一種天線仿真設計的快速優化方法技術

本發明專利技術公開了一種天線仿真設計的快速優化方法，其特征在于：所述的優化方法首先利用多維均勻采樣算法設計初始樣本；再以Kriging模型部分代替電磁仿真求解；再以種群構成和篩選方法來平衡搜索的廣度和深度得出天線優化模型。由于采用上述的方法，本發明專利技術在相同優化設置下相比現有算法，減少達到優化目標需要的仿真次數70％以上，提高了天線仿真優化設計的效率。

【技術實現步驟摘要】

本專利技術涉及電磁結構優化設計領域，特別涉及一種天線仿真設計的快速優化方法。
技術介紹
近年來，為滿足各類通信系統在帶寬、極化、方向性、形狀、尺寸等多方面的復合要求，天線結構日趨復雜，設計自由度不斷提高，天線設計過程因此成為一種高維多目標的優化過程。現有設計方法一般是在成熟天線基礎上，通過表面電流、電磁模式或阻抗分析，局部調整結構來獲取新的性能，通過逐一考察敏感參數對性能的影響完成參數優化。這種方法依賴設計者經驗，能夠處理的維度較低。以遺傳算法、粒子群算法和進化策略算法為代表的進化算法在優化過程中不依賴于問題的解析數學模型，適用于具有不確定性、非線性和多態問題的求解，因此在電磁結構優化中得到了廣泛的應用。與梯度算法相比，一般認為進化算法的全局性較好，但收斂速度較慢，比如運用GA對維度小于10的電磁結構進行優化，種群規模20-60，進化代數40-600，電磁仿真次數可能超過30,000次；PSO算法中粒子數為10-800，迭代次數1,000-10,000次，電磁仿真次數最高可達200,000次。盡管電磁計算的軟硬件技術都在不斷進步，但仍難以滿足天線高維優化的海量計算。針對上述問題，提供一種新型的優化方法，減少天線高維多目標優化時的仿真次數，提高天線的優化設計效率。
技術實現思路
本專利技術所要解決的技術問題是，提供一種天線仿真設計的快速優化方法，減少天線高維多目標優化時的仿真次數，達到提高天線的優化設計效率的目的。為達到上述目的，本專利技術的技術方案是，一種天線仿真設計的快速優化方法，其特征在于：所述的優化方法首先利用多維均勻采樣算法設計初始樣本；再以Kriging模型部分代替電磁仿真求解；再以種群構成和篩選方法來平衡搜索的廣度和深度得出天線優化模型。所述的初始樣本包括在天線結構中選取n個優化參數，根據各參數取值范圍確定參數空間D，利用LHS-MDU算法在D中生成10n個初始樣本，對初始樣本執行仿真得到10n×m個電磁響應，計算適應度，將初始樣本及其電磁響應存入數據庫，構建初始Kriging模型。所述的種群構成包括優化循環中設定種群數量Np＝10n，每一代種群由高適應度樣本和高離散性樣本兩部分構成；首先對數據庫中的樣本依據適應度函數值從小到大排序，在前Np名中隨機選取p個樣本，另外q個樣本由LHS-MDU算法隨機生成；根據差分進化原理，若種群中性能優良的個體趨于一致時，個體間的差分向量趨于0，變異效果會顯著下降，在進化種群中引入高離散性樣本可以改善種群多樣性，提高求解質量。所述的篩選方法根據在Kriging模型預測進化后種群中個體的響應值選擇需要進行電磁仿真的個體，更新Kriging模型；這里以個體響應的置信下限代入適應度函數，選擇具有最小適應度函數值的個體執行仿真；RLCB(xit)=Rs(xit)-ws(xit)]]>xopt=argminU(RLCB(xit))]]>i＝1，L，Np，w[0，2]式中Rs(x)是Kriging模型預測的參數x的響應，s(x)代表各響應的不確定度，參數ω用來平衡搜索廣度和深度的矛盾，ω越大，越傾向于選擇不確定性較大的個體，提高Kriging對整個參數空間預測精度，增加電磁仿真次數，降低優化效率；ω越小，越傾向于選擇響應值較好的個體，提高Kriging模型在其鄰近區域的精度，加快收斂速度，但易使優化陷入局部最優。一種天線仿真設計的快速優化方法，由于采用上述的方法，本專利技術在相同優化設置下相比現有算法，減少達到優化目標需要的仿真次數70％以上，提高了天線仿真優化設計的效率。附圖說明下面結合附圖和具體實施方式對本專利技術作進一步詳細的說明；圖1為本專利技術一種天線仿真設計的快速優化方法的流程圖；圖2為本專利技術一種天線仿真設計的快速優化方法中雙層貼片天線的結構示意圖；圖3為本專利技術一種天線仿真設計的快速優化方法中雙層貼片天線最優參數S11曲線的預測與仿真結果示意圖；圖4為本專利技術一種天線仿真設計的快速優化方法中雙層貼片天線H面方向圖；圖5為本專利技術一種天線仿真設計的快速優化方法中雙層貼片天線優化收斂曲線圖。具體實施方式如圖1所示，本專利技術所述的優化方法首先利用多維均勻采樣算法設計初始樣本；再以Kriging模型部分代替電磁仿真求解；再以種群構成和篩選方法來平衡搜索的廣度和深度得出天線優化模型。其中，初始樣本包括在天線結構中選取n個優化參數，根據各參數取值范圍確定參數空間D，利用LHS-MDU算法在D中生成10n個初始樣本，對初始樣本執行仿真得到10n×m個電磁響應，計算適應度，將初始樣本及其電磁響應存入數據庫，構建初始Kriging模型。種群構成包括優化循環中設定種群數量Np＝10n，每一代種群由高適應度樣本和高離散性樣本兩部分構成；首先對數據庫中的樣本依據適應度函數值從小到大排序，在前Np名中隨機選取p個樣本，另外q個樣本由LHS-MDU算法隨機生成；根據差分進化原理，若種群中性能優良的個體趨于一致時，個體間的差分向量趨于0，變異效果會顯著下降，在進化種群中引入高離散性樣本可以改善種群多樣性，提高求解質量。篩選方法根據在Kriging模型預測進化后種群中個體的響應值選擇需要進行電磁仿真的個體，更新Kriging模型；這里以個體響應的置信下限代入適應度函數，選擇具有最小適應度函數值的個體執行仿真；RLCB(xit)=Rs(xit)-ws(xit)]]>xopt=argminU(RLCB(xit))]]>i＝1，L，Np，w[0，2]式中Rs(x)是Kriging模型預測的參數x的響應，s(x)代表各響應的不確定度，參數ω用來平衡搜索廣度和深度的矛盾，ω越大，越傾向于選擇不確定性較大的個體，提高Kriging對整個參數空間預測精度，增加電磁仿真次數，降低優化效率；ω越小，越傾向于選擇響應值較好的個體，提高Kriging模型在其鄰近區域的精度，加快收斂速度，但易使優化陷入局部最優。如圖2-5所示，以雙層貼片天線優化設計為例，介質層及接地板大小L×W＝155mm×128mm，上下兩層貼片居中放置，9個優化參數分別為上層貼片寬度xu，長寬比aru，介質層厚度tu，相對介電常數εu；下層貼片寬度xl，長寬比arl，介質層厚度tl，相對介電常數εl，饋電位置xfeed，各參數的取值范圍如表2所示。優化目標為天線在1.1GHz～1.3GHz的駐波比和主瓣增益，適應度函數定義為：U(R(x))=4max(VSWR(x)1.1~1.3GHz)GAIN(x)1.2GHzdB]]>x＝[aru，xu，ar1，x1，tu，t1，eu，e1，xfeed]表一雙層貼片天線參數取值范圍如表1所示，利用本專利技術對此天線進行優化，差分進化縮放比例因子F＝0.85，交叉概率CR＝0.95，種群數量Np＝90，種群構成p＝70，q＝20，篩選控制參數ω＝1，最大進化代數1000。算法重復運行5次，最優參數及其適應度函數值如表2所示。對其中第一組參數仿真得到的S11曲線如附圖3所示，本文檔來自技高網...

