传统的微波器件优化设计一般采用电磁仿真软件结合全局优化算法,这种方法效率较低,因此,提高微波器件设计效率是目前的一个热点话题。针对此问题国内外研究人员提出了诸多解决方案,例如人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machines,SVM)、高斯过程(Gaussian Process,GP)等建模方法。本文主要介绍的是适应度值继承方法,即子代的适应度值以一定的方式继承父代的适应度值,此类方法不仅可以避免取样带来的时间耗费,而且能在大量减少真实适应度值计算次数的基础上保持算法的优良性能。本文针对多种用途的天线和滤波器,将粒子群优化算法(Particle Swarm Optimization,PSO)结合GP建模方法进行优化设计,主要工作如下:(1)介绍了粒子群算法与高斯过程的基本原理,并对高斯过程建模的实施方法以及Matlab调用电磁仿真软件HFSS的方法进行了说明。(2)研究了基于粒子群优化算法的适应度值估计方法,根据粒子群算法的显式进化公式构造出粒子的适应度值的预测模型,因此粒子的适应度值可通过预测模型给出,以此预测结果代替耗时的全波电磁仿真,并通过对微带准八木天线以及SIR带通滤波器的优化设计证明了该方法的有效性。(3)为了使适应度估计方法预测结果更稳定,应用范围更广泛,本文研究了一种自主更新的粒子群优化算法适应度估计方法,在根据公式寻优迭代过程中,每隔几代对该模型进行校对,若预测模型精度低于设定的阈值,则在电磁仿真软件中重新计算,并与最近一代基于HFSS的粒子重新建立一个预测模型。文中通过E型双频微带天线和WLAN/WiMAX多频带天线的优化设计证明了该方法的有效性与稳定性。(4)研究了一种适应度值估计辅助高斯过程建模的方法,在构建高斯过程模型时,一部分数据来源于全波电磁仿真软件的精确仿真值,一部分数据来源于基于粒子群优化算法的适应度估计值,通过减少耗时的精确仿真次数来降低高斯过程建模前的数据准备时间,由此达到高效快速建模的目的。文中将该建模方法应用于倒F天线和GPS-Beidou双模微带天线的优化设计中,其良好的优化结果表明使用该建模方法可以一定程度上提升建模效率。