开云优惠体育网页版入口

专利名称：一种基于自适应灰狼算法的频率选择表面设计方法及系统

专利类型：发明专利

专利申请号：CN202111532868.2

专利申请（专利权）人：华南理工大学
权利人地址：广东省广州市天河区五山路381号

专利发明（设计）人：王英俊,何志豪,晋刚

专利摘要：本发明公开了一种基于自适应灰狼算法的频率选择表面设计方法及系统，该方法针对频率选择表面结构优化问题，以频率选择表面在中心工作频率的滤波效果作为目标，建立了以节点为基础的频率选择表面单元优化模型，然后采用自适应灰狼算法与模型结合进行求解，并基于该方法开发了频率选择表面设计系统；与传统的FSS优化方法相比，本发明具有更大的优化范围且克服了传统FSS设计效率低、质量差和依赖经验等缺陷，通过本发明实现FSS单元从设计需求到成品的自动化设计，提高了FSS的设计效率。

主权利要求：
1.一种基于自适应灰狼算法的频率选择表面设计方法，其特征在于，包括下述步骤：分析FSS单元形状特点，基于FSS单元的形状节点位置建立FSS优化模型，所述FSS优化模型预设FSS单元整体尺寸范围和变形基本规则；
采用实数编码方式储存FSS优化模型中每个节点的位置信息，作为灰狼算法中的个体；
对灰狼算法增加改进策略形成自适应灰狼算法，对初代种群的领导者加入分散策略，在灰狼个体位置更新时引入反向移动和非线性步长，在收敛阶段增强局部搜索；
所述对初代种群的领导者加入分散策略，具体加入以欧氏距离为判断标准的领导分散策略，当计算得到的欧氏距离小于限制值时，更新灰狼个体的位置信息；
所述当计算得到的欧氏距离小于限制值时，更新灰狼个体的位置信息，具体位置更新方式表示为：X(t+1)＝U+L?X(t)/2
其中，X表示灰狼个体的位置信息，U表示上限，L表示下限，t表示当前个体的代数，t+1表示下一代；
所述欧氏距离的计算公式表示为：
其中，n表示个体包含的变量总数，α、β和δ分别表示灰狼算法中拥有最高适应度的三个灰狼个体，xαi表示α个体第i个变量的值，xpi代表β或δ个体第i个变量的值；
所述在灰狼个体位置更新时引入反向移动和非线性步长，具体计算步骤包括：个体更新位置时以设定概率向当前潜在猎物的反方向移动，计算公式为：P＝0.5+PA
其中，α、β和δ分别表示灰狼算法中拥有最高适应度的三个灰狼个体，X1、X2、X3分别对应当前个体向α、β和δ的位移，r3表示随机数，P表示反向移动发生的概率，PA表示自适应的系数；
将步长减少过程转变为非线性过程，计算公式为：
As＝2as*r1?as
X＝Xα?As*(Dα)
其中，as表示替代原灰狼算法中拥有最高适应度的灰狼个体α，As表示个体向灰狼个体α移动的位移系数，Xα为灰狼个体α的位置，Dα代表个体到灰狼个体α的距离，X1表示个体向灰狼个体α移动的位移，q、r1为随机数；
将自适应灰狼算法输出的节点信息进行仿真分析，将FSS设置为无限大周期性平面，得到中心工作频率附近FSS传输系数；
将获得的仿真结果返回自适应灰狼算法，计算目标函数，根据自适应灰狼算法的收敛规则开始下一次迭代，直到算法结束；
输出实体，得到经过优化的FSS模型。
2.根据权利要求1所述的基于自适应灰狼算法的频率选择表面设计方法，其特征在于，所述基于FSS单元的形状节点位置建立FSS优化模型，具体步骤包括：对单元基本结构进行分析，标记出轮廓上的节点，并为每个节点编号；
以FSS单元形心为中点建立极坐标系，记录各节点的相对位置信息，所有节点的位置信息储存在实数组中；
预设约束条件，所述约束条件用于约束每个节点的活动区域，增加约束后调用自适应灰狼算法对单元形状进行优化，更新每次迭代后节点位置信息；
依据节点的编号与位置信息重新获得FSS形状，同时将当前的节点信息储存到下一次迭代的实数组中。
3.根据权利要求1所述的基于自适应灰狼算法的频率选择表面设计方法，其特征在于，所述在收敛阶段增强局部搜索，具体步骤包括：在收敛阶段对所有个体增加一次独立的迭代计算，使个体有两种迭代结果，再将其中较好的结果组成下一种群。
4.一种基于自适应灰狼算法的频率选择表面设计系统，其特征在于，用于实现权利要求1?3任一项所述基于自适应灰狼算法的频率选择表面设计方法，该系统包括：FSS优化模型构建模块、位置信息储存模块、灰狼算法优化模块、仿真分析模块、循环迭代模块和实体输出模块；