【技術保護點】
一種天線仿真設計的快速優化方法，其特征在于：所述的優化方法首先利用多維均勻采樣算法設計初始樣本；再以Kriging模型部分代替電磁仿真求解；再以種群構成和篩選方法來平衡搜索的廣度和深度得出天線優化模型。

【技術特征摘要】
1.一種天線仿真設計的快速優化方法，其特征在于：所述的優化方法首先利用多維均勻采樣算法設計初始樣本；再以Kriging模型部分代替電磁仿真求解；再以種群構成和篩選方法來平衡搜索的廣度和深度得出天線優化模型。
2.根據權利要求1所述的一種天線仿真設計的快速優化方法，其特征在于：所述的初始樣本包括在天線結構中選取n個優化參數，根據各參數取值范圍確定參數空間D，利用LHS-MDU算法在D中生成10n個初始樣本，對初始樣本執行仿真得到10n×m個電磁響應，計算適應度，將初始樣本及其電磁響應存入數據庫，構建初始Kriging模型。
所述的種群構成包括優化循環中設定種群數量Np＝10n，每一代種群由高適應度樣本和高離散性樣本兩部分構成；首先對數據庫中的樣本依據適應度函數值從小到大排序，在前Np名中隨機選取p個樣本，另外q個樣本由LHS-MDU算法隨機生成；根據差...

【專利技術屬性】
技術研發人員：陳曉輝，郭欣欣，裴進明，
申請(專利權)人：安徽工程大學，
類型：發明
國別省市：安徽;34