CN111814311B - 一种人工阻抗表面结构混合优化方法 - Google Patents
一种人工阻抗表面结构混合优化方法 Download PDFInfo
- Publication number
- CN111814311B CN111814311B CN202010533216.XA CN202010533216A CN111814311B CN 111814311 B CN111814311 B CN 111814311B CN 202010533216 A CN202010533216 A CN 202010533216A CN 111814311 B CN111814311 B CN 111814311B
- Authority
- CN
- China
- Prior art keywords
- population
- artificial impedance
- impedance surface
- optimization
- algorithm
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Aerials With Secondary Devices (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明涉及一种像素化人工阻抗表面设计的快速混合优化方法,属于雷达天线领域。主要包括以下内容:将人工阻抗表面像素化,通过优化决定其单元间的连接状态选择,形成具有不同电磁特性的人工阻抗表面结构。优化算法前期采用遗传算法进行全局寻优,后期改变为二进制蝙蝠算法进行局部最优解搜索。本发明采用遗传算法和蝙蝠算法相结合的混合算法,进行像素化人工阻抗表面的优化设计,优化结果准确,效率高。适用于矩形、圆形或其他固定形状构成的人工阻抗表面的优化设计。
Description
技术领域
本发明涉及一种人工阻抗表面设计的混合优化方法。
背景技术
人工阻抗表面在天线设计中起到了重要的作用,通过加载人工阻抗表面可以在原始天线的辐射基础上完成二次辐射,通过结构优化改变人工阻抗结构上的阻抗分布,进而在高阻抗部分阻止电流流动,在低阻抗部分引导电流流动,从而改变电流分布,综合改善和优化天线的辐射参数(包括谐振带宽、波束指向、极化方向等)。在人工阻抗表面设计中复杂的结构为优化带来了过多的优化参数,不利于获得最优解。因此为优化的快速和准确,将人工阻抗表面结构像素化,像素单元之间的连接与否为二元态,降低了优化的初始参数。遗传算法适合于全局寻优优化,但是在局部最优解的搜索上耗时过多,降低了优化效率。而蝙蝠算法适合于局部最优解搜索,但是易于陷入局部最优解的恶性循环中,不利于最优解的获得。
发明内容
本发明提供了一种针对像素化的人工阻抗表面结构的遗传算法和蝙蝠算法结合的快速准确的混合优化方法,主要针对像素化的人工阻抗表面结构,采用遗传算法和蝙蝠算法结合的混合优化算法对像素单元间连接与否为二元态进行优化,从而快速准确的获得所需的辐射波束。
本发明提出的一种人工阻抗表面结构混合优化方法,首先采用形状和大小一致的金属贴片构建像素单元将人工阻抗表面待优化区域进行像素化描述。然后将像素化人工阻抗表面结构中的像素单元间连接状态进行二进制编码,0表示断开,1表示连接。共N个连接点,因此建立大小为N的初始化种群。最后对种群进行适应度计算,非支配排序和拥挤距离计算,根据优化目标的要求采用混合优化方法确定像素单元的具体连接状态,获得最优化的人工阻抗表面结构。
本发明的具体实施步骤如下:
步骤一:采用固定形状的金属贴片结构将人工阻抗表面待优化区域像素化;
步骤二:将蝙蝠算法改进为二进制模型;
步骤三:随机生成一个规模为N的初始化种群;
步骤四:依据人工阻抗表面优化目标,生成适应度函数;
步骤五:根据计算的适应度值对初始种群进行非支配排序和拥挤距离的计算,具体包括:
(5.1)比较个体ni和nj之间的支配和非支配关系,直到种群被分层;
(5.2)对种群非支配层进行目标度函数升序排列,令边界个体拥挤度为无穷,对个体计算拥挤度:
步骤六:对种群做三种操作从而得到一个新的混合种群,这个混合种群包含有三个来源,分别是经过复制、选择、交叉和变异得到的子代种群1、直接复制的父代种群2以及经过蝙蝠算法的种群更新得到的子代种群3;
步骤七:对上一步中的3×N或者2×N规模的混合种群经过适应度值计算、非支配排序、拥挤距离计算以及种群修剪等操作后,选择出最优的N个个体组成新的种群,并重新将种群规模确定为N。最终,在种群的是否达到收敛条件的判断会作用于新的种群并决定是否再次进入迭代。
优选的,所述步骤一的固定形状的金属贴片采用矩形、圆形或其他固定的形状构成。
优选的,所述步骤一的像素化人工阻抗表面是将形状和大小一致的金属贴片在人工阻抗表面待优化区域进行规则排列,通过相邻贴片间的连接状态选择,形成不同电磁特性的人工阻抗表面结构。
优选的,所述步骤六的蝙蝠算法更新种群中,蝙蝠算法是否实施受到一个判断来决定,判断依据是随机产生一个常数VR是否大于判断因子Fj,判断因子Fj为:
其中α为一个冷却机制中冷却因子的常数,其值小于1,t和t+1分别表述的是遗传算法中的第t和(t+1)代。
本发明提出的人工阻抗表面结构混合优化方法,将遗传算法和蝙蝠算法结合,算法具有快速的全局寻优能力,并且可以在局部搜索时更加快速准确的获得最优解。
附图说明
图1为遗传算法和蝙蝠算法结合的混合算法流程图;
图2为法向0°线性极化辐射方向图和轴比;
图3为法向0°圆极化辐射方向图和轴比;
图4为法向30°线性极化辐射方向图和轴比;
图5为法向30°圆极化辐射方向图和轴比;
图6为5×5像素化人工阻抗表面示意图:
其中:6-1为正方形像素化贴片单元;6-2为单元间的连接位置。
具体实施方式
以正方形像素单元的人工阻抗表面为例对本发明步骤进行说明。
