CN111476497A - 一种用于小型化平台的分配馈电网络方法 - Google Patents
一种用于小型化平台的分配馈电网络方法 Download PDFInfo
- Publication number
- CN111476497A CN111476497A CN202010295826.0A CN202010295826A CN111476497A CN 111476497 A CN111476497 A CN 111476497A CN 202010295826 A CN202010295826 A CN 202010295826A CN 111476497 A CN111476497 A CN 111476497A
- Authority
- CN
- China
- Prior art keywords
- gene
- steps
- feed network
- miniaturized
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 74
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000035772 mutation Effects 0.000 claims abstract description 5
- 108700028369 Alleles Proteins 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 abstract description 18
- 238000013461 design Methods 0.000 abstract description 8
- 239000013598 vector Substances 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 8
- 239000000758 substrate Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 3
- 101150028074 2 gene Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012239 gene modification Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开了一种用于小型化平台的分配馈电网络方法，用于优化功分网络，包括步骤S1：产生初代；步骤S2：选择幸存个体；步骤S3：判断幸存个体是否达到目标；步骤S4：采用交叉算法优化并且进行基因修正；步骤S5：采用变异算法优化并且进行基因修正后执行步骤S2。本发明公开的一种用于小型化平台的分配馈电网络方法，为了满足赋形指标，采用遗传算法来快速优化高效率功分网络的设计，迅速找到符合特定赋形向量的最优高效率功分网络构成。
Description
技术领域
本发明属于信号处理技术领域，具体涉及一种用于小型化平台的分配馈电网络方法。
背景技术
小型化平台是一种高集成度和关注工程化边界条件的通用信号处理平台。它以小型化信号处理模块为核心，提供用户自定义的系统功能，该平台可广泛应用于通信、阵列信号处理、电子对抗等领域。
为了满足实际系统的功能需求，除了基带信号处理模块外，其射频部分的小型化一样是该平台关键的技术。在阵列信号处理类的应用中，为了满足项目的赋形指标，如主瓣宽度、副瓣增益，必须要对阵元信号进行空间滤波，如切比雪夫赋形算法等。空间滤波的引入，对赋形向量造成的影响之一是各阵元幅度上的巨大差异。如一组典型的切比雪夫赋形向量，其权值幅度比可达15.9dB。
如果采用传统的功分网络来实现赋形需求，那就需要在许多阵元通路上引入幅度衰减器。这么做，有两大缺点：一是幅度衰减本身是能量消耗过程，宝贵的发射功率被衰减器白白转换成了热量；二是引入衰减器的数量过多，对功分网络的体积和散热都带来巨大挑战。
公开号为：CN106887717B，主题名称为一种多层馈电网络的发明专利，其技术方案公开了“馈电网络框架(1)、带状线功率分配器(2)、柔性馈电线(3)、过渡微带(4)、K型连接器(5)、功分器腔体盖板(6)和馈电线保护盖(7)；馈电网络框架(1)为金属腔体结构，包括第一矩形腔体和第二矩形腔体，第二矩形腔体位于第一矩形腔体的一侧，在第二矩形腔内底面上，设置有用于安装带状线功率分配器(2)的凹槽，在第一矩形腔体内底面上，设置有用于埋入柔性馈电线(3)的馈电槽，馈电槽截面为矩形，还设置有带隔离墙的过渡微带凹槽；用于多波束功率分配的带状线功率分配器(2)固定在第二矩形腔内底面上凹槽内，通过柔性馈电线(3)连接到过渡微带(4)上，同时，带状线功率分配器(2)还通过安装在第二矩形腔体侧壁上的K型连接器(5)，实现射频信号的输入输出；功分器腔体盖板(6)和馈电线保护盖(7)分别与第一矩形腔体和第二矩形腔体匹配，将馈电网络框架(1)密闭；多层馈电网络其正面电路与背面电路为旋转对称结构；所述带状线功率分配器(2)包括第一层(21)、第二层(22)、第三层(23)和第四层(24)；每一层连接一个K型连接器(5)，每一层上均有一分八的功分电路，分别通过柔性馈电线(3)与八个过渡微带(4)连接”；
上述发明专利，其所解决的技术问题是“解决了星载有限空间内宽带抗干扰多波束馈电网络的设计”，其虽然提及了馈电网络，但是其技术方案和技术问题都与本发明的不同。
公开号为：CN108987946A，主题名称为基于基片集成波导的缝隙阵列天线及其功分网络的发明专利，其技术方案公开了“基片集成波导阵面，包括依序布设的多个基片集成波导和布设于所述基片集成波导上的缝隙阵列；功分网络单元，位于所述基片集成波导阵面后方；所述功分网络单元中功分网络的输出端与各个所述基片集成波导相接实现对所述基片集成波导的馈电；以及和差网络单元，位于所述功分网络单元后方；所述和差网络单元包括工作于W波段的和差网络，所述和差网络与功分网络相接”；
上述发明专利，其虽然提及了功分网络，但是其解决的技术问题是：用于解决相关技术难实现支持W波段的圆口径阵列天线的问题，也与本发明的不同。
因此综上所述，针对上述问题，要对功分网络进行特别的设计，传统的功分网络对每路阵元信号的处理是一致的，而本发明采用的高效率功分网络不同，本发明对每一路的功分处理并不相同。
发明内容
本发明的主要目的在于提供一种用于小型化平台的分配馈电网络方法，为了满足赋形指标，采用遗传算法(遗传算法是一类启发式算法，它模拟生物自然进化的原理来搜索所需问题的全局最优解；通过将输入参数进行基因化设计，并引入逐代演化和变异，通过适应度来优胜劣汰种群中的个体；在多代进化后，产生最优个体，并进行基因解码)来快速优化高效率功分网络的设计，迅速找到符合特定赋形向量的最优高效率功分网络构成。
本发明的另一目的在于提供一种用于小型化平台的分配馈电网络方法，基于所采用的赋形算法，设计所适合的功分专用高效功分网络，将衰减器的数量和衰减量做到最小，从而提高整个功分网络的效率；但赋形算法可能根据项目需求的变化和设计迭代而变化，每次算法的变化必然会对功分网络的需求和设计产生变化；因此提供一种快捷有效的设计方法，对特定的赋形向量功率需求变化进行快速的响应，并产生最优的结果。
本发明的另一目的在于提供一种用于小型化平台的分配馈电网络方法，利用遗传算法(遗传算法是一类启发式算法，它基于种群的随机搜索，适用于高度非线性的不连续多峰函数的优化以及无解析表达式的目标函数的优化。其搜索机制为:模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从候选解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止)进行功分网络的优化，来寻找最佳的功分网络结构，使该网络的功率输出最接近空间滤波的输出幅度结果。(如果采用传统的功率分配网络，平均分配32路功率输出，那将有绝大部分的功率需要通过额外的衰减器进行衰减；这不仅意味着为了满足辐射功率指标需要更大的功放单元，也对系统热设计提出了更高的要求)
为达到以上目的，本发明提供一种用于小型化平台的分配馈电网络方法，用于优化功分网络(基于遗传算法)，包括以下步骤：
步骤S1：产生初代；
步骤S2：选择幸存个体；
步骤S3：判断幸存个体是否达到目标；
步骤S4：采用交叉算法优化并且进行基因修正；(传统的交叉运算要求参与运算的2个基因序列必须长度相等，只有长度相等的基因序列对，才能执行等位基因对的随机选取或交叉选取，但本发明中的基因表示法意味着种群池中的个体基因序列长度并不相等。因此，需要设计特殊的交叉规则，以适应非等长的基因表示法；
由于第1层的必须有1个功分器，第2层可选的参数只有1个或2个功分器；可见，越靠近源头的网络结构自由度越低，并且越靠近源头的功分器，降低的功率绝对值越大。比如第1个功分器，会将总功率降低1半，即每路只有1/2的总功率；可见，越靠近源头的功分网络对结果影响越关键。)
步骤S5：采用变异算法优化并且进行基因修正后执行步骤S2。(变异算法是遗传算法的关键步骤之一。没有合适的变异算法，最优化的结果往往是局部最优解。本发明的特殊性在于每个序列位都存在前后序列位对其的约束性，也就是说，必须再一定的约束下实现基因位的随机变异)
作为上述技术方案的进一步优选的技术方案，步骤S3具体实施为以下步骤：
步骤S3.1：如果幸存个体达到目标则直接输出；
步骤S3.2：如果幸存个体没有达到目标则执行步骤S3。
作为上述技术方案的进一步优选的技术方案，步骤S4具体实施为以下步骤：
步骤S4.1：选取两个基因序列并且进行左对齐处理；
步骤S4.2：执行等位基因的随机选取；
步骤S4.3：选取的两个基因序列中任一个基因序列长度耗尽时，将另一个基因序列的尾部拼接入新个体；
步骤S4.4：对基因的合格性进行判定并且修正不合格基因。
作为上述技术方案的进一步优选的技术方案，步骤S4.4具体实施为以下步骤：(对于基因的合格性，主要有以下两条规则)
步骤S4.4.1：功分器总数＝输出数-1；(即基因序列按位加和为D＝＝Nout-1；其中D为基因各位相加的和，Nout为总的阵元数)
步骤S4.4.2：除第一层外，每一层的功分器数量小于等于上一层的两倍；(即Dn≤2Dn-1，反过来说，除最后一层外，每一层的功分器数量必须大于等于下一层的功分器数量的floor(1/2)，即Dn≥floor(0.5*Dn+1))
步骤S4.4.3：如果不符合步骤S4.4.1和步骤S4.4.2中的任一项，则进行对基因序列的(微调)修正。
作为上述技术方案的进一步优选的技术方案，步骤S4.4.3具体实施为以下步骤：
步骤S4.4.3.1：对步骤S4.4.2进行修正；
步骤S4.4.3.2：对步骤S4.4.1进行检查和修正；
步骤S4.4.3.3：在基因序列的尾部进行增加或者减少功分器的处理。
作为上述技术方案的进一步优选的技术方案，步骤S5具体实施为以下步骤：
步骤S5.1：随机选择变异个体；
步骤S5.2：随机选择变异基因位；
步骤S5.3：根据基因位的前后值选定变异范围；(变异值约束)
步骤S5.4：实行约束的变异值内的随即变异；
步骤S5.5：对基因的合格性进行判定并且修正至合格基因。(采用以上步骤，既可以产生指定比例的随机变异，同时产生的变异结果也将对应一组可实现的功分网络，而不会出现非法值)
作为上述技术方案的进一步优选的技术方案，步骤S3和步骤S4之间还包括步骤S4.0：采用基因表示法进行优化。(遗传算法的基础是需要将待优化的输入变量集映射为一个基因串来表示。由于传统的最优化问题输入变量集中变量的数量通常为一个定值，不管用什么方法进行基因串表示，其基因串长度都是相等的。但本发明需优化的对象是一组2分功分网络，其深度和每一级的功分器数量都是变量。因此，由于本发明的特殊性，其基因表示序列只能为1变长序列。考虑用如下方式表示功分网络结构：D1D2…Dn。该序列每位数字表示一层功分网络的功分网络数量，如D1为第一层数量，D2为第二层数量，以此类推)
附图说明
图1是本发明的一种用于小型化平台的分配馈电网络方法的流程示意图。
图2是传统的遗传算法的流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
参见附图的图1，图1是本发明的一种用于小型化平台的分配馈电网络方法的流程示意图，
图2是传统的遗传算法的流程示意图。
在本发明的优选实施例中，本领域技术人员应注意，本发明所涉及的功分器、幸存个体等可被视为现有技术。
优选实施例。
本发明公开了一种用于小型化平台的分配馈电网络方法，用于优化功分网络(基于遗传算法)，包括以下步骤：
步骤S1：产生初代；
步骤S2：选择幸存个体；
步骤S3：判断幸存个体是否达到目标；
步骤S4：采用交叉算法优化并且进行基因修正；(传统的交叉运算要求参与运算的2个基因序列必须长度相等，只有长度相等的基因序列对，才能执行等位基因对的随机选取或交叉选取，但本发明中的基因表示法意味着种群池中的个体基因序列长度并不相等。因此，需要设计特殊的交叉规则，以适应非等长的基因表示法。
由于第1层的必须有1个功分器，第2层可选的参数只有1个或2个功分器；可见，越靠近源头的网络结构自由度越低，并且越靠近源头的功分器，降低的功率绝对值越大。比如第1个功分器，会将总功率降低1半，即每路只有1/2的总功率；可见，越靠近源头的功分网络对结果影响越关键)
步骤S5：采用变异算法优化并且进行基因修正后执行步骤S2。(变异算法是遗传算法的关键步骤之一。没有合适的变异算法，最优化的结果往往是局部最优解。本发明的特殊性在于每个序列位都存在前后序列位对其的约束性，也就是说，必须再一定的约束下实现基因位的随机变异)
具体的是，步骤S3具体实施为以下步骤：
步骤S3.1：如果幸存个体达到目标则直接输出；
步骤S3.2：如果幸存个体没有达到目标则执行步骤S3。
更具体的是，步骤S4具体实施为以下步骤：
步骤S4.1：选取两个基因序列并且进行左对齐处理；
步骤S4.2：执行等位基因的随机选取；
步骤S4.3：选取的两个基因序列中任一个基因序列长度耗尽时，将另一个基因序列的尾部拼接入新个体；
步骤S4.4：对基因的合格性进行判定并且修正不合格基因。
进一步的是，步骤S4.4具体实施为以下步骤：(对于基因的合格性，主要有以下两条规则)
步骤S4.4.1：功分器总数＝输出数-1；(即基因序列按位加和为D＝＝Nout-1；其中D为基因各位相加的和，Nout为总的阵元数)
步骤S4.4.2：除第一层外，每一层的功分器数量小于等于上一层的两倍；(即Dn≤2Dn-1，反过来说，除最后一层外，每一层的功分器数量必须大于等于下一层的功分器数量的floor(1/2)，即Dn≥floor(0.5*Dn+1))
步骤S4.4.3：如果不符合步骤S4.4.1和步骤S4.4.2中的任一项，则进行对基因序列的(微调)修正。
更进一步的是，步骤S4.4.3具体实施为以下步骤：
步骤S4.4.3.1：对步骤S4.4.2进行修正；
步骤S4.4.3.2：对步骤S4.4.1进行检查和修正；
步骤S4.4.3.3：在基因序列的尾部进行增加或者减少功分器的处理。
优选地，步骤S5具体实施为以下步骤：
步骤S5.1：随机选择变异个体；
步骤S5.2：随机选择变异基因位；
步骤S5.3：根据基因位的前后值选定变异范围；(变异值约束)
步骤S5.4：实行约束的变异值内的随即变异；
步骤S5.5：对基因的合格性进行判定并且修正至合格基因。(采用以上步骤，既可以产生指定比例的随机变异，同时产生的变异结果也将对应一组可实现的功分网络，而不会出现非法值)
进一步的是，步骤S5.5具体实施为以下步骤：(对于基因的合格性，主要有以下两条规则)
步骤S5.5.1：功分器总数＝输出数-1；(即基因序列按位加和为D＝＝Nout-1；其中D为基因各位相加的和，Nout为总的阵元数)
步骤S5.5.2：除第一层外，每一层的功分器数量小于等于上一层的两倍；(即Dn≤2Dn-1，反过来说，除最后一层外，每一层的功分器数量必须大于等于下一层的功分器数量的floor(1/2)，即Dn≥floor(0.5*Dn+1))
步骤S5.5.3：如果不符合步骤S5.5.1和步骤S5.5.2中的任一项，则进行对基因序列的(微调)修正。
更进一步的是，步骤S5.5.3具体实施为以下步骤：
步骤S5.5.3.1：对步骤S5.5.2进行修正；
步骤S5.5.3.2：对步骤S5.5.1进行检查和修正；
