一種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法，利用代理模型擬合天線(xiàn)設(shè)計(jì)參數(shù)樣本的電磁仿真數(shù)據(jù)，代替耗時(shí)巨大的電磁仿真實(shí)現(xiàn)從天線(xiàn)結(jié)構(gòu)參數(shù)到電磁響應(yīng)的瞬時(shí)近似計(jì)算，減少電磁仿真次數(shù)，極大降低計(jì)算成本，同時(shí)在設(shè)計(jì)天線(xiàn)設(shè)計(jì)過(guò)程中通過(guò)新增天線(xiàn)設(shè)計(jì)參數(shù)樣本動(dòng)態(tài)更新代理模型，提高代理模型的預(yù)測(cè)精度。本發(fā)明提出的基于動(dòng)態(tài)更新代理模型的天線(xiàn)快速設(shè)計(jì)方法，極大提高了天線(xiàn)設(shè)計(jì)效率，適用于各類(lèi)天線(xiàn)結(jié)構(gòu)連續(xù)參數(shù)變量設(shè)計(jì)問(wèn)題，尤其是求解復(fù)雜的高維多目標(biāo)天線(xiàn)設(shè)計(jì)問(wèn)題，其優(yōu)勢(shì)更加明顯。
【專(zhuān)利說(shuō)明】
-種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于天線(xiàn)設(shè)計(jì)領(lǐng)域，設(shè)及一種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè) 計(jì)方法。
【背景技術(shù)】
[0002] 微波/射頻天線(xiàn)是現(xiàn)代無(wú)線(xiàn)通信系統(tǒng)的關(guān)鍵組成部分，它們必須滿(mǎn)足系統(tǒng)對(duì)其電 氣和幾何性能的嚴(yán)格要求。為可靠起見(jiàn)，天線(xiàn)設(shè)計(jì)過(guò)程需要考慮實(shí)際中天線(xiàn)結(jié)構(gòu)的應(yīng)用環(huán) 境，包括含有饋電網(wǎng)絡(luò)的福射器，W及該結(jié)構(gòu)附近的外殼、連接器或相鄰子系統(tǒng)等。因此，運(yùn) 樣的結(jié)構(gòu)不能使用慣用的經(jīng)驗(yàn)或公式，高精度的電磁化Iectromagnetics, EM)仿真成為必 要，但其計(jì)算分析成本昂貴。此外，可調(diào)整參數(shù)(包括材料和幾何形狀)和天線(xiàn)性能參數(shù)之間 的關(guān)系是相當(dāng)復(fù)雜的，因此基于從工程經(jīng)驗(yàn)驅(qū)動(dòng)的重復(fù)參數(shù)掃描的傳統(tǒng)設(shè)計(jì)(或調(diào)諧)程序 很容易失敗。運(yùn)些困難使得現(xiàn)代天線(xiàn)設(shè)計(jì)變成非常復(fù)雜，研究合適的優(yōu)化算法成為必要。
[0003] 啟發(fā)式算法可被認(rèn)為是簡(jiǎn)單而通用的目標(biāo)優(yōu)化策略，通常是模仿各種生物或社會(huì) 現(xiàn)象（如群體智能、遺傳過(guò)程等）。運(yùn)些算法的優(yōu)點(diǎn)是能在一次算法運(yùn)行中找到化reto前沿 (Pareto Front, PF)，特別的，它們受益于缺乏根據(jù)模型制定的限制性假設(shè)，因此如果復(fù)雜 問(wèn)題可被表示為"黑箱問(wèn)題"，運(yùn)類(lèi)算法是極其有用的。啟發(fā)式算法在高度非線(xiàn)性和多個(gè)不 連續(xù)的噪聲函數(shù)中尋求全局最優(yōu)解是非常有效的，它們對(duì)設(shè)計(jì)和優(yōu)化現(xiàn)代天線(xiàn)非常有用， 尤其是多目標(biāo)優(yōu)化算法。盡管如此，伴隨基于種群的啟發(fā)式算法所有好處的一個(gè)巨大的缺 陷是優(yōu)化過(guò)程需要進(jìn)行巨大數(shù)量的模型評(píng)估。然而，一個(gè)現(xiàn)實(shí)天線(xiàn)模型的單一評(píng)估甚至可 能需要幾小時(shí)，而實(shí)際應(yīng)用中評(píng)估模型往往不止一個(gè)，因此計(jì)算代價(jià)是極大的，運(yùn)明顯阻礙 了在設(shè)計(jì)過(guò)程中直接應(yīng)用啟發(fā)式算法，也間接導(dǎo)致了各種旨在降低計(jì)算成本的策略的發(fā) 展。另一方面，計(jì)算成本高的問(wèn)題或許可W在具有多個(gè)CPU或GPU單元和多個(gè)輔助計(jì)算設(shè)計(jì) 軟件(特別是EM解算器)許可證的超級(jí)計(jì)算機(jī)形式下利用大規(guī)模計(jì)算資源部分解決。然而， 運(yùn)樣的硬件配置并不廣泛使用，它們提供非常低的加速-成本比，因此也并不現(xiàn)實(shí)。因此，尋 求一種高效的復(fù)雜天線(xiàn)系統(tǒng)設(shè)計(jì)方法成為必要。目前文獻(xiàn)尚缺乏解決該類(lèi)問(wèn)題求解時(shí)計(jì)算 代價(jià)昂貴的有效方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提出一種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法，極大減小了 天線(xiàn)設(shè)計(jì)的計(jì)算成本，實(shí)現(xiàn)了天線(xiàn)設(shè)計(jì)問(wèn)題的高效求解。
[0005] 本發(fā)明的技術(shù)方案如下：
[0006] -種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法，包括W下幾個(gè)步驟：
[0007] 步驟1:依據(jù)天線(xiàn)設(shè)計(jì)需求構(gòu)建天線(xiàn)初始模型；
[000引步驟2:利用拉下超立方采樣方法在天線(xiàn)設(shè)計(jì)空間內(nèi)選取q組天線(xiàn)設(shè)計(jì)參數(shù)變量作 為輸入樣本，調(diào)用電磁仿真工具仿真求解各組天線(xiàn)設(shè)計(jì)參數(shù)變量的響應(yīng)向量作為輸出樣 本，利用各組輸入?yún)?shù)和其對(duì)應(yīng)的輸出樣本構(gòu)造代理模型；
[0009] 所述響應(yīng)向量是指天線(xiàn)的各個(gè)性能指標(biāo)，包括天線(xiàn)回波損耗值、增益或駐波比等；
[0010] 代理模型可W將離散的數(shù)據(jù)擬合為數(shù)學(xué)預(yù)測(cè)模型，利用天線(xiàn)設(shè)計(jì)參數(shù)變量與對(duì)應(yīng) 電磁仿真工具求解獲得的響應(yīng)向量之間的關(guān)系擬合獲得相應(yīng)的代理模型，從而代理電磁仿 真工具，完成響應(yīng)值的預(yù)測(cè)。
[0011] 步驟3:初始化天線(xiàn)設(shè)計(jì)參數(shù)，構(gòu)建N組天線(xiàn)設(shè)計(jì)參數(shù)變量；同時(shí)，依據(jù)天線(xiàn)設(shè)計(jì)需 求構(gòu)造 m個(gè)天線(xiàn)設(shè)計(jì)目標(biāo)的目標(biāo)函數(shù)Fi，...，F(xiàn)m;
[0012] 步驟4:將N組天線(xiàn)設(shè)計(jì)參數(shù)變量分別作為輸入值，調(diào)用代理模型分別預(yù)測(cè)各組天 線(xiàn)設(shè)計(jì)參數(shù)變量的響應(yīng)向量，并利用響應(yīng)向量求解目標(biāo)函數(shù)值；
