【摘要】：隨著信息技術(shù)的發(fā)展,優(yōu)化問題日趨復(fù)雜,而傳統(tǒng)的優(yōu)化方法在尋優(yōu)時往往會有很大的局限性。以進化優(yōu)化算法為主的現(xiàn)代優(yōu)化算法是從生物智能或物理現(xiàn)象上獲得啟發(fā)建立起來的,它們具有適于高度并行、全局性與自適應(yīng)等特點,用目的性和系統(tǒng)性的過程代替?zhèn)鹘y(tǒng)的手工實驗方法,為解決復(fù)雜問題提供了一種新的途徑。在微波電路設(shè)計中,許多應(yīng)用問題都要求元件優(yōu)化時要適應(yīng)于各類型的設(shè)計變量、指標(biāo)約束及單元組合結(jié)構(gòu)的線性、非線性等。HFSS作為微波電路設(shè)計中的一款重要的電磁仿真軟件,為用戶提供了簡明易用的建模界面和功能強大的處理器,能夠計算分析各種復(fù)雜3D無源元件的電磁特性。粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)作為一種經(jīng)典的群智能進化算法,由于其原理簡單,較易實現(xiàn)等特點而被廣泛研究和應(yīng)用。本文對該算法深入研究,為了加快優(yōu)化速度,提高收斂精度,提出了一種基于PSO的隊伍演化算法(Team Evolutionary Algorithm,TeamEA),并將其與HFSS軟件的接口腳本相結(jié)合,完成微波元件的建模、仿真與優(yōu)化。主要工作概括如下:1.對PSO算法的基本概念、實現(xiàn)方法及其存在的問題進行分析描述,進一步闡述了該算法的研究現(xiàn)狀和研究趨勢。2.對優(yōu)化算法中一些常用的測試函數(shù)深入研究,將原有測試函數(shù)進行旋轉(zhuǎn)平移操作,新得到的測試函數(shù)更加復(fù)雜多變,對算法的性能提出了更高的要求,用于檢驗算法對于現(xiàn)實存在的許多未知結(jié)構(gòu)或空間的適應(yīng)能力與尋優(yōu)能力。3.對于PSO算法存在的一些不足,引入多種群策略,提出了隊伍演化算法。該算法將優(yōu)化過程分為兩個階段:第一階段為保持多樣性,把隊員分成若干個初級隊伍并行優(yōu)化,形成高級隊伍;后一階段為提高收斂速度,僅對高級隊伍進行優(yōu)化。在整個優(yōu)化過程中,根據(jù)評估隊員所取得的成績,動態(tài)控制隊員的調(diào)整步長和最大調(diào)整空間,同時產(chǎn)生教練組,為隊員的進步方向提供指導(dǎo)。通過高維多峰測試函數(shù)及其旋轉(zhuǎn)平移函數(shù)進行測試比較,驗證了算法的優(yōu)越性和有效性。4.研究通過宏命令控制HFSS軟件實現(xiàn)自動建模,使用VBscript腳本語言實現(xiàn)Matlab與HFSS的聯(lián)合仿真,利用隊伍演化算法的尋優(yōu)能力和HFSS強大的電磁分析能力,實現(xiàn)一種基于隊伍演化算法和電磁仿真軟件HFSS的優(yōu)化方案。5.將該優(yōu)化方案應(yīng)用于微波電路設(shè)計中,通過對1.2~1.5 GHz發(fā)卡型濾波器、WLAN天線的成功設(shè)計優(yōu)化,實驗結(jié)果表明了基于隊伍演化算法和HFSS軟件的優(yōu)化方案的有效性和應(yīng)用價值。
[Abstract]:With the development of information technology, the optimization problem is becoming more and more complex, but the traditional optimization methods often have great limitations. The modern optimization algorithms, which are mainly evolutionary optimization algorithms, are constructed from the inspiration of biological intelligence or physical phenomena. They are suitable for highly parallel, global and adaptive, and so on. It provides a new way to solve complex problems by replacing the traditional manual experiments with purposeful and systematic processes. In microwave circuit design, many application problems require element optimization to adapt to various types of design variables, index constraints and the linearity of unit combination structures. As an important electromagnetic simulation software in microwave circuit design, HFSS provides users with a simple and easy to use modeling interface and powerful processor, which can calculate and analyze the electromagnetic characteristics of various complex 3D passive components. As a classical swarm intelligence evolutionary algorithm, particle swarm optimization (Particle Swarm) has been widely studied and applied due to its simple principle and easy implementation. In this paper, in order to accelerate the optimization speed and improve the convergence accuracy, a team evolution algorithm (Team Evolutionary algorithm based on PSO is proposed, which is combined with the interface script of HFSS software to complete the modeling, simulation and optimization of microwave components. The main work is summarized as follows: 1. The basic concept, implementation method and existing problems of PSO algorithm are analyzed and described. Some commonly used test functions in the optimization algorithm are deeply studied, and the original test functions are rotated and translated. The new test functions are more complex and changeable, and the performance of the algorithm is required higher. It is used to test the adaptability and optimization ability of the algorithm to many unknown structures or spaces in reality. For the shortcomings of PSO algorithm, a team evolution algorithm is proposed by introducing a variety of group strategies. The algorithm divides the optimization process into two stages: in the first stage, the players are divided into several junior teams to form a senior team in parallel, and in the latter stage, only the senior team is optimized to improve the convergence speed. In the whole optimization process, according to the evaluation of the achievements of the players, the dynamic control of the players to adjust the step size and the maximum adjustment space, at the same time, the production of coaching staff, to provide guidance for the direction of improvement of the players. The advantages and effectiveness of the algorithm are verified by comparing the high dimensional multimodal test function and its rotation translation function. The automatic modeling is realized by controlling HFSS software by macro command, the joint simulation of Matlab and HFSS is realized by using VBscript script language, and the optimization ability of team evolution algorithm and the powerful electromagnetic analysis ability of HFSS are used. To realize an optimization scheme based on team evolution algorithm and electromagnetic simulation software HFSS. 5. The optimization scheme is applied to microwave circuit design. The successful design of 1.2U 1.5 GHz filter antenna shows the effectiveness and application value of the optimized scheme based on team evolution algorithm and HFSS software.
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN454;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 龔文引;謝丹;;針對本科生的演化算法教學(xué)探討[J];計算機時代;2012年07期

