最新范文 方案 计划 总结 报告 体会 事迹 讲话 倡议书 反思 制度 入党

FEKO算法设置及其总结

日期:2020-06-27  类别:最新范文  编辑:一流范文网  【下载本文Word版

FEKO算法设置及其总结 本文关键词:算法,设置,FEKO

FEKO算法设置及其总结 本文简介:.求解设置FEKO默认的求解方法是矩量法(MOM),另外还有多层快速多极子方法(MLFMM)、物理光学法(PO)、一致性绕射理论(UTD)、有限元(FEM)等计算方法。通过选择主菜单solution中的solutionsettings或者在树形结构中右键solution选择solutionsetti

FEKO算法设置及其总结 本文内容:

.

求解设置

FEKO默认的求解方法是矩量法(MOM),另外还有多层快速多极子方法(MLFMM)、物理光学法(PO)、一致性绕射理论(UTD)、有限元(FEM)等计算方法。通过选择主菜单solution中的solution

settings或者在树形结构中右键solution选择solution

settings来设置数据存储精度和计算方法,若需要用矩量法进行计算,则不需要设置算法。精度以及各种方法的选择界面分别见图2-10、2-11、2-12、2-13。

在数据存储精度的选择上,一般来说选用单精度即可,除非FEKO的内核给出警告要求转换为双精度。如果选择了Store/re-use

solution,FEKO会保存求解参数。如果模型没有改变,这些系数可以被用于计算不同的结果(近场、远场等)而不用再重新计算这些参数。对于小模型,这些参数一般不需要。对于大模型,保存这些参数可以节省很对计算时间,但是同时也长生了很大的*.str文件。首要的选择取决于在同一个模型中需要计算不同结果的频繁程度。

图2-10

数据存储精度对话框图

2-11多层快速多极子算法设置对话框

图2-12有限元算法设置对话框

图2-13高频算法设置对话框

用MLFMM标签可以激活多层快速而多极子并进行必要的设置。MLFMM能够比MOM更快地解决复杂的、高频的问题。只有当MLFMM得标签被激活时,这个标签的的参数才是激活的。

MLFMM基于分层的数组算法,并且FEKO自动确定每个模型的理想层数。如果模型不集中,可以通过手动组更改Box

size

in

wavelengths时期集中。建议使用0.23的起始点,并且值要求不小于这个值。

在Advanced

solver

settings中可以设置迭代次数、迭代精度和预处理器。FEKO的MLFMM提供了两种预处理器,即SPAI和ILU。注意这些参数的设置不管是在精确度上还是在解决的时间上都会产生明显得结果,对MLFMM不是很了解的最好使用默认设置。

FEM主要用于网格中包含四面体单元时,FEM可以和MOM混合使用,这一方法特别适合于非均匀物体的求解。对于非均匀介质体,FEM比MOM占用的内存小。

高频算法包含PO(物理光学法)和

UTD/GO(一致性绕射理论)。PO方法在每个面上被激活,而UTD则应用于所有的多角形平面,一般均与MOM方法结合使用。使用PO时一般要先在高频算法的对话框中选中Decouple

PO

and

MOM

Solutions,然后再在树形结构中右键mesh,然后选择properties,弹出如图2-14,在Solution中选择Physical

optics(PO)-full

ray-tracing即可。

图2-14

Mesh

properties设置对话框

PO精度的调整:

在利用FEKO中的PO方法计算时,对于规则模型,可采用设置多次反射来增加PO方法的精度。选择主菜单“run”,然后选择“EDITFEKO”,进入后在左侧工具栏中选择“PO”,用鼠标选中相应的要进行改变的行,然后点击F1,

弹出如图2-15所示,选择“use

multiple

reflection”,然后在“Number

of

reflections”设置所需多次反射的值。此时采用多次反射的PO方法计算可以提高PO方法的精度。

图2-15

PO方法多次反射设置

但是,此时PO的计算时间主要来源于计算表面电流,当设置为多次反射时,就导致了确定表面电流需要考虑多次反射,故时间内存大大增加,如需解决此问题要么增加硬件投资,要么采用其他方法求解。这种情况下建议改用MLFMA计算比较合算。

