Генетический алгоритм, основанный на аутополиплоидии и предназначенный для усовершенствованной разработки линейных полифрактальных решеток

статья

Введение

Природа часто дает инженерам уникальную возможность понять суть методов, необходимых для решения сложных конструкторских задач. Конструирование, основанное на природных аналогиях, предоставляет инженерам множество уникальных и мощных средств проектирования. К примеру, генетические алгоритмы (ГА), относительно новый класс стохастических методов общей оптимизации, возникли из дарвиновских понятий о естественном отборе и эволюции. Аналогичным образом поведение роя насекомых или стаи птиц подсказало недавно идею оптимизации по принципу роения элементов (ОПРЭ). Нейронные сети (НС) и нечеткая логика (НЛ) созданы по принципу процесса принятия решения человеком. Фрактальная геометрия возникла из потребности наилучшим образом описать чрезвычайно неправильные формы естественных объектов, таких как береговая линия, топография местности, форма облаков, снежинок, растений, листьев, деревьев. Методы, заимствованные из природы, широко используются в последнее время, чтобы найти эффективные решения все более сложным задачам в области электромагнетизма.

Используется специально разработанный ГА, с помощью которого создаются оптимизированные равномерно-возбуждаемые решетки, базирующиеся на произвольных фрактальных геометриях и называемые полифрактальными решетками (ПФР). Как оказалось, такой метод имеет несколько важных преимуществ по сравнению с обычными подходами к оптимизации решеток. Во-первых, характерная фрактальная геометрия ПФР дает простой и компактный способ описания весьма сложных структур с помощью небольшого числа параметров. Именно это уникальное свойство и положили в основу эффективной схемы кодирования ГА, применяемой для оптимизации ПФР. Во-вторых, благодаря возможности итеративного получения целых сегментов ПФР, удалось создать быстрый алгоритм формирования ДН, необходимый для эффективного расчета связанных между собой ДН. Этот алгоритм значительно сокращает время оценки пригодности (соответствия) каждого элемента группы, что, в свою очередь, снижает общее время, требуемое для выполнения ГА. Фрактальная схема кодирования в сочетании с быстрым алгоритмом формирования ДН позволяет применять подход ГА для разработки гораздо больших оптимальных конфигураций решеток, чем было ранее возможно.

В данной статье мы развиваем идею, представленную ранее в [13-14], в направлении усовершенствования разработки ПФР за счет периодического применения хромосомо-подобного расширения, основанного на аутополиплоидии, которое позволяет - в ходе процесса оптимизации - увеличивать степень произвольности получаемых антенных решеток. Сутью проблемы создания антенной решетки является получение полностью произвольной конфигурации, поскольку она обладает наивысшей степенью свободы. Тогда положение любого антенного элемента в конструкции решетки было бы независимым параметром. Однако если иметь при расчете большое число параметров, оптимизационные процессы типа ГА часто становятся очень сложными. Более того, прямой расчет множителя для произвольных решеток может стать очень затратным, особенно для решеток большого размера (т.е. с большим N). В данной статье мы описываем процесс, при котором происходит удвоение числа генераторов (функций), используемых для описания ПФР. Этот процесс, называемый нами аутополиплоидизация генератора, заменяет каждый генератор двумя его копиями, идея чего заимствована из аутополиплоидизационной мутации, имеющей место в природе. По мнению биологов, такая мутация сильно повлияла на эволюцию растений и животных, обеспечив дополнительную степень свободы, что способствовало эволюционным процессам и в то же время сохраняло особенности, характерные для предыдущего поколения организмов. В используемом нами ГА мы моделируем аутополиплоидизацию путем удвоения генераторов фрактально-произвольной структуры и путем произвольного применения одной из его копий везде, где применялся исходный генератор. Такой метод создает в конце концов однородную структуру антенной решетки, удваивая при этом число параметров, используемых для ее описания. После этого появляется возможность разработки каждого генератора независимо от других, что дает искомую гибкость процесса разработки и обеспечивает большую произвольность ПФР, чем ранее. Ступень разработки, называемая периодом, продолжается до тех пор, пока оптимизация не достигнет своего предела. Достигнув предела в рамках периода, мы выполняем аутополиплоидизацию генератора по каждому члену совокупности и далее начинаем следующий период разработки. Таким образом, этот цикл можно использовать для эффективной разработки оптимизированных произвольных решеток на базе периодических, детерминистских фрактальных или иных ранее детерминированных ПФР.

Делись добром ;)