2 熊盛武,李元香,康立山,陳毓屏;用演化算法求解拋物型方程擴散系數(shù)的識別問題[J];計算機學(xué)報;2000年03期

3 曾三友,康立山,丁立新;基于偏序關(guān)系的演化算法[J];計算機工程;2001年08期

4 周永華,毛宗源;基于混合雜交與間歇變異的演化算法[J];計算機工程與應(yīng)用;2003年06期

5 閆震宇,康立山,陳毓屏,付朋輝;一種新的多目標(biāo)演化算法——穩(wěn)態(tài)淘汰演化算法[J];武漢大學(xué)學(xué)報(理學(xué)版);2003年01期

6 王濤,李歧強;基于空間收縮的并行演化算法[J];中國工程科學(xué);2003年03期

7 何國良,李元香;多個粒子參與交叉的一種動態(tài)演化算法[J];計算機工程與應(yīng)用;2004年08期

8 劉敏忠,鄒秀芬,康立山;一種基于偏序排名的高效的多目標(biāo)演化算法[J];小型微型計算機系統(tǒng);2004年12期

9 王龍奎,汪祖柱;關(guān)于多目標(biāo)演化算法的策略分析[J];安徽大學(xué)學(xué)報(自然科學(xué)版);2005年03期

10 田麗,林錦國,劉建峰,張光云;基于演化算法的客戶關(guān)系管理系統(tǒng)研究[J];微處理機;2005年03期

相關(guān)會議論文 前3條

1 馮珊;李鋒;周凱波;;面向演化算法應(yīng)用的智能體系統(tǒng)建模與仿真研究[A];西部開發(fā)與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第12屆年會論文集[C];2002年

2 張文俊;謝曉鋒;馬君;;并行演化算法在半導(dǎo)體器件綜合中的應(yīng)用[A];2006年全國開放式分布與并行計算學(xué)術(shù)會議論文集（二）[C];2006年

3 謝柏橋;戴光明;鄭蔚;王劍文;;有指導(dǎo)的多目標(biāo)演化算法在區(qū)域星座設(shè)計中的應(yīng)用[A];中國宇航學(xué)會深空探測技術(shù)專業(yè)委員會第四屆學(xué)術(shù)年會論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 彭晟;演化算法的靜電場論模型[D];武漢大學(xué);2011年

2 陳明;演化算法漸近行為的若干問題研究[D];武漢大學(xué);2012年

3 彭飛;實值演化算法投資組合研究[D];中國科學(xué)技術(shù)大學(xué);2011年

4 萬書振;動態(tài)環(huán)境下差分演化算法研究與應(yīng)用[D];武漢理工大學(xué);2012年

5 魏波;交互式與自適應(yīng)演化算法研究[D];武漢大學(xué);2013年

6 賴鑫生;演化算法與混合算法的性能研究[D];華南理工大學(xué);2014年

7 武志峰;差異演化算法及其應(yīng)用研究[D];北京交通大學(xué);2009年

8 陳天石;演化算法的計算復(fù)雜性研究[D];中國科學(xué)技術(shù)大學(xué);2010年

9 龔文引;差分演化算法的改進及其在聚類分析中的應(yīng)用研究[D];中國地質(zhì)大學(xué);2010年

10 吳志健;演化優(yōu)化及其在微分方程反問題中的應(yīng)用[D];武漢大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 楊穎;一種多差分向量的自適應(yīng)差分演化算法[D];浙江大學(xué);2015年

2 陳偉;隊伍演化算法及其在微波電路設(shè)計中的應(yīng)用[D];杭州電子科技大學(xué);2015年

3 戴志晃;一種基于熵量守恒的改進演化算法的研究[D];江西理工大學(xué);2010年

4 潘偉豐;一種基于平均矢量偏差的仿生演化算法[D];江西理工大學(xué);2008年

5 胡中波;差分演化算法及其在函數(shù)優(yōu)化中的應(yīng)用研究[D];武漢理工大學(xué);2006年

6 李程俊;組合優(yōu)化問題的并行演化算法研究[D];武漢理工大學(xué);2003年

7 趙永翔;多目標(biāo)差分演化算法的構(gòu)造及其應(yīng)用[D];武漢理工大學(xué);2007年

8 張鑫;協(xié)同演化算法及其在組合投資中的研究與應(yīng)用[D];哈爾濱工程大學(xué);2011年

9 顏穎;異步分層并行演化算法及其在模糊聚類分析中的應(yīng)用[D];廈門大學(xué);2006年

10 程鋼;基于差分演化算法的圖像聚類研究[D];湖北工業(yè)大學(xué);2015年

，

本文編號：2197600