在张衡平台上的FEKO用PO算法能计算的最大模型电尺寸是500λ,PO算法的剖分的最大尺寸为0.37λ左右。平顶锥主要计算参数如下表

FEKO

提供了高频

PO

算法及

MOM/PO

混合算法,能够方便、快速、精确地分析电大尺寸、复杂目标的

RCS。PO

基本原理

PO是一种Maxwell方程的近似求解方法,

广泛应用于电大问题的辐射、散射分析。PO

假设目标表面的电流全部由入射场贡献,

不考虑二次源的作用

(注意:不是不考虑二次反射)。

PO

适用于处理表面比较平滑(通常曲率半径大于几个波长)的模型,在这种情况下,PO

的结果与精确方法计算的结果吻合很好。

在计算双站

RCS

时,

由于

PO假设射线的阴影面电流为零,因此

PO

在大角度散射方向计算不准确,这是由理论的本身缺陷决定的。在

FEKO

中,融合了最新的学术成果,

对于类球体、

类柱体等类型问题提供对于介质结构的

RCS

分析,建议采用

FEKO

提供的基于面等效原理的矩量法、快速多级子分析方法。类似于金属体的分析,FEKO

中,同样利用

MOM

和MLFMM

进行介质体、目标介质涂覆的精确分析。

对于PO算法,可以增加反射修正的次数来提高精度,但是这样就大大降低了计算的速度,需要的计算资源也大大增加。

方法矩量法(

M

oM

)

可以求解任意目标R

CS

且精度高,但是对硬件要求高。

M

L

FM

A

算法在满足一定精度的情况下提高了计算速度

篇2:粒子群优化算法介绍及matlab程序

粒子群优化算法介绍及matlab程序 本文关键词:粒子,算法,优化,程序,介绍

粒子群优化算法介绍及matlab程序 本文简介:粒子群优化算法(1)—粒子群优化算法简介PSO算法就是模拟一群鸟寻找食物的过程,每个鸟就是PSO中的粒子,也就是我们需要求解问题的可能解,这些鸟在寻找食物的过程中,不停改变自己在空中飞行的位置与速度。大家也可以观察一下,鸟群在寻找食物的过程中,开始鸟群比较分散,逐渐这些鸟就会聚成一群,这个群忽高忽低

粒子群优化算法介绍及matlab程序 本文内容:

粒子群优化算法(1)—粒子群优化算法简介

PSO算法就是模拟一群鸟寻找食物的过程,每个鸟就是PSO中的粒子,也就是我们需要求解问题的可能解,这些鸟在寻找食物的过程中,不停改变自己在空中飞行的位置与速度。大家也可以观察一下,鸟群在寻找食物的过程中,开始鸟群比较分散,逐渐这些鸟就会聚成一群,这个群忽高忽低、忽左忽右,直到最后找到食物。这个过程我们转化为一个数学问题。寻找函数y=1-cos(3*x)*exp(-x)的在[0,4]最大值。该函数的图形如下:

当x=0.9350-0.9450,达到最大值y=1.3706。为了得到该函数的最大值,我们在[0,4]之间随机的洒一些点,为了演示,我们放置两个点,并且计算这两个点的函数值,同时给这两个点设置在[0,4]之间的一个速度。下面这些点就会按照一定的公式更改自己的位置,到达新位置后,再计算这两个点的值,然后再按照一定的公式更新自己的位置。直到最后在y=1.3706这个点停止自己的更新。这个过程与粒子群算法作为对照如下:

这两个点就是粒子群算法中的粒子。

该函数的最大值就是鸟群中的食物。

计算两个点函数值就是粒子群算法中的适应值,计算用的函数就是粒子群算法中的适应度函数。

更新自己位置的公式就是粒子群算法中的位置速度更新公式。

下面演示一下这个算法运行一次的大概过程:

第一次初始化

第一次更新位置

第二次更新位置

第21次更新

最后的结果(30次迭代)

最后所有的点都集中在最大值的地方。

18

粒子群优化算法(2)—标准粒子群优化算法

在上一节的叙述中,唯一没有给大家介绍的就是函数的这些随机的点(粒子)是如何运动的,只是说按照一定的公式更新。这个公式就是粒子群算法中的位置速度更新公式。下面就介绍这个公式是什么。在上一节中我们求取函数y=1-cos(3*x)*exp(-x)的在[0,4]最大值。并在[0,4]之间放置了两个随机的点,这些点的坐标假设为x1=1.5,x2=2.5;这里的点是一个标量,但是我们经常遇到的问题可能是更一般的情况—x为一个矢量的情况,比如二维z=2*x1+3*x22的情况。这个时候我们的每个粒子均为二维,记粒子P1=(x11,x12),P2=(x21,x22),P3=(x31,x32),Pn=(xn1,xn2)。这里n为粒子群群体的规模,也就是这个群中粒子的个数,每个粒子的维数为2。更一般的是粒子的维数为q,这样在这个种群中有n个粒子,每个粒子为q

维。

由n个粒子组成的群体对Q维(就是每个粒子的维数)空间进行搜索。每个粒子表示为:xi=(xi1,xi2,xi3,.,xiQ),每个粒子对应的速度可以表示为vi=(vi1,vi2,vi3,,viQ),每个粒子在搜索时要考虑两个因素:

1.