所述FSS优化模型构建模块用于建立FSS优化模型，基于FSS单元的形状节点位置建立FSS优化模型，所述FSS优化模型预设FSS单元整体尺寸范围和变形基本规则；
所述位置信息储存模块用于采用实数编码方式储存FSS优化模型中每个节点的位置信息，作为灰狼算法中的个体；
所述灰狼算法优化模块用于对灰狼算法增加改进策略形成自适应灰狼算法，对初代种群的领导者加入分散策略，在灰狼个体位置更新时引入反向移动和非线性步长，在收敛阶段增强局部搜索；
所述仿真分析模块用于将自适应灰狼算法输出的节点信息进行仿真分析，将FSS设置为无限大周期性平面，得到中心工作频率附近FSS传输系数；
所述循环迭代模块用于将获得的仿真结果返回自适应灰狼算法，计算目标函数，根据自适应灰狼算法的收敛规则开始下一次迭代，直到算法结束；
所述实体输出模块用于输出实体，得到经过优化的FSS模型。
5.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1?3任一项所述基于自适应灰狼算法的频率选择表面设计方法。
6.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1?3任一项所述基于自适应灰狼算法的频率选择表面设计方法。 说明书 : 一种基于自适应灰狼算法的频率选择表面设计方法及系统技术领域[0001] 本发明涉及电磁通讯与微波技术领域，具体涉及一种基于自适应灰狼算法的频率选择表面设计方法及系统。背景技术[0002] 频率选择表面(FSS)是一种具有滤波能力的二维电磁超材料，拥有体型薄、设计方便和易加工等优势。FSS的工作性能与单元结构、排列方式和介质基板等因素有关，可通过结构设计获得电磁屏蔽性能的FSS，以解决通讯设备相互干扰的问题。[0003] 传统FSS设计方法对设计者要求高，并存在一定的盲目性，使得FSS设计过程效率较低。为了提高FSS结构的设计效率，可借助计算机和仿真软件对FSS结构进行数字化设计。将智能优化算法引入设计，可摆脱对设计经验的依赖，提高FSS的设计质量。目前，FSS优化模型主要分为两种，一是在初始构型基础上对关键尺寸优化，二是由方块组成单元形状的拓扑优化。两种方法都存在一定局限性，第一种模型依赖经验提供初始构型，第二种模型在复杂电磁环境下存在效率低，大规模设计变量求解困难的问题。因此，提出一种新型FSS优化模型，并将其与智能优化算法结合，有重要的工程意义。发明内容[0004] 为了克服现有技术存在的缺陷与不足，本发明提供一种基于自适应灰狼算法的频率选择表面设计方法，该方法无需提出确定的初始构型，在优化过程中可自动生成目标FSS单元。这种设计方法比传统方法拥有更大的搜索设计域，并确保变化过程中单元形状始终连贯完整；在优化过程中采用联合仿真的方法，实现整个优化过程的自动完成，无需人工干预。[0005] 本发明的第二目的在于提供一种基于自适应灰狼算法的频率选择表面设计系统。[0006] 本发明的第三目的在于提供一种计算机可读存储介质。[0007] 本发明的第四目的在于提供一种计算设备。[0008] 为了达到上述目的，本发明采用以下技术方案：[0009] 一种自适应灰狼算法的频率选择表面设计方法，包括下述步骤：[0010] 分析FSS单元形状特点，基于FSS单元的形状节点位置建立FSS优化模型，所述FSS优化模型预设FSS单元整体尺寸范围和变形基本规则；[0011] 采用实数编码方式储存FSS优化模型中每个节点的位置信息，作为灰狼算法中的个体；[0012] 对灰狼算法增加改进策略形成自适应灰狼算法，对初代种群的领导者加入分散策略，在灰狼个体位置更新时引入反向移动和非线性步长，在收敛阶段增强局部搜索；[0013] 将自适应灰狼算法输出的节点信息进行仿真分析，将FSS设置为无限大周期性平面，得到中心工作频率附近FSS传输系数；[0014] 将获得的仿真结果返回自适应灰狼算法，计算目标函数，根据自适应灰狼算法的收敛规则开始下一次迭代，直到算法结束；[0015] 输出实体，得到经过优化的FSS模型。