CN116720424A - 基于多自适应代理模型辅助进化算法的天线设计方法 - Google Patents
基于多自适应代理模型辅助进化算法的天线设计方法 Download PDFInfo
- Publication number
- CN116720424A CN116720424A CN202310480364.3A CN202310480364A CN116720424A CN 116720424 A CN116720424 A CN 116720424A CN 202310480364 A CN202310480364 A CN 202310480364A CN 116720424 A CN116720424 A CN 116720424A
- Authority
- CN
- China
- Prior art keywords
- value
- antenna
- database
- sample
- comprehensive performance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013461 design Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000035772 mutation Effects 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 239000003795 chemical substances by application Substances 0.000 description 13
- 230000004044 response Effects 0.000 description 10
- 239000002184 metal Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q1/00—Details of, or arrangements associated with, antennas
- H01Q1/36—Structural form of radiating elements, e.g. cone, spiral, umbrella; Particular materials used therewith
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于多自适应代理模型辅助进化算法的天线设计方法,本发明在传统代理辅助进化算法的框架中,自适应调整每种变异算子被选择概率,为子代个体单独构建代理模型,加入子代解质量判定操作,利用数据库动态增量确定电磁仿真的个体数量。本发明能更好的平衡算法的探索与开发能力,减小陷入局部最优的概率,减少拟合时间和无用解的仿真次数,进一步提高优化速度。仿真结果表明本发明实施例中三种天线结构,在使用多自适应代理模型辅助进化算法进行优化设计后都得到了所需的天线性能。
Description
技术领域
本发明属于雷达通信技术领域,更进一步涉及天线技术领域中的一种基于多自适应代理模型辅助进化算法的天线设计方法。本发明可用于多种天线的尺寸参数优化。
背景技术
因天线结构复杂,传统的电磁分析理论在面对形状各异的天线结构时难以得到接近全局最优的初始解。在此情境下,传统的参数扫描方法既费时费力,还难以确保最终得到的天线结构为全局最优。一些传统的基于随机搜索的种群类算法如遗传算法、差分进化算法、粒子群算法等在面对此类情况下展现出了较好的优化性能和极高的潜力。但这些此类算法会生成较大规模的子代种群,如对于生成的每个子代解都进行全波仿真,会导致优化进程缓慢。其原因是,电磁仿真占据了优化算法执行过程中的大部分时间,因此减少无用解的仿真次数成为加速优化进程的有效改进手段。代理模型辅助进化算法通过使用代理模型对子代种群预筛选,保留更具潜力的个体进行全波仿真,极大的减少了无用解的仿真次数。为了进一步提高优化速度,许多方法被加入到用于天线优化的代理模型辅助进化算法优化框架中以求进一步提高算法的局部优化能力,但随之带来了全局搜索能力降低、易陷入局部最优等问题。
西安交通大学在其申请的专利文献“一种基于多输出高斯过程贝叶斯优化的天线优化方法”(专利申请号202110438497.5申请公布号CN 113076699 A)中公开了一种基于多输出高斯过程贝叶斯优化的天线优化方法。该方法利用少量的高精度电磁仿真和大量的低精度电磁仿真构建代理模型,在代理模型的基础上使用贝叶斯优化,从而大幅提高天线的优化速度。该方法使用贝叶斯优化方法替代传统的进化算法虽然提高了优化速度。但是该方法仍然存在的不足之处是,对于多峰值的天线优化问题,由于贝叶斯优化方法是对已知数据点构建的拟合模型进行优化,因此极大的依赖采样点的位置,并且缺乏全局搜索的随机性,一旦优化结果陷入局部最优,难以在短时间内跳出,导致最终结果质量不佳。