自己搜索到的历史最优值

pi

,pi=(pi1,pi2,,piQ),i=1,2,3,,n;

2.

全部粒子搜索到的最优值pg,pg=(pg1,pg2,,pgQ),注意这里的pg只有一个。

下面给出粒子群算法的位置速度更新公式:,.

这里有几个重要的参数需要大家记忆,因为在以后的讲解中将会经常用到,它们是:

是保持原来速度的系数,所以叫做惯性权重。是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,所以叫“认知”。通常设置为2。是粒子跟踪群体最优值的权重系数,它表示粒子对整个群体知识的认识,所以叫做“社会知识”,经常叫做“社会”。通常设置为2。是[0,1]区间内均匀分布的随机数。是对位置更新的时候,在速度前面加的一个系数,这个系数我们叫做约束因子。通常设置为1。这样一个标准的粒子群算法就介绍结束了。下图是对整个基本的粒子群的过程给一个简单的图形表示。

判断终止条件可是设置适应值到达一定的数值或者循环一定的次数。

注意:这里的粒子是同时跟踪自己的历史最优值与全局(群体)最优值来改变自己的位置预速度的,所以又叫做全局版本的标准粒子群优化算法。

粒子群优化算法(3)—标准粒子群算法(局部优化版本)

在全局版的标准粒子群算法中,每个粒子的速度的更新是根据两个因素来变化的,这两个因素是:1.

粒子自己历史最优值pi。2.

粒子群体的全局最优值pg。如果改变粒子速度更新公式,让每个粒子的速度的更新根据以下两个因素更新,A.

粒子自己历史最优值pi。B.

粒子邻域内粒子的最优值pnk。其余保持跟全局版的标准粒子群算法一样,这个算法就变为局部版的粒子群算法。

一般一个粒子i

的邻域随着迭代次数的增加而逐渐增加,开始第一次迭代,它的邻域为0,随着迭代次数邻域线性变大,最后邻域扩展到整个粒子群,这时就变成全局版本的粒子群算法了。经过实践证明:全局版本的粒子群算法收敛速度快,但是容易陷入局部最优。局部版本的粒子群算法收敛速度慢,但是很难陷入局部最优。现在的粒子群算法大都在收敛速度与摆脱局部最优这两个方面下功夫。其实这两个方面是矛盾的。看如何更好的折中了。

根据取邻域的方式的不同,局部版本的粒子群算法有很多不同的实现方法。

第一种方法:按照粒子的编号取粒子的邻域,取法有四种:1,环形取法

2,随机环形取法

3,轮形取法

4,随机轮形取法。

1环形2

随机环形

3

轮形

4随机轮形

因为后面有以环形取法实现的算法,对环形取法在这里做一点点说明:以粒子1为例,当邻域是0的时候,邻域是它本身,当邻域是1时,邻域为2,8;当邻域是2时,邻域是2,3,7,8;,以此类推,一直到邻域为4,这个时候,邻域扩展到整个例子群体。据文献介绍(国外的文献),采用轮形拓扑结构,PSO的效果很好。

第二种方法:按照粒子的欧式距离取粒子的邻域

在第一种方法中,按照粒子的编号来得到粒子的邻域,但是这些粒子其实可能在实际位置上并不相邻,于是Suganthan提出基于空间距离的划分方案,在迭代中计算每一个粒子与群中其他粒子的距离。记录任何2个粒子间的的最大距离为dm。对每一粒子按照||xa-xb||/dm计算一个比值。其中||xa-xb||是当前粒子a到b的距离。而选择阈值frac根据迭代次数而变化。当另一粒子b满足||xa-xb||/dm1

error(

输入的粒子的维数错误,必须是一个1行1列的数据。

);

end

[row,colum]=size(ParticleScope);

if

row~=ParticleSize||colum~=2

error(

输入的粒子的维数范围错误。

);

end

%初始化粒子群矩阵

%初始化粒子群矩阵,全部设为[0-1]随机数

%rand(

state,0);

ParSwarm=rand(SwarmSize,2*ParticleSize+1);

%对粒子群中位置,速度的范围进行调节

for

k=1:ParticleSize

ParSwarm(:,k)=ParSwarm(:,k)*(ParticleScope(k,2)-ParticleScope(k,1))+ParticleScope(k,1);