步骤一:人工阻抗表面采用5×5正方形单元的像素化结构,辐射源为正方形贴片单元。
步骤二:将蝙蝠算法改进为二进制模型,具体包括:
1)引入Sigmod函数进行参数由十进制向二进制的转换,形成二进制蝙蝠算法。Sigmod函数的表达式为:
2)确定初始参数,主要包括了频率f,速度v,位置x以及噪声A和脉冲发射率r;
3)更新相关参数,更新方程为
fi=fmin+β(fmax-fmin)
其中,t代表的是时间步,β是一个介于0和1之间的随机数,[fmin,fmax]是频率的变化范围。速度更新时,根据Sigmod函数公式计算得到S(vm),并且位置更新时按照下式进行:
4)引入一个新的个体,新的个体产生方式为
xnew=xold+εAt
并同时跟新噪声A和脉冲发射率r,它们的更新方式为
5)适应度值评估,并返回迭代。
步骤三:5×5像素单元彼此连接与否共有40个二元太个体,随机生成一个规模为N=40的初始化种群。
步骤三:生成适应度函数,对于人工阻抗表面优化,其适应度函数为
Cost1=|Gain(θ)-Gain(θ0)|
Cost2=|AR(θ)-AR(θ0)|
Cost3=|f-f0|
Cost4=fmax-fmin
其中,Gain(θ)为天线辐射方向图最大增益指向角。Gain(θ0)为所需的天线辐射方向图最大增益指向角。即,实现不同辐射方向图的偏转。AR(θ)为天线的轴比,AR(θ0)为所需天线的轴比。即实现天线不同极化状态,本实施例中,轴比小于3则认定为圆极化,轴比大于20则认定为线极化。fmax和fmin分别为天线带宽所对应的上限频率和下限频率,f和f0分别为当前个体对应的谐振频率与预期谐振频率。
步骤五:根据计算的适应度值对初始种群进行非支配排序和拥挤距离的计算,具体包括,
1)比较个体ni和nj之间的支配和非支配关系,直到种群被分层;
2)对种群非支配层进行目标度函数升序排列,令边界个体拥挤度为无穷,对个体计算拥挤度,
步骤六:对种群做三种操作从而得到一个新的混合种群,这个混合种群包含有三个来源,分别是经过复制、选择、交叉和变异得到的子代种群1、直接复制的父代种群2以及经过二进制蝙蝠算法的种群更新得到的子代种群3。
其中,蝙蝠算法是否实施受到一个判断来决定,判断依据是随机产生一个大小介于0和1之间的常数VR是否大于判断因子Fj,判断因子Fj为,
其中α为一个类似于模拟退火算法的冷却机制中冷却因子的常数,其值小于1,t和t+1分别表述的是遗传算法中的第t和(t+1)代。为了简便起见,Fj的初始值可以设定为1以及α可以设定为0.9。
步骤七:对步骤五中的3×N或者2×N规模的混合种群经过适应度值计算、非支配排序、拥挤距离计算以及种群修剪等操作后,选择出最优的N个个体组成新的种群,并重新将种群规模确定为N。根据优化目的确定目标函数,
Objv1=min(Cost1)
Objv2=min(Cost2)
Objv3=min(Cost3)
Objv4=max(Cost4)
Objv1和Objv2的目的是获得在天线不同的辐射方向图和不同的极化状态。Objv3是使得天线的工作频率趋向目标值,而Objv4的作用是为了获取尽量宽的天线谐振带宽。最终,在种群目标函数值达到预定值或者迭代次数达到预定值后终止迭代并输出结果,否则再次进入迭代。
运用上述过程将优化目标分别设定为法向0°线极化辐射波束、法向0°圆极化辐射波束、法向30°线极化辐射波束以及法向30°圆极化辐射波束。将所获得的人工阻抗表面结构进行全波仿真均可得到和预设的目标相同的结果。
因此本发明可以快速准确的对像素化的人工阻抗表面结构进行优化从而获得预想的辐射波束。
Claims (4)
1.一种人工阻抗表面结构混合优化方法,其特征在于:
步骤一:采用固定形状的金属贴片结构将人工阻抗表面待优化区域像素化;
步骤二:将蝙蝠算法改进为二进制模型;
步骤三:随机生成一个规模为N的初始化种群;
步骤四:依据人工阻抗表面优化目标,生成适应度函数;
步骤五:根据计算的适应度值对初始种群进行非支配排序和拥挤距离的计算,包括:
(5.1)比较个体ni和nj之间的支配和非支配关系,直到种群被分层;
(5.2)对种群非支配层进行目标适应度函数升序排列,令边界个体拥挤度为无穷,对个体计算拥挤度:
步骤六:对种群做三种操作从而得到一个新的混合种群,这个混合种群包含有三个来源,分别是经过复制、选择、交叉和变异得到的子代种群1、直接复制的父代种群2以及经过蝙蝠算法的种群更新得到的子代种群3;
步骤七:对上一步中3×N或者2×N规模的混合种群进行操作,包括适应度值计算、非支配排序、拥挤距离计算及种群修剪,选择出最优的N个个体组成新的种群,并重新将种群规模确定为N;最终在种群的是否达到收敛条件的判断会作用于新的种群并决定是否再次进入迭代。
2.根据权利要求1所述的人工阻抗表面结构混合优化方法,其特征在于:所述步骤一的固定形状的金属贴片可采用矩形、圆形或其他固定的形状构成。
3.根据权利要求1所述的人工阻抗表面结构混合优化方法,其特征在于:所述步骤一的像素化人工阻抗表面是将形状和大小一致的金属贴片在人工阻抗表面待优化区域进行规则排列,通过相邻贴片间的连接状态选择,形成不同电磁特性的人工阻抗表面结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010533216.XA CN111814311B (zh) | 2020-06-12 | 2020-06-12 | 一种人工阻抗表面结构混合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010533216.XA CN111814311B (zh) | 2020-06-12 | 2020-06-12 | 一种人工阻抗表面结构混合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814311A CN111814311A (zh) | 2020-10-23 |