步骤S5.5.3.3：在基因序列的尾部进行增加或者减少功分器的处理。
优选地，步骤S3和步骤S4之间还包括步骤S4.0：采用基因表示法进行优化。(遗传算法的基础是需要将待优化的输入变量集映射为一个基因串来表示。由于传统的最优化问题输入变量集中变量的数量通常为一个定值，不管用什么方法进行基因串表示，其基因串长度都是相等的。但本发明需优化的对象是一组2分功分网络，其深度和每一级的功分器数量都是变量。因此，由于本发明的特殊性，其基因表示序列只能为1变长序列。考虑用如下方式表示功分网络结构：D1D2…Dn。该序列每位数字表示一层功分网络的功分网络数量，如D1为第一层数量，D2为第二层数量，以此类推)
优选地，本发明的算法在matlab软件环境下实现，本发明遗传算法优化功分网络的软件由PD networks主程序和fitness Calc及grow UP两个主要函数组。
其中，PD networks是主程序，负责实现整个遗传算法流程：参数定义、优化目标定义、初代产生、适应性选择、差异变异循环等步骤；
Fitness Calc函数负责进行每个个体的适应度计算；
Grow UP函数负责对每个个体基因序列进行合法性检测和合法性修正。
优选地，本发明的遗传算法流程(图1)上与传统的遗传算法(图2)相比，主要多了两步基因修正的步骤，这是因为本发明的基因表示法的特殊性，不仅基因长度是不定的，并且合法基因序列并不是基因序列值域的全集。
迭代退出的条件目前采用较为简单的固定迭代次数退出的方法，并且通过观察种群的EMS值来判定收敛情况。
优选地，交叉算法是：假设基因的二进制编码长度为N，那么这些编码之间有N-1个空隙，可供交叉使用，二进制交叉算法就是如何选择空隙，选择多少个空隙。
优选地，变异算法是：将问题空间中的决策变量通过一定编码方案表示成遗传空间的一个基因型串结构数据个体，将目标函数值转换成适应值，用来用来评价个体的优劣，并作为遗传操作的依据。
值得一提的是，本发明专利申请涉及的功分器、幸存个体等技术特征应被视为现有技术，这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可，不应被视为本发明专利的发明点所在，本发明专利不做进一步具体展开详述。
对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。
Claims (7)
1.一种用于小型化平台的分配馈电网络方法，用于优化功分网络，其特征在于，包括以下步骤：
步骤S1：产生初代；
步骤S2：选择幸存个体；
步骤S3：判断幸存个体是否达到目标；
步骤S4：采用交叉算法优化并且进行基因修正；
步骤S5：采用变异算法优化并且进行基因修正后执行步骤S2。
2.根据权利要求1所述的一种用于小型化平台的分配馈电网络方法，其特征在于，步骤S3具体实施为以下步骤：
步骤S3.1：如果幸存个体达到目标则直接输出；
步骤S3.2：如果幸存个体没有达到目标则执行步骤S3。
3.根据权利要求2所述的一种用于小型化平台的分配馈电网络方法，其特征在于，步骤S4具体实施为以下步骤：
步骤S4.1：选取两个基因序列并且进行左对齐处理；
步骤S4.2：执行等位基因的随机选取；
步骤S4.3：选取的两个基因序列中任一个基因序列长度耗尽时，将另一个基因序列的尾部拼接入新个体；
步骤S4.4：对基因的合格性进行判定并且修正不合格基因。
4.根据权利要求3所述的一种用于小型化平台的分配馈电网络方法，其特征在于，步骤S4.4具体实施为以下步骤：
步骤S4.4.1：功分器总数＝输出数-1；
步骤S4.4.2：除第一层外，每一层的功分器数量小于等于上一层的两倍；
步骤S4.4.3：如果不符合步骤S4.4.1和步骤S4.4.2中的任一项，则进行对基因序列的修正。
5.根据权利要求4所述的一种用于小型化平台的分配馈电网络方法，其特征在于，步骤S4.4.3具体实施为以下步骤：
步骤S4.4.3.1：对步骤S4.4.2进行修正；
步骤S4.4.3.2：对步骤S4.4.1进行检查和修正；
步骤S4.4.3.3：在基因序列的尾部进行增加或者减少功分器的处理。
6.根据权利要求1或5任一项所述的一种用于小型化平台的分配馈电网络方法，其特征在于，步骤S5具体实施为以下步骤：
步骤S5.1：随机选择变异个体；
步骤S5.2：随机选择变异基因位；
步骤S5.3：根据基因位的前后值选定变异范围；
步骤S5.4：实行约束的变异值内的随即变异；
步骤S5.5：对基因的合格性进行判定并且修正至合格基因。
7.根据权利要求1—5任一项所述的一种用于小型化平台的分配馈电网络方法，其特征在于，步骤S3和步骤S4之间还包括步骤S4.0：采用基因表示法进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010295826.0A CN111476497B (zh) | 2020-04-15 | 2020-04-15 | 一种用于小型化平台的分配馈电网络方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010295826.0A CN111476497B (zh) | 2020-04-15 | 2020-04-15 | 一种用于小型化平台的分配馈电网络方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476497A true CN111476497A (zh) | 2020-07-31 |