%调节速度,使速度与位置的范围一致

ParSwarm(:,ParticleSize+k)=ParSwarm(:,ParticleSize+k)*(ParticleScope(k,2)-ParticleScope(k,1))+ParticleScope(k,1);

end

%对每一个粒子计算其适应度函数的值

for

k=1:SwarmSize

ParSwarm(k,2*ParticleSize+1)=AdaptFunc(ParSwarm(k,1:ParticleSize));

end

%初始化粒子群最优解矩阵

OptSwarm=zeros(SwarmSize+1,ParticleSize);

%粒子群最优解矩阵全部设为零

[maxValue,row]=max(ParSwarm(:,2*ParticleSize+1));

%寻找适应度函数值最大的解在矩阵中的位置(行数)

OptSwarm=ParSwarm(1:SwarmSize,1:ParticleSize);

OptSwarm(SwarmSize+1,:)=ParSwarm(row,1:ParticleSize);

下面的函数BaseStepPso实现了标准全局版粒子群算法的单步更新位置速度的功能

function

[ParSwarm,OptSwarm]=BaseStepPso(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,MaxW,MinW,LoopCount,CurCount)

%功能描述:全局版本:基本的粒子群算法的单步更新位置,速度的算法

%

%[ParSwarm,OptSwarm]=BaseStepPso(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,MaxW,MinW,LoopCount,CurCount)

%

%输入参数:ParSwarm:粒子群矩阵,包含粒子的位置,速度与当前的目标函数值

%输入参数:OptSwarm:包含粒子群个体最优解与全局最优解的矩阵

%输入参数:ParticleScope:一个粒子在运算中各维的范围;

%输入参数:AdaptFunc:适应度函数

%输入参数:LoopCount:迭代的总次数

%输入参数:CurCount:当前迭代的次数

%

%返回值:含意同输入的同名参数

%

%用法:[ParSwarm,OptSwarm]=BaseStepPso(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,MaxW,MinW,LoopCount,CurCount)

%

%异常:首先保证该文件在Matlab的搜索路径中,然后查看相关的提示信息。

%

%编制人:Guide

%编制时间:2011.8.9

%参考文献:XXX

%修改记录

%----------------------------------------------------------------

%修改时间:2011.8.10

%修改人:Guide

%

添加2*unifrnd(0,1).*SubTract1(row,:)中的unifrnd(0,1)随机数,使性能大为提高

%参照基于MATLAB的粒子群优化算法程序设计

%

%

总体评价:使用这个版本的调节系数,效果比较好

%

%容错控制

if

nargin~=8

error(

输入的参数个数错误。

)

end

if

nargout~=2

error(

输出的个数太少,不能保证循环迭代。

)

end

%开始单步更新的操作

%*********************************************

%*****更改下面的代码,可以更改惯性因子的变化*****

%---------------------------------------------------------------------

%线形递减策略

w=MaxW-CurCount*((MaxW-MinW)/LoopCount);

%---------------------------------------------------------------------

%w固定不变策略

%w=0.7;

%---------------------------------------------------------------------

%参考文献:陈贵敏,贾建援,韩琪,粒子群优化算法的惯性权值递减策略研究,西安交通大学学报,2006,1

%w非线形递减,以凹函数递减

%w=(MaxW-MinW)*(CurCount/LoopCount)^2+(MinW-MaxW)*(2*CurCount/LoopCount)+MaxW;

%---------------------------------------------------------------------

%w非线形递减,以凹函数递减

%w=MinW*(MaxW/MinW)^(1/(1+10*CurCount/LoopCount));

%*****更改上面的代码,可以更改惯性因子的变化*****

%*********************************************

%得到粒子群群体大小以及一个粒子维数的信息

[ParRow,ParCol]=size(ParSwarm);

%得到粒子的维数

ParCol=(ParCol-1)/2;

SubTract1=OptSwarm(1:ParRow,:)-ParSwarm(:,1:ParCol);

%*********************************************

%*****更改下面的代码,可以更改c1,c2的变化*****

c1=2;

c2=2;

%---------------------------------------------------------------------

%con=1;

%c1=4-exp(-con*abs(mean(ParSwarm(:,2*ParCol+1))-AdaptFunc(OptSwarm(ParRow+1,:))));

%c2=4-c1;

%----------------------------------------------------------------------

%*****更改上面的代码,可以更改c1,c2的变化*****

%*********************************************

for

row=1:ParRow

SubTract2=OptSwarm(ParRow+1,:)-ParSwarm(row,1:ParCol);

TempV=w.*ParSwarm(row,ParCol+1:2*ParCol)+2*unifrnd(0,1).*SubTract1(row,:)+2*unifrnd(0,1).*SubTract2;