[0013] 利用天線(xiàn)性能指標(biāo)求解目標(biāo)函數(shù)值屬于公知常識(shí)；
[0014] 步驟5:判斷步驟4求解獲得的目標(biāo)函數(shù)值是否滿(mǎn)足天線(xiàn)設(shè)計(jì)需求，若滿(mǎn)足，則進(jìn)入 步驟6，否則，基于多目標(biāo)智能算法更新生成新的N組天線(xiàn)設(shè)計(jì)參數(shù)變量，并選擇新的天線(xiàn)設(shè) 計(jì)參數(shù)樣本更新代理模型，返回步驟4,直到獲得符合設(shè)計(jì)要求的天線(xiàn)設(shè)計(jì)參數(shù)或者達(dá)到多 目標(biāo)智能算法中的最大迭代次數(shù)；
[0015] 步驟6:選擇滿(mǎn)足天線(xiàn)設(shè)計(jì)需求的天線(xiàn)設(shè)計(jì)參數(shù)，結(jié)束設(shè)計(jì)過(guò)程。
[0016] 選擇新的天線(xiàn)設(shè)計(jì)參數(shù)樣本更新代理模型的具體過(guò)程如下：
[0017] 1)利用非控排序策略從當(dāng)前N組天線(xiàn)設(shè)計(jì)參數(shù)變量中選擇r組靠近設(shè)計(jì)目標(biāo)的天 線(xiàn)設(shè)計(jì)參數(shù)變量，r<N，記為yi，y2,. . .，yr;
[0018] 2)對(duì)于r組天線(xiàn)設(shè)計(jì)參數(shù)變量中依次進(jìn)行如下操作:令i = l;
[0019] 步驟A:從構(gòu)造代理模型的q組天線(xiàn)設(shè)計(jì)參數(shù)變量中尋找一組滿(mǎn)足式（1)的天線(xiàn)設(shè) 計(jì)參數(shù)變量組Zs:
[0020]
…
[0021] 其中，Zs,l，yi,謝Zj,汾別為天線(xiàn)設(shè)計(jì)參數(shù)變量組Zs, yi和Zj的一維參數(shù)即每組天線(xiàn) 設(shè)計(jì)參數(shù)的第1個(gè)變量，Zj為代理模型中的第j組天線(xiàn)設(shè)計(jì)參數(shù)變量，Rs是代理模型，q是構(gòu)造 代理模型的天線(xiàn)設(shè)計(jì)參數(shù)變量的組數(shù)；
[0022] 步驟B:如果yi不滿(mǎn)足式(2)，則舍棄yi，進(jìn)入步驟3);若yi滿(mǎn)足式(2)，則把yi作為新 的天線(xiàn)設(shè)計(jì)參數(shù)變量樣本加入代理模型，并進(jìn)入步驟3):
[0023]
(2)
[0024] 其中，符號(hào)巧"表示存在，即表示存在該符號(hào)后的表達(dá)式，Zs,k，yi,k和Zj,k分別為天 線(xiàn)設(shè)計(jì)參數(shù)變量組Zs, yi和Zj的k維參數(shù)即每組天線(xiàn)設(shè)計(jì)參數(shù)的第k個(gè)變量，d為天線(xiàn)設(shè)計(jì)參 數(shù)變量組的總維數(shù)即總的天線(xiàn)設(shè)計(jì)參數(shù)變量數(shù)；
[0025] 3)對(duì)i進(jìn)行加1操作，返回步驟A，直到r組天線(xiàn)設(shè)計(jì)參數(shù)變量均選擇完畢。
[0026] 所述多目標(biāo)智能算法選用基于分解的多目標(biāo)進(jìn)化算法、非支配排序進(jìn)化算法、多 目標(biāo)遺傳算法或多目標(biāo)粒子群算法。
[0027] 所述代理模型選用多項(xiàng)式擬合、徑向基函數(shù)、支持向量回歸或Kriging模型。
[002引有益效果
