粒子群優(yōu)化算法在天線方向圖應(yīng)用.ppt

1、粒子群計(jì)算優(yōu)化法的應(yīng)用，在陣列天線方向圖綜合中命名為李亞學(xué)號2201500384，引言粒子群優(yōu)化算法(PSO )是粒子群算法、粒子群算法或粒子群優(yōu)化是通過模擬鳥群的餌料行動而發(fā)展的基于集體合作的隨機(jī)搜索算法。 通常，這被認(rèn)為是群集智能(swarm智能，SI )的一種。 可并入多代理優(yōu)化系統(tǒng)(MAOS )。 粒子群優(yōu)化算法是Eberhart博士和kennedy博士發(fā)明的。 根據(jù)算法，設(shè)想了一群鳥隨機(jī)地尋找食物，這個(gè)地區(qū)只有一種食物的場景。 所有的鳥都不知道那里有食物。 但是，他們知道現(xiàn)在的位置離食物有多遠(yuǎn)。 找到食物的最好策略是什么？ 最簡單而有效的方法是在離食物最近的鳥周圍尋找。 PSO從這個(gè)

2、模型中得到了提示，用于解決優(yōu)化問題。 在PSO中，最優(yōu)化問題的解都是搜索空間的鳥。 被稱為“粒子”。 所有粒子都有由最優(yōu)化函數(shù)決定的適應(yīng)值，各粒子有決定飛翔方向和距離的速度。 然后，粒子們追隨現(xiàn)在的最佳粒子探索解空間。 初始化PSO算法，將PSO初始化為隨機(jī)粒子群(隨機(jī)解)，通過反復(fù)發(fā)現(xiàn)最佳解，在各世代粒子通過跟蹤兩個(gè)“極值”來更新自己。 第一個(gè)是粒子自身發(fā)現(xiàn)的最佳解，該解稱為個(gè)體極值pBest，另一個(gè)極值是整個(gè)個(gè)體群現(xiàn)在發(fā)現(xiàn)的最佳解，該極值是全局極值gBest。 另外，不是整個(gè)個(gè)體群，只使用其中最佳粒子的一部分的鄰居也是可能的，在所有鄰居中極值是局部極值。 找到這兩個(gè)最佳值后，粒子根據(jù)以下公

3、式將自己的速度和新位置vn更新為粒子的速度，persentn是當(dāng)前粒子的位置. pbestn和gbestn是rand1，rand2是(0，0 與算法的流程、遺傳算法相比，共同點(diǎn)種群隨機(jī)初始化。 對種群內(nèi)的每個(gè)個(gè)體計(jì)算適應(yīng)值(fitness value )。 適應(yīng)值與最佳解的距離直接相關(guān)。 種群根據(jù)適應(yīng)值進(jìn)行復(fù)制。 如果滿足結(jié)束條件則停止，否則移至步驟。 根據(jù)以上步驟，PSO和遺傳算法有很多共同點(diǎn)。 兩者都是隨機(jī)初始化種群，用適應(yīng)值評價(jià)系統(tǒng)，根據(jù)適應(yīng)值進(jìn)行一定的隨機(jī)搜索。 兩個(gè)系統(tǒng)都不一定保證能找到最佳解. 但是，PSO沒有交叉和變異等遺傳操作，根據(jù)自己的速度來決定搜索。 粒子有記憶的重要特征。

4、 與遺傳算法相比，PSO的信息共享機(jī)制不同。 在遺傳算法中，染色體(chromosomes )互相共享信息，因此種群整體的移動向比較均勻的最佳地區(qū)移動。 在PSO中，只有g(shù)Best (orlBest )給其他粒子提供了信息，這是單方面的信息流。 整個(gè)檢索更新過程是遵循當(dāng)前最佳解的過程。 與遺傳算法相比，所有粒子通常都可能更快地收斂到最佳解。、在應(yīng)用參數(shù)設(shè)定、PSO解決優(yōu)化問題的過程中，兩個(gè)重要步驟：問題解的編碼和適應(yīng)度函數(shù)PSO的優(yōu)點(diǎn)之一是采用實(shí)數(shù)編碼，不需要像遺傳算法那樣進(jìn)行二進(jìn)制編碼(或采用對實(shí)數(shù)的遺傳操作)。 例如，對于問題f(x)=x12 x22 x32求解，粒子可以直接編碼為(x1、

5、x2、x3)的適應(yīng)性函數(shù)是f(x )。 然后，可以利用前面的過程來求出優(yōu)勢。 該優(yōu)勢搜索過程是一個(gè)累積過程，在中止條件一般被設(shè)定為達(dá)到最大循環(huán)數(shù)或最小錯(cuò)誤PSO的參數(shù)不多的情況下，這些參數(shù)和經(jīng)驗(yàn)設(shè)定粒子數(shù)：一般設(shè)為20-40。 實(shí)際上，對大部分問題10個(gè)粒子可以得到足夠好的結(jié)果，但對比較難的問題或特定種類的問題，粒子數(shù)可以取100或200個(gè)粒子的長度：是優(yōu)化問題，問題解的長度粒子的范圍：在由優(yōu)化問題決定的每一維都不同參數(shù)設(shè)定，設(shè)定Vmax:的最大速度，決定粒子在一個(gè)循環(huán)中的最大移動距離，通常設(shè)定為粒子的范圍寬度，例如，在上述例子中，粒子(x1，x2，x3) x1屬于-10，10 的Vmax的大

6、小，20學(xué)習(xí)因子： c1和c2通常為2 但是在文獻(xiàn)中還有其他價(jià)值。 然而，c1通常等于c2，且范圍在0到4之間中止條件：的最大循環(huán)數(shù)目和最小錯(cuò)誤請求。 舉例來說，在先前描述的神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)例中，可將最小錯(cuò)誤設(shè)置為一個(gè)錯(cuò)誤分類的最大循環(huán)數(shù)為2000，且該中止條件由具體問題決定。 全局PSO和本地PSO:我們介紹了兩種版本的粒子群優(yōu)化算法：全局版和本地版。 前者的速度很快，但是有時(shí)會陷入局部最佳。 后者的收斂速度雖然慢，但難以陷入局部最優(yōu)。 在實(shí)際應(yīng)用中，首先可以在全局PSO中發(fā)現(xiàn)大致結(jié)果的另一參數(shù)是慣性權(quán)重，Shi和Eberhart提出了一種基于粒子群計(jì)算的算法方向圖綜合技術(shù)，通過優(yōu)化陣列的激勵(lì)

7、電流大小來實(shí)現(xiàn)低旁瓣的重點(diǎn)介紹了傳統(tǒng)PSO算法在指定干涉位置形成具有指定深度的零陷阱值的容易早熟問題的改進(jìn)。 參數(shù)設(shè)定是對于由n個(gè)理想點(diǎn)源構(gòu)成的離散直線陣列，以陣列的第一個(gè)單元為基準(zhǔn)點(diǎn)，在不考慮單元間耦合的條件下，陣列的遠(yuǎn)場方向圖以： (3)式表示，為空間放射角，為工作波長，k=2/為頻率，a1i和1i為第I個(gè)天線單元的寬度d1i是從第I個(gè)小區(qū)到第一個(gè)小區(qū)的距離，用PSO算法合并方向圖的目的是根據(jù)波束形狀的要求求陣列天線。標(biāo)準(zhǔn)PSO算法的參數(shù)是：集團(tuán)規(guī)模swarm-size，各粒子的維度dimension，慣性權(quán)重 具體的程序中的PSO算法的參數(shù)設(shè)定由：種群的規(guī)模由應(yīng)優(yōu)化的參數(shù)決定，一般的原則

8、是種群的數(shù)量比優(yōu)化參數(shù)的數(shù)量多的慣性權(quán)重可以是一定值，也可以根據(jù)重疊量的次數(shù)線性變化，在此最大速度Vmax被設(shè)定為1.0的程序的結(jié)束條件是程序的執(zhí)行達(dá)到了預(yù)先設(shè)定的最大堆棧次數(shù)。 參數(shù)設(shè)定，種群中個(gè)體的維數(shù)dimension是應(yīng)優(yōu)化的參數(shù)個(gè)數(shù)，在陣列綜合中，應(yīng)優(yōu)化的參數(shù)通常由陣列的單元間距、陣列的激勵(lì)振幅和相位構(gòu)成。 自適應(yīng)度函數(shù)的設(shè)計(jì)是算法的密鑰，在天線陣列集成中，自適應(yīng)度函數(shù)通常表示天線實(shí)際發(fā)生的方向圖與目標(biāo)方向圖之間的差異的大小。 具體的過程首先計(jì)算每個(gè)粒子的方向圖和目標(biāo)方向圖的誤差，變換該誤差得到適應(yīng)度。 誤差越大，適應(yīng)度越高，誤差越小，適應(yīng)度也越小。在計(jì)算誤差時(shí)，采用最大誤差形式，計(jì)算實(shí)際的陣列方向性模式和給定方向性模式在每個(gè)采樣點(diǎn)(一般是副瓣(sll )位