Yushi Liu在其发表的论文“An Efficient Method for Antenna Design Basedon aSelf-Adaptive Bayesian Neural Network-Assisted Global OptimizationTechnique”(IEEE Transactions on Antennas and Propagation,2022)中公开一种基于贝叶斯神经网络的代理模型优化方法用于天线的全局优化。该方法使用了一种自适应置信下界方法用于跳出局部最优,提高了算法的全局搜索能力,避免优化结果过早陷入局部最优。但是,该方法仍然存在的不足之处是,全局搜索能力的增加会导致局部优化能力的降低,在优化后期,过多的考虑全局搜索能力会导致优化速度下降,因此该方法的优化速度相较于目前已有算法的优化速度优势不明显,且不能随着优化进程自适应的调整全局搜索能力和局部优化能力的倾向性。
江苏科技大学在其申请的专利文献“一种基于克里金代理模型和多目标遗传算法的天线设计方法”(专利申请号202010250633.3申请公布号CN 111460665A)中公开了一种基于克里金代理模型和多目标遗传算法的天线设计方法,该方法利用粒子群算法完成采样构建训练集,并用其训练克里金模型预测器,并利用NSGA3优化器执行优化得到优化解集,实现了天线的全局优化。但该方法的代理模型训练过程计算量大,且需要样本量较大,训练时间过长,相较于传统的进化算法时间优势不够明显。
发明内容
本发明的目的是针对上述现有技术中存在的技术问题,提供一种基于多自适应代理模型辅助进化算法的天线设计方法,旨在解决在天线设计中全局优化算法易在优化早期陷入局部最优,全局搜索能力和局部优化能力难以自适应调整,代理模型训练时间过长且相较于传统的进化算法时间优势不明显的问题。
实现发明目的的思路是:针对上述问题,本发明自适应调整每种变异算子被选择概率,为不同优化阶段自适应的调整合适的变异方案,由于每种变异算子的全局搜索和局部优化的倾向性不同,自适应的调整变异算子可以解决算法易在过早陷入局部最优,全局搜索能力和局部优化能力的难以自适应调整的问题。本发明中每个子代个体单独构建代理模型,减少了每次拟合所使用的采样点数量,解决了代理模型训练时间过长的问题。子代解质量判定操作可以对子代最优解进行质量判定,生成更高质量的子代种群,进一步减少无用解的仿真次数,解决了算法相较于传统进化算法时间优势不明显的问题。利用数据库动态增量确定电磁仿真的个体数量,在优化早期选择更多个体加入数据库,提高每次迭代的不确定性,增大了算法的全局搜索能力,在优化后期保留每代种群的最优个体,提高优化速度,该操作进一步解决了算法易在过早陷入局部最优,全局搜索能力和局部优化能力的难以有效调整的问题。以差分进化算法为核心优化算法,利用代理模型减少无用解仿真次数,加入自适应调整每种变异算子被选择概率、子代个体单独构建代理模型、子代解质量判定和利用数据库动态增量确定电磁仿真的个体数量等操作,自适应调整算法的全局搜索能力和局部优化能力,减少拟合时间,进一步提高优化效率。
为达到上述目的,本发明采用的技术方案如下:
步骤1,根据待优化参数的取值范围构建参数数据库;
步骤2,自适应调整每种变异算子被选择的概率,选择一种变异算子,执行差分进化算法的变异交叉操作,生成待评估子代;子代个体单独构建代理模型,得到每个子代个体的综合性能预测值,置信下界值和平均拟合距离值;
步骤3,利用子代解质量判定机制,判断当前迭代时所有待评估子代个体中最低置信下界值是否小于数据库所有样本综合性能最小值,若是,则执行步骤4,否则,执行步骤2;
步骤4,寻找最优样本:
分别对所有个体的置信下界值和综合性能值排序,得到所有个体的两种对应排序,随机选取一种排序,对所选排序中的前N个个体进行电磁仿真,将仿真后的每个个体及其对应的综合性能值加入数据库;从更新后的参数数据库中选取最优综合性能对应的样本Xbest,作为当前迭代的最优样本,N的取值等于当前迭代时的数据库动态增量;
步骤5,判断当前迭代是否满足终止条件,若是,则得到最优综合性能后执行步骤6,否则,执行步骤2;
步骤6,将最优综合性能对应样本Xbest的参数加载到待设计的天线中,完成该天线的设计。
与现有技术相比,本发明具有以下优点:
第一,由于本发明自适应调整每种变异算子被选择概率,为不同优化问题和不同优化阶段自适应的选择合适的变异算子,更好的平衡算法的探索与开发能力,使算法在面对不同问题和不同优化阶段都具有较好的性能。
第二,本发明为每个子代个体单独构建代理模型,利用每个待预测点附近最近的数据点构建代理模型,减少了拟合每个预测点所需的数据点数量,在拟合精度基本不降低的基础上减少了拟合时间。
第三,本发明加入了子代解质量判定机制,对子代最优个体质量进行判断,若质量不满足要求,重新执行差分进化算法的变异交叉操作,直到生成满足质量要求的子代个体。通过预判定提高了子代解的质量,显著减少了无用解的仿真次数,加快了优化速度。
第四,本发明利用数据库动态增量确定电磁仿真的个体数量,在优化前期,增加了解的多样性,减小陷入局部最优的概率,同时提高将每次变异交叉生成的子代种群中综合性能低于目前数据库中最优样本的个体保留下来的概率。在优化后期,减少了无用解的仿真次数,提高优化速度,更好的平衡算法的全局探索与局部开发能力。
附图说明
图1为本发明的流程图;
图2为采用本发明算法优化设计的超宽带天线示意图;
图3为使用本发明的算法优化设计得到超宽带天线结构的反射系数模值频率响应图;
图4为采用本发明算法优化设计的圆极化天线示意图;
图5为使用本发明算法优化设计的圆极化天线结构的性能示意图;其中,图5(a)为圆极化天线的反射系数模值频率响应图;图5(b)为圆极化天线的轴比频率响应图;
图6为使用本发明算法优化设计的滤波天线示意图;
图7为使用本发明算法优化设计的滤波天线结构的性能示意图;其中,图7(a)为滤波天线的反射系数模值频率响应图;图7(b)为滤波天线的增益频率响应图。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例1为一种超宽带天线,图2为此天线的结构示意图,图2中白色区域为介质基板,灰色区域为正方形辐射贴片、微带馈线和地板平面,正方形辐射贴片和地板平面上的白色矩形为设置的矩形槽。
本发明实施例2为一种圆极化天线,图4为此天线的结构示意图,在该天线结构图2中的外部的正方形为介质基板,内部的小正方形为一个介质谐振器,在其中1个圆环柱金属块、2个短矩形金属块和2个长矩形金属块构成了天线的辐射器。
本发明实施例3为一种滤波天线,图6为此天线的结构示意图,图6中浅灰色区域为介质基板,深灰色区域为金属辐射贴片和地板平面,上层为金属辐射贴片,下层为金属地板平面,左侧金属辐射贴片内部的灰色区域是对辐射贴片开槽实现的一种滤波结构,白色圆形为设置的圆柱金属通孔。
参照图1,对本发明提供的一种新型的基于高斯随机过程和差分进化算法的天线优化方法的步骤做进一步的描述。
步骤1,根据天线设计经验设定待优化天线的每个尺寸参数及相应参数范围,对每个参数的范围内进行拉丁超立方采样,得到该参数的采样点集合。构建包含个体参数和综合性能的当前参数数据库;根据天线设计经验设定待优化天线的每个尺寸参数及相应参数范围(单位为mm)
在本发明的实施例1中设置待设计天线的优化参数取值范围如下:
0≤Lf≤8
2≤Lgnd≤6
0≤Lp≤10
0≤Ls1≤2
0≤Ls2≤1
16≤Lsub≤20
8≤W≤12
0≤W1≤8
1≤Wf≤3
0≤Wp≤1
0≤Ws1≤8
0≤Ws2≤8
10≤Wsub≤15
其中,W表示正方形贴片的边长,Lp表示正方形贴片上矩形槽的长,Wp表示正方形贴片上矩形槽的宽,Wf表示微带馈线的宽,Lf表示正方形贴片距离介质基板的距离,W1表示正方形贴片上两个矩形槽之间的距离,Wsub表示介质基板的宽,Lsub表示介质基板的长,Ws1表示地板平面上垂直矩形槽的宽,Ls1表示地板平面上垂直矩形槽的长,Ws1表示地板平面上水平矩形槽的长,Ls1表示地板平面上水平矩形槽的宽,Lgnd表示地板平面的宽度。
在本发明的实施例2中设置待设计天线的优化参数取值范围如下:
3≤L1≤4
8≤L2≤10
1≤W≤2
其中,L1表示短矩形块的长,L2表示长矩形块的长,W表示圆环块的厚度。在本发明的实施例3中设置待设计天线的优化参数取值范围如下:
7≤ml≤8
1≤mw≤3
10≤f≤14
32≤Lp≤35
35≤Wp≤38
其中,m1表示左侧矩形贴片上矩形槽的长,mw表示左侧矩形贴片上矩形槽的宽,f表示左侧矩形贴片上矩形槽距离贴片边缘的距离,Lp表示右侧矩形贴片的宽度,Wp表示右侧矩形贴片的长度。
对每个参数的范围内进行拉丁超立方采样,得到该参数的采样点集合,在每个参数的采样点集合中分别随机选择一个未选过的采样点作为样本,对每个样本进行电磁仿真得到该样本增益性能,反射系数模值性能,轴比性能。
利用下式,计算每个样本的综合性能;
