融合学习机制的人工蜂群算法在阵列天线综合中应用的研究

Many antenna array synthesis problems can be modeled as some widely used common optