本发明涉及吸波材料配比最优化和智能优化算法领域，更具体地，涉及一种基于自适应abc算法的吸波材料最优配比设计方法。
背景技术：
人工蜂群(abc)算法，是根据蜜蜂采蜜原理，仿照蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到蜜源的过程，实现对问题最优解的搜寻。在求解最优化问题上，与其他传统群体智能算法相比，abc算法表现出了其显著优越的性能，同时具有操作简单、易于实现、参数设置较少的优点。然而，标准abc算法同样存在以下缺陷：1)易于一些陷入局部最优；2)算法后期收敛速度较慢；3)搜索精度不高；4)对于复杂函数优化问题无法搜索到全局最优解。这对abc算法的应用产生很大的影响[1]。针对以上缺点，本发明在标准abc算法的基础上加入自适应搜索机制，进行进一步改进。技术实现要素：本发明的目的是解决上述一个或多个缺陷，提出一种基于自适应abc算法的吸波材料最优配比设计方法。为实现以上发明目的，采用的技术方案是：一种基于自适应abc算法的吸波材料最优配比设计方法，包括以下步骤：s1：分析材料配比问题，建立算法模型；s2：设置算法参数和目标函数；s3：读取各材料参数；s4：自适应abc算法；s5：得到最优配比结果。优选的是，步骤s1所述材料配比为多层吸波材料配比，其中各层的厚度、相对磁导率和相对介电常数分别为dk、μk、εk。优选的是，所述多层吸波材料配比包括以下步骤s1.1：以两层、三层吸波材料进行优化设计，每层介质材料选用表1的材料表的一种，总厚度d控制在3mm，每层的介质最小厚度不能小于0.5mm；s1.2：设计频带为f＝2-18ghz，电磁波以垂直的角度入射，根据吸波材料性质得到反射率计算公式；s1.3：设计最优带宽函数作为算法的目标函数。优选的是，步骤s2所述目标函数为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。优选的是，步骤s4包括以下步骤：s4.1：进行算法参数的设置；s4.2：算法初始化，随机生成初始采蜜蜂种群，即生成可行解；s4.3：计算初始种群中各个蜜蜂的适应值；s4.4：计算选择概率p，跟随蜂根据蜜源的蜂蜜量，选择较优的蜜源；s4.5：根据釆蜜蜂自适应搜索方程，产生新的蜜源，即产生新的解，并计算新的适应值；s4.6：跟随蜂在当前全局最优解的引导下进行较优蜜源的邻域搜索；s4.7：重新生成蜜源，替换被采蜜蜂丢弃的蜜源，保存最优蜜源；s4.8：判断是否有侦察蜂，若有则搜索新的蜜源，再循环s4.3-s4.7过程；s4.9：每次更新后需要保存最优蜜源，最终得到的最优蜜源作为材料最优配比设计最优解。优选的是，步骤s4.5所述蜜源搜索方程为其中，xj,i为第i维上不同于采蜜蜂m和k的任一采蜜蜂；u(t)为自适应系数，决定了蜜源搜索方程与全局最优引导搜索部分对循环次数的依赖稈度，t为当前循环次数；maxcycle为最大循环次数。进一步的，步骤s4.6所述的领域搜索为其中，δm,i为服从高斯分布n(1,0)的随机数；为[0,1.5]之间的随机数；为当前所有采蜜蜂个体的最优蜜源位置，即全局最优位置，能够使跟随蜂在当前全局最优解的引导下进行较优蜜源的邻域搜索。与现有技术相比，本发明的有益效果是：本发明提出的自适应abc搜索算法与传统智能算法的结果相比，能够有效提高吸波材料最优配比的转化效率，有效平衡算法的探索和开发能力。附图说明图1为本发明的流程图；图2为多层吸波材料示意图；图3为标准abc算法流程图；图4为初始化流程图；图5为适应度计算流程图；图6为采蜜蜂信息更新流程图；图7为跟随蜂信息更新流程图；图8为基于标准abc算法的结果输出；图9为基于自适应abc算法的结果输出；图10为基于自适应abc算法与基于各算法两层材料收敛曲线；图11为基于自适应abc算法与基于各算法三层材料收敛曲线。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；以下结合附图和实施例对本发明做进一步的阐述。实施例1一种基于自适应abc算法的吸波材料最优配比设计方法，请参考图1，包括以下步骤：s1：分析材料配比问题，建立算法模型；s2：设置算法参数和目标函数；s3：读取各材料参数；s4：自适应abc算法；s5：得到最优配比结果。本实施例中，吸波材料是指能吸收投射到它表面的电磁波能量的一类材料。对于单层吸波材料来说，频带窄、吸波性能低、材料密度大等缺点，限制了吸波材料在工程中的广泛应用。而材料的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，结构往往复杂不实用。因此，为了提高吸波材料的性能，本发明采用多层吸波材料的办法。多层吸波材料的结构如下图2所示，其中各层的厚度、相对磁导率和相对介电常数分别为dk、μk、εk。本实施例中，多层吸波材料配比设计的方案如下；s1.1：以两层、三层吸波材料进行优化设计，每层介质材料选用表1的材料表的一种，总厚度d控制在3mm，每层的介质最小厚度不能小于0.5mm；s1.2：设计频带为f＝2-18ghz，电磁波以垂直的角度入射，根据吸波材料性质得到反射率计算公式；s1.3：设计最优带宽函数作为算法的目标函数。其中吸波材料的性质包括1)复磁导率μ和复介电常数ε；2)各涂层材料的入射阻坑和反射率公式；3)吸波材料反射率的带宽。其中1)复磁导率μ和复介电常数ε金属的复介电常数：ε＝ε'-jε”；(式1)金属的复磁导率：μ＝μ'-jμ”；(式2)2)各涂层材料的入射阻坑和反射率公式a)各涂层吸波材料的入射阻坑其中d(k)为第k层的厚度，底板为金属板，zin(0)＝0；b)总的吸波材料的涂层反射率3)吸波材料反射率的带宽本实施例设定反射率低于-10db的频率范围就是它的带宽，作为评价多层吸波材料好坏的一个标准。本实施例中，步骤s2所述目标函数为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。在多层吸波材料配比设计中，为了方便，使用编号来代表材料，具体材料编号及其性质参数如下：表1材料编号及性质参数编号材料介电常数ε磁导率μ0cnt-2040-7％(7.1730-0.5483i,7.1504-0.5591i,…)(1.0765+0.0636i,1.0740+0.0646i,…)1cnt-2040-9％(10.01-1.0343i,1.9.9764-1.050i,…)(1.1719-0.017i,1.1656-0.01768i,…)2fe@c-40％(6.0424-0.5627i,6.0309-0.5767i,…)(1.4214-0.0658i,1.4086-0.06221i,…)3fe@c-50％(8.3678-0.9608i,8.3537-0.9808i,…)(1.5397-0.1004i,1.5341-0.09923i,…)4ni@c-40％(4.8386-0.4726i,4.83396-0.4893i,…)(1.2488-0.15318i,1.23544-0.158i,…)5ni@c-50％(7.43825-1.14i,7.41188-1.1477i,…)(1.3433-0.2384i,1.32956-0.2401i,…)6ni@c-60％(7.4383-1.8725i,7.4119-1.8785i,…)(1.2488-0.1532i,1.235-0.1580i,…)7ni@c-70％(9.6722-1.1400i,9.637-1.1477i,…)(1.009-1.0391i,0.9832-1.03966i,…)8铁粉8h(17.1985-1.4972i,17.203-1.49235i,…)(1.9147-1.49718i,1.9189-1.49235i,…)9铁粉10h(13.9565-1.0958i,13.9548-1.0894i,…)(1.93929-1.0958i,1.94327-1.0894i,…)本发明是在标准abc算法基础上进行自适应改进的，标准abc算法中包含3种个体：采蜜蜂，跟随蜂和侦察蜂，算法流程如下图3所示；标准abc算法具体分为以下几个模块：(1)变量、函数初始化，流程图如图4所示；其中，(1a)标准abc算法中的参数设计为：①种群的规模，采蜜蜂数量+跟随蜂数量：np＝40②算法终止的最大进化数(停止条件)：maxcycle＝7③限度，超过这个限度没有更新采蜜蜂变成侦查蜂：limit＝20(1b)随机生成sn个可行解(采蜜蜂的数量)：xij＝xmin,j+rand(0,1)(xmax,j-xmin,j)；(式7)其中，xi(i＝1,2,...,sn)为d维向量，d为优化参数个数，j∈{1,2,...,d}。(2)新蜜源的更新搜索：算法记录当前最优解，并在当前蜜源邻域内展开搜索；蜜源附近搜索新蜜源的公式为：vm,i＝xm,i+φm,i(xm,i-xk,i)；(式9)其中，k为随机选择的下标，φm,i为[-1,1]之间的随机数。(3)根据蜜源的蜂蜜量，跟随蜂选择某个蜜源的选择概率为pi：其中，fit(xi)为第i个解的适应值对应蜜源的丰富程度。