[发明专利]一种基于自适应演化优化算法的螺旋式天线设计方法

说明书

本发明提供了一种基于自适应演化优化算法的螺旋式天线设计方法，包括：首先建立螺旋式天线的结构模型其对应的优化数学模型；然后采用基于强化学习的自适应演化优化算法对所述优化数学模型中的天线结构参数进行优化，得到最终优化后的天线结构参数；最后根据所述天线结构参数，对所述结构模型进行调整，得到设计好的螺旋式天线。本发明的有益效果是：本发明提出的技术方案利用强化学习来控制演化算法的参数和操作算子，从而实现自适应的差分演化算法，并利用自适应的差分演化算法运行过程中产生的大量中间结果数据，来指导演化算法后续的参数设置，从而得到螺旋式天线的最优天线结构参数，效率高，优化性能好。

技术领域

本发明涉及天线设计领域，尤其涉及一种基于自适应演化优化算法的螺旋式天线设计方法。

背景技术

演化计算是一种基于达尔文进化理论中优胜劣汰、适者生存的思想建立的智能优化技术。演化计算将优化问题的解作为个体的基因，优化问题的目标值作为个体的表现评价，在算法进行中，利用类似生物遗传学中的交叉、变异操作来产生新的解，然后利用优胜劣汰的思想,表现较好的个体更容易被保留到下一代的运算中，如此便可以得到问题的最优解。演化算法的基本流程图如图8所示。演化计算具有自组织、自适应和自学习的特点，利用演化算法求解优化问题时，可以不用了解问题的全部特点。因此，相比于传统的数学方法优化算法，演化算法在解决数学描述未知的复杂问题时更具有优势。此外，演化计算还具有本质并行性。演化计算是以种群的形式对解空间进行搜索，种群中的解可同时对不同区域进行搜索，这种搜索方式很适合于并行计算。

随着计算机硬件条件的高速发展，演化计算在解决优化问题上的优势表现得越来越明显。由于演化算法原理简单，容易操作，并且具有通用性、高效性等特点，因此越来越受到人们的青睐。近年来，演化计算在自适应控制、机器学习、神经网络、经济预测和求解大型复杂优化问题等领域均取得了良好的表现。

然而传统的演化算法在求解优化问题时，算法的表现与算法的参数设置(变异因子F，交叉概率CR的取值)以及所选的操作算子有很大的关系。对于求解不同的优化问题，甚至在求解同一个复杂优化问题的不同阶段，演化算法最佳的参数设置和算子选择都可能不同。因此，用单一参数设置的演化算法来求解不同类型优化问题或复杂优化问题时，有时会得不到理想的效果。

差分演化算法是一种经典的演化算法，它在解决传统优化问题时具有良好的表现。和传统的演化算法类似，差分演化算法主要包含三个操作：变异、交叉和选择。其中最核心的变异操作，经过研究人员不断的探索和改进，变异操作有了很多种不同的形式。其中最基础的是DE/rand/1，和DE/best/1算子。

天线设计问题可以看作是一类以天线结构为搜索空间，寻求天线最优性能的优化问题，经典的优化方法难以求解此类优化问题，已有的经典天线实例并非通过求解此类优化问题而得的最优解，而是依靠专家的知识、经验、直觉和实验进行手工设计而得，通常不是最优天线，且几何形状单一，性能不尽人意。而演化算法对于解决此类问题具有得天独厚的优势。

发明内容

为了解决上述问题，本发明提供了一种基于自适应演化优化算法的螺旋式天线设计方法，主要包括以下步骤：

S101：根据实际需求，建立螺旋式天线的结构模型及其对应的优化数学模型；所述结构模型中螺旋线总圈数为a圈，每一圈上升高度的均值为b mm；其中，a和b均为根据实际需求设定的预设值；

S102：采用基于强化学习的自适应演化优化算法对所述优化数学模型中的天线结构参数进行优化，得到最终优化后的天线结构参数；

S103：根据所述天线结构参数，对所述结构模型进行调整，得到设计好的螺旋式天线。

进一步地，步骤S101中，所述优化数学模型的表达式如公式(1)所示：