| CN111476497B CN111476497B (zh) | 2023-06-16 |
Family
ID=71753554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010295826.0A Active CN111476497B (zh) | 2020-04-15 | 2020-04-15 | 一种用于小型化平台的分配馈电网络方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476497B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2632230A1 (en) * | 2005-11-26 | 2007-05-31 | Gene Security Network, Inc. | System and method for cleaning noisy genetic data and using genetic, phentoypic and clinical data to make predictions |
| CN101256648A (zh) * | 2008-04-09 | 2008-09-03 | 永凯软件技术（上海）有限公司 | 一种应用在生产排程系统的基于订单结构的遗传操作算子 |
| US20120154197A1 (en) * | 2010-10-05 | 2012-06-21 | U.S. Government As Represented By The Secretary Of The Army | Genetic algorithm enhancement of radar system survivability |
| US20130080182A1 (en) * | 2011-09-26 | 2013-03-28 | Athleticode Inc. | Methods For Using DNA Testing To Screen For Genotypes Relevant To Athleticism, Health And Risk Of Injury |
| US20130117070A1 (en) * | 2011-11-08 | 2013-05-09 | Xerox Corporation | Method and apparatus for providing market simulation service |
| CN103886375A (zh) * | 2014-04-17 | 2014-06-25 | 张黎明 | 一种基于二叉空间分割树的资源调度优化方法 |
| CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
| CN104156462A (zh) * | 2014-08-21 | 2014-11-19 | 上海交通大学 | 基于元胞自动学习机的复杂网络社团挖掘方法 |
| WO2015053803A1 (en) * | 2013-10-08 | 2015-04-16 | University Of Maryland, Baltimore | Methods for distinguishing inflammatory bowel diseases using microbial community signatures |
| CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学（武汉） | 一种用于带约束条件的工程优化问题的遗传算法 |
| US9785886B1 (en) * | 2017-04-17 | 2017-10-10 | SparkCognition, Inc. | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation |
| CN107392420A (zh) * | 2017-06-12 | 2017-11-24 | 上海电力学院 | 一种基于需求响应的家庭能量管理系统智能控制方法 |
| CN108334950A (zh) * | 2018-04-17 | 2018-07-27 | 国网冀北电力有限公司唐山供电公司 | 一种应用单亲遗传算法的配电网络重构方法 |
| CN108485940A (zh) * | 2012-04-12 | 2018-09-04 | 维里纳塔健康公司 | 拷贝数变异的检测和分类 |
| CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
| CN110119558A (zh) * | 2019-04-30 | 2019-08-13 | 广州大学 | 一种基于差分优化算法的电路参数优化方法 |
| CN110208650A (zh) * | 2019-06-05 | 2019-09-06 | 贵州电网有限责任公司 | 基于径向基网络的小电流接地系统多判据故障选线方法 |
| CN110458290A (zh) * | 2019-06-28 | 2019-11-15 | 南京邮电大学 | 一种基于自调整动态网络的遗传算法设计方法 |
| CN110929931A (zh) * | 2019-11-20 | 2020-03-27 | 国网福建省电力有限公司 | 考虑分布式电源和负荷时序特性的配电网协调规划方法 |