CN111814311B true CN111814311B (zh) | 2023-02-17 |
Family
ID=72845833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010533216.XA Active CN111814311B (zh) | 2020-06-12 | 2020-06-12 | 一种人工阻抗表面结构混合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814311B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
CN109389206A (zh) * | 2018-09-26 | 2019-02-26 | 大连大学 | 基于非支配排序的混合蝙蝠算法的dna编码序列优化方法 |
CN110728349A (zh) * | 2019-09-19 | 2020-01-24 | 武汉大学 | 一种混合蝙蝠算法的优化方法以及多层感知器的优化方法 |
-
2020
- 2020-06-12 CN CN202010533216.XA patent/CN111814311B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111814311A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Quevedo-Teruel et al. | Ant colony optimization in thinned array synthesis with minimum sidelobe level | |
CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
CN111695233B (zh) | 一种基于改进鲸鱼优化算法的阵元失效校正方法 | |
CN111143983B (zh) | 基于改进水循环算法的稀布天线阵列低副瓣综合优化方法 | |
CN111985012A (zh) | 基于最优觅食算法的二维不规则零件排样方法 | |
CN113536498A (zh) | 基于改进多目标飞蛾扑火算法的阵列天线方向图综合方法 | |
CN111353605A (zh) | 基于改进遗传算法的新型平面分子阵天线阵列综合布阵方法 | |
CN112347696A (zh) | 一种离散化区域扫描子阵级稀疏优化方法及*** | |
Pinchera et al. | A lexicographic approach for multi-objective optimization in antenna array design | |
Yu et al. | An ultrawideband and high-aperture-efficiency all-dielectric lens antenna | |
Chen et al. | Automated design of a three-dimensional fishbone antenna using parallel genetic algorithm and NEC | |
CN111814311B (zh) | 一种人工阻抗表面结构混合优化方法 | |
CN115081325A (zh) | 基于粒子群与遗传混合算法的透镜天线多目标优化方法 | |
CN111276822A (zh) | 一种天线方向图主瓣可控的天线阵列设计方法 | |
Yeung et al. | A trapeizform U-slot folded patch feed antenna design optimized with jumping genes evolutionary algorithm | |
Zhong et al. | Adaptive multi-objective differential evolution with stochastic coding strategy | |
CN109711046A (zh) | 基于多智能体遗传算法的大型稀疏阵列高效综合方法 | |
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 | |
CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
CN113051812B (zh) | 一种同心圆环阵的稀布宽带优化方法 | |
An et al. | Incorporating light beam search in a vector normal boundary intersection method for linear antenna array optimization | |
CN115098903A (zh) | 一种低成本可扩展相控阵列稀疏优化方法 | |
CN114861446A (zh) | 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 | |
Huang et al. | A multistage depressed collectors design tool for traveling wave tubes based on non-dominated sorting genetic algorithm II | |
CN114169244A (zh) | 一种基于呼吸直方图算法的移动通信网络覆盖优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |