本文關(guān)鍵詞： 演化算法 多目標(biāo)優(yōu)化 約束優(yōu)化 動態(tài)約束優(yōu)化 天線設(shè)計　出處：《中國地質(zhì)大學(xué)》2017年博士論文　論文類型：學(xué)位論文

【摘要】：在科學(xué)研究及工程應(yīng)用中,經(jīng)常遇到約束優(yōu)化問題。演化算法是一種受自然啟發(fā)的隨機搜索算法,它可以有效的求解最優(yōu)化問題,過去的幾十年中,很多研究者使用演化算法求解約束優(yōu)化問題。演化多目標(biāo)優(yōu)化自上世紀(jì)80年代產(chǎn)生至今,得到了長足的發(fā)展,形成了很多成熟的算法。使用基于Pareto占優(yōu)的多目標(biāo)優(yōu)化技術(shù)處理約束優(yōu)化問題,取得了良好的效果,是一個重要的研究方向。天線設(shè)計是工程實踐中一類復(fù)雜的約束優(yōu)化問題,設(shè)計要求較多,建立起來的數(shù)學(xué)模型是一類非線性、多個變量、復(fù)雜約束的優(yōu)化問題。這類優(yōu)化問題在其它領(lǐng)域里也普遍存在,需要高性能的算法去求解。基于此,本文提出“動態(tài)約束多目標(biāo)演化算法的研究及在天線設(shè)計中的應(yīng)用”課題。所做的主要工作如下:1.設(shè)計動態(tài)約束“很多”目標(biāo)演化算法(dynamic constrained many-objective optimization evolutionary algorithm,DCMaOEA)求解約束優(yōu)化問題。首先將約束優(yōu)化問題轉(zhuǎn)化為對等的約束“很多”目標(biāo)優(yōu)化問題,使用“很多”目標(biāo)優(yōu)化技術(shù)保持算法搜索的分布性,另外采用動態(tài)的處理機制處理約束。算法演化之初,將原始的約束邊界進行擴展,使得所有的解都看作可行解;隨著演化的進行,慢慢收縮約束邊界,讓整個搜索過程在一個可行的環(huán)境下進行,從而提高了搜索能力;最后,使約束邊界收斂到原始邊界,輸出的解也就是原始問題的解。DCMaOEA用差分算法作為搜索引擎,用基于參考點的非劣排序方法選擇個體進入下一代種群。用兩套測試問題包60個Benchmark函數(shù)對DCMaOEA進行了測試,并和其他先進的同類算法進行了比較。結(jié)果說明,設(shè)計的算法在求解各種類型的約束優(yōu)化問題上有著良好的性能。2.基于動態(tài)約束技術(shù)和多目標(biāo)比較框架,設(shè)計了幾種改進算法,分別是混合約束處理機制演化算法、基于計算資源分配的動態(tài)約束“很多”目標(biāo)演化算法和引入?yún)?shù)學(xué)習(xí)機制的動態(tài)約束“很多”目標(biāo)演化算法。數(shù)值實驗結(jié)果表明,這幾種改進算法分別在不同角度不同程度上提高了原算法的性能。3.將設(shè)計的動態(tài)約束“很多”目標(biāo)演化算法應(yīng)用于求解天線設(shè)計問題,優(yōu)化設(shè)計了兩款天線,分別是低剖面寬波束圓極化天線和S波段中增益天線。用HFSS軟件仿真結(jié)果表明,本文研究的算法可以有效地求解天線設(shè)計這一類復(fù)雜約束優(yōu)化問題。本文的創(chuàng)新點是采用“很多”目標(biāo)優(yōu)化算法求解約束優(yōu)化問題。以前的研究一般把約束優(yōu)化問題看做兩個目標(biāo)的問題,原始目標(biāo)和違約目標(biāo)。將所有的約束條件整合成一個目標(biāo),容易忽視各約束條件的區(qū)別,丟失一些信息。而采用“很多”目標(biāo)優(yōu)化則能分別關(guān)注每個約束的滿足情況,更適合處理復(fù)雜約束的問題。
[Abstract]:In scientific research and engineering applications, constrained optimization problems are often encountered. Evolutionary algorithm is a natural inspired random search algorithm, it can effectively solve the optimization problem, in the past few decades. Many researchers use evolutionary algorithms to solve constrained optimization problems. Evolutionary multi-objective optimization has made great progress since its inception in -20s. Many mature algorithms have been formed. The multi-objective optimization technique based on Pareto is used to deal with constrained optimization problems, and good results are achieved. Antenna design is a kind of complex constrained optimization problem in engineering practice, which requires a lot of design. The established mathematical model is a class of nonlinear and multiple variables. Complex constrained optimization problems. This kind of optimization problems are also common in other fields, and need high performance algorithm to solve them. In this paper, the research of dynamic constraint multi-objective evolutionary algorithm and its application in antenna design are presented. The main work is as follows: 1.Design dynamic constraint "many" target evolution algorithm (. Dynamic constrained many-objective optimization evolutionary. Algorithm. DCMaOEAA is used to solve the constrained optimization problem. Firstly, the constrained optimization problem is transformed into a peer-to-peer constrained "many" goal optimization problem, and the "many" goal optimization techniques are used to maintain the distribution of the algorithm search. In addition, dynamic processing mechanism is used to deal with constraints. At the beginning of the evolution of the algorithm, the original constraint boundary is extended so that all solutions are regarded as feasible solutions. Along with the evolution, the constraint boundary is gradually reduced, and the whole search process is carried out in a feasible environment, which improves the search ability. Finally, the constrained boundary converges to the original boundary, and the output solution is the solution of the original problem. DCMaOEA uses the difference algorithm as the search engine. The non-inferior sorting method based on reference points was used to select individuals to enter the next generation population. 60 Benchmark functions of two sets of test question packets were used to test the DCMaOEA. The results show that the proposed algorithm has good performance in solving various kinds of constrained optimization problems. 2. Based on dynamic constraint technology and multi-objective comparison framework. Several improved algorithms are designed, one is the evolutionary algorithm of hybrid constraint processing mechanism. Dynamic constraint "many" target evolution algorithm based on computational resource allocation and dynamic constraint "many" target evolution algorithm with parameter learning mechanism are introduced. These improved algorithms improve the performance of the original algorithm in different angles and to different degrees. 3. The dynamic constraint "many" target evolution algorithms are applied to solve the antenna design problem. Two antennas are designed, one is low profile wide-beam circular polarization antenna and the other is S-band gain antenna. The simulation results show by HFSS software. The algorithm studied in this paper can effectively solve the complex constrained optimization problems such as antenna design. The objective optimization algorithm is used to solve the constrained optimization problem. Previously, the constrained optimization problem is generally regarded as a two-objective problem. Original objective and default objective. All constraints are integrated into one goal, and the differences of each constraint are easily ignored. Some information is lost, and the "many" objective optimization can focus on the satisfaction of each constraint separately, so it is more suitable to deal with the problem of complex constraints.
【學(xué)位授予單位】：中國地質(zhì)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP18;TN820

