买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：暨南大学

摘要：本发明提供一种基于目标导向多目标进化算法的天线优化设计方法，涉及技术领域，通过定义变量、目标并初始化种群，使用非支配解计算相关矩阵，使用目标导向进化机制产生后代，仿真计算并输出最终优化参数；本发明优化平顶天线设计参数用时非常短，相比较于使用普通的启发式算法优化的系统优化效率大幅提高；而且，由于本发明没有使用代理模型，算法的时间复杂度相比基于代理模型的算法更低，输出结果准确度更高；最后从这些解中选取目标和最小的解，以选取的解和初始值进行仿真，本发明保证了旁瓣抑制的前提下，有效地提高了天线的平顶特性，大幅降低了输入回波损耗，从而验证了本发明所提方案的有效性。

主权项：1.一种基于目标导向多目标进化算法的天线优化设计方法，其特征在于，具体步骤包括：S1、定义变量参数并设定平顶天线优化目标；S2、初始化种群，随机产生NP个个体，对NP个个体组成的天线结构进行仿真并得到参数曲线，每个所述个体为所述变量参数中的一组符合范围的随机参数组合；S3、根据NP个个体得到非支配解，所述非支配解是一组不互相支配并且不存在被支配解的目标向量；S4、对非支配解进行预处理，生成目标-变量相关矩阵；所述目标-变量相关矩阵C为D行、M列的矩阵，所述目标-变量相关矩阵C由非支配解构成，其中D为变量参数的个数，M为优化目标的个数，矩阵的第d行m列的元素代表第d个变量与第m个目标的相关性，其中： 是非支配解的第d个变量组成的数组，是非支配解的第m个目标组成的数组，和分别是和的方差，为和之间的协方差，所依据的公式为：，其中为非支配解中第d个变量的均值，为非支配解中第m个目标的均值，为非支配解个体的数量，与所依据的公式为： 其中，为第d个变量的第个非支配解，为第m个目标的第个非支配解；S5、使用目标导向进化机制产生后代参数；所述S5中，目标导向进化机制包括突变和交叉两个子步骤，其中所述突变子步骤所采用的公式为： 其中，是从当前种群中随机选择的解，是[1，NP]范围内除了当前解索引以外的整数，代表循环的次数，是（0,1]内的比例因子，设定为0.5，为进化方向向量；所述交叉子步骤所采用的公式为： 其中，为目标导向进化机制产生的后代，代表变量的维度序号，为0,1之间第维生成的随机数，是[1,D]内的随机生成的整数，是[0,1]内的交叉率，CR的取值为0.5；所述进化方向向量所采用的公式为：，其中是从当前种群中随机选择的解，是[1,NP]范围内除了当前解索引和以外的整数，是一个目标相关的指导个体，它最初是当前种群中的随机解；所述目标-变量相关矩阵C中，若，则说明第d个变量与第m个目标相关性强，其中T=0.9，所述目标-变量相关矩阵C中，将D变量行中至少含有一个大于T的变量定义为高度相关变量HCV，将D变量行中未含有一个大于T的变量定义为低相关变量LCV；定义目标相关指导个体集合，所述为高度相关变量HCV中的每个目标分配一个指导个体，的取值范围为1、2、…、O，其中O为高度相关变量HCV中的目标个数，目标相关指导个体集合的构造过程为：初始化所述个体为，同时获得当前个体中相关性高的目标所在的区间的个体集合，使用轮盘赌算法从中选择有前景的解，最后将中的高度相关变量替代中的高度相关变量，获得最终的；S6、仿真并计算目标，分别对S5中获得的每组后代参数组成的天线结构进行仿真，最后根据仿真得到的参数曲线计算步骤1定义的优化目标；S7、将种群中的个体进行非支配排序；S8、判断是否达到最大循环次数，如果达到最大循环次数则执行S9，若未达到最大循环次数则重复执行S3-S7；S9、输出最终优化参数。

全文数据：

权利要求：

百度查询： 暨南大学 一种基于目标导向多目标进化算法的天线优化设计方法