高性能行波管智能调试系统研究
发布时间：2020-12-13 18:47
行波管是目前在军事装备和航空航天领域中应用最广泛的电真空器件,相比于其他微波放大器,它具有频带宽、功率大以及效率高等优势。行波管产品的种类十分繁多,其中,超宽带行波管主要应用于各类军事装备,要求在规定带宽内的有更大的输出功率和更高的整管效率;空间行波管主要应用于卫星和空间飞行器等航空航天领域,对其各种基本特性以及副特性要求更加严格,而对带宽和输出功率并没有太高的要求。行波管调试工作的内容是将多个性能参数都调至最好,然而由于行波管的性能参数有很多,而且不同类型的行波管还会有一些特殊的性能参数要求,因此在调试行波管时需要同时兼顾多个性能参数,使得调试工作非常困难。目前国内行波管调试工作主要依靠人工经验,然而对于这种复杂的多目标优化问题,手动调试有诸多弊端,调试后的产品难以达到性能要求。本文将行波管调试系统作为研究对象,利用快速非支配排序遗传算法（NSGAII）,结合行波管电参数自动测试系统和可编程高压电源,设计了一套高性能行波管智能调试系统。该系统以行波管阴极电压值和多个收集极电压值作为决策变量,以行波管的多个性能参数作为优化目标,使用可编程高压电源对行波管各级供电,利用行波管电参数自动测...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
格雷码和二进制码对照图
电子科技大学硕士学位论文111011010011001101交叉前：1001110011100101交叉后：个体A个体B个体A1个体B1W=10101010图2-4均匀交叉2.5变异算子子代生物在遗传过程中会产生不同于父代生物的新特性，变异操作就是模拟了这个过程。它随机挑选父代个体上的基因位，利用该基因位上的其他等值基因位进行替换，从而改变了父代个体的特性，产生一个具有新特性的个体[45]。变异操作保证了种群的多样性，它是遗传算法提高局部搜索能力的主要手段[11]。目前主要的变异算子包括基本位变异、均匀变异以及高斯变异等。(1)基本位变异假设遗传算法的变异概率Pm，随机设定个体染色体的其中一个基因位或几个基因为作为变异的位置，根据变异概率Pm使用该基因位的等位基因进行替代[46]。假设使用的是二进制编码，进行变异操作时基因位的基因值为1的需要变为0，反之基因值为0的变为1。基本位变异简单直观，特别适用于二进制编码方法和格雷码编码，由于本文使用的是格雷码编码，所以也采用了基本位变异。具体变异过程如图2-5所示。图2-5遗传算法流程图如果使用二进制编码或者格雷码编码，使用单点交叉后的两个个体的相似性和算术平均值都基本保持不变。由于基本位变异的变异点只有一个或者几个，因此变异的效果不是很明显。
电子科技大学硕士学位论文213.6NSGA-II流程前面介绍了NSGA-Ⅱ的两个核心部分：快速非支配排序和拥挤度计算，接下来详细介绍NSGA-Ⅱ的具体流程。在启动NSGA-Ⅱ算法前，需要设置相应的算法参数：种群大小N，迭代次数M，交叉概率Pc,变异概率Pm，以及决策变量范围。然后启动NSGA-Ⅱ算法。根据决策变量范围随机生成N个个体，计算个体解码并计算每个个体的目标函数值，由于第一代种群无法执行精英策略，因此终结对当代种群中的所有个体执行快速非支配排序和拥挤度计算。然后根据交叉概率Pc和变异概率Pm，执行相应的交叉操作和变异操作，产生子代种群，子代种群的个体数目和父代是相同。从第二代开始，将使用精英策略，差生子代种群的方式发生了变化。首先对父代种群执行交叉操作和变异操作差生子代种群，然后将父代种群和子代种群合并，构成一个具有2N个个体的种群，对种群执行速非支配排序和拥挤度计算，利用上一小节的个体评价方法，生成一个有N个个体的种群，作为下一次迭代的父代种群。NSGA-Ⅱ算法会不断这样迭代下去，直至种群代数达到迭代次数M，算法结束。NSGA-II的核心流程如图3-5所示。使用精英策略虽然会提高拥挤度计算和非支配排序的时间计算复杂度，但是也加快了种群中个体的进化速度，促进了算法的收敛。图3-5NSGA-II核心流程图
【参考文献】：
期刊论文
[1]基于距离收敛量和历史信息密度的多目标进化算法[J]. 李潇涵,刘博,张友. 计算机应用研究. 2017(12)
[2]多级降压收集极行波管高压电源的设计[J]. 朱永亮,谢正. 现代雷达. 2012(10)
[3]遗传算法理论及技术研究综述[J]. 周昕,凌兴宏. 计算机与信息技术. 2010(04)
[4]基于NSGA-II的改进多目标遗传算法[J]. 陈小庆,侯中喜,郭良民,罗文彩. 计算机应用. 2006(10)
[5]多目标优化算法NSGA-II的改进[J]. 刘旭红,刘玉树,张国英,阎光伟. 计算机工程与应用. 2005(15)
[6]遗传算法综述[J]. 席裕庚,柴天佑,恽为民. 控制理论与应用. 1996(06)
博士论文
[1]多目标柔性作业车间调度方法研究[D]. 王晓娟.华中科技大学 2011
[2]微波管电子光学系统CAD技术研究[D]. 黄桃.电子科技大学 2007
硕士论文
[1]基于改进遗传算法作业调度问题的优化及应用[D]. 杜明芳.西安理工大学 2018
[2]行波管电源系统设计[D]. 郭兰芳.成都理工大学 2016
[3]遗传算法中适应度尺度变换与操作算子的比较研究[D]. 郭晓原.华北电力大学 2012
[4]某型行波管高压电源的工程实现[D]. 赵怀松.复旦大学 2011
[5]超宽带大功率行波管的优化设计[D]. 刘雪梅.电子科技大学 2010
[6]行波管中高频特性与非线性理论的研究[D]. 吕明毅.电子科技大学 2007
[7]带精英策略的非支配排序遗传算法的研究与应用[D]. 郑强.浙江大学 2006
[8]非支配排序遗传算法（NSGA）的研究与应用[D]. 高媛.浙江大学 2006
[9]一种基于遗传算法的数据挖掘技术的研究与应用[D]. 安磊.河海大学 2001
本文编号：2915005
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
格雷码和二进制码对照图
电子科技大学硕士学位论文111011010011001101交叉前：1001110011100101交叉后：个体A个体B个体A1个体B1W=10101010图2-4均匀交叉2.5变异算子子代生物在遗传过程中会产生不同于父代生物的新特性，变异操作就是模拟了这个过程。它随机挑选父代个体上的基因位，利用该基因位上的其他等值基因位进行替换，从而改变了父代个体的特性，产生一个具有新特性的个体[45]。变异操作保证了种群的多样性，它是遗传算法提高局部搜索能力的主要手段[11]。目前主要的变异算子包括基本位变异、均匀变异以及高斯变异等。(1)基本位变异假设遗传算法的变异概率Pm，随机设定个体染色体的其中一个基因位或几个基因为作为变异的位置，根据变异概率Pm使用该基因位的等位基因进行替代[46]。假设使用的是二进制编码，进行变异操作时基因位的基因值为1的需要变为0，反之基因值为0的变为1。基本位变异简单直观，特别适用于二进制编码方法和格雷码编码，由于本文使用的是格雷码编码，所以也采用了基本位变异。具体变异过程如图2-5所示。图2-5遗传算法流程图如果使用二进制编码或者格雷码编码，使用单点交叉后的两个个体的相似性和算术平均值都基本保持不变。由于基本位变异的变异点只有一个或者几个，因此变异的效果不是很明显。
电子科技大学硕士学位论文213.6NSGA-II流程前面介绍了NSGA-Ⅱ的两个核心部分：快速非支配排序和拥挤度计算，接下来详细介绍NSGA-Ⅱ的具体流程。在启动NSGA-Ⅱ算法前，需要设置相应的算法参数：种群大小N，迭代次数M，交叉概率Pc,变异概率Pm，以及决策变量范围。然后启动NSGA-Ⅱ算法。根据决策变量范围随机生成N个个体，计算个体解码并计算每个个体的目标函数值，由于第一代种群无法执行精英策略，因此终结对当代种群中的所有个体执行快速非支配排序和拥挤度计算。然后根据交叉概率Pc和变异概率Pm，执行相应的交叉操作和变异操作，产生子代种群，子代种群的个体数目和父代是相同。从第二代开始，将使用精英策略，差生子代种群的方式发生了变化。首先对父代种群执行交叉操作和变异操作差生子代种群，然后将父代种群和子代种群合并，构成一个具有2N个个体的种群，对种群执行速非支配排序和拥挤度计算，利用上一小节的个体评价方法，生成一个有N个个体的种群，作为下一次迭代的父代种群。NSGA-Ⅱ算法会不断这样迭代下去，直至种群代数达到迭代次数M，算法结束。NSGA-II的核心流程如图3-5所示。使用精英策略虽然会提高拥挤度计算和非支配排序的时间计算复杂度，但是也加快了种群中个体的进化速度，促进了算法的收敛。图3-5NSGA-II核心流程图
【参考文献】：
期刊论文
[1]基于距离收敛量和历史信息密度的多目标进化算法[J]. 李潇涵,刘博,张友. 计算机应用研究. 2017(12)
[2]多级降压收集极行波管高压电源的设计[J]. 朱永亮,谢正. 现代雷达. 2012(10)
[3]遗传算法理论及技术研究综述[J]. 周昕,凌兴宏. 计算机与信息技术. 2010(04)
[4]基于NSGA-II的改进多目标遗传算法[J]. 陈小庆,侯中喜,郭良民,罗文彩. 计算机应用. 2006(10)
[5]多目标优化算法NSGA-II的改进[J]. 刘旭红,刘玉树,张国英,阎光伟. 计算机工程与应用. 2005(15)
[6]遗传算法综述[J]. 席裕庚,柴天佑,恽为民. 控制理论与应用. 1996(06)
博士论文
[1]多目标柔性作业车间调度方法研究[D]. 王晓娟.华中科技大学 2011
[2]微波管电子光学系统CAD技术研究[D]. 黄桃.电子科技大学 2007
硕士论文
[1]基于改进遗传算法作业调度问题的优化及应用[D]. 杜明芳.西安理工大学 2018
[2]行波管电源系统设计[D]. 郭兰芳.成都理工大学 2016
[3]遗传算法中适应度尺度变换与操作算子的比较研究[D]. 郭晓原.华北电力大学 2012
[4]某型行波管高压电源的工程实现[D]. 赵怀松.复旦大学 2011
[5]超宽带大功率行波管的优化设计[D]. 刘雪梅.电子科技大学 2010
[6]行波管中高频特性与非线性理论的研究[D]. 吕明毅.电子科技大学 2007
[7]带精英策略的非支配排序遗传算法的研究与应用[D]. 郑强.浙江大学 2006
[8]非支配排序遗传算法（NSGA）的研究与应用[D]. 高媛.浙江大学 2006
[9]一种基于遗传算法的数据挖掘技术的研究与应用[D]. 安磊.河海大学 2001
本文编号：2915005
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2915005.html
