CN115186588A - 基于多目标粒子群优化的功放设计方法 - Google Patents

Abstract

本发明公开了基于多目标粒子群优化的功放设计方法，该方法首先利用ADS软件对晶体管进行负载牵引和源牵引，得到最优源阻抗和最优负载阻抗，然后通过频段的中心频点对应的阻抗来获得切比雪夫低通拓扑元件参数值，使用拉丁超立方抽样对匹配网络初始微带线参数值抽样得到两个粒子群，通过适应度函数来评估粒子群的阻抗匹配性能，通过输出功率和效率来评估功放的整体性能，使用基于基准点的帕累托前沿得到了多组微带线参数，不断迭代，最终实现了宽带高效功率放大器。本方法首次提出了基于多目标粒子群优化的功放设计方法，通过综合考虑阻抗匹配和功放性能来设计功放，通过基准点来实现微带线参数选择，加速了功放仿真设计效率。

Description

基于多目标粒子群优化的功放设计方法

技术领域

本发明属于机器学习及射频功率放大器设计领域，具体涉及基于多目标粒子群优化的功放设计方法。

背景技术

随着数据传输量的不断增加，通信系统应用场景的日益复杂，以及频谱资源的稀缺，市场需求正不断推动无线通信系统发展。作为无线通信系统的核心功能模块，射频功率放大器的性能直接影响无线通信系统的质量，例如，提高功率放大器的效率可以降低通信基站的热损耗，提高功率放大器的输出功率可以扩大基站的信号覆盖范围。因此，功率放大器的设计正成为研究热点。

然而，功率放大器的性能指标之间往往会互相冲突，兼顾高功率和高效率的功率放大器的设计与制作过程就会比较复杂，这是一个典型的多目标优化问题，处理该问题通常借助软件平台进行仿真和优化，比如先进设计系统(ADS)。目前，许多的智能算法，比如梯度算法、遗传算法或者模拟退火算法，已经被嵌入到了ADS优化工具中，以加速仿真优化过程。

尽管ADS内嵌优化工具受到广泛应用，但是其仍然存在三大主要缺点，其一，对于多目标优化问题，ADS内嵌的梯度算法、遗传算法或者模拟退火算法在优化过程中要进行大量计算，优化时间较长，而且在优化过程中没有考虑到功放设计的阻抗匹配理论，具备一定的盲目性；其二，与滤波器等无源电路的设计相比，功率放大器电路需要考虑谐波调制和节点电压等因素，因此功率放大器电路具备强非线性的特性，这也导致ADS在仿真功率放大器时会出现不收敛的问题，如果该问题出现在优化过程中就会导致优化停止，影响工程进度；其三，随着商业应用场景的不断扩大，越来越多的功放架构被提出，比如Doherty功放等，这些功放的调试过程极为困难，设计者往往采用“分级功放独立设计+整体整合”的方式来进行调试，在此过程中，需要大量的设计参数不断进行组合筛选，而ADS每次优化都只能得到一组设计参数，如果要得到多组设计参数，就得进行多次优化，但是多次优化对于ADS内嵌的梯度算法、遗传算法或者模拟退火算法是无效的，因为在优化起点相同的情况下，这些算法只会得到固定的结果而与优化次数无关，而如果想要通过多次改变优化起点的方式来得到多组设计参数，就不得不面临优化时间过长和不收敛报错的问题。

发明内容

针对现有技术的不足，本发明提出了基于多目标粒子群优化的功放设计方法，引入了处理多目标优化的帕累托前沿迭代方法以及基于阻抗匹配的粒子群优化方法。综合考虑了输出指标和阻抗之间的关系，建立了新的粒子最优位置迭代机制，实现了功率放大器电路参数的不断优化，并确保了优化方法的收敛，最终得到了多组设计参数。

基于多目标粒子群优化的功放设计方法，具体包括以下步骤：

步骤一、确定匹配电路结构

首先对功放使用的晶体管在频带内分别进行源牵引和负载牵引，获得最优源阻抗Z_source＝Z_sr+jZ_si和最优负载阻抗Z_load＝Z_lr+jZ_li，其中Z_sr和Z_si分别代表Z_source的实部和虚部，Z_lr和Z_li分别代表Z_load的实部和虚部。然后使用中心频点的最优源阻抗和最优负载阻抗获得切比雪夫低通拓扑结构的原型元件参数，再通过逆归一化将原型元件转换为分立元件，使用短线近似理论将分立元件转换为微带线后，得到输入匹配网络的初始参数X₁和输出匹配网络的初始参数X₂。

步骤二、粒子群初始化

在步骤一得到初始参数X₁、X₂数值周围，随机抽取n个值，得到初始粒子群X_IMN和X_OMN，然后随机初始化粒子群的速度V_IMN和V_OMN。

步骤三、性能评估

性能评估包括阻抗匹配效果的评估以及输出效果的评估，具体是：

S3.1、使用ADS对步骤二初始后的粒子群X_IMN和X_OMN进行仿真，在频带[freq_min,freq_max]内的设置m个仿真频点，获取实际源阻抗R_source＝R_sr+jR_si和实际负载阻抗R_load＝R_lr+jR_li，其中，R_sr和R_si分别是R_source的实部和虚部，R_lr和R_li分别是R_load的实部与虚部，分别通过适应度函数f₁和f₂评估X_IMN和X_OMN的阻抗匹配效果：

