[发明专利]采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法

摘要

本发明公开了一种采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法，该方法在遗传算法的基础上，通过模拟退火算法进行二次寻优，克服了遗传算法微调能力差的缺点，同时将遗传算法优化得到的最优个体作为模拟退火算法待优化变量的初值，避免了模拟退火算法对初值的依赖。此外，针对天线匹配网络的优化问题，该组合方法采用了多目标并列选择法，用于兼顾天线驻波比和转换效率两个重要的技术指标的要求，引入交叉和变异算子的自适应调节，有利于提高算法的计算速度和效率。同时引入最优解保留策略，避免最优个体的流失。

主权项

1.一种采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法，其特征在于包括有下列步骤：步骤一：基于遗传算法的种群初始化，获得待优化变量X＝{XC_a,XL_b,XR_d,XT_e}；在步骤一中，将宽带匹配网络等效电路中电容、电感和电阻采用基于遗传算法的的种群处理，得到待优化变量X＝{XC_a,XL_b,XR_d,XT_e}；所述待优化变量X＝{XC_a,XL_b,XR_d,XT_e}中XC_a表示电容种群，a表示等效电路中电容的标识，如第一电容C1的第一电容种群记为XC_C1；同理可得，第二电容种群记为XC_C2，第三电容种群记为XC_C3，第四电容种群记为XC_C4，第五电容种群记为XCC_C5；等效电路中所有电容种群采用集合形式表示为XC_a＝{XC_C1,XC_C2,XC_C3,XC_C4,XC_C5}；XL_b表示电感种群，b表示等效电路中电感的标识，如第一电感L1的第一电感种群记为XL_L1；同理可得，第二电感种群记为XL_L2，第三电感种群记为XL_L3，第四电感种群记为XL_L4，第五电感种群记为XL_L5；等效电路中所有电感种群采用集合形式表示为XL_b＝{XL_L1，XL_L2，XL_L3，XL_L4，XL_L5}；XR_d表示电阻种群，d表示等效电路中电阻的标识，如第一电阻R1的第一电阻种群记为XR_R1；同理可得，第二电阻种群记为XR_R2，第三电阻种群记为XR_R3；等效电路中所有电阻种群采用集合形式表示为XR_d＝{XR_R1，XR_R2，XR_R3}；XT_e表示变压器种群，e表示等效电路中变压器的输入/输出电压比；步骤二：基于遗传算法的染色体处理，获得总种群在步骤二中，基于遗传算法中的染色体，对电容种群XC_a在变量取值DC中随机生成m个变量值DXCam={XCa1,XCa2,···,XCam},]]>0＜DC≤800pF；表示标识a电容种群在第1个染色体中的变量值，表示标识a电容种群在第2个染色体中的变量值，……，表示标识a电容种群在第m个染色体中的变量值，也称标识a电容种群在任意一个染色体中的变量值；基于遗传算法中的染色体，对电感种群XL_b在变量取值DL中随机生成w个变量值0＜DL≤0.1μH；表示标识b电感种群在第1个染色体中的变量值，表示标识b电感种群在第2个染色体中的变量值，……，表示标识b电感种群在第w个染色体中的变量值，也称标识b电感种群在任意一个染色体中的变量值；基于遗传算法中的染色体，对电阻种群XR_d在变量取值DR中随机生成v个变量值0＜DR≤5kΩ；表示标识d电阻种群在第1个染色体中的变量值，表示标识d电阻种群在第2个染色体中的变量值，……，表示标识d电阻种群在第v个染色体中的变量值，也称标识d电阻种群在任意一个染色体中的变量值；基于遗传算法中的染色体，对变压器种群XT_e在变量取值DT中随机生成n个变量值0.1≤DT≤10；表示标识e变压器种群在第1个染色体中的变量值，表示标识e变压器种群在第2个染色体中的变量值，……，表示标识e变压器种群在第n个染色体中的