Fi=α1,i(Fgn,i)+α2,i(FS11,i)+α3,i(FAR,i)
其中,Fi表示第i个样本的综合性能,α1,i表示对第i个样本增益的惩罚因子,α2,i表示对第i个样本反射系数模值的惩罚因子,α3,i表示对第i个样本轴比的惩罚因子,α1,iα2,iα3,i根据设计者经验进行人为选取;
在本发明的实施例1中第i个样本的综合性能为:
Fi=FS11,i
F|S11|,i=max(|S11|i+15,0),3.1GHz≤f≤10.6GHz
其中,|S11|i表示经过电磁仿真后得到的第i个样本的反射系数模值。
在本发明的实施例2中第i个样本的综合性能为:
Fi=FS11,i+5×FAR,i
FS11,i=max(|S11|i+20,0),2.3GHz≤f≤2.8GHz
FAR,i=max(ARi-3,0),2.3GHz≤f≤2.8GHz
其中,|S11|i表示经过电磁仿真后得到的第i个样本的反射系数模值,ARi表示经过电磁仿真后得到的第i个样本的反射系数模值。
在本发明的实施例3中第i个样本的综合性能为
Fi=FS11,i+5×Fgn,i
FS11,i=max(|S11|i+10,0),2.7GHz≤f≤2.85GHz
Fgn,i=-min(gaini-5,0),2.7GHz≤f≤2.85GHz
其中,|S11|i表示经过电磁仿真后得到的第i个样本的反射系数模值,gaini表示经过电磁仿真后得到的第i个样本的增益。
将所有样本的参数与其对应的综合性能组成参数数据库。
步骤2,本发明的实施例进行50次迭代。在前50次迭代中,设置P(1),P(2),P(3)的值为1/3,更新利用每种算子生成的子代种群中综合性能预测值小于数据库所有样本综合性能最小值的个体数量NS(i),更新利用每种算子生成的子代个体总数Nu(i)。在50次迭代后,分别计算三种变异算子被选择的概率P(i)
其中,i表示三种算子对应的索引号,i=1,2,3,分别设置DE/rand/1、DE/currentto best/1和DE/best/1这三种变异算子被选择的概率为P(1),P(2),P(3)。
将轮盘中DE/rand/1、DE/current to best/1和DE/best/1三种算子所占比例设置为每种算子被选择的概率,执行轮盘赌随机选择一个变异算子,执行差分进化算法的变异交叉操作,生成待评估子代。
将参数数据库中所有样本按照综合性能值从小到大依次排序,将其中前M个个体构成父代种群,M的取值为待优化参数总数的5~10倍。将参数数据库中所有样本按照综合性能值从小到大依次排序,将其中前M个个体构成父代种群,M的取值为待优化参数总数的5~10倍。执行差分进化算法的变异操作和交叉操作,生成待评估的子代。
在本发明的实施例1中设置M为65,在本发明的实施例2中设置M为15,在本发明的实施例3中设置M为30。
利用参数数据库中距离每个子代个体最近的T个样本点,为每个子代个体单独构建代理模型,得到每个子代个体的综合性能预测值,置信下界值和平均拟合距离值。
在本发明的实施例1中设置T为13,在本发明的实施例2中设置T为3,在本发明的实施例3中设置T为5。
步骤3,利用子代解质量判定机制,判断当前迭代时所有待评估子代个体中最低置信下界值是否小于数据库所有样本综合性能最小值,若是,则执行步骤4,否则,执行步骤2。
步骤4,分别对所有个体中置信下界值和综合性能值这两个值,按照从小到大进行排序,得到置信下界值排序对应的所有个体的排序和综合性能值排序对应的所有个体的排序。随机选取一种排序,对所选排序中的前N个个体进行电磁仿真,将仿真后的每个个体及其对应的综合性能值加入数据库。从更新后的参数数据库中选取最优综合性能对应的样本Xbest,作为当前迭代的最优样本,N的取值等于当前迭代时的数据库动态增量。数据库动态增量指的是,设置数据库动态增量为0,根据排序后的结果依次判别每个个体的平均拟合距离是否小于距离限定并令数据库动态增量数值加1,直到平均拟合距离小于限定的距离或者数据库动态增量数值达到设定的数量上限,得到当前迭代时的数据库动态增量。所述限定的距离为待优化参数的0.5~2倍,数量上限设置为待优化参数的1~2倍。
在本发明的实施例1中,所述限定的距离为12,数量上限设置为14。
在本发明的实施例2中,所述限定的距离为3,数量上限设置为3。
在本发明的实施例3中,所述限定的距离为5,数量上限设置为5。
对排序后的前N个个体分别进行电磁仿真得到综合性能值,将每个个体的参数与综合性能值加入当前参数数据库中。从更新后的参数数据库中选取最优综合性能对应的样本Xbest,作为当前迭代的最优样本,N的取值与数据库动态增量值相等。
步骤5,判断当前迭代是否满足终止条件,若是,则得到最优综合性能后执行步骤6,否则,执行步骤2。此三种实例中终止条件为满足下述条件之一的情形:
条件一,当前数据库中最优样本的综合性能值连续50代优化后仍保持不变;
条件二,数据库中最优样本的综合性能值小于0。
步骤6,将最优综合性能对应样本Xbest的参数加载到待设计的天线中,完成该天线的设计。
使用本发明提出的基于多自适应代理模型辅助进化算法的天线优化方法对图2所示的超宽带天线结构参数优化,最终得到的结构参数为Lf=5.1,Lgnd=2.1,Lp=2.7,Ls1=1.6,Ls2=0.5,Lsub=16.8,W=8.7,W1=4.7,Wf=1.8,Wp=0.6,Ws1=2.1,Ws2=4.2,Wsub=11。
图3为使用本发明所述算法设计得到圆极化天线结构的反射系数模值频率响应图,图3中的横轴表示频率,纵轴表示天线在每个频点的反射系数模值。从图3可见,使用多自适应代理模型辅助进化算法对案例1给出的超宽带天线的参数进行优化,最优参数对应结构的反射系数模值在3.1-10.6GHz的频率范围内小于-15dB,满足了设计需要。
使用本发明提出的基于多自适应代理模型辅助进化算法的天线优化方法对图4所示的圆极化天线结构参数优化,最终得到的结构参数为L1=3.8,L2=9,W=1.5。
图5为使用本发明所述算法设计得到圆极化天线结构的性能示意图,其中,图5(a)为圆极化天线的反射系数模值频率响应图,横轴表示频率,纵轴表示天线在每个频点的反射系数模值。图5(b)为圆极化天线的轴比频率响应图,横轴表示频率,纵轴表示天线在每个频点的轴比。使用多自适应代理模型辅助进化算法对本发明的实施例2给出的圆极化天线的参数进行优化。从图5(a)可见,最优参数对应结构的反射系数模值在2.3-2.8GHz的频率范围内小于-15dB,从图5(b)可见,最优参数对应结构的轴比在2.3-2.8GHz的频率范围内小于3dB,满足了设计需要。
使用本发明提出的基于多自适应代理模型辅助进化算法的天线优化方法对图6所示的滤波天线结构参数优化,最终得到的结构参数为ml=7.5,mw=2,f=12,Lp=34,Wp=36。
图7为使用本发明所述算法设计得到滤波天线结构的性能示意图,其中,图7(a)为滤波天线的反射系数模值频率响应图,横轴表示频率,纵轴表示天线在每个频点的反射系数模值。图7(b)为滤波天线的增益频率响应图,横轴表示频率,纵轴表示天线在Z轴方向上每个频点的增益。使用多自适应代理模型辅助进化算法,对本发明的实施例3给出的滤波天线的参数进行优化。从图7(a)可见,最优参数对应结构的反射系数模值在2.71-2.84GHz的频率范围内小于-10dB,从图7(b)可见,最优参数对应结构的增益在2.7-2.85GHz的频率范围内大于5dBi,满足了设计需要。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种基于多自适应代理模型辅助进化算法的天线设计方法,其特征在于,自适应调整每种变异算子被选择概率,构建每个子代个体单独代理模型,子代解质量判定机制,利用数据库动态增量确定电磁仿真的个体数量;该方法的步骤包括如下:
步骤1,根据待设计天线的优化参数取值范围构建参数数据库;
步骤2,自适应调整每种变异算子被选择的概率,选择一种变异算子,执行差分进化算法的变异交叉操作,生成待评估子代;利用每个待预测点附近最近的数据点构建每个子代个体单独代理模型,得到每个子代个体的综合性能预测值,置信下界值和平均拟合距离值;
步骤3,利用子代解质量判定机制,判断当前迭代时所有待评估子代个体中最低置信下界值是否小于数据库所有样本综合性能最小值,若是,则执行步骤4,否则,执行步骤2;
步骤4,寻找最优样本:
分别对所有个体的置信下界值和综合性能值排序,得到所有个体的两种对应排序,随机选取一种排序,对所选排序中的前N个个体进行电磁仿真,将仿真后的每个个体及其对应的综合性能值加入数据库;从更新后的参数数据库中选取最优综合性能对应的样本Xbest,作为当前迭代的最优样本,N的取值等于当前迭代时的数据库动态增量;
步骤5,判断当前迭代是否满足终止条件,若是,则得到最优综合性能后执行步骤6,否则,执行步骤2;
步骤6,将最优综合性能对应样本Xbest的参数加载到待设计的天线中,完成该天线的设计。
2.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤1中所述待设计天线的优化参数取值范围是指,根据天线设计经验设定待优化天线的每个尺寸参数及相应参数范围,对每个参数的范围内进行拉丁超立方采样,得到该参数的采样点集合。
