CN103107963A - 一种基于混合遗传算法的宽带匹配网络优化方法 - Google Patents

Abstract

本发明提供了一种基于混合遗传算法的宽带匹配网络优化方法，该方法首先是根据宽带匹配网络在一定的传输线范围内，能满足特性阻抗的需要，但当传输线超过一定的范围时，宽带匹配网络中的特性阻抗难以满足设计中的要求，基于这一点，为了在宽带匹配网络中得到最佳的传输网络参数，本发明采用了混合遗传算法对网络进行设计，引入了动态惩罚函数对适应度函数进行处理，通过对数值进行分析，表明使用该方法设计的宽带匹配网络优于现有的其它方法。

Description

一种基于混合遗传算法的宽带匹配网络优化方法

技术领域

本发明涉及一种基于混合遗传算法的宽带匹配网络优化方法。

技术背景

随着电子技术的高速发展，人们对宽带匹配网络也越来越重视，在过去的研究主要是基于均匀传输线网络的实现，后来又逐渐发展为对不均匀网络研究，其传输线也参与改善了肉络的响应，但传输线每一段的长度是人为选择的，有很大的盲目性，不能得到最佳的匹配网络。

为了获得最佳的传输线无耗匹配网络，使一个任意负载与电阻性电源相匹配，同时实现预给的转换功率增益特性，有效的克服了匹配网络中的特性阻抗的问题，能保证负载获得最大的转换功率。

发明内容

本发明提供了一种混合遗传算法对宽带匹配网络进行设计，在设计的过程中，为了解决早熟收敛的问题，在适值函数中引入了退火惩罚因子，然后在标准遗传算法基础上，加入了最优保持操作，变概率交叉和变异操作，过滤操作等，利用遗传算法的良好全局搜索能力，设计出最佳的宽带匹配网络，有效的克服了带宽及匹配网络的线性相位问题，能保证负载获得最大的转换功率。

本发明提出的技术方案具体步骤包括：

根据二端口网络如图1所示，可求得总的转移矩阵[A]＝[A]₁[A]₂…[A]_n，宽带阻抗匹配时，输入阻抗为：

$Z_{\mathrm{in}}=\frac{A_{11}{Z}_L+A_{12}}{A_{21}{Z}_L+A_{22}}---\left(1\right)$

输入电压反射系数

${\mathrm{\Γ}}_{\mathrm{in}}=\frac{Z_{\mathrm{in}}-Z_g}{Z_{\mathrm{in}}+Z_g}---\left(2\right)$

电压驻波比

$S=\frac{1+\left|{\mathrm{\Γ}}_{\mathrm{in}}\right|}{1-\left|{\mathrm{\Γ}}_{\mathrm{in}}\right|},---\left(3\right)$

目标函数可设为：

$f_{\max }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[C-k\×\max [0,S\left(i\right)-S_{\max }\left]\right]---\left(4\right)$

其中，S_max为通带内允许的最大驻波比；C＝100000；N为通带内频率采样点数。

对于特性阻抗和长度的约束条件，惩罚函数设为

$P\left(i\right)=\max [0,(Z_i-Z_{\max })]+\max [0,(Z_{\min }-Z_i)]+\max [0,(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{l}_j-l_{\max })]---\left(5\right)$

适值函数为：

$F_{\max }=f_{\max }+\mathrm{\η}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(i\right)---\left(6\right)$

其中，n为匹配网络的级数；Z_max为特性阻抗的最大值；Z_min为特性阻抗的最小值；l_max为匹配网络的最大长度；η为惩罚因子。

进一步，采用的浮点数的算法，其步骤为：

(1)选取择种群的大小

(2)用动态惩罚的适值函数计算各个个体适值

(3)将当前群体中适值函数值最高的前n个(n＝0.05*pop_size)个体直接复制到下一代

(4)按适值大被选择概率大的原则，用赌轮选择法产生0.95*pop_size个个体

(5)变概率交叉和变概率变异操作，因为在迭代初期不可行个体的数目较多，希望进行较多的交叉和变异操作，扩大搜索空间，随着个体的不断进化，过多的交叉，变异反而容易产生不可行个体，交叉概率和变异概率应随进化的进行而下降，所以取：

交叉概率 $P_c=1-\frac{T_i}{\max \_\mathrm{gen}}---\left(7\right)$

变异概率 $P_e=0.2\×(1-\frac{T_i}{\max \_\mathrm{gen}})---\left(8\right)$

对父本的交叉和变异采用算术交叉；

(6)对新产生的个体按适值大小进行排序，去掉适值最小的n个(n＝n＝0.05*pop_size)个体，加上(3)产生的个体组成子代。

(7)若h＞max_gen，输出结果，退出否则转(2)，重复以上过程。

进一步，采用动态罚函数，惩罚因子是迭代次数和不可行解数目的函数：

$\mathrm{\η}=\left\{\begin{array}{ccc}\mathrm{\η}/2& h=\mathrm{5,10},\·\·\·,\max \_\mathrm{gen}& \mathrm{innum}=0\\ 2\mathrm{\η}& h=\mathrm{5,10},\·\·\·,\max \_\mathrm{gen}& \mathrm{innum}>\mathrm{pop}\_\mathrm{size}/4---\left(9\right)\\ \mathrm{\η}& \mathrm{other}& \end{array}\right.$

其中，h为进化代数，max_gen为总的进化代数，pop_size为种群大小，innum是不可行解的个数，惩罚因子η的初值较大，随着进化的进行不断改变，从而获得最佳的宽带匹配网络。