[0016] 作为优选的技术方案，所述基于FSS单元的形状节点位置建立FSS优化模型，具体步骤包括：[0017] 对单元基本结构进行分析，标记出轮廓上的节点，并为每个节点编号；[0018] 以FSS单元形心为中点建立极坐标系，记录各节点的相对位置信息，所有节点的位置信息储存在实数组中；[0019] 预设约束条件，所述约束条件用于约束每个节点的活动区域，增加约束后调用自适应灰狼算法对单元形状进行优化，更新每次迭代后节点位置信息；[0020] 依据节点的编号与位置信息重新获得FSS形状，同时将当前的节点信息储存到下一次迭代的实数组中。[0021] 作为优选的技术方案，所述对初代种群的领导者加入分散策略，具体加入以欧氏距离为判断标准的领导分散策略，当计算得到的欧氏距离小于限制值时，更新灰狼个体的位置信息。[0022] 作为优选的技术方案，所述欧氏距离的计算公式表示为：[0023][0024] 其中，n表示个体包含的变量总数，α、β和δ分别表示灰狼算法中拥有最高适应度的三个灰狼个体，xαi表示α个体第i个变量的值，xpi代表与β或δ个体第i个变量的值。[0025] 作为优选的技术方案，所述当计算得到的欧氏距离小于限制值时，更新灰狼个体的位置信息，具体位置更新方式表示为：[0026] X(t+1)＝U+L?X(t)/2[0027] 其中，X表示灰狼个体的位置信息，U表示上限，L表示下限，t表示当前个体的代数，t+1表示下一代。[0028] 作为优选的技术方案，所述在灰狼个体位置更新时引入反向移动和非线性步长，具体计算步骤包括：[0029] 个体更新位置时以设定概率向当前潜在猎物的反方向移动，计算公式为：[0030][0031] P＝0.5+PA[0032] 其中，α、β和δ分别表示灰狼算法中拥有最高适应度的三个灰狼个体，X1、X2、X3分别对应当前个体向α、β和δ的位移，r3表示随机数，P表示反向移动发生的概率，PA表示自适应的系数；[0033] 将步长减少过程转变为非线性过程，计算公式为：[0034][0035] As＝2as*r1?as[0036] X1＝Xα?As*(Dα)[0037] 其中，as表示替代原灰狼算法中拥有最高适应度的灰狼个体α，As表示个体向灰狼个体α移动的位移系数，Xα为灰狼个体α的位置，Dα代表个体到灰狼个体α的距离，X1表示个体向灰狼个体α移动的位移，q、r1为随机数。[0038] 作为优选的技术方案，所述在收敛阶段增强局部搜索，具体步骤包括：在收敛阶段对所有个体增加一次独立的迭代计算，使个体有两种迭代结果，再将其中较好的结果组成下一种群。[0039] 为了达到上述第二目的，本发明采用以下技术方案：[0040] 一种基于自适应灰狼算法的频率选择表面设计系统，包括：FSS优化模型构建模块、位置信息储存模块、灰狼算法优化模块、仿真分析模块、循环迭代模块和实体输出模块；[0041] 所述FSS优化模型构建模块用于建立FSS优化模型，基于FSS单元的形状节点位置建立FSS优化模型，所述FSS优化模型预设FSS单元整体尺寸范围和变形基本规则；[0042] 所述位置信息储存模块用于采用实数编码方式储存FSS优化模型中每个节点的位置信息，作为灰狼算法中的个体；[0043] 所述灰狼算法优化模块用于对灰狼算法增加改进策略形成自适应灰狼算法，对初代种群的领导者加入分散策略，在灰狼个体位置更新时引入反向移动和非线性步长，在收敛阶段增强局部搜索；[0044] 所述仿真分析模块用于将自适应灰狼算法输出的节点信息进行仿真分析，将FSS设置为无限大周期性平面，得到中心工作频率附近FSS传输系数；[0045] 所述循环迭代模块用于将获得的仿真结果返回自适应灰狼算法，计算目标函数，根据自适应灰狼算法的收敛规则开始下一次迭代，直到算法结束；[0046] 所述实体输出模块用于输出实体，得到经过优化的FSS模型。[0047] 为了达到上述第三目的，本发明采用以下技术方案：[0048] 一种计算机可读存储介质，存储有程序，所述程序被处理器执行时实现如上述所述基于自适应灰狼算法的频率选择表面设计方法。[0049] 为了达到上述第四目的，本发明采用以下技术方案：[0050] 一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现如上述所述基于自适应灰狼算法的频率选择表面设计方法。[0051] 本发明与现有技术相比，具有如下优点和有益效果：[0052] (1)本发明使得FSS的设计优化过程自动化，摆脱传统方法依赖经验的缺点，可按中心工作频率处的滤波性能要求，直接得到最终的FSS单元构型。