3.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤1中所述构建参数数据库的步骤如下:
第一步,在每个参数的采样点集合中分别随机选择一个未选过的采样点作为样本;
第二步,对每个样本进行电磁仿真得到该样本增益性能,样本反射系数模值性能,样本轴比性能;
第三步,利用下式,计算每个样本的综合性能:
Fi=α1,i(Fgn,i)+α2,i(FS11,i)+α3,i(FAR,i)
其中,Fi表示第i个样本的综合性能,α1,i表示对第i个样本增益的惩罚因子,α2,i表示对第i个样本反射系数模值的惩罚因子,α3,i表示对第i个样本轴比的惩罚因子;
第四步,将所有样本的参数与其对应的综合性能组成参数数据库。
4.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤2中所述自适应调整每种变异算子被选择的概率指的是,设置P(1),P(2),P(3)的值为1/3;更新每种算子生成的子代种群中综合性能预测值小于数据库所有样本综合性能最小值的个体数量NS(i),更新利用每种算子生成的子代个体总数Nu(i);在迭代终止后,分别计算三种变异算子被选择的概率P(i):
其中,i表示三种算子对应的索引号,i=1,2,3,DE/rand/1、DE/current tobest/1和DE/best/1为分别设置的三种变异算子被选择的概率为P(1),P(2),P(3)。
5.根据权利要求4所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤2中所述选择一种变异算子指的是将轮盘中DE/rand/1、DE/current to best/1和DE/best/1三种算子所占比例设置为每种算子被选择的概率,执行轮盘赌随机选择一种变异算子。
6.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤2中所述生成待评估的子代种群是指:将参数数据库中所有样本按照综合性能值从小到大依次排序,将其中前M个个体构成父代种群,M的取值为待优化参数总数的5~10倍;执行差分进化算法的变异操作和交叉操作,生成待评估的子代。
7.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤2中所述构建每个子代个体单独代理模型是指:利用参数数据库中距离每个子代个体最近的T个样本点,为每个子代个体单独构建代理模型,得到每个子代个体的综合性能预测值,置信下界值和拟合点距离均值,所述T设置为待优化参数的1~2倍。
8.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤4中所述分别对所有个体的置信下界值和综合性能值排序指的是,分别对所有个体中置信下界值和综合性能值这两个值,按照从小到大进行排序,得到置信下界值排序对应的所有个体的排序和综合性能值排序对应的所有个体的排序。
9.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤4中所述数据库动态增量指的是,设置数据库动态增量为0,根据排序后的结果依次判别每个个体的平均拟合距离是否小于距离限定并令数据库动态增量数值加1,直到平均拟合距离小于限定的距离或者数据库动态增量数值达到设定的数量上限,得到当前迭代时的数据库动态增量;所述限定的距离为待优化参数的0.5~2倍,数量上限设置为待优化参数的1~2倍。
10.根据权利要求1所述基于多自适应代理模型辅助进化算法的天线设计方法,其特征在,步骤5中所述终止条件为满足下述条件之一的情形:
条件一,当前数据库中最优样本的综合性能值连续50代优化后仍保持不变;
条件二,数据库中最优样本的综合性能值小于0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310480364.3A CN116720424A (zh) | 2023-04-28 | 2023-04-28 | 基于多自适应代理模型辅助进化算法的天线设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310480364.3A CN116720424A (zh) | 2023-04-28 | 2023-04-28 | 基于多自适应代理模型辅助进化算法的天线设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720424A true CN116720424A (zh) | 2023-09-08 |