-
2020
- 2020-04-15 CN CN202010295826.0A patent/CN111476497B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2632230A1 (en) * | 2005-11-26 | 2007-05-31 | Gene Security Network, Inc. | System and method for cleaning noisy genetic data and using genetic, phentoypic and clinical data to make predictions |
| CN101256648A (zh) * | 2008-04-09 | 2008-09-03 | 永凯软件技术（上海）有限公司 | 一种应用在生产排程系统的基于订单结构的遗传操作算子 |
| US20120154197A1 (en) * | 2010-10-05 | 2012-06-21 | U.S. Government As Represented By The Secretary Of The Army | Genetic algorithm enhancement of radar system survivability |
| US20130080182A1 (en) * | 2011-09-26 | 2013-03-28 | Athleticode Inc. | Methods For Using DNA Testing To Screen For Genotypes Relevant To Athleticism, Health And Risk Of Injury |
| US20130117070A1 (en) * | 2011-11-08 | 2013-05-09 | Xerox Corporation | Method and apparatus for providing market simulation service |
| CN108485940A (zh) * | 2012-04-12 | 2018-09-04 | 维里纳塔健康公司 | 拷贝数变异的检测和分类 |
| WO2015053803A1 (en) * | 2013-10-08 | 2015-04-16 | University Of Maryland, Baltimore | Methods for distinguishing inflammatory bowel diseases using microbial community signatures |
| CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
| CN103886375A (zh) * | 2014-04-17 | 2014-06-25 | 张黎明 | 一种基于二叉空间分割树的资源调度优化方法 |
| CN104156462A (zh) * | 2014-08-21 | 2014-11-19 | 上海交通大学 | 基于元胞自动学习机的复杂网络社团挖掘方法 |
| CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学（武汉） | 一种用于带约束条件的工程优化问题的遗传算法 |
| US9785886B1 (en) * | 2017-04-17 | 2017-10-10 | SparkCognition, Inc. | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation |
| CN107392420A (zh) * | 2017-06-12 | 2017-11-24 | 上海电力学院 | 一种基于需求响应的家庭能量管理系统智能控制方法 |
| CN108334950A (zh) * | 2018-04-17 | 2018-07-27 | 国网冀北电力有限公司唐山供电公司 | 一种应用单亲遗传算法的配电网络重构方法 |
| CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
| CN110119558A (zh) * | 2019-04-30 | 2019-08-13 | 广州大学 | 一种基于差分优化算法的电路参数优化方法 |
| CN110208650A (zh) * | 2019-06-05 | 2019-09-06 | 贵州电网有限责任公司 | 基于径向基网络的小电流接地系统多判据故障选线方法 |
| CN110458290A (zh) * | 2019-06-28 | 2019-11-15 | 南京邮电大学 | 一种基于自调整动态网络的遗传算法设计方法 |
| CN110929931A (zh) * | 2019-11-20 | 2020-03-27 | 国网福建省电力有限公司 | 考虑分布式电源和负荷时序特性的配电网协调规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| YANG FAN等: "An integrated power restoration method based on improved genetic algorithm for active distribution network" * |