[0053] (2)本发明得到的自适应灰狼算法相比原始灰狼算法拥有更快的收敛速度与更高的求解精度，更符合FSS的优化过程。附图说明[0054] 图1为本发明基于自适应灰狼算法的频率选择表面设计方法的流程图；[0055] 图2为本发明FSS优化模型示意图；[0056] 图3为本发明灰狼算法搜索更新示意图；[0057] 图4为本发明自适应灰狼算法中三种改进策略示意图；[0058] 图5为本发明未优化双层正十六边形FSS单元结构示意图；[0059] 图6为本发明自适应灰狼算法优化后的双层FSS单元结构示意图；[0060] 图7为本发明最终优化FSS模型示意图；[0061] 图8为本发明FSS优化结果实物样品。具体实施方式[0062] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0063] 实施例1[0064] 如图1所示，本实施例提供一种基于自适应灰狼算法的频率选择表面设计方法，以双层十六边环形FSS单元优化结果为例进行说明，但不局限环形FSS单元的优化；[0065] 具体包括下述步骤：[0066] S1、如图2所示，分析FSS单元形状特点，并基于FSS单元的形状节点位置建立优化模型，该模型规定了FSS单元整体尺寸范围和变形基本规则，确保FSS单元在变形过程中，始终符合滤波性能的要求；[0067] 在步骤S1中，基于节点FSS优化模型具体为：[0068] 1)首先对单元基本结构进行分析，标记出轮廓上的节点，并按逆时针的顺序为每个节点编号。由于FSS单元多为中心对称结构，以其形心为中点建立极坐标系，记录各节点的相对位置信息。所有节点的信息储存在一个实数组之中，从而实现单元形状的参数化表达。通过灰狼算法改变数组中的数据以实现对FSS单元形状的优化。[0069] 2)为了在形状优化的过程中保持单元形状的稳定性，并使整体结构维持在原FSS单元确定的尺寸范围，每个节点的活动区域必须加以约束。为保证节点满足构成单元轮廓的条件，对变量进行约束避免下列情况：节点的团聚、节点连线重叠或节点连线相交。增加约束后调用自适应灰狼算法对单元形状进行优化，每次迭代后节点位置信息都会被更新。[0070] 3)依据节点的编号与位置信息重新获得FSS形状，同时当前的节点信息将保留到下一次迭代的实数组中。[0071] S2、选择实数编码方式储存步骤S1的FSS优化模型中每个节点的位置信息，实数编码包含每个节点的位置信息，作为灰狼算法中的个体；[0072] S3、如图3、图4所示，为实现更好的优化效果，对灰狼算法加入三种改进策略，对初代种群的领导者加入分散策略；在灰狼个体位置更新时引入反向移动和非线性步长以增加随机性；但在最后的收敛阶段，增强局部搜索，提高算法精度，本实施例将改进后的灰狼算法称为自适应灰狼算法；[0073] 在步骤S3中包含三种改进策略的自适应灰狼算法，具体为：[0074] 1)在算法初期加入以欧氏距离为判断标准的领导分散策略。灰狼算法中的领导是拥有最高适应度的三个灰狼个体，以α、β和δ表示。具体地，在随机获得初始种群之后，利用以下公式计算α、β和δ的欧氏距离Ep。[0075][0076] 其中n是个体包含的变量总数，xαi代表α个体第i个变量的值，xpi代表与β或δ个体第i个变量的值。欧氏距离Ep用于判断β和δ是否过于接近α，当Ep小于限制值时，使用领导分散策略。[0077] 限制值由优化具体问题确定，记为EL，一般可将上下限形成的最大欧氏距离的十分之一作为限制值，如下列公式；[0078][0079] 若某次计算出现欧氏距离小于限制值的情况，则该个体利用下列公式确定移动方向，其中U为上限，L代表下限，X为灰狼个体的位置信息，t代表当前个体的代数，t+1代表下一代。[0080] X(t+1)＝U+L?X(t)/2[0081] n是个体包含的变量总数，Ui表示第i个变量的上限值，Li表示第i个变量的下限值。[0082] 领导分散策略只在初始种群中应用，算法后续迭代过程不使用此策略。[0083] 2)在改进算法中加入反向移动策略。增加反向移动策略的目的是在算法收敛过程中，提供跳出灰狼算法中领头狼的控制能力。具体步骤如下列公式所示，个体更新位置时有概率向当前潜在猎物的反方向移动。