S3.2、将S3.1评估后的粒子群X_IMN和X_OMN的个体最优位置P_IMN和P_OMN进行更新，然后通过ADS对更新后的个体最优位置进行仿真，得到输出功率Pout和效率PAE。由于输出功率Pout和效率PAE在频带内是一条仿真曲线，因此选择曲线最小值，Pout_min和PAE_min，来评估功放的整体性能：

Pout_min＝min(Pout₁,Pout₂,…,Pout_m) (3)

PAE_min＝min(PAE₁,PAE₂,…,PAE_m) (4)

步骤四、更新帕累托前沿和全局最优位置

在每次迭代后，都会得到n组Pout_min、PAE_min，在第t次迭代后将得到

对这n组数据进一步筛选，以确保每次迭代都会取得进展，设置基准点

为：

将大于

和

的点

筛选出来，得到帕累托前沿，然后将帕累托前沿对应的帕累托最优解随机分配给每个粒子作为全局最优位置G_IMN、G_OMN。

步骤五、更新粒子群

令粒子群X_IMN和X_OMN追踪个体最优位置(P_IMN，P_OMN)和全局最优位置(G_IMN，G_OMN)进行更新，若更新后达到设定的迭代次数，则输出优化后的输入、输出匹配网络的参数；否则返回步骤三。

本发明具有以下有益效果：

本方法相较于传统ADS优化，在优化过程中考虑了阻抗匹配理论，通过改进的帕累托前沿兼顾了高功率和高效率，可以一次性得到多组优质微带线参数，极大地补充了参数选择。并且实验证明了本方法与ADS优化相比，可以有效缩短优化所需的时间。

附图说明

图1为为基于多目标粒子群优化的功放设计方法；

图2为实施例中最优源阻抗随频率变化轨迹图；

图3为实施例中最优负载阻抗随频率变化轨迹图；

图4为实施例中仿真输出功率和效率曲线示意图；

图5为实施例中基于基准点的帕累托前沿示意图；

图6为实施例中输出功率和效率分布图；

图7为实施例中宽带高效功率放大器仿真性能图；

图8为实施例中实际源阻抗和最优源阻抗对比图；

图9为实施例中实际负载阻抗和最优负载阻抗对比图；

具体实施方式

为使本发明的优点更加明确，下面结合附图对本发明作进一步的解释说明；

如图1所示，基于多目标粒子群优化的功放设计方法，具体包括以下步骤：

步骤一、确定匹配电路结构

本实施例选择晶体管CGH40010F进行功放设计。首先，使用Keysight公司的ADS软件在频段2GHz到3GHz内，每隔0.1GHz对该晶体管进行源牵引和负载牵引，获得最优源阻抗Z_source＝Z_sr+jZ_si和最优负载阻抗Z_load＝Z_lr+jZ_li的变化轨迹，如图2和图3所示。然后使用中心频点的最优源阻抗和最优负载阻抗获得切比雪夫低通拓扑结构的原型元件参数，接着通过逆归一化将原型元件转换为分立元件，进而使用短线近似理论将分立元件转换为微带线，最终得到输入匹配网络的初始参数X₁＝{1.02,3.47,1.02,3.47,1.61,6.91,4.65,4.53}，输出匹配网络的初始参数X₂＝{1.02,3.47,1.02,3.47,2.76,5.66,6.21,3.5}。

步骤二、粒子群初始化

在步骤一得到初始参数X₁、X₂数值的±10％范围内，采用拉丁超立方抽样(LHS)方法随机抽取10个值，得到初始粒子群X_IMN和X_OMN，然后随机初始化粒子群的速度V_IMN和V_OMN。

步骤三、性能评估

样本评估主要包括阻抗匹配效果评估以及输出性能指标评估，具体步骤包括：

S3.1、通过ADS对步骤二初始化得到的粒子群X_IMN、X_OMN进行仿真，在频带[2GHz,3GHz]内设置11个仿真频点，获取实际源阻抗R_source＝R_sr+jR_si和实际负载阻抗R_load＝R_lr+jR_li，R_sr和R_si分别是R_source的实部和虚部，R_lr和R_li分别是R_load的实部与虚部，通过适应度函数f₁和f₂分别评估X_IMN和X_OMN的阻抗匹配效果：

S3.2、完成阻抗匹配效果的评估后，更新粒子群X_IMN和X_OMN的个体最优位置P_IMN和P_OMN，然后通过ADS对个体最优位置(P_IMN，P_OMN)进行仿真，得到输出功率Pout和效率PAE。由于输出功率和效率在频带内是一条仿真曲线，如图4所示，因此选择曲线的最小值，Pout_min、PAE_min来衡量功放的整体性能：

Pout_min＝min(Pout₁,Pout₂,…,Pout₁₁) (3)

PAE_min＝min(PAE₁,PAE₂,…,PAE₁₁) (4)

步骤四、更新帕累托前沿和全局最优位置

在每次迭代后，都会得到10组Pout_min、PAE_min，在第t次迭代后将得到

需要对这些数据进一步筛选，以确保每次迭代都会取得进展，设置基准点

为：

将性能高于

和

的点

筛选出来，遍历之后得到帕累托前沿，然后将帕累托前沿对应帕累托最优解随机分配给每个粒子作为全局最优位置G_IMN、G_OMN。图5展示了基于基准点的帕累托前沿示意图，性能优于基准点的数据点会被选择并一步遍历得到帕累托前沿解，而其余点会被丢弃。

步骤五、更新粒子群

令粒子群X_IMN和X_OMN追踪个体最优位置(P_IMN，P_OMN)和全局最优位置(G_IMN，G_OMN)进行更新，若更新后达到设定的迭代次数，则输出优化后的输入、输出匹配网络的参数；否则返回步骤三。

图6为本实例得到的10组设计参数所对应的2GHz-3GHz频段内输出功率最小值和效率最小值分布图，证明了本实例可以一次性得到多组可用微带线参数，大大提高了设计的选择性和灵活性，本方法所得到的的10组参数可以直接作为Doherty功放结构的备选参数进行组合使用。为进一步表明本方法优势，从10组微带线参数中随机挑取一组参数绘出在整个频段内的仿真曲线，如图7所示，结果表明本方法任意一组设计参数都可以直接作为一个宽带高效功率放大器使用，并且在整个频带内都具备高性能，图8和图9分别为本实例得到的源阻抗匹配结果图和负载阻抗匹配结果图，其中“○”代表最优阻抗，“△”代表实际阻抗，结果表明最终输出的实际源阻抗和实际负载阻抗环绕在最优源阻抗和最优负载周围，这证明了本方法可以非常好得实现阻抗匹配，以及本方法的可靠性，是对现有优化技术的有效补充。表1展示了在同样得到10组设计参数的情况下，本方法与传统ADS方法的累积优化时间与报错次数对比，结果表明，本文算法可以有效避免报错，在累计优化时间上具备绝对优势。

方法	累积优化时间	报错次数
			多目标粒子群优化算法	3m18s	0
ADS-梯度算法	32m43s	1
			ADS-遗传算法	40m11s	4
ADS-模拟退火算法	35m04s	1

表1

Claims (4)

1.基于多目标粒子群优化的功放设计方法，其特征在于：该方法包括以下步骤：

步骤一、确定匹配电路结构

首先对功放使用的晶体管在频带内分别进行源牵引和负载牵引，获得最优源阻抗Z_source和最优负载阻抗Z_load；根据中心频点的最优源阻抗和最优负载阻抗设计输入匹配网络的初始参数X₁和输出匹配网络的初始参数X₂；

步骤二、粒子群初始化

在初始参数X₁、X₂数值周围，随机抽取n个值，得到初始粒子群X_IMN和X_OMN，然后随机初始化粒子群的速度V_IMN和V_OMN；

步骤三、性能评估

S3.1、使用ADS对步骤二初始后的粒子群X_IMN和X_OMN进行仿真，在频带内设置m个仿真频点，获取实际源阻抗R_source和实际负载阻抗R_load，分别通过适应度函数f₁和f₂评估X_IMN和X_OMN的阻抗匹配效果：

其中，Z_sr和Z_si分别代表Z_source的实部和虚部，Z_lr和Z_li分别代表Z_load的实部和虚部；R_sr和R_si分别是R_source的实部和虚部，R_lr和R_li分别是R_load的实部与虚部；

S3.2、对S3.1评估后的粒子群X_IMN和X_OMN的个体最优位置P_IMN和P_OMN进行更新，然后通过ADS对更新后的个体最优位置进行仿真，得到输出功率Pout和效率PAE；选择曲线的最小值Pout_min和PAE_min来评估功放的整体性能；

步骤四、更新帕累托前沿和全局最优位置

设置基准点

为：

对第t次迭代后得到的

进行筛选，将大于

和

的点

筛选出来，得到帕累托前沿，然后将帕累托前沿对应的帕累托最优解随机分配给每个粒子作为全局最优位置G_IMN、G_OMN；

步骤五、更新粒子群

令粒子群X_IMN和X_OMN追踪个体最优位置(P_IMN，P_OMN)和全局最优位置(G_IMN，G_OMN)进行更新，若更新后达到设定的迭代次数，则输出优化后的输入、输出匹配网络的参数；否则返回步骤三。

2.如权利要求1所述基于多目标粒子群优化的功放设计方法，其特征在于：在初始参数X₁、X₂数值的±10％范围内，随机抽取10个值，作为初始化粒子群。

3.如权利要求1或2所述基于多目标粒子群优化的功放设计方法，其特征在于：采用拉丁超立方抽样方法进行随机抽取。

4.如权利要求1所述基于多目标粒子群优化的功放设计方法，其特征在于：功放使用的晶体管为Wolfspeed公司的10w GaN HEMT晶体管。

Images