改进灰狼算法在天线设计中的应用
发布时间：2020-12-10 19:28
随着社会的发展与科技的进步,人们在生活中遇到的许多科学、经济和工程问题呈现多极化、非线性、强约束、高维度等特点,传统的优化算法已经很难求得问题的最优解。因此,寻找一种有效且高效的优化方法用于解决复杂的优化问题至关重要,这也成为了众多学者的研究热点。群集智能优化算法因为其较强的自适应能力和在解决复杂问题中表现出来的优势,受到了很多学者的青睐。灰狼优化算法作为一种经典的群集智能优化算法,具有计算量小、易于实现等优点,但仍然存在着易早熟收敛,面对复杂问题时收敛精度不高、收敛速度不够快等缺点。因此,本文对标准灰狼优化算法做出相应的改进,并将改进后的灰狼优化算法应用到微带漏波天线和可用于WLAN的紧凑型双频MIMO天线中。论文的主要研究内容和成果如下:1.对标准灰狼优化算法从两方面进行介绍,一是算法的基本原理,二是数学模型,将标准灰狼优化算法与标准鲸鱼优化算法和标准蜻蜓优化算法进行性能对比分析,总结出灰狼算法的不足,为后文改进算法做了铺垫。2.为了提高标准灰狼优化算法的全局寻优能力和收敛速度,本文对算法做了如下改进:首先,利用Hammersley序列的均匀分布特性对种群进行初始化。其次,引用纵横...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
收缩环绕机制示意图
杭州电子科技大学硕士学位论文10的常数，l是[-1,1]之间的随机数。值的注意的是，座头鲸在缩小的圆圈内沿着螺旋形路径在猎物周围游动。为了模拟这种同时行为，我们假设有50%的概率能力在收缩环绕机制或螺旋模型之间进行选择，以在优化期间更新鲸鱼的位置。数学模型如下：(+1)={()<0.51(2)+()≥0.5（2.12）其中p是[0,1]中的随机数。图2.2螺旋更新位置示意图（3）搜索猎物（探索阶段）当A大于1或小于-1时，距离系数D随机更新，鲸鱼个体为了寻找猎物，就会偏离原本的目标猎物，使得捕食能力提高，使得WOA有一定的全局搜索性能，其数学模型如下：2=|rand|（2.13）(+1)=2（2.14）其中，是从当前总体中选择的随机位置（随机鲸鱼）。2.2.2蜻蜓优化算法蜻蜓是一种很常见生物，它身形并不是很大。蜻蜓的一生当中主要经历了两种生命状态：一种是幼虫，还有一种是成虫，在大部分的时间里，它们的生命状态都是处于幼虫状态，如果他们要成为成虫，就要经历多次的蜕变，才会变成成虫。蜻蜓的主要捕食对象，是一些比它还要小的昆虫，它们的居住形式是群居的，分为静态和动态两种。这两种不同的群居方式，用数学模拟的角度来看就是探索和开发两个阶段。2015年，著名学者Mirjalil通过观察蜻蜓的捕食行为提出了蜻蜓优化算法（DragonflyAlgorithm，DA），蜻蜓优化算法最大的特点是结构简单、搜索稳定性好。蜻蜓算法的核心是模拟了蜻蜓的5个生态行为来进行全局搜索和局部搜索，这5个动作
杭州电子科技大学硕士学位论文13QuadricStepSchwefel图2.3单峰测试函数Sphere函数是经典非线性单模函数，形状类似球面，一般用来测试算法的寻优精度；Rosenbrock函数为典型病态非凸单模函数，各参数之间相互依赖性明显，其全局最优值分布在一个光滑、狭窄、漫长的山谷中，极难找到全局最优值。其余3个测试函数为常规单峰测试函数。2.3.2多峰测试函数多峰测试函数相较于单峰测试函数结构复杂。多峰测试函数在寻找全局最优值时，在该值附近会有大量的局部最优位置来干扰算法的取优，一旦陷入局部最优，能否及时跳出对算法来说是较大的考验。多峰测试函数在验证算法是否早熟收敛方面有较好的测试能力。下面列举5个经典的多峰测试函数，如表2.2所示：
【参考文献】：
期刊论文
[1]基于改进粒子群算法的隐式广义预测控制[J]. 吴君,张雨飞,肖晓. 工业仪表与自动化装置. 2020(01)
[2]基于改进蚁群算法的移动机器人路径规划[J]. 赵静,汤云峰,蒋国平,徐丰羽,丁洁. 南京邮电大学学报(自然科学版). 2019(06)
[3]一种可调的三分支天线阻抗匹配网络[J]. 李悦琳,宋智,薛严冰,陈宝君. 微波学报. 2019(06)
[4]可用于WLAN的紧凑型双频MIMO天线[J]. 马天驰,杜成珠,焦哲晶. 仪表技术. 2019(11)
[5]禁忌搜索灰狼优化算法研究[J]. 郭玉纯,曹小鹏,胡元娇. 计算机技术与发展. 2019(12)
[6]基于遗传算法的车载天线优化布局[J]. 张婷. 电子质量. 2019(08)
[7]一种改进的灰狼优化算法[J]. 龙文,蔡绍洪,焦建军,伍铁斌. 电子学报. 2019(01)
[8]一种基于Tent映射的混合灰狼优化的改进算法[J]. 滕志军,吕金玲,郭力文,许媛媛. 哈尔滨工业大学学报. 2018(11)
[9]结合高斯分布的改进二进制灰狼优化算法[J]. 陈长倩,慕晓冬,牛犇,王立志. 计算机工程与应用. 2019(13)
[10]改进的灰狼优化算法及其高维函数和FCM优化[J]. 张新明,王霞,康强. 控制与决策. 2019(10)
硕士论文
[1]灰狼优化算法的改进及其在参数估计中的应用[D]. 王梦娜.西安理工大学 2019
[2]基于灰狼优化算法的改进研究及其应用[D]. 马骏.杭州电子科技大学 2018
[3]使用HFSS-MATLAB-API设计天线的研究[D]. 曲恒.杭州电子科技大学 2012
本文编号：2909250
【文章来源】：杭州电子科技大学浙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
收缩环绕机制示意图
杭州电子科技大学硕士学位论文10的常数，l是[-1,1]之间的随机数。值的注意的是，座头鲸在缩小的圆圈内沿着螺旋形路径在猎物周围游动。为了模拟这种同时行为，我们假设有50%的概率能力在收缩环绕机制或螺旋模型之间进行选择，以在优化期间更新鲸鱼的位置。数学模型如下：(+1)={()<0.51(2)+()≥0.5（2.12）其中p是[0,1]中的随机数。图2.2螺旋更新位置示意图（3）搜索猎物（探索阶段）当A大于1或小于-1时，距离系数D随机更新，鲸鱼个体为了寻找猎物，就会偏离原本的目标猎物，使得捕食能力提高，使得WOA有一定的全局搜索性能，其数学模型如下：2=|rand|（2.13）(+1)=2（2.14）其中，是从当前总体中选择的随机位置（随机鲸鱼）。2.2.2蜻蜓优化算法蜻蜓是一种很常见生物，它身形并不是很大。蜻蜓的一生当中主要经历了两种生命状态：一种是幼虫，还有一种是成虫，在大部分的时间里，它们的生命状态都是处于幼虫状态，如果他们要成为成虫，就要经历多次的蜕变，才会变成成虫。蜻蜓的主要捕食对象，是一些比它还要小的昆虫，它们的居住形式是群居的，分为静态和动态两种。这两种不同的群居方式，用数学模拟的角度来看就是探索和开发两个阶段。2015年，著名学者Mirjalil通过观察蜻蜓的捕食行为提出了蜻蜓优化算法（DragonflyAlgorithm，DA），蜻蜓优化算法最大的特点是结构简单、搜索稳定性好。蜻蜓算法的核心是模拟了蜻蜓的5个生态行为来进行全局搜索和局部搜索，这5个动作
杭州电子科技大学硕士学位论文13QuadricStepSchwefel图2.3单峰测试函数Sphere函数是经典非线性单模函数，形状类似球面，一般用来测试算法的寻优精度；Rosenbrock函数为典型病态非凸单模函数，各参数之间相互依赖性明显，其全局最优值分布在一个光滑、狭窄、漫长的山谷中，极难找到全局最优值。其余3个测试函数为常规单峰测试函数。2.3.2多峰测试函数多峰测试函数相较于单峰测试函数结构复杂。多峰测试函数在寻找全局最优值时，在该值附近会有大量的局部最优位置来干扰算法的取优，一旦陷入局部最优，能否及时跳出对算法来说是较大的考验。多峰测试函数在验证算法是否早熟收敛方面有较好的测试能力。下面列举5个经典的多峰测试函数，如表2.2所示：
【参考文献】：
期刊论文
[1]基于改进粒子群算法的隐式广义预测控制[J]. 吴君,张雨飞,肖晓. 工业仪表与自动化装置. 2020(01)
[2]基于改进蚁群算法的移动机器人路径规划[J]. 赵静,汤云峰,蒋国平,徐丰羽,丁洁. 南京邮电大学学报(自然科学版). 2019(06)
[3]一种可调的三分支天线阻抗匹配网络[J]. 李悦琳,宋智,薛严冰,陈宝君. 微波学报. 2019(06)
[4]可用于WLAN的紧凑型双频MIMO天线[J]. 马天驰,杜成珠,焦哲晶. 仪表技术. 2019(11)
[5]禁忌搜索灰狼优化算法研究[J]. 郭玉纯,曹小鹏,胡元娇. 计算机技术与发展. 2019(12)
[6]基于遗传算法的车载天线优化布局[J]. 张婷. 电子质量. 2019(08)
[7]一种改进的灰狼优化算法[J]. 龙文,蔡绍洪,焦建军,伍铁斌. 电子学报. 2019(01)
[8]一种基于Tent映射的混合灰狼优化的改进算法[J]. 滕志军,吕金玲,郭力文,许媛媛. 哈尔滨工业大学学报. 2018(11)
[9]结合高斯分布的改进二进制灰狼优化算法[J]. 陈长倩,慕晓冬,牛犇,王立志. 计算机工程与应用. 2019(13)
[10]改进的灰狼优化算法及其高维函数和FCM优化[J]. 张新明,王霞,康强. 控制与决策. 2019(10)
硕士论文
[1]灰狼优化算法的改进及其在参数估计中的应用[D]. 王梦娜.西安理工大学 2019
[2]基于灰狼优化算法的改进研究及其应用[D]. 马骏.杭州电子科技大学 2018
[3]使用HFSS-MATLAB-API设计天线的研究[D]. 曲恒.杭州电子科技大学 2012
本文编号：2909250
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2909250.html
