一种基于部落算法的自动化滤波器的设计方法与流程

1.本发明涉及一种新一代技术信息技术中的无线通信网络应用领域,更具体地说，它涉及一种基于部落算法的自动化滤波器的设计方法。


背景技术：

2.随着电磁场这门学科的发展，有限元法、有限积分法、矩量法等多种电磁场数值计算的出现，使得电磁场问题的解决更加精确，更具有广泛的适用性，于是出现了微波器件和系统的自动化设计这一设计方法，并且逐渐成为发展新趋势，射频电子元器件集成化，高性能，和易于设计是目前发展的趋势，同时，对于对射频器件的要求也就越来越高，如小型化、重量轻、超宽带、低成本的要求等，所以利用智能算法，通过智能化的设计方式实现滤波器的自动化设计，具有强烈的需求。
3.早在17世纪，欧洲数学家fermat根据导数关系提出了求解最大值或者最小值的问题，但是并没有形成系统理论，随后的时间里，优化方法缓慢发展，直到20纪四十年代的第二次世界大战，由于军事上运筹学的迫切需求，随之出现了线性规划等一些优化算法，二战之后随着经济、军事、科技领域的扩展，优化算法得到了迅猛的发展。
4.针对于应用于滤波器设计的算法，为典型的多目标，全局优化算法的应用，利用优化算法进行微波器件工程化设计的研究始于20 世纪90年代，美国加州大学的j.m.johnson等人将遗传算法成功的应用在了天线阵方向图的设计中，这同时也开启了天线设计与智能优化算法相结合的先河。
5.此外，suman kumar saha等人开发了利用粒子群算法进行滤波器设计的方法，(saha.s.k.,ghoshal,s.p.,kar.r.,and mandal, d.,2013.cat swarm optimization algorithm for optimal linearphase fir filter design.isa transactions,52(6),pp.781-794)。
6.ivan a.mantilla-gavira等人采用了利用蚁群群算法进行了微波波纹滤波器的设计。(mantilla-gaviria,i.a.,d
í
az-morcillo,a. and balbastre-tejedor,j.v.,2013.an ant colony optimizationalgorithm for microwave corrugated filters design.journal ofcomputational engineering,2013)。其设计中利用蚁群算法，结合电磁场商业数值计算软件，采用了自动化方法得到了所需求的高通和带通滤波器。
7.jie liu等人于2019年在arxiv上发表了利用神经网络算法实现自动化设计滤波器的方法，(liu,j.,chen,z.x.,dong,w.h.,wang, x.,shi,j.,teng,h.l.,dai,x.w.,yau,s.s.t.,liang,c.h.andfeng,p.f.,2019.microwave integrated circuits design withrelationalinductionneuralnetwork.arxive-prints,pp.arxiv-190 1)。该方法设计的带通滤波器等达到人工设计的效果，论文中通过利用没有任何人类知识的情况下成功捕获了滤波器性能的主要特征，并执行了一系列优化动作，设计出所需要性能参数的带通滤波器。该方法设计出的滤波器性能参数同微波理论得出的电磁场分布一致。
8.传统滤波器的设计方法和设计过程复杂，难以做到滤波器表现性能的最优状态，
在实际设计中，滤波器由于加工误差和装配误差，其最终效果往往达不到指标要求，因此在弥补生产中的误差调试，往往会花费非常多的人工时间和精力，且往往需要非常有经验的工程师，因此，采用基于部落算法的自动化滤波器设计的方法，可以极大的节省人工成本和减少设计工时。


技术实现要素：

9.针对现有技术存在的不足，本发明的目的在于提供一种基于部落算法的自动化滤波器设计方法。
10.为实现上述目的，本发明提供了如下技术方案：一种基于部落算法的自动化滤波器的设计方法，滤波器的设计步骤包括：
11.步骤一：将滤波器中所要优化的变量，对应于部落算法中的种群中的变量，滤波器的被优化参数包括：3db频带宽度、波纹系数、阻带抑制、回波损耗、矩形系数、传输系数和带外抑制系数等，采用综合权重法，设置对应于种群的综合生存能力指标。
12.步骤二：根据所需要的滤波器性能参数要求，以及所处空间环境的要求，确定滤波器几何尺寸范围，初始化滤波器模型设计，建立滤波器初始结构模型，辐射金属贴片为固定尺寸的矩形；针对于滤波器的多目标结果优化过程，采用综合权重指标的方式实现，对多目标实现一个综合的优化结果。
13.步骤三：根据滤波器初始模型，将滤波器结构进行离散化建模，利用初始的随机结构算法生成一个随机结构的滤波器，该步骤对应于部落算法中的初始部落建立。
14.步骤四：利用电磁场数值求解方法求解滤波器电磁场分布，得到滤波器提电流密度分布，求解滤波器一系列指标参数，并随机改变滤波器结构，形成滤波器场分布数据库，并对应一系列的滤波器参数分布。
15.步骤五：将计算结果导入到部落算法学习机制中，通过部落算法的创建机制，移动机制，繁衍机制和凋零机制，来实现数据的优化。根据多目标优化策略，通过一系列优化机制，将单一的优化对象扩展，使得在优化过程中考虑多个因素的共同作用。
16.步骤六，根据计算结果收敛情况，进行迭代计算判定；根据预先设定的最大迭代步数，或者预先设置的收敛条件，判定是否满足收敛条件。若满足收敛条件，则停止计算，导出电磁场分布结果和滤波器性能参数结果；否则返回步骤四继续进行计算。
17.步骤七：将计算出的滤波器参数结果导入三维数值模型，实现对所得到参数的反向实物建模，从而得到滤波器的结构图。
18.进一步具体的，针对于发明内容的步骤一，由于部落算法是将部落迁徙行为为准则进行了寻优的数学模型的创建，所以在算法中用到的名词将分别对应到部落迁徙的整个过程。在这个集合当中包括了一些具有相关性的人类，部落算法的优化是由多个参数共同影响的，将需要优化的参数组成这个集合。对应在部落算法中部落代表的是一组变量参数的集合，在算法中这个集合叫做部落。
19.每个影响优化目标的因素都可以表示为一个变量参数，变量个数以及变量的类型由实际问题中对优化目标具有影响的因素决定，优化参数数量不固定，且参数可以为整数或者为小数，因此每个部落代表了一个空间解。
20.采用所述部落综合权重生存值公式进行目标计算：
21.s＝r1×
w1+r2×
w2+
…ri
×
wi…
+rn×
wn22.其优化目标3db滤波器频带宽度，波纹系数，阻带抑制，计算中，针对于优化的滤波器，提前设置好所要优化滤波器的辐射贴片个数，采用介质板的介电常数，以及损耗角正切等物理参数，结构上各辐射贴片间的尺寸分布。
23.针对于步骤二，设定所要优化滤波器各个参数的变化范围，即对应于采用模拟部落算法中的各个部落的生存空间，针对于所述的部落综合权重生存公式，优化过程中，调整各个目标的权重值wi，来实现对各个子目标权重的改变，以加速计算速率。
24.针对于步骤三，具体的，由随机函数生成具有随机结构的滤波器模型，对于滤波器上的辐射由带有电流的点源计算得出，对于近似于点源的电偶极矩辐射远场电磁场分布为：
[0025][0026][0027]
中场区电磁场分布为：
[0028][0029][0030]
近场为电磁场分布为：
[0031][0032][0033]
式子中表示偶极矩，电磁场分布求解的计算中，其代表具有电流的离散化点源；表示观察点距离点源的距离；表示在距离观察点为的位置的电场强度，表示在距离观察点为的位置的磁场强度；π为圆周率，λ表示相应电磁波的波长；表示电磁波的波数，其数值大小为2π/λ，w为电磁波的角速率，其大小为2π/t，其中t为相应电磁波的一个波长的周期。
[0034]
通过利用数值方法离散化，对点源的积分，即可得到滤波器周围电磁的分布，同时
亦可得到如步骤1中所描述的滤波器各个性能参数。
[0035]
如骤四中所述，调整滤波器参数，改变滤波器随机生成结构分布。
[0036]
如权利要求6中所描述，随机生成结构的参数在空间中满足如下最小距离公式，以确保生成的滤波器参数分布足够离散。
[0037][0038]
该步骤对应于部落算法空间中的各个部落之间的距离，对优化的一系列结果，形成优化数据库，以实现后续部落优化算法的参数寻优。
[0039]
如步骤五中所述，执行部落算法的创建机制，移动机制，繁衍机制和凋零机制，来实现算法的寻优过程，如步骤四中所描述，种群创建过程中满足大于最小距离的原则，确保每次生成滤波器参数的均匀分布，该方法能够避免在部落个体创建过程中，因无法考虑个体在空间中的分布均匀性问题而造成个体参数之间区别过小，由于部落种群同质化而导致无法求出最优解的问题，同时，该方法也是避免算法未成熟收敛的有效手段之一；该初始种群创建机制可以将较大范围解空间分解成多个小的解空间，每个部落在自己的周围空间进行搜索，加快最优解寻找速率和可靠性，从而加速寻优收敛。
[0040]
针对于步骤五中的移动机制，在每个部落空间引入局部算法策略，本发明中采用模式搜索法进行局部最优解搜索，对各个部落空间求解得出的最优解进行比较，在局部最优解收敛后，淘汰生存能力较差的部落空间，留下生存能力较好的求解空间，该方式在滤波器参数优化过程中，可以有效避免部落的盲目移动，进一步加速优化算法的收敛。
[0041]
针对于步骤五中的部落繁衍机制，对应于滤波器参数的在相应解的范围的进一步寻优，对于优化效果好的解空间，进一步分裂个多个子空间，对应于部落的繁衍，同时，基于生成新的子空间的参数亦满足步骤四中的最小距离分布原则，该策略可以确保对在每个部落子空间中得到的最优解进一步强化，从而增强求解目标的可靠性。
[0042]
针对于步骤五中的部落凋零机制，用来模拟部落毁灭消失的过程，从而解决由于多个迭代次数的生存发展由于资源受限而造成的部落生存能力下降问题；该步骤对应于在局部最优解求解过程中，由于多次的迭代计算而仍然无法求解出最优解的问题。该策略由于在计算过程中经过多次的繁衍和移动，使得部落的总数个数增多，从而保证了算法经过了多次的搜索而抹去生存能力较差的部落。
[0043]
如步骤六中所述，本算法中采用绝对收敛和相对收敛两种条件进行结束判定。当计算结果满足任一条件时，进行结束计算。
[0044][0045]
这里sn表示第n步的计算结果，s
n-1
表示第n-1步的计算结果， c为设定的常数值，
→
表示计算结果趋势走向，∞表示所设定的足够大的迭代次数。
[0046]
当计算结果不满足收敛条件时，部落优化算法返回建立初始部落阶段，重新进行新一轮的迭代计算，直至收敛位置。当计算结果满足收敛条件时，结束计算，此时导出所优化的滤波器计算结果，采用该凋零机制可以将部落(即优化参数的结果)的数量控制在一个合理的范围内，从而可以合理的利用各种资源以保证各个部落的充分发展，在算法中可以加速算法的收敛速度。
[0047]
如步骤七中所述，将优化得到的滤波器计算结果，即滤波器尺寸，使用材料的介电常数，电磁波场分布等信息导出，并利用三维结构建模软件，或手工形成滤波器结构图。
[0048]
通过采用上述技术方案：可以减小设计者对电磁场理论知识的依赖，且更容易设计出更加复杂结构，性能更加优异的滤波器。大大降低设计人员对滤波器调试的盲目性，减少设计者对滤波器的调试次数。同时避免了微波滤波器设计过程中由于对结构进行近似的简化处理而造成的设计精度下降问题。
附图说明
[0049]
图1本发明实施例的基于部落演化算法的滤波器设计流程图；
[0050]
图2为发明实施例的初始部落产生示意图；
[0051]
图3为本发明实施例的部落移动机制示意图；
[0052]
图4为本发明实施例的部落繁衍机制示意图；
[0053]
图5为本发明实施例的部落凋零机制示意图；
[0054]
图6为本发明实施例的langermann测试函数；
[0055]
图7为本发明实施例的基于langermann测试函数采用部落算法和传统遗传算法收敛情况对比；
[0056]
图8为本发明实施例的滤波器初始模型展示；
[0057]
图9为本发明实施例的优化得出的滤波器；
[0058]
图10为本发明基于实施例得到的滤波器s参数。
具体实施方式
[0059]
参照图1至图10对本发明实施例做进一步说明。
[0060]
为进一步阐述本发明所采取的技术手段和功效，以下说明中结合实施例，对本发明中的具体实施方式，性能进行说明。
[0061]
本实施例中公布了一种基于部落演化算法设计的带通滤波器。附图中展示了本发明说明的实施例，本公开中参照附图，来实现本发明的各个方面。以下的构思和实施方式可以采用任意的一种方式来实现，而不仅仅局限于以下所描述的实施方式。
[0062]
根据滤波器的工作频段，设定滤波器的估算大小尺寸。本实施例中滤波器的工作频段为1.5ghz至2.5ghz，所采用滤波器的尺寸设定为50mm
×
50mm。在优化区间，把该50mm
×
50mm所要优化区域分成为10
×
10个离散区域，如图8中所展示。图中白色区域为滤波器金属贴片部分，range1为滤波器金属贴片馈线端边缘距离最外侧介质板的距离，w为微带馈线的宽度，range2为金属贴片距离非馈线侧的距离，d1＝0.018为辐射金属贴片的厚度；d2为介质板的厚度，该实施例中，采用的是介电常数为2.55的 rogers arlon ad255a介质板材；d3＝
0.018为金属底板的厚度。
[0063]
设定滤波器各种变量的优化区间，将滤波器所要优化的变量，对应于部落算法中的种群变量，即滤波器的被优化参数：3db频带宽度，波纹系数，阻带抑制，回波损耗，矩形系数等指标，range1 的优化区间设置为[5mm,10mm]，range2的优化区间为[5mm,10mm]，频段优化区间设置为[1ghz,4ghz]，w优化区间设置为[1mm,5mm]。该区间即对应部落进化算法中的部落移动区间。
[0064]
采用综合权重法，设置对应于种群的综合生存能力指标。该实施例中，采用s＝r1×
w1+r2×
w2+
…ri
×
wi+
…
+r5×
w5的方法设置优化权重和优化目标，其中r1…
r5分别表示3db频带宽度，波纹系数，阻带抑制，回波损耗，矩形系数五项指标，权重系数w1…
w5分别设置为0.4，0.1，0.1，0.3和0.1。
[0065]
利用随机算法生成相应的初始滤波器结构，并采用电磁场数值算法进行场分布计算，如发明内容中的步骤三所述。对得出的计算结果进行保存，通过500次的计算，形成滤波器参数分布和电磁场分布数据库。
[0066]
引入部落演化算法，执行创建机制，移动机制，繁衍机制和凋零机制，如图2至图5中所示，该步骤执行策略如发明内容中的步骤四所述，该实施例中部落算法的局部搜索，即对应于每次搜索滤波器参数子区间，采用模式搜索法执行。
[0067]
如权利要求6中所描述的，创建过程中初始部落的产生应具备一定的空间间隔，该间隔设置为10-1
mm，以确保部落演化算法的高效性，如权利要求9中所描述的，执行凋零机制时，最大优化代数设定为100代，当超过100代时，自动淘汰该区间的内的参数组合；当该部落中的参数个数超过500组时，自动淘汰该区间的参数组合；从而提升利用参数空间的效率，加速算法收敛。
[0068]
采用langermann函数进行测试，对比部落演化算法和遗传算法性能表现
[0069][0070]
该实施例中的遗传算法采用matlab工具箱中自带的遗传算法工具箱进行计算，图6为二维langermann函数，图7为采用该实施例中的部落演化算法和遗传算法计算得到的收敛情况对比，可以看出在第1000步时部落演化算法已经得到了有效收敛的计算结果。
[0071]
图9展示了基于该实施例所得到的滤波器最终结果。
[0072]
图10展示了最终得到的滤波器传输系数和发射系数。
[0073]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，本领域的技术人员在本发明技术方案范围内进行通常的变化和替换都应包含在本发明的保护范围内。