| 周子成等: "基于遗传算法的方向图综合及馈电网络优化设计" * |
| 曹俊等: "用遗传算法实现平板裂缝天线功分网络布线设计" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476497B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Caorsi et al. | Optimization of the difference patterns for monopulse antennas by a hybrid real/integer-coded differential evolution method | |
| Feng et al. | Deep reinforcement learning based intelligent reflecting surface optimization for MISO communication systems | |
| CN111355519B (zh) | 智能反射表面协助的室内太赫兹mimo通信系统设计方法 | |
| CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
| US8416869B2 (en) | Peak-to-average power ratio reduction method for orthogonal frequency division multiplexing systems based on path finding | |
| CN108521291B (zh) | 一种射频涡旋波前优化装置及方法 | |
| CN110311715B (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
| CN112364528B (zh) | 一种基于遗传算法的微波暗室多径效应影响评估方法 | |
| CN112583453A (zh) | 多波束leo卫星通信系统下行noma功率分配方法 | |
| CN111724870A (zh) | 一种基于遗传算法的低频多层吸波材料设计方法 | |
| CN105873214A (zh) | 一种基于遗传算法的d2d通信系统的资源分配方法 | |
| Al-Nahhal et al. | Reconfigurable intelligent surface optimization for uplink sparse code multiple access | |
| CN111476497B (zh) | 一种用于小型化平台的分配馈电网络方法 | |
| Nerini et al. | Pareto frontier for the performance-complexity trade-off in beyond diagonal reconfigurable intelligent surfaces | |
| CN110505681B (zh) | 基于遗传方法的非正交多址接入场景用户配对方法 | |
| CN110069896B (zh) | 基于稀疏2d线性阵列的涡旋电磁波产生与优化方法 | |
| CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
| Najarro et al. | Adaptation of population size in differential evolution and its effects on localization of target nodes | |
| CN111490815B (zh) | 一种面向5g c-ran的多用户混合波束成形方法 | |
| Awad et al. | The inter-modes mixing effects in mode group diversity multiplexing | |
| CN111835415B (zh) | 一种基于遗传算法的信号延迟补偿合并方法 | |
| CN115021779A (zh) | Ris辅助的mimo系统的离散相移设计方法和装置 | |
| Lee et al. | Optimal narrowband dispersionless fiber Bragg grating filters with short grating length and smooth dispersion profile | |
| Wang et al. | Statistics of $\alpha-\mu $ Random Variables and Their Applications in Wireless Multihop Relaying and Multiple Scattering Channels | |
| US7054795B1 (en) | Method for selecting optimized lengths of a segmented transmission line and a transmission line resulting therefrom |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |