神经网络算法加速天线优化设计

结合天线数值仿真,遗传算法等现代优化算法能够实现对天线优化设计,但优化设计过程中需要反复执行天线全波数值仿真,占据了绝大部分的优化设计耗时。探索利用神经网络算法预测代替部分天线全波数值仿真,加速天线优化设计。为避免神经网络算法预测误差对天线优化设计结果的不良影响,提出了一种新方法:在遗传算法优化设计天线初期仍采用全波数值仿真,为神经网络算法提供训练样本;由于遗传算法优化设计天线方向和结果主要由少量的高适应度值个体决定,在神经网络算法预测代替全波数值仿真后,对高适度值个体采用全波数值仿真进行验证,不仅保证优化设计的正确性,同时更新神经网络算法训练样本库,提高预测准确度。以一款微带双频偶极子天线的优化设计为例,与传统遗传算法优化设计相比,在设计的天线性能相当的情况下,能够节省设计过程中70%的全波数值仿真,后20代计算耗时减小为原来的30.6%。