变量值，也称标识e变压器种群在任意一个染色体中的变量值；对于待优化变量X＝{XC_a,XL_b,XR_d,XT_e}经遗传算法中的染色体处理得到总种群步骤三：以多目标优化函数，按照并列选择法为目标函数中各个函数分配种群；在步骤三中，将总种群中的染色体按目标函数M_目标＝{f_目标,l_目标}的个数均等地划分为第一子群体Q₁和第二子群体Q₂，对每个子群体分配目标函数M_目标＝{f_目标，l_目标}中的一个进行优化；步骤四：以交叉变异获取子种群的优化量；在步骤四中，对第一子群体Q₁进行交叉变异，保留每一代优化量，即第一优化量DQ₁；对第二子群体Q₂进行交叉变异，保留每一代优化量，即第二优化量DQ₂；交叉变异获取每一代优化量的具体步骤为：步骤401：获取第一子群体Q₁中的任意2个染色体作为当前染色体也称为当前第一染色体获取第二子群体Q₂中的任意2个染色体作为当前染色体也称为当前第二染色体步骤402：对当前第一染色体中的两个个体进行交叉处理，生成新第一染色体表示交叉后第一个染色体，表示交叉后第二个染色体；所述交叉处理依据第一适应性策略模型Pc1=(fmin-favg)/(fmin-f),f≤favg1.0,f>favg]]>进行的；P_c1表示第一子群体Q₁的交叉概率(也称为第一交叉概率)，f_min表示第一子群体Q₁中最佳个体适应度值，f表示为要交叉的两个个体中较适应的适应值，且f＝min{f₁,f₂}，f₁表示染色体对应的驻波比优化目标f_目标的值，f₂表示染色体对应的驻波比优化目标f_目标的值，f_avg表示第一子群体Q₁的平均适应度值；对当前第二染色体中的两个个体进行交叉处理，生成新第二染色体表示交叉后第三个染色体，表示交叉后第四个染色体；所述交叉处理依据第二适应性策略模型Pc2=(lmax-l)/(lmax-lavg),l≥lavg1.0,l<lavg]]>进行的；P_c2表示第二子群体Q₂的交叉概率，也称为第二交叉概率，l_max表示第二子群体Q₂中最佳个体适应度值，l表示为要交叉的两个个体中较适应的适应值，且l＝max{l₁,l₂}，l₁表示染色体对应的功率优化目标l_目标的值，l₂表示染色体对应的功率优化目标l_目标的值，l_avg表示第二子群体Q₂的平均适应度值；步骤403：比较f₁与f₃和f₂与f₄，若f₁≥f₃且f₂≥f₄时，用AQ_交叉代替AQ_当前；若f₁＜f₃或f₂＜f₄时，则AQ_当前不变；f₃表示交叉后第一个染色体对应的驻波比优化目标f_目标的值，f₄表示交叉后第二个染色体对应的驻波比优化目标f_目标的值；比较l₁与l₃和l₂与l₄，若l₁≤l₃且l₂≤l₄时，用BQ_交叉代替BQ_当前；若l₁＞l₃或l₂＞l₄时，则BQ_当前不变；l₃表示交叉后第三个染色体对应的功率优化目标l_目标的值，l₄表示交叉后第四染色体对应的功率优化目标l_目标的值；步骤404：对当前第一染色体中的两个个体分别进行变异处理，生成变异第一染色体表示变异后的染色体，表示变异后的染色体；所述的变异处理依据第三适应性策略模型进行的；P_m1表示第一子群体Q₁的变异概率(也称为第一变异概率)，f_min表示第一子群体Q1中最佳个体适应度值，f_avg表示第一子群体Q₁的平均适应度值，f′为需要变异个体的适应度值，且f₁表示染色体对应的驻波比优化目标f_目标的值，f₂表示染色体对应的驻波比优化目标f_目标的值；对当前第二染色体中的两个个体分别进行变异处理，生成变异第二染色体表示变异后的染色体，表示变异后的染色体；所述变异处理依据第四适应性策略模型Pm2=0.5(lmax-l′)/(lmax-lavg),l′≥lavg0.5,l′<lavg]]>进行的；P_m2表示第二子群体Q₂的变异概率，也称为第二变异概率，l_max表示第二子群体Q₂中最佳个体适应度值，l_avg表示第二子群体Q₂的平均适应度值，l′为要变异个体的适应度值且l₁表示染色体对应的功率优化目标l