[0029]本發(fā)明提供了一種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法，利用代理 模型擬合天線(xiàn)設(shè)計(jì)參數(shù)樣本的電磁仿真數(shù)據(jù)，代替耗時(shí)的電磁仿真實(shí)現(xiàn)從天線(xiàn)結(jié)構(gòu)參數(shù)到 電磁響應(yīng)的瞬時(shí)近似計(jì)算，減少電磁仿真次數(shù)，極大降低計(jì)算成本，同時(shí)在天線(xiàn)設(shè)計(jì)過(guò)程中 通過(guò)新增采樣點(diǎn)動(dòng)態(tài)更新代理模型，提高代理模型的預(yù)測(cè)精度。本發(fā)明提出的基于動(dòng)態(tài)更 新代理模型的天線(xiàn)快速設(shè)計(jì)方法，有效結(jié)合了多目標(biāo)智能算法、代理模型和天線(xiàn)設(shè)計(jì)，可顯 著提高天線(xiàn)設(shè)計(jì)效率，尤其是求解復(fù)雜的高維多目標(biāo)天線(xiàn)設(shè)計(jì)問(wèn)題，其優(yōu)勢(shì)更加明顯。
【附圖說(shuō)明】
[0030]圖1為本發(fā)明所述的一種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法流程 圖；
[0031 ]圖2為構(gòu)造的初始天線(xiàn)模型；
[0032] 圖3為設(shè)計(jì)獲得的6個(gè)滿(mǎn)足設(shè)計(jì)目標(biāo)的天線(xiàn)的回波損耗圖。
【具體實(shí)施方式】
[0033] 下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說(shuō)明。
[0034] 實(shí)施例1:
[0035] 通過(guò)設(shè)計(jì)一個(gè)2目標(biāo)的平面多頻段天線(xiàn)來(lái)說(shuō)明本發(fā)明的有效性，多目標(biāo)智能算法 選擇基于分解的多目標(biāo)進(jìn)化算法(M0EA/D)，代理模型選擇Kriging模型，電磁仿真工具采用 WSS。
[0036] 整個(gè)方法流程如圖1所示：
[0037] 步驟1:天線(xiàn)建模；
[0038] 天線(xiàn)建模即構(gòu)造初始天線(xiàn)模型如圖2所示，天線(xiàn)模型的設(shè)計(jì)空間Q即其約束條件 為10個(gè)天線(xiàn)參數(shù)的尺寸限制，如表1所示。
[0039] 表1為天線(xiàn)建模的約束條件(單位:mm)
[0040]
[0041] 步驟2:拉下超立方在設(shè)計(jì)空間選擇多組天線(xiàn)設(shè)計(jì)參數(shù)，構(gòu)造 Kriging模型；
[0042] 利用拉下超立方采樣方法在天線(xiàn)設(shè)計(jì)空間內(nèi)選取200組天線(xiàn)設(shè)計(jì)參數(shù)變量作為輸 入樣本，調(diào)用電磁仿真工具求解各組天線(xiàn)設(shè)計(jì)參數(shù)變量的響應(yīng)向量即各個(gè)頻率采樣點(diǎn)的回 波損耗值作為輸出樣本，利用各組輸入和其對(duì)應(yīng)的輸出樣本調(diào)用MATLAB中的DACE工具箱構(gòu) 造 Kriging模型。
[0043] 步驟3:在天線(xiàn)設(shè)計(jì)空間內(nèi)初始化40組天線(xiàn)設(shè)計(jì)參數(shù)變量xi，X2, ...，X4〇;
[0044] 步驟4:根據(jù)天線(xiàn)設(shè)計(jì)需求構(gòu)造2個(gè)天線(xiàn)設(shè)計(jì)目標(biāo)：
[0045] 目標(biāo)函數(shù)1:2.33~3.60細(xì)Z，5.16~6.10細(xì)Z，7.80~8. eOGHzS個(gè)頻段內(nèi)回波損耗 值 Sii<-10dB;
[0046]
(1)
[0047] 其中，n是上述3個(gè)頻段內(nèi)的采樣點(diǎn)個(gè)數(shù)，fi是頻段內(nèi)采樣點(diǎn)頻率，Sii(fi)是頻率fi 處的回波損耗值；
[004引目標(biāo)函數(shù)2:天線(xiàn)尺寸；
[0049] F2=wX1 (2)
[0050] 步驟5:將40組天線(xiàn)設(shè)計(jì)參數(shù)變量分別作為輸入值，調(diào)用Kriging模型預(yù)測(cè)各組天 線(xiàn)設(shè)計(jì)參數(shù)變量各個(gè)頻率采樣點(diǎn)的回波損耗值，再根據(jù)回波損耗值求解目標(biāo)函數(shù)值Fi，根 據(jù)設(shè)計(jì)參數(shù)求解目標(biāo)函數(shù)值F2 ;
[0051 ]步驟6:判斷步驟5求解獲得的目標(biāo)函數(shù)值是否滿(mǎn)足天線(xiàn)設(shè)計(jì)需求，若滿(mǎn)足，則進(jìn)入 步驟8，否則，利用M0EA/D更新生成新的40組天線(xiàn)設(shè)計(jì)參數(shù)變量，執(zhí)行步驟7選擇新的天線(xiàn)設(shè) 計(jì)參數(shù)樣本更新Kriging模型，返回步驟5,直到獲得符合設(shè)計(jì)要求的天線(xiàn)設(shè)計(jì)參數(shù)，或者達(dá) 到M0EA/D設(shè)定的迭代次數(shù)；
[0052] 步驟7:按如下選擇策略更新Kriging模型，提高模型預(yù)測(cè)精度；
[0053] 步驟7.1:利用非控排序策略從當(dāng)前40組天線(xiàn)設(shè)計(jì)參數(shù)變量中選擇5組靠近設(shè)計(jì)目 標(biāo)的天線(xiàn)設(shè)計(jì)參數(shù)變量，記為yi，y2,...，ys;
[0054] 步驟7.2:對(duì)于5組天線(xiàn)設(shè)計(jì)參數(shù)變量中第i組天線(xiàn)設(shè)計(jì)參數(shù)變量yi，在Kriging模 型中尋找一滿(mǎn)足式（1 )的參數(shù)組Zs :
[0化5]
…
[0056] 其中，Zs, 和Zj, 1分別為天線(xiàn)設(shè)計(jì)參數(shù)變量組Zs, yi和Zj的一維參數(shù)，Rs是 Kriging模型，q是Kriging模型中的天線(xiàn)設(shè)計(jì)參數(shù)變量組數(shù)。
[0057] 步驟7.3:如果y 1不滿(mǎn)足式(2)，則舍棄y 1，繼續(xù)選擇下一個(gè)y 1，返回步驟7.2;若滿(mǎn)足 式(2)，則把yi作為新的天線(xiàn)設(shè)計(jì)參數(shù)變量樣本點(diǎn)加入Kriging模型，返回步驟5:
[005引
（2)
[0059] 其中，Zs,k，yi,謝Zj,k分別為天線(xiàn)設(shè)計(jì)參數(shù)變量組Zs, yi和Zj的k維參數(shù)即每組第k個(gè) 天線(xiàn)設(shè)計(jì)參數(shù)變量，d為天線(xiàn)設(shè)計(jì)參數(shù)變量組的總維數(shù)即總的天線(xiàn)設(shè)計(jì)參數(shù)變量數(shù)；
[0060] 步驟8:終止條件；
[0061 ]如果天線(xiàn)設(shè)計(jì)結(jié)果滿(mǎn)足2個(gè)天線(xiàn)設(shè)計(jì)目標(biāo)，結(jié)束迭代。
[0062] 應(yīng)用本發(fā)明所述方法獲得的設(shè)計(jì)參數(shù)如表2所示，獲得的6個(gè)滿(mǎn)足設(shè)計(jì)目標(biāo)的天線(xiàn) 的反射曲線(xiàn)圖如圖3所示，天線(xiàn)在不同的面積參數(shù)下，在2.33~3.60細(xì)Z、5.16~6.10細(xì)Z、 7.80~8.60G化=個(gè)頻段的回波損耗值均小于-10地，滿(mǎn)足天線(xiàn)設(shè)計(jì)性能需求。
