是世界上最大的科学实验之一，可以由数千个具有各种输入范围的组件组成。在设计和运营研究中，这些系统很容易变成棘手的优化问题。从21世纪初开始，寻找更好的束流动力学配置与加速器物理学界中的启发式优化方法变得同义。遗传算法和粒子群优化目前是最广泛使用的方法。这些算法可能需要数千次的模拟评估才能找到一个机器原型的最佳解决方案。对于像LineCoherent Light Source (LCLS)等大型设施来说，这相当于对许多可能的设计配置的有限探索。在本文中，LCLS-II的光注射器使用三种优化算法进行了优化。所有的优化都从均匀随机和拉丁超立方样本开始。在所有情况下，从拉丁超立方样本开始的优化都优于从均匀样本开始的优化。这三种算法都能对光注射器进行优化，而基于模型的方法能够在较少的模拟评估中逼近帕累托前沿。这项工作与先前的优化观察相结合，表明目标惩罚对这些方法的效率有很大影响。总的来说，我们建议在具有目标空间信息时使用启发式方法进行初始优化，使用基于模型的方法。
作者：Nicole Neveu and Tyler H. Chang and Paris Franz and Stephen Hudson and Jeffrey Larson
论文ID：2206.03882
分类：Accelerator Physics
分类简称：physics.acc-ph
提交时间：2022-11-01