%限制速度的代码

for

h=1:ParCol

if

TempV(:,h)>ParticleScope(h,2)

TempV(:,h)=ParticleScope(h,2);

end

if

TempV(:,h)ParticleScope(h,2)

TempPos(:,h)=ParticleScope(h,2);

end

if

TempPos(:,h)AdaptFunc(OptSwarm(row,1:ParCol))

OptSwarm(row,1:ParCol)=ParSwarm(row,1:ParCol);

end

end

%for循环结束

%寻找适应度函数值最大的解在矩阵中的位置(行数),进行全局最优的改变

[maxValue,row]=max(ParSwarm(:,2*ParCol+1));

if

AdaptFunc(ParSwarm(row,1:ParCol))>AdaptFunc(OptSwarm(ParRow+1,:))

OptSwarm(ParRow+1,:)=ParSwarm(row,1:ParCol);

end

这两个函数给出以后,需要一个函数来把这两个函数组装起来,以此实现一个完整的粒子群算法,这个函数就是PsoProcess,代码如下:

function

[Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot)

%功能描述:一个循环n次的PSO算法完整过程,返回这次运行的最小与最大的平均适应度,以及在线性能与离线性能

%[Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot)

%输入参数:SwarmSize:种群大小的个数

%输入参数:ParticleSize:一个粒子的维数

%输入参数:ParticleScope:一个粒子在运算中各维的范围;

%

ParticleScope格式:

%

3维粒子的ParticleScope格式:

%

[x1Min,x1Max

%

x2Min,x2Max

%

x3Min,x3Max]

%

%输入参数:InitFunc:初始化粒子群函数

%输入参数:StepFindFunc:单步更新速度,位置函数

%输入参数:AdaptFunc:适应度函数

%输入参数:IsStep:是否每次迭代暂停;IsStep=0,不暂停,否则暂停。缺省不暂停

%输入参数:IsDraw:是否图形化迭代过程;IsDraw=0,不图形化迭代过程,否则,图形化表示。缺省不图形化表示

%输入参数:LoopCount:迭代的次数;缺省迭代100次

%输入参数:IsPlot:控制是否绘制在线性能与离线性能的图形表示;IsPlot=0,不显示;

%

IsPlot=1;显示图形结果。缺省IsPlot=1

%

%返回值:Result为经过迭代后得到的最优解

%返回值:OnLine为在线性能的数据

%返回值:OffLine为离线性能的数据

%返回值:MinMaxMeanAdapt为本次完整迭代得到的最小与最大的平均适应度

%

%用法[Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot);

%

%异常:首先保证该文件在Matlab的搜索路径中,然后查看相关的提示信息。

%

%编制人:Guide

%编制时间:2011.8.9

%参考文献:XXXXX%

%修改记录:

%添加MinMaxMeanAdapt,以得到性能评估数据

%修改人:Guide

%修改时间:2011.8.10

%参考文献:XXX.

%容错控制

if

nargin1|colum>1

error(

输入的粒子的维数错误,是一个1行1列的数据。

);

end

[row,colum]=size(ParticleScope);

if

row~=ParticleSize|colum~=2

error(

输入的粒子的维数范围错误。

);

end

%设置缺省值

if

nargin<7

IsPlot=1;

LoopCount=100;

IsStep=0;

IsDraw=0;

end

if

nargin<8

IsPlot=1;

IsDraw=0;

LoopCount=100;

end

if

nargin<9

LoopCount=100;

IsPlot=1;

end

if

nargin1

error(

输入的参数错误

);

end

y1=1/4000*sum(x.^2);

y2=1;

for

h=1:col

y2=y2*cos(x(h)/sqrt(h));

end

y=y1-y2+1;

y=-y;

绘制函数图像的代码如下:

function

DrawGriewank()

%绘制Griewank函数图形

x=[-8:0.1:8];

y=x;

[X,Y]=meshgrid(x,y);

[row,col]=size(X);

for

l=1:col

for

h=1:row

z(h,l)=Griewank([X(h,l),Y(h,l)]);

end

end

surf(X,Y,z);

shading

interp

    以上《FEKO算法设置及其总结》范文由一流范文网精心整理,如果您觉得有用,请收藏及关注我们,或向其它人分享我们。转载请注明出处 »一流范文网»最新范文»FEKO算法设置及其总结
‖大家正在看...
设为首页 - 加入收藏 - 关于范文吧 - 返回顶部 - 手机版
Copyright © 一流范文网 如对《FEKO算法设置及其总结》有疑问请及时反馈。All Rights Reserved