[0063] 表2為設(shè)計(jì)獲得的6個(gè)滿(mǎn)足設(shè)計(jì)目標(biāo)的天線(xiàn)尺寸表
[QHAyl 1 [0
[0066] 其次分別利用傳統(tǒng)電磁仿真化M)設(shè)計(jì)方法、MOEA/D (參考文獻(xiàn)：Q . Zhang， H.Li.M0EA/D:A Multi-objective Evolutionary Algorithm Based on Decomposition . IE趾 Trans . On Evol. Comp , 2007,11 (6): 712-730 .)、M0EA/D結(jié)合動(dòng)態(tài) kriging模型進(jìn)行天線(xiàn)設(shè)計(jì)，其計(jì)算代價(jià)比較結(jié)果如表3所示。
[0067] 表3為巧巾天線(xiàn)設(shè)計(jì)方法的計(jì)算代價(jià)比較
[006引
[0069] 最后，對(duì)于設(shè)計(jì)獲取的6組天線(xiàn)設(shè)計(jì)參數(shù)變量，分別利用Kriging模型直接預(yù)測(cè)(預(yù) 測(cè)結(jié)果1)和動(dòng)態(tài)更新Kriging模型預(yù)測(cè)其響應(yīng)值并計(jì)算目標(biāo)函數(shù)Fi(預(yù)測(cè)結(jié)果2)，然后直接 利用仿真響應(yīng)值計(jì)算其目標(biāo)函數(shù)Fi,其誤差率比較如表4所示。
[0070] 表4為巧巾預(yù)測(cè)方法的精度比較
[0071]
[0072] 本文雖然已經(jīng)給出了本發(fā)明的一些實(shí)施例，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，在 不脫離本發(fā)明精神的情況下，可W對(duì)本文的實(shí)施例進(jìn)行改變。上述實(shí)施例只是示例性的，不 應(yīng)W本文的實(shí)施例作為本發(fā)明權(quán)利范圍的限定。
【主權(quán)項(xiàng)】
1. 一種基于動(dòng)態(tài)更新代理模型的快速多目標(biāo)天線(xiàn)設(shè)計(jì)方法，其特征在于，包括以下幾 個(gè)步驟： 步驟1:依據(jù)天線(xiàn)設(shè)計(jì)需求構(gòu)建天線(xiàn)初始模型； 步驟2:利用拉丁超立方采樣方法在天線(xiàn)設(shè)計(jì)空間內(nèi)選取q組天線(xiàn)設(shè)計(jì)參數(shù)變量作為輸 入樣本，調(diào)用電磁仿真工具仿真求解各組天線(xiàn)設(shè)計(jì)參數(shù)變量的響應(yīng)向量作為輸出樣本，利 用各組輸入?yún)?shù)和其對(duì)應(yīng)的輸出樣本構(gòu)造代理模型； 步驟3:初始化天線(xiàn)設(shè)計(jì)參數(shù)，構(gòu)建N組天線(xiàn)設(shè)計(jì)參數(shù)變量；同時(shí)，依據(jù)天線(xiàn)設(shè)計(jì)需求構(gòu) 造 m個(gè)天線(xiàn)設(shè)計(jì)目標(biāo)的目標(biāo)函數(shù)F1，...，F(xiàn)m; 步驟4:將N組天線(xiàn)設(shè)計(jì)參數(shù)變量分別作為輸入值，調(diào)用代理模型分別預(yù)測(cè)各組天線(xiàn)設(shè) 計(jì)參數(shù)變量的響應(yīng)向量，并利用響應(yīng)向量求解目標(biāo)函數(shù)值； 步驟5:判斷步驟4求解獲得的目標(biāo)函數(shù)值是否滿(mǎn)足天線(xiàn)設(shè)計(jì)需求，若滿(mǎn)足，則進(jìn)入步驟 6，否則，基于多目標(biāo)智能算法更新生成新的N組天線(xiàn)設(shè)計(jì)參數(shù)變量，并選擇新的天線(xiàn)設(shè)計(jì)參 數(shù)樣本更新代理模型，返回步驟4,直到獲得符合設(shè)計(jì)要求的天線(xiàn)設(shè)計(jì)參數(shù)或者達(dá)到多目標(biāo) 智能算法中的最大迭代次數(shù)； 步驟6:選擇滿(mǎn)足天線(xiàn)設(shè)計(jì)需求的天線(xiàn)設(shè)計(jì)參數(shù)，結(jié)束設(shè)計(jì)過(guò)程。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，選擇新的天線(xiàn)設(shè)計(jì)參數(shù)樣本更新代理模型 的具體過(guò)程如下： 1) 利用非控排序策略從當(dāng)前N組天線(xiàn)設(shè)計(jì)參數(shù)變量中選擇r組靠近設(shè)計(jì)目標(biāo)的天線(xiàn)設(shè) 計(jì)參數(shù)變量，r〈N，記為yi，y2,. . .，yr; 2) 對(duì)于r組天線(xiàn)設(shè)計(jì)參數(shù)變量中依次進(jìn)行如下操作:令i = I; 步驟A:從構(gòu)造代理模型的q組天線(xiàn)設(shè)計(jì)參數(shù)變量中尋找一組滿(mǎn)足式（1)的天線(xiàn)設(shè)計(jì)參 數(shù)難醫(yī)細(xì)7.。.Cl) 其中，Zs^yu和ZW分別為天線(xiàn)設(shè)計(jì)參數(shù)變量組Zs，y_Zj的一維參數(shù)即每組天線(xiàn)設(shè)計(jì) 參數(shù)的第1個(gè)變量，W為代理模型中的第j組天線(xiàn)設(shè)計(jì)參數(shù)變量，Rs是代理模型，q是構(gòu)造代理 模型的天線(xiàn)設(shè)計(jì)參數(shù)變量的組數(shù)； 步驟B:如果71不滿(mǎn)足式(2)，則舍棄yi，進(jìn)入步驟3);若71滿(mǎn)足式(2)，則把 yi作為新的天 線(xiàn)設(shè)計(jì)參數(shù)變量樣本加入代理模型，并進(jìn)入步驟3):(2) 其中，符號(hào)"3 "表不存在，即表不存在該符號(hào)后的表達(dá)式，zs,k，yi,k和zj,k分別為天線(xiàn)設(shè) 計(jì)參數(shù)變量組Zs，ydPw的k維參數(shù)即每組天線(xiàn)設(shè)計(jì)參數(shù)的第k個(gè)變量，d為天線(xiàn)設(shè)計(jì)參數(shù)變 量組的總維數(shù)即總的天線(xiàn)設(shè)計(jì)參數(shù)變量數(shù)； 3) 對(duì)i進(jìn)行加1操作，返回步驟A，直到r組天線(xiàn)設(shè)計(jì)參數(shù)變量均選擇完畢。3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述多目標(biāo)智能算法選用基于分解的 多目標(biāo)進(jìn)化算法、非支配排序進(jìn)化算法、多目標(biāo)遺傳算法或多目標(biāo)粒子群算法。4. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述代理模型選用多項(xiàng)式擬合、徑向基 函數(shù)、支持向量回歸或Kriging模型。
【文檔編號(hào)】G06F17/50GK106021813SQ201610408328
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年6月12日
【發(fā)明人】董健, 李茜茜, 鄧聯(lián)文
【申請(qǐng)人】中南大學(xué)