【相似文獻】

相關(guān)期刊論文 前10條

1 周育人,閔華清,許孝元,李元香;多目標(biāo)演化算法的收斂性研究[J];計算機學(xué)報;2004年10期

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

相關(guān)會議論文 前10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

4 劉定宇;尹淑慧;仲海洋;李磊;;光斑保持激光發(fā)射天線設(shè)計[A];2009年先進光學(xué)技術(shù)及其應(yīng)用研討會論文集（下冊）[C];2009年

5 朱佩濤;劉述章;任冬梅;;8mm點聚焦透鏡天線設(shè)計和分辨率分析[A];2005年海峽兩岸三地?zé)o線科技學(xué)術(shù)會論文集[C];2005年

6 馬曉洋;項鐵銘;;采用寄生單元的三頻手機天線設(shè)計[A];浙江省電子學(xué)會2013學(xué)術(shù)年會論文集[C];2013年

7 安鑫;李虎;任曉飛;何紹林;;短波寬帶雙環(huán)天線設(shè)計[A];2009年全國天線年會論文集（下）[C];2009年

8 吳江牛;龔偉;趙志欽;陳國平;聶在平;;微波熱致超聲成像系統(tǒng)天線設(shè)計[A];2009年全國天線年會論文集（下）[C];2009年

9 曾三友;龍浩求;楊陽;秦坤;賈麗娜;李暉;;基于動態(tài)多目標(biāo)演化算法的天線設(shè)計[A];中國宇航學(xué)會深空探測技術(shù)專業(yè)委員會第六屆學(xué)術(shù)年會暨863計劃“深空探測與空間實驗技術(shù)”重大項目學(xué)術(shù)研討會論文集[C];2009年

10 徐樸;;手機天線設(shè)計中地的常見處理方式[A];2010年全國電磁兼容會議論文集[C];2010年

相關(guān)重要報紙文章 前2條

1 本報記者 羅兵;“蘋果”上的“疤痕”有多深[N];中國質(zhì)量報;2010年

2 鄭立志;FEKO在天線設(shè)計中的應(yīng)用[N];中國航空報;2004年

相關(guān)博士學(xué)位論文 前10條

1 李晰;動態(tài)約束多目標(biāo)演化算法的研究及在天線設(shè)計中的應(yīng)用[D];中國地質(zhì)大學(xué);2017年

2 俞揚;演化計算理論分析與學(xué)習(xí)算法的研究[D];南京大學(xué);2011年

3 庫俊華;自適應(yīng)差分演化算法及其應(yīng)用研究[D];中國地質(zhì)大學(xué);2015年

4 彭雪;演化算法和蟻群算法的性能分析[D];華南理工大學(xué);2016年

5 李丙棟;超多目標(biāo)演化算法及其應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2017年

6 陸曉芬;基于代理模型的實值演化算法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

7 彭晟;演化算法的靜電場論模型[D];武漢大學(xué);2011年

8 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

9 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

10 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

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 吳昊;多群體并行演化算法的研究[D];南京郵電大學(xué);2015年

4 邢雪;基于Pi演算的關(guān)系演化算法的研究與實現(xiàn)[D];吉林大學(xué);2016年

5 黃星;遺傳遞增演化算法配筋優(yōu)化設(shè)計[D];湖南大學(xué);2016年

6 溫志超;基于演化算法及改進詞袋模型的病蟲害分類識別技術(shù)研究[D];華南農(nóng)業(yè)大學(xué);2016年

7 左磊;改進的差分演化算法研究及其應(yīng)用[D];華南農(nóng)業(yè)大學(xué);2016年

8 張盛鑫;基于新型變異與交叉算子的差分演化算法研究[D];暨南大學(xué);2016年

9 陳澤豐;多目標(biāo)演化算法的性能改進研究[D];華南理工大學(xué);2016年

10 彭超;差分演化算法的評估、改進與應(yīng)用研究[D];大連海事大學(xué);2016年

，

本文編號：1462894