Family
ID=87864982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310480364.3A Pending CN116720424A (zh) | 2023-04-28 | 2023-04-28 | 基于多自适应代理模型辅助进化算法的天线设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720424A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574783A (zh) * | 2024-01-16 | 2024-02-20 | 天津工业大学 | 基于深度高斯过程的天线优化方法、装置、设备和介质 |
-
2023
- 2023-04-28 CN CN202310480364.3A patent/CN116720424A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574783A (zh) * | 2024-01-16 | 2024-02-20 | 天津工业大学 | 基于深度高斯过程的天线优化方法、装置、设备和介质 |
CN117574783B (zh) * | 2024-01-16 | 2024-03-22 | 天津工业大学 | 基于深度高斯过程的天线优化方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162847B (zh) | 基于添加特征策略的机器学习辅助天线设计方法 | |
CN116720424A (zh) | 基于多自适应代理模型辅助进化算法的天线设计方法 | |
CN110941896B (zh) | 一种基于pgp的超宽带天线的设计方法 | |
CN110427590B (zh) | 基于自适应概率学习的大型稀疏阵列天线高效综合方法 | |
CN107844632A (zh) | 基于和声搜索算法的稀布线阵栅瓣抑制方法 | |
CN110147590B (zh) | 一种基于自适应演化优化算法的螺旋式天线设计方法 | |
CN110750898A (zh) | 一种siw背腔缝隙天线谐振频率设计方法 | |
CN113222027A (zh) | 基于加权共享最近邻的自适应聚类中心密度峰值聚类算法 | |
CN109992845A (zh) | 一种基于matlab和hfss的波束控制和阵列方向图优化方法 | |
Koziel et al. | Robust parameter tuning of antenna structures by means of design specification adaptation | |
CN112926271B (zh) | 一种基于混合遗传算法的线性阵列子阵划分方法 | |
CN113093785B (zh) | 一种通信支援下的无人机群目标覆盖方法 | |
CN112149360A (zh) | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 | |
CN116595867A (zh) | 基于变量空间数据约束的代理模型辅助天线设计优化方法 | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
CN116911162A (zh) | 基于改进蜉蝣算法的唯相星载相控阵天线综合方法及系统 | |
CN113553711B (zh) | 一种任意曲面共形阵列天线设计方法 | |
CN116341360A (zh) | 一种采用机器学习辅助优化的天线拓扑像素优化设计方法 | |
CN113051812B (zh) | 一种同心圆环阵的稀布宽带优化方法 | |
CN111814311B (zh) | 一种人工阻抗表面结构混合优化方法 | |
CN113590211A (zh) | 基于pso-de算法的计算卸载方法 | |
CN113010986A (zh) | 一种基于强化学习与随机优化算法的天线阵列设计方法 | |
CN117473882B (zh) | 基于多算法融合的天线阵列调整方法及系统 | |
CN115620167B (zh) | 卫星遥感图像分析方法 | |
CN112270158B (zh) | 一种基于深度强化学习的封装地过孔打孔分布优化方法 |
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 |