本文關(guān)鍵詞： 演化算法 多目標(biāo)優(yōu)化 約束優(yōu)化 動(dòng)態(tài)約束優(yōu)化 天線設(shè)計(jì)　出處：《中國(guó)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(wèn)題。演化算法是一種受自然啟發(fā)的隨機(jī)搜索算法,它可以有效的求解最優(yōu)化問(wèn)題,過(guò)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(wèn)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(zhǎng)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(wèn)題,取得了良好的效果,是一個(gè)重要的研究方向。天線設(shè)計(jì)是工程實(shí)踐中一類復(fù)雜的約束優(yōu)化問(wèn)題,設(shè)計(jì)要求較多,建立起來(lái)的數(shù)學(xué)模型是一類非線性、多個(gè)變量、復(fù)雜約束的優(yōu)化問(wèn)題。這類優(yōu)化問(wèn)題在其它領(lǐng)域里也普遍存在,需要高性能的算法去求解�；诖�,本文提出“動(dòng)態(tài)約束多目標(biāo)演化算法的研究及在天線設(shè)計(jì)中的應(yīng)用”課題。所做的主要工作如下:1.設(shè)計(jì)動(dòng)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(wèn)題。首先將約束優(yōu)化問(wèn)題轉(zhuǎn)化為對(duì)等的約束“很多”目標(biāo)優(yōu)化問(wèn)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(dòng)態(tài)的處理機(jī)制處理約束。算法演化之初,將原始的約束邊界進(jìn)行擴(kuò)展,使得所有的解都看作可行解;隨著演化的進(jìn)行,慢慢收縮約束邊界,讓整個(gè)搜索過(guò)程在一個(gè)可行的環(huán)境下進(jìn)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(wèn)題的解。DCMaOEA用差分算法作為搜索引擎,用基于參考點(diǎn)的非劣排序方法選擇個(gè)體進(jìn)入下一代種群。用兩套測(cè)試問(wèn)題包60個(gè)Benchmark函數(shù)對(duì)DCMaOEA進(jìn)行了測(cè)試,并和其他先進(jìn)的同類算法進(jìn)行了比較。結(jié)果說(shuō)明,設(shè)計(jì)的算法在求解各種類型的約束優(yōu)化問(wèn)題上有著良好的性能。2.基于動(dòng)態(tài)約束技術(shù)和多目標(biāo)比較框架,設(shè)計(jì)了幾種改進(jìn)算法,分別是混合約束處理機(jī)制演化算法、基于計(jì)算資源分配的動(dòng)態(tài)約束“很多”目標(biāo)演化算法和引入?yún)?shù)學(xué)習(xí)機(jī)制的動(dòng)態(tài)約束“很多”目標(biāo)演化算法。數(shù)值實(shí)驗(yàn)結(jié)果表明,這幾種改進(jìn)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(jì)的動(dòng)態(tài)約束“很多”目標(biāo)演化算法應(yīng)用于求解天線設(shè)計(jì)問(wèn)題,優(yōu)化設(shè)計(jì)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(jì)這一類復(fù)雜約束優(yōu)化問(wèn)題。本文的創(chuàng)新點(diǎn)是采用“很多”目標(biāo)優(yōu)化算法求解約束優(yōu)化問(wèn)題。以前的研究一般把約束優(yōu)化問(wèn)題看做兩個(gè)目標(biāo)的問(wèn)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(gè)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(gè)約束的滿足情況,更適合處理復(fù)雜約束的問(wèn)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(guó)地質(zhì)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18;TN820

【相似文獻(xiàn)】

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(jì)算機(jī)學(xué)報(bào);2004年10期

2 龔文引;謝丹;;針對(duì)本科生的演化算法教學(xué)探討[J];計(jì)算機(jī)時(shí)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(kuò)散系數(shù)的識(shí)別問(wèn)題[J];計(jì)算機(jī)學(xué)報(bào);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(jì)算機(jī)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(jì)算機(jī)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(bào)(理學(xué)版);2003年01期

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

8 何國(guó)良,李元香;多個(gè)粒子參與交叉的一種動(dòng)態(tài)演化算法[J];計(jì)算機(jī)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(jì)算機(jī)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(bào)(自然科學(xué)版);2005年03期

相關(guān)會(huì)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(kāi)發(fā)與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第12屆年會(huì)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(guó)開(kāi)放式分布與并行計(jì)算學(xué)術(shù)會(huì)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(jì)中的應(yīng)用[A];中國(guó)宇航學(xué)會(huì)深空探測(cè)技術(shù)專業(yè)委員會(huì)第四屆學(xué)術(shù)年會(huì)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(jì)[A];2009年先進(jìn)光學(xué)技術(shù)及其應(yīng)用研討會(huì)論文集（下冊(cè)）[C];2009年

5 朱佩濤;劉述章;任冬梅;;8mm點(diǎn)聚焦透鏡天線設(shè)計(jì)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(huì)論文集[C];2005年

6 馬曉洋;項(xiàng)鐵銘;;采用寄生單元的三頻手機(jī)天線設(shè)計(jì)[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)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(jì)[A];2009年全國(guó)天線年會(huì)論文集（下）[C];2009年

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

9 曾三友;龍浩求;楊陽(yáng);秦坤;賈麗娜;李暉;;基于動(dòng)態(tài)多目標(biāo)演化算法的天線設(shè)計(jì)[A];中國(guó)宇航學(xué)會(huì)深空探測(cè)技術(shù)專業(yè)委員會(huì)第六屆學(xué)術(shù)年會(huì)暨863計(jì)劃“深空探測(cè)與空間實(shí)驗(yàn)技術(shù)”重大項(xiàng)目學(xué)術(shù)研討會(huì)論文集[C];2009年

10 徐樸;;手機(jī)天線設(shè)計(jì)中地的常見(jiàn)處理方式[A];2010年全國(guó)電磁兼容會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前2條

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

2 鄭立志;FEKO在天線設(shè)計(jì)中的應(yīng)用[N];中國(guó)航空?qǐng)?bào);2004年

相關(guān)博士學(xué)位論文 前10條

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

2 俞揚(yáng);演化計(jì)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(kù)俊華;自適應(yīng)差分演化算法及其應(yīng)用研究[D];中國(guó)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(guó)科學(xué)技術(shù)大學(xué);2017年

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

7 彭晟;演化算法的靜電場(chǎng)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(wèn)題研究[D];武漢大學(xué);2012年

9 彭飛;實(shí)值演化算法投資組合研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

10 萬(wàn)書振;動(dòng)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(duì)伍演化算法及其在微波電路設(shè)計(jì)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(shí)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(jì)[D];湖南大學(xué);2016年

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

7 左磊;改進(jìn)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(jìn)研究[D];華南理工大學(xué);2016年

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

，

本文編號(hào)：1462894