计算适应度值的函数为：适应度计算的流程如图5所示。(4)为防止算法陷入局部最优，当某蜜源迭代limit次没有改进时，便放弃该蜜源，同时该蜜源对应的采蜜蜂变为侦察蜂，按(式7)随机产生一个新位置代替原蜜源。本实施例中，步骤s4包括以下步骤：s4.1：进行算法参数的设置；s4.2：算法初始化，随机生成初始采蜜蜂种群，即生成可行解；s4.3：计算初始种群中各个蜜蜂的适应值；s4.4：计算选择概率p，跟随蜂根据蜜源的蜂蜜量，选择较优的蜜源；s4.5：根据釆蜜蜂自适应搜索方程，产生新的蜜源，即产生新的解，并计算新的适应值；s4.6：跟随蜂在当前全局最优解的引导下进行较优蜜源的邻域搜索；s4.7：重新生成蜜源，替换被采蜜蜂丢弃的蜜源，保存最优蜜源；s4.8：判断是否有侦察蜂，若有则搜索新的蜜源，再循环s4.3-s4.7过程；s4.9：每次更新后需要保存最优蜜源，最终得到的最优蜜源作为材料最优配比设计最优解。标准abc算法中，根据采蜜蜂历史位置信息，对蜜源进行更新。考虑到全局最优对整个算法的影响和作用。本发明设计自适应的全局最优蜜源搜索方程，使算法在初期保持较强的探索能力，在后期保持优秀的寻优能力。加入自适应机制后，蜜源搜索方程如下所示：其中，xj,i为第i维上不同于采蜜蜂m和k的任一采蜜蜂；u(t)为自适应系数，决定了蜜源搜索方程与全局最优引导搜索部分对循环次数的依赖稈度，t为当前循环次数；maxcycle为最大循环次数。在循环初期，u(t)约等于1，此时(式11)以蜜源搜索方程为主，以保持较强的探索能力，提高其全局搜索能力，避免陷入局部最优；随着循环次数的增加，u(t)趋近于0，此时(式11)以全局最优引导精细化程度，以提高其收敛精度和收敛速度搜索方程为主，满足了对特定区域进行精细化搜索的改进算法要求，从而提高了算法的收敛速度与收敛精度。本发明为了使方程更加符合u(t)变化规律，从而得到更优的搜索过程，尽量避免系统陷入局部最优，实验时对种群数量稍作调整，将种群规模np增加到80。在略微增加计算开销的基础上，实验得到良好的效果，基本去除了陷入局部最优的危险性。通过上述改进，采蜜蜂能够自适应地选择两种不同的搜索方程从而有效地平衡并充分利用了算法的探索与开发能力，如图6所示。标准abc算法中，采蜜蜂和跟随蜂使用相同的搜索方程，这与算法模拟蜂群采蜜的过程相矛盾，且跟随蜂搜索方程存在较大的随机性。因此，本发明对标准abc算法跟随蜂的搜索方程进行改进，提出了全局最优引导邻域搜索策略。改进后跟随蜂的搜索方程为：其中，δm,i为服从高斯分布n(1,0)的随机数；为[0,1.5]之间的随机数；为当前所有采蜜蜂个体的最优蜜源位置，即全局最优位置，能够使跟随蜂在当前全局最优解的引导下进行较优蜜源的邻域搜索。通过上述改进，不仅有效地保持了跟随蜂局部搜索的特性，同时通过全局最优引导策略改善了最优搜索的精细化程度，以提高其收敛精度和收敛速度，如图7所示。本发明针对两层和三层材料比进行了带宽最优配比设计。并对基于自适应abc算法和传统的标准abc算法、粒子群算法和遗传算法的吸波材料配比设计的收敛曲线进行了对比。1)两层材料优化中，以目标函数f1为优化对象，优化带宽。得到的吸波材料最优配比设计为：第一层材料为9，厚度为0.5，第二层材料为4，厚度为2.5，最终最优带宽为8.12，最优的反射率为-42.45db。基于标准abc和基于自适应abc算法的结果输出如图8、图9所示。本发明与传统遗传算法、粒子群算法和标准abc算法进行性能对比，得到的基于自适应abc算法与基于各算法两层材料收敛曲线如图10所示；可以看出，本发明基于自适应abc算法，与其他算法相比，更好地避免了算法在进化过程中产生的无效搜索，收敛更快，能在较少迭代次数下搜索到最优解，并且得到的最优解更接近于理论最优。2)三层材料配比结果同理，三层材料优化中，以目标函数f1为优化对象，即优化带宽。得到的吸波材料最优配比设计为：第一层材料为9，厚度为0.6，第二层材料为4，厚度为1.9，第三层材料为7，厚度为0.5，最终最优带宽为10.6，最优的反射率为-20.35db。将自适应abc算法应用到吸波材料上，进行三层材料的配比实验，并与其他各算法进行性能对比。得到基于自适应abc算法与基于各算法三层材料收敛曲线如图11所示；可以看出，本发明基于自适应abc算法，在较少迭代次数下便能搜索到理论最优解，表现出了优越的搜索性能。在吸波材料最优配比设计上能得到良好应用。显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。当前第1页12