[发明专利]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

说明书

本发明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，包括以下步骤：步骤1：定义启发式采样目标函数，使用粒子群算法求解启发式采样目标函数完成m_d个样本采样，更新样本集；步骤2：使用步骤1得到的样本集训练克里金模型预测器；步骤3：将训练好的克里金模型预测器作为目标函数传入NSGA3优化器，运行多目标优化，得到优化解集；步骤4：判断步骤3得到的优化解集是否有满足优化目标的解，若有，则对满足设计目标的解进行电磁仿真验证，并进入步骤5，否则转到步骤1；步骤5：判断电磁仿真验证结构是否满足优化目标，若满足，则结束设计，否则转到步骤1。

技术领域

本发明属于天线设计技术领域，具体涉及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。

背景技术

在最初的天线设计领域，工程师要设计一个天线，需要先给出大致结构，然后手工调整天线结构参数直到满足设计要求。随着计算机技术的发展，如今已经不再需要人为调整天线结构参数，而使用优化算法自动设计。天线最重要的两个技术指定带宽内的回波损耗和增益。如果使用普通优化算法优化回波损耗，可能会使得增益较差难以满足设计要求。平衡这两个目标需要使用多目标优化算法，比如多目标粒子群算法MOPSO、基于分解的多目标进化算法MOEA/D，多目标遗传算法NSGA等，这些算法都是基于群体智能实现的，需要多次迭代才能收敛，完成优化需要访问目标函数成千上万次。在天线优化领域，一次目标函数评估意味着进行一次电磁仿真，直接以电磁仿真作为目标函数来优化是非常低效的。现在已经提出了基于代理模型的方法来加速优化。基于代理模型的优化的思想是使用一些样本建立一个可以快速计算的代理模型，然后用这个代理模型代替目标函数进行优化，如反向传播神经网络BPNN，高斯过程GP，径向基函数RBF等等，上述方法建立代理模型需要采样获得样本，采样方法是拉丁超立方体采样为主的随机采样方法。

与本发明接近的是使用拉丁超立方采样，以反向传播神经网络为代理模型，多目标粒子群算法进行优化的天线设计方法，其方案如下：

步骤一：采样：

(1)确定需要的样本数m，天线的结构参数的个数记为n；

(2)对n个维度的每一维分成等长度的m个区间，共n*m个区间；

(3)在(1)中每个区间中随机选取一个点，共n*m个点；

(4)再从每一维里随机抽出(2)中选取的点，将它们组成n维向量，直到用完所有的点，获得m个向量，即m个n维空间样本点；

(5)使用HFSS电磁仿真获得这些点的目标函数值(增益和回波损耗)。

步骤二：建立反向传播神经网络代理模型：

(1)确定神经网络的结构，即神经网络的层数，每层的神经元个数，所使用的激活函数类型；

(2)用步骤一中得到的样本通过梯度下降法训练神经网络模型；

步骤三：多目标优化：

(1)确定多目标粒子群算法的种群大小，全局和个体调节参数c1和c2；

(2)执行多目标优化，获得优化解集；

步骤四：验证：

将过电磁仿真验证步骤三中的解集，判断是否满足设计目标？

(1)是，天线优化完成；

(2)否，回到步骤一，增大m使用更多样本。

现有的随机采样方法主要来自于计算机领域，而这些问题主要也是计算机和天线设计领域的差别造成的。