一种基于粒子群算法的多层吸波材料性能优化方法与流程

本发明涉及吸波材料性能优化的技术领域，尤其涉及到一种基于粒子群算法的多层吸波材料性能优化方法。

背景技术：

随着现代科学技术的发展，电磁波辐射对环境的影响日益增大。在机场、机航班因电磁波干扰无法起飞而误点；在医院、移动电话常会干扰各种电子诊疗仪器的正常工作。因此，我们需要用到吸波材料，一种能吸收投射到它表面的电磁波能量的材料，并且对吸波材料性能作优化。

长久以来，在吸波材料性能优化设计中，一种方法是采用单层吸波材料，但是单层吸波材料频带窄、吸波性能低、材料密度大等是目前国内外对吸波材料研究方面的不足，这限制了吸波材料在工程中的广泛应用。另一种设计方式是采用数值优化的方法，这种方法有很大的局限性，参数设置较多，函数较为复杂，迭代效率低且无法针对全局多目标进行优化，对吸波材料来说，性能指标要求是相互制约的。满足厚度薄的吸波材料，往往它的吸波带宽不够，且吸波性能不好；能满足一定带宽内具有很高的吸收率的材料，但是它的结构很复杂。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种参数设置较少、操作简单、易于实现、精度高、收敛速度快、可扩展性强的基于粒子群算法的多层吸波材料性能优化方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于粒子群算法的多层吸波材料性能优化方法，

把粒子群算法应用到多种吸波材料的性能优化中；利用粒子群算法推出多种不同吸波材料在多种组合配比的情况下的不同性能信息，找出吸波材料的最优配比方式，从而达到优化多层吸波材料性能的目的。

进一步地，性能优化的具体步骤包括：

s1：选择用于优化的吸波材料；s2：进行粒子群算法设计；s3：设定算法运行参数；s4：优化目标；s5：进行优化结果分析。

进一步地，所述步骤s2进行粒子群算法设计的具体步骤如下：

s2-1：初始化：

初始搜索点的位置x⁰i及其速度v⁰i在允许的范围内随机产生，每个粒子的pbest坐标设置为其当前位置，且计算出其相应的个体极值，而整个邻域的最优粒子就是该粒子邻域中个体极值中最好的，记录该最好值的粒子序号，并将nbesti设置为该最好粒子的当前位置；

s2-2：评价每一个粒子：

计算粒子的适应度值，若好于该粒子当前的个体极值，则将pbest设置为该粒子的位置，且更新个体极值；若在该粒子的邻域内所有粒子的个体极值中最好的好于当前的nbesti，则将nbesti设置为该粒子的位置，记录该粒子的序号，且更新nbesti的函数值；

s2-3：更新每一个粒子的速度和位置：

速度的计算公式如下：

v[i]＝w*v[i]+c1*rand()*(pbest[i]-present[i])+c2*rand()*(gbest[i]-present[i])；

位置的计算公式如下：

present[i]＝present[i]+v[i]；

s2-4：检验是否符合结束条件：

若当前的迭代次数达到了预先设定的最大次数或最小错误要求，则停止迭代，输出最优解，否则转到步骤s2-2。

进一步地，所述步骤s4优化的目标包括带宽、反射率以及带宽和反射率结合；

目标函数最优宽带f1设为：

f1＝|fi|rl＝-10-fi+1|rl＝-10|(i＝1,3…)

其中fi|rl＝-10表示反射率达到-10db时的各个频率；

目标函数最优反射率f2设为：

f2＝min(rl(θ,fi))(i＝1,2,…)

其中rl(θ,fi)表示在设计频带内所有频点或各种入射角度下的反射系数；

目标函数带宽与反射率结合f3设为：

f3＝f1>＝15&&f2<＝-80

其中f1、f2分别代表最优带宽和反射率。

与现有技术相比，本方案原理如下：

利用粒子群算法优化的思想，结合材料学中多种吸波材料进行优化。该算法进行全局最优引导搜索，每个粒子都持续追踪到目前为止最好的位置，基于粒子的个体最好位置和全局最优位置，调整各粒子的运动速度，实现粒子的“交互“。在每次迭代中，产生两个随机数，分别作为pbest和gbest的权重，以此构成pbest和gbest的一个组合值，再加上加权后的原有速度，可以实现对原有速度的更新，从而实现全局最优搜索过程。

与现有技术相比，本方案具有如下优点：

1.粒子群算法通过适应度来评价解的品质，其比遗传算法规则更为简单，它没有遗传算法的“交叉”(crossover)和“变异”(mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优采用可拓神经网络对径向基神经网络的隐含层神经元个数以及隐节点的初始数据中心进行寻优，不仅参数寻优过程自适应性好、简单、高效，而且有效地优化了神经网络的拓扑结构。