[0084][0085] P＝0.5+PA[0086] X1、X2、X3分别对应当前个体应该向α、β和δ的位移，r3是0到1之间的随机数。[0087] 反向移动发生的概率受控制优化情况调节，P是0.5加上自适应的系数PA。PA初始值为0，若在探索阶段α陷入停滞则升高到0.2，有利于算法脱离局部最优解。另一方面，算法的收敛过程是由a驱动的，a从2线性减小到0，算法也在此结束。但处理实际问题时，算法初期需要较大的步长增加探索，跳出局部最优，后期需要较小步长增加开发精度。[0088] 下列公式在a的减小过程中引入一个随机变化的函数，其中，q为?10到10之间的随机数。以as代替原灰狼算法中的a，使得步长减少过程转变为非线性过程。以个体向α移动的位移X1为例，计算个体向α移动的位移系数As时使用了as，随机性增大，符合算法改进需求。Xα为α的位置，Dα代表个体到α的距离，r1是0到1之间的随机数。[0089][0090] As＝2as*r1?as[0091] X1＝Xα?As*(Dα)[0092] 3)对灰狼算法加入增强局部搜索策略，具体方法为：为了追求更好的优化效果，在算法进入最后的收敛阶段时，对所有个体增加一次独立的迭代计算，使个体有两种迭代结果，再将其中较好的结果组成下一种群，提高最后的优化效果；[0093] S4、将改进灰狼算法输出的节点信息，按FSS优化模型所设规则导入CAE软件进行仿真分析。在仿真计算时，将FSS设置为无限大周期性平面，软件仿真结果得到中心工作频率附近端口1到端口2的电磁波传输系数S21；[0094] 在步骤S4中，用于评价每种FSS单元滤波性能的函数具体为：灰狼算法获取中心工作频率附近的一系列传输系数S21，若在接近中心点处传输系数出现下降趋势，则反映FSS在此频段具有电磁屏蔽能力；反之则表明FSS在此频段有选择透过性。[0095] S5、将获得的仿真结果S21返回自适应灰狼算法，计算目标函数，再根据自适应灰狼算法的收敛规则开始下一次迭代，直到算法结束；[0096] S6、如图6所示，并结合图5所示，输出实体，最终得到经过优化的FSS模型。[0097] 如图7、图8所示，在得到FSS模型后，可在软件中将其组合为周期性结构平面FSS，并制造样品。[0098] 实施例2[0099] 本实施例提供一种基于自适应灰狼算法的频率选择表面设计系统，包括：FSS优化模型构建模块、位置信息储存模块、灰狼算法优化模块、仿真分析模块、循环迭代模块和实体输出模块；[0100] 在本实施例中，FSS优化模型构建模块用于建立FSS优化模型，基于FSS单元的形状节点位置建立FSS优化模型，所述FSS优化模型预设FSS单元整体尺寸范围和变形基本规则；[0101] 在本实施例中，位置信息储存模块用于采用实数编码方式储存FSS优化模型中每个节点的位置信息，作为灰狼算法中的个体；[0102] 在本实施例中，灰狼算法优化模块用于对灰狼算法增加改进策略形成自适应灰狼算法，对初代种群的领导者加入分散策略，在灰狼个体位置更新时引入反向移动和非线性步长，在收敛阶段增强局部搜索；[0103] 在本实施例中，仿真分析模块用于将自适应灰狼算法输出的节点信息进行仿真分析，将FSS设置为无限大周期性平面，得到中心工作频率附近FSS传输系数；[0104] 在本实施例中，循环迭代模块用于将获得的仿真结果返回自适应灰狼算法，计算目标函数，根据自适应灰狼算法的收敛规则开始下一次迭代，直到算法结束；[0105] 在本实施例中，实体输出模块用于输出实体，得到经过优化的FSS模型。[0106] 实施例3[0107] 本实施例提供一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，程序被处理器执行时，实现实施例1的基于自适应灰狼算法的频率选择表面设计方法。[0108] 实施例4[0109] 本实施例提供一种计算设备，该计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现实施例1的基于自适应灰狼算法的频率选择表面设计方法。[0110] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

专利地区：广东

专利申请日期：2021-12-15

专利公开日期：2024-11-29

专利公告号：CN114357862B