_目标的值，l₂表示染色体对应的功率优化目标l_目标的值；步骤405：比较f₁与f₅，若f₁＞f₅时，用代替若f₁≤f₅时，则不变；f₅表示变异后的染色体对应的驻波比优化目标f_目标的值；比较f₂与f₆，若f₂＞f₆时，用代替若f₂≤f₆时，则不变；f₆表示变异后的染色体对应的驻波比优化目标f_目标的值；比较l₁与l₅，若l₁＜l₅时，用代替若l₁≥l₅时，则不变；l₅表示变异后的染色体对应的功率优化目标l_目标的值；比较l₂与l₆，若l₂＜l₆时，用代替若l₂≥l₆时，则不变；l₆表示变异后的染色体对应的功率优化目标l_目标的值；重复步骤401至步骤405，直到第一子群体Q₁和第二子群体Q₂中染色体全部交叉变异完成，得到当前世代第一子群体Q₁的最优优化量，即第一优化量DQ₁，第二子群体Q₂的最优优化量，即第二优化量DQ₂；步骤五：依据目标函数M_目标＝{f_目标,l_目标}遍历优化总种群Q_总′中所有的染色体得到遗传算法中的当前代最优个体；在步骤五中，合并第一优化量DQ₁和第二优化量DQ₂组成新的种群，即优化总种群Q_总′，依据目标函数M_目标＝{f_目标，l_目标}遍历优化总种群Q_总′中所有的染色体得到遗传算法中的当前代最优个体并把赋给I_hbest，以便下一代最优个体与当前代的最优个体进行比较，在两者中选择出较优个体，并且赋给I_hbest；判断是否达到遗传算法的终止条件，若不满足遗传终止条件，则返回步骤四，若满足遗传终止条件，则得出遗传算法中的最优个体I_hbest，并且保留下来，进入步骤六；所述遗传算法的终止条件是指迭代步数K是否为O，若迭代步数K不为0，则返回步骤三，若迭代步数K为O，则得出遗传算法中的最优个体I_hbest，并且保留下来，进入步骤六；为了与待优化变量X＝{XC_a,XL_b,XR_d,XT_e}的表达形式相对应，所述的电子元件参数最优解I_hbest集合表达形式为Ihbest=CC1hbest,CC2hbest,CC3hbest,CC4hbest,CC5hbestLL1hbest,LL2hbest,LL3hbest,LL4hbest,LL5hbestRR1hbest,RR2hbest,RR3hbestTehbest;]]>其中，表示第一电容种群XC_C1经遗传算法后的最优电容值；表示第二电容种群XC_C2经遗传算法后的最优电容值；表示第三电容种群XC_C3经遗传算法后的最优电容值；表示第四电容种群XC_C4经遗传算法后的最优电容值；表示第五电容种群XC_C5经遗传算法后的最优电容值；表示第一电感种群XL_L1经遗传算法后的最优电感值；表示第二电感种群XL_L2经遗传算法后的最优电感值；表示第三电感种群XL_L3经遗传算法后的最优电感值；表示第四电感种群XL_L4经遗传算法后的最优电感值；表示第五电感种群XL_L5经遗传算法后的最优电感值；表示第一电阻种群XR_R1经遗传算法后的最优电组值；表示第二电阻种群XR_R2经遗传算法后的最优电组值；表示第三电阻种群XR_R3经遗传算法后的最优电组值；表示变压器种群XT。经遗传算法后的最优变压器的输入/输出电压比值；步骤六：对当前代最优个体I_hbest进行初始退火赋值，得到初始个体I_初始；对Ihbest=CC1hbest,CC2hbest,CC3hbest,CC4hbest,CC5hbestLL1hbest,LL2hbest,LL3hbest,LL4hbest,LL5hbestRR1hbest,RR2hbest,RR3hbestTehbest]]>进行初始退火赋值，则有模拟退火算法的初始个体为其中，表示第一电容种群XC_C1在模拟退火算法中设置的初始值，且表示第二电容种群XC_C2在模拟退火算法中设置的初始值，且表示第三电容种群XC_C3在模拟退火算法中设置的初始值，且表示第四电容种群XC_C4在模拟退火算法中设置的初始值，且表示第五电容种群XC_C5在模拟退火算法中设置的初始