2.粒子群算法为一种并行算法，这种算法以其实现容易、精度高、收敛快等优点，并且在解决实际问题中展示了其优越性。

3.不仅在两层吸波材料的优化中取得较其他传统算法更好的性能优化结果，同时也在三层和四层吸波材料的优化中证明了粒子群优化算法具有很强的可扩展性，更易满足不同需求。

附图说明

图1为本发明一种基于粒子群算法的多层吸波材料性能优化方法的流程图；

图2为本发明中粒子群算法的流程图；

图3为两层材料算法优化结果分析图；

图4为三层材料算法优化结果分析图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

参见附图1所示，本实施例所述的一种基于粒子群算法的多层吸波材料性能优化方法，包括以下步骤：

s1：选择用于优化的吸波材料：

为了方便，使用编号来代表材料，具体编号如下表1：

表1

根据所使用的10种材料的进行组合搭配，在搭配后总厚度不超过3mm且配比中不重复使用的要求下，将各种搭配通过计算其在2-18ghz频率内不同频率下的反射率，然后进行筛选。其中在进行材料的搭配时，应注意到由于材料层数不同而在设计相应matlab计算程序时的变量数量不同。最后，在所获得的数据中进行基于粒子群算法的优化选择时，对不同层数的粒子群算法优化程序编写的相应参数设置进行适当调整，然后获得合理适当的数据，其中包括搭配材料的种类与顺序、每层材料的对应厚度及其反射率低于-10db的带宽与最小反射率。

s2：如图2所示，进行粒子群算法，步骤如下：

s2-1：初始化：

初始搜索点的位置x⁰i及其速度v⁰i在允许的范围内随机产生，每个粒子的pbest坐标设置为其当前位置，且计算出其相应的个体极值，而整个邻域的最优粒子就是该粒子邻域中个体极值中最好的，记录该最好值的粒子序号，并将nbesti设置为该最好粒子的当前位置；

s2-2：评价每一个粒子：

计算粒子的适应度值，若好于该粒子当前的个体极值，则将pbest设置为该粒子的位置，且更新个体极值；若在该粒子的邻域内所有粒子的个体极值中最好的好于当前的nbesti，则将nbesti设置为该粒子的位置，记录该粒子的序号，且更新nbesti的函数值；

s2-3：更新每一个粒子的速度和位置：

速度的计算公式如下：

v[i]＝w*v[i]+c1*rand()*(pbest[i]-present[i])+c2*rand()*(gbest[i]-present[i])；

位置的计算公式如下：

present[i]＝present[i]+v[i]；

s2-4：检验是否符合结束条件：

若当前的迭代次数达到了预先设定的最大次数或最小错误要求，则停止迭代，输出最优解，否则转到步骤s2-2。

s3：设定算法运行参数：

1)粒子数p_num：一般取20–40；其实对于大部分的问题10个粒子已经足够可以取得好的结果，不过对于比较难的问题或者特定类别的问题，粒子数可以取到100或200，在这里取50；

2)粒子的长度dim：由优化问题决定，就是问题解的长度，在这里取4；

3)粒子的范围low，high：由优化问题决定，每一维可是设定不同的范围，这里设为0.5到3。

4)最大速度vmax：决定粒子在一个循环中最大的移动距离，通常设定为粒子的范围宽度，如粒子(x1,x2,x3)属于[-10,10]，那么vmax的大小为20；

5)学习因子和权重：c1和c2通常等于2；w为更新位置和速度的权重，这里设为0.5；

6)中止条件：最大循环数以及最小错误要求，在这里设为10000。

s4：优化目标；其中，优化的目标包括带宽、反射率以及带宽和反射率结合；

目标函数最优宽带f1设为：

f1＝|fi|rl＝-10-fi+1|rl＝-10|(i＝1,3…)

其中fi|rl＝-10表示反射率达到-10db时的各个频率；

目标函数最优反射率f2设为：

f2＝min(rl(θ,fi))(i＝1,2,…)

其中rl(θ,fi)表示在设计频带内所有频点或各种入射角度下的反射系数；

目标函数带宽与反射率结合f3设为：

f3＝f1>＝15&&f2<＝-80

其中f1、f2分别代表最优带宽和反射率。

s5：进行优化结果分析：

两层吸波材料的f1、f2、f3优化结果如下表2所示：

表2

参见图3，其为两层材料以f1(最优带宽)、f2(最优反射率)、f3(带宽和反射率结合)为对象进行优化得到的分析图。由于两层吸波材料带宽和反射率结合的曲线与带宽优化结果相一致，因此两条曲线相重合。

三层吸波材料的f1、f2、f3优化结果如下表3所示：

表3

参见图4，其为三层材料以f1(最优带宽)、f2(最优反射率)、f3(带宽和反射率结合)为对象进行优化的分析图。

本实施例利用粒子群算法优化的思想，结合材料学中多种吸波材料进行优化。该算法进行全局最优引导搜索，每个粒子都持续追踪到目前为止最好的位置，基于粒子的个体最好位置和全局最优位置，调整各粒子的运动速度，实现粒子的“交互“。在每次迭代中，产生两个随机数，分别作为pbest和gbest的权重，以此构成pbest和gbest的一个组合值，再加上加权后的原有速度，可以实现对原有速度的更新，从而实现全局最优搜索过程。具有参数设置较少、操作简单、易于实现、精度高、收敛速度快、可扩展性强等优点

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。