本发明的技术效果：本发明提出的上述宽带无耗匹配网络设计技术方案，通过计算能够获得转换功率增益，设计者根据实际需要可以设计出最佳宽带匹配参数以满足实际要求，该方法较传统基于工程经验的设计方法不仅节约了匹配网络设计周期，而且有效的克服了匹配网络中特性阻抗的问题，能够获得更好的匹配效果。

附图说明

图1为二端口宽带网络；

具体实施方式

实施例：

同轴线系统中，可实现的特性阻抗为20Ω～90Ω，工作频率范围为250MHz～750MHz，输入阻抗Z_g＝50Ω，负载阻抗Z_l＝100Ω，带内最大驻波比1.36，宽带网络传输线的总长度小于20cm；

利用上述算法，种群的规模为100，总的进化代数为200，初值随机产生，采用实数编码，交叉和变异采用算术交叉和非一致变异，匹配网络由4节传输线组成。

其优化结果如表1所示，

表1 混合遗传算法优化设计结果

该匹配网络已成功用于某宽带通道中，它成本低、结构简单、尺寸小、加工容易、可靠性高、连接方便而且效果明显。

Claims (4)

1.一种基于混合遗传算法的宽带匹配网络优化方法，其特征在于：该方法首先是根据宽带匹配网络在一定的传输线范围内，能满足特性阻抗的需要，但当传输线超过一定的范围时，宽带匹配网络中的特性阻抗难以满足设计中的要求，基于这一点，为了在宽带匹配网络中得到最佳的传输网络参数，本发明采用了混合遗传算法对网络进行设计，引入了动态惩罚函数对适应度函数进行处理，可以得到优化后的匹配网络，有效的克服了匹配网络中的特性阻抗的问题，能保证负载获得最大的转换功率。

2.根据权利要求1所述的方法，其特征在于，其实现步骤包括：根据二端口网络理论可求得总的转移矩阵[A]＝[A]₁[A]₂…[A]_n，宽带阻抗匹配时，输入阻抗为：

$Z_{\mathrm{in}}=\frac{A_{11}{Z}_L+A_{12}}{A_{21}{Z}_L+A_{22}}---\left(1\right)$

输入电压反射系数

${\mathrm{\Γ}}_{\mathrm{in}}=\frac{Z_{\mathrm{in}}-Z_g}{Z_{\mathrm{in}}+Z_g}---\left(2\right)$

电压驻波比

$S=\frac{1+\left|{\mathrm{\Γ}}_{\mathrm{in}}\right|}{1-\left|{\mathrm{\Γ}}_{\mathrm{in}}\right|},---\left(3\right)$

目标函数可设为：

$f_{\max }=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[C-k\×\max [0,S\left(i\right)-S_{\max }\left]\right]---\left(4\right)$ 其中，S_max为通带内允许的最大驻波比；C＝100000；N为通带内频率采样点数。

3.根据权利要求1所述的方法，其特征在于，对特性阻抗和长度的约束条件，惩罚函数设为：

$P\left(i\right)=\max [0,(Z_i-Z_{\max })]+\max [0,(Z_{\min }-Z_i)]+\max [0,(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{l}_j-l_{\max })]---\left(5\right)$

其中，适值函数为：

$F_{\max }=f_{\max }+\mathrm{\η}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(i\right)---\left(6\right)$

其中，n为匹配网络的级数；Z_max为特性阻抗的最大值；Z_min为特性阻抗的最小值；l_max为匹配网络的最大长度；η为惩罚因子。

4.根据权利要求1所述的方法，其特征在于，本发明所采用的浮点数的算法，其步骤为：

(1)选取择种群的大小

(2)用动态惩罚的适值函数计算各个个体适值

(3)将当前群体中适值函数值最高的前n个(n＝0.05*pop_size)个体直接复制到下一代

(4)按适值大被选择概率大的原则，用赌轮选择法产生0.95*pop_size个个体

(5)变概率交叉和变概率变异操作，因为在迭代初期不可行个体的数目较多，希望进行较多的交叉和变异操作，扩大搜索空间，随着个体的不断进化，过多的交叉，变异反而容易产生不可行个体，交叉概率和变异概率应随进化的进行而下降，所以取：

交叉概率 $P_c=1-\frac{T_i}{\max \_\mathrm{gen}}---\left(7\right)$

变异概率 $P_e=0.2\×(1-\frac{T_i}{\max \_\mathrm{gen}})---\left(8\right)$

对父本的交叉和变异采用算术交叉；

(6)对新产生的个体按适值大小进行排序，去掉适值最小的n个(n＝n＝0.05*pop_size)个体，加上(3)产生的个体组成子代。

(7)若h＞max_gen，输出结果，退出否则转(2)，重复以上过程。

其中，采用了动态罚函数，惩罚因子是迭代次数和不可行解数目的函数：

$\mathrm{\η}=\left\{\begin{array}{ccc}\mathrm{\η}/2& h=\mathrm{5,10},\·\·\·,\max \_\mathrm{gen}& \mathrm{innum}=0\\ 2\mathrm{\η}& h=\mathrm{5,10},\·\·\·,\max +\mathrm{gen}& \mathrm{innum}>\mathrm{pop}\_\mathrm{size}/4\\ \mathrm{\η}& \mathrm{other}& \end{array}\right.---\left(9\right)$

其中：h为进化代数，max_gen为总的进化代数，pop_size为种群大小，innum是不可行解的个数，惩罚因子η的初值较大，随着进化的进行不断改变，从而获得最佳的宽带匹配网络。

Images