值，且表示第一电感种群XL_L1在模拟退火算法中设置的初始值，且表示第二电感种群XL_L2在模拟退火算法中设置的初始值，且表示第三电感种群XL_L3在模拟退火算法中设置的初始值，且表示第四电感种群XL_L4在模拟退火算法中设置的初始值，且表示第五电感种群XL_L5在模拟退火算法中设置的初始值，且表示第一电阻种群XR_R1在模拟退火算法中设置的初始值，且表示第二电阻种群XR_R2在模拟退火算法中设置的初始值，且表示第三电阻种群XR_R3在模拟退火算法中设置的初始值，且表示变压器种群XT_e在模拟退火算法中设置的初始值，且步骤七：对当前代最优个体I_hbest进行试探赋值，得到试探个体I_试探；对模拟退火算法的初始个体进行试探赋值，则有新试探值个体其中，是第一电容种群XC_C1在变量取值范围为Δx_C1内随机生成的，是第二电容种群XC_C2在变量取值范围为Δx_C2内随机生成的，是第三电容种群XC_C3在变量取值范围为Δx_C3内随机生成的，是第四电容种群XC_C4在变量取值范围为Δx_C4内随机生成的，是第五电容种群XC_C5在变量取值范围为Δx_C5内随机生成的，是第一电感种群XL_L1在变量取值范围为Δx_L1内随机生成的，是第二电感种群XL_L2在变量取值范围为Δx_L2内随机生成的，是第三电感种群XL_L3在变量取值范围为Δx_L3内随机生成的，是第四电感种群XL_L4在变量取值范围为Δx_L4内随机生成的，是第五电感种群XL_L5在变量取值范围为Δx_L5内随机生成的，是第一电阻种群XR_R1在变量取值范围为Δx_R1内随机生成的，是第二电阻种群XR_R2在变量取值范围为Δx_R2内随机生成的，是第三电阻种群XR_R3在变量取值范围为Δx_R3内随机生成的，是变压器种群XT_e在变量取值范围为Δx_Te内随机生成的，步骤八：依据目标函数M_目标＝{f_目标，l_目标}、初始个体I_初始和试探个体I_试探进行模拟退火优化，得到电子元件参数的优化解；步骤801：计算试探个体对应的目标函数M_目标＝{f_目标,l_目标}的值分别为ff₁和ll₁，ff₁表示试探个体I_试探对应的驻波比优化目标f_目标的值，ll₁表示试探个体I_试探对应的功率优化目标l_目标的值；步骤802：计算初始个体对应的目标函数值M_目标＝{f_目标,l_目标}的值分别为ff₂和ll₂，ff₂表示初始个体I_初始对应的驻波比优化目标f_目标的值，ll₂表示初始个体I_初始对应的功率优化目标l_目标的值；步骤803：判断试探个体I_试探的目标函数值M目标＝{f_目标,l_目标}的值ff₁和ll₂是否优于初始个体I_初始对应的目标函数值M_目标＝{f_目标,l_目标}的值ff₂和ll₂，若ff₁≤ff₂且ll₁≥ll₂，则进入步骤804，否则返回步骤801；步骤804：计算试探个体I_试探是否满足接收函数关系PVSWR=exp(ff1-ff2Tnow)>r∈[0,1]PG=exp(ll2-ll1Tnow)>r∈[0,1],]]>若满足则将试探个体I_试探替代初始个体I_初始，进入步骤805；若不满足则返回步骤801；P_VSWR表示驻波比对应的接收概率，P_G表示转换增益对应的接收概率，T_now表示当前温度，r是在[0,1]范围内以均匀分布函数的概率随机生成的随机数，即r＝RAN(0,1)步骤805：在退火算法中以降温速度a进行温度降低，并判断当前温度T_now是否小于截止温度T_end，若T_now大于T_end，则返回步骤801；若T_now小于等于T_end，则将优化后的初始个体I_初始作为遗传-模拟退火处理后的电子元件参数优化解I_best，Ibest=CC1best,CC2best,CC3best,CC4best,CC5bestLL1best,LL2best,LL3best,LL4best,LL5bestRR1best,RR2best,RR3bestTebest.]]>