复介电常数的一种新的数值解法

测量复介电常数时通常会得到一个复超越方程。将遗传算法与参数跟踪策略有效结合形成了一种新算法,可以成功地求解该复超越方程。从求解过程可以看出,该算法具有简单、鲁棒性强、解集完备性好等优点,所编制的程序具有很强的通用性,可以很容易地将该算法应用于其它领域的超越方程求解问题。     

融合随机因子的协方差自适应进化策略

协方差自适应进化策略(covariance matrix adaptation-evolution strategy, CMA-ES)作为一种并行搜索算法,可以很好地处理病态条件下高维复杂问题,针对求解过程中存在着局部搜索能力弱、易于陷入局部最优、收敛速度不够快等问题,提出了一种融合于随机因子的协方差自适应进化策略(random-factor CMA-ES,RFCMA-ES),在更新步长方向上引入第三方随机项,更好地保持协方差沿梯度下降的速度,加强了算法的搜索能力,克服了传统迭代公式中根据种群寻优和个体解更新过程中易陷入局部最优的现象.使用改进算法在6个多维多峰测试函数上进行200次重复实验寻优,结果表明：RFCMA-ES的全局寻优能力更强,收敛速度较原始算法平均提高了36.256%,且在寻优过程中也具有更强的稳定性.     

基于迭代重加权最小二乘宽度学习系统的微波天线谐振频率建模

为了克服深度学习训练过度耗时的弊端,提出宽度学习系统(BLS),使用岭回归算法求解输出权重,极大地方便了训练过程,对于大样本而言,此做法高效且快速.然而,在处理微波器件这类小样本电磁问题上,则大大限制了模型的拟合能力.为了进一步提升模型的性能,针对小样本的回归问题,将迭代重加权最小二乘算法(IRLS)与宽度学习算法相结合,配合网格搜索法以确定模型的最佳结构.通过对矩形和圆形两种微带天线谐振频率的预测,并与一些主流的算法对比,证实了迭代重加权最小二乘宽度学习系统(IRLS-BLS)的有效性.     

基于变异田口算法的阵列天线方向图综合

针对智能优化算法在处理天线阵列综合问题时收敛速度慢、计算次数过多的缺点,引入了田口算法（ Taguchi meth-od, TM）,设计了一种基于变异机制的田口算法（ mutation-based Taguchi method, MTM）。变异田口算法利用变异算子产生参数水平值,同时采用自适应内循环机制,既能多样化搜索空间,又能控制算法迭代次数。仿真结果表明：变异田口算法性能可与粒子群优化算法（ particle swarm optimization, PSO）相比拟,并且计算量大大降低。采用变异田口算法对阵列天线方向图进行了综合设计,能够实现低旁瓣和零陷的目标。     

基于粒子群算法的高斯过程建模对双脊喇叭天线优化设计

目前喇叭天线的优化设计主要采用优化算法与电磁仿真软件HFSS相结合的方案,但使用HFSS进行大量的精确电磁仿真花费时间较长且对硬件要求较高.为了解决这个问题,提出一种在优化过程中利用高斯过程模型替代全波电磁仿真软件的方法,并应用粒子群算法进行了优化设计,这种方案可以有效减少优化设计所需的时间.利用该方法对双脊喇叭天线进行了优化设计,在大幅减少优化时间同时能够满足设计指标,证明该方法的有效性.目前国内尚没有使用高斯过程模型代替HFSS仿真作为粒子群算法适应度函数进行天线优化设计的研究,这表明了该方法的创新性.     

圆形微带天线谐振频率的混沌粒子群神经网络集成建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败．本文提出二进制粒子群优化算法的选择性神经网络集成方法,通过粒子群优化算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度．为有效保证粒子群优化算法的粒子多样性,在迭代过程中加入混沌变异．基于该混沌粒子群算法的神经网络集成对圆形微带天线的谐振频率进行建模．仿真试验表明,混沌粒子群优化算法是组合优化权值的有效方法,可以有效提高神经网络集成的泛化能力,基于该算法所建立的圆形微带天线的谐振频率模型好于此问题的已有结论．     

基于PSO算法的空间映射方法设计微波滤波器

传统的微波滤波器设计主要依据等效解析式,但解析式有其局限性,针对传统的空间映射方法的参数提取过程比较复杂,耗时长的问题,文中研究一种用于优化设计微波器件的基于粒子群优化算法(PSO)的空间映射算法,将PSO优化算法与空间映射的粗糙模型相结合作为替代模型,通过PSO算法执行参数提取,此过程仅需要进行简单的四则运算,从而减少算法的计算耗时.算法实现过程中,利用Ansoft HFSS建立空间映射算法的精确模型,Agilent ADS建立其相应的粗糙模型来代替等效解析式,并采用MATLAB主控制程序调用HFSS和ADS,实现微波器件的自动优化设计,最后通过平行耦合带通滤波器的优化设计证明基于PSO算法的空间映射方法的有效性.     

粒子群优化算法中粒子更新方法研究

粒子群优化算法是根据鸟或鱼群居社会行为而提出的随机优化算法,但标准粒子群优化算法存在早熟收敛和搜索精度低等问题.因此模拟生物克隆选择中5%的B细胞自然消亡过程,在粒子群优化算法进化过程中分别基于代间差分、混沌理论、变异原理等方法设计了8种粒子更新算法,并按照模拟退火方法进行更新后粒子的选择.通过数值实验得出基于代间差分和混沌变异的粒子更新算法(即算法8)是一种很好的选择,并且当性能较差的20%左右粒子按照这种算法更新时效果较好.这种算法可以有效克服标准粒子群算法的早熟现象,并能够加快收敛速度.     

改进的类电磁机制算法及其在FIR数字滤波器中的应用

为提高类电磁机制算法的优化性能,提出了一种改进的类电磁机制算法.引入早熟的判断和处理机制,对陷入早熟状态的带电粒子,迭代时以一定的概率选中进行小波变异扰动,以提高算法的种群多样性,从而克服EM算法后期易陷入局部最优的缺陷.数值仿真结果表明:改进后的算法搜索精度提升、稳定性更好.该算法用于设计FIR低通数字滤波器和带通数字滤波器取得了较为满意的结果.     

风驱动优化算法

风驱动优化(wind driven optimization,WDO)算法是一种新兴的基于群体的迭代启发式全局优化算法.该算法是对物理学中大气运动的简单模拟,其概念清晰,高效易实现,且可调参数较少,鲁棒性强,寻优效率高,全局搜索能力较强,适用于解决多维和多模态问题,可以处理连续和离散优化问题.文中首先介绍了该算法的物理学基础,以及基本原理,并给出一些应用实例,最后对内容做出总结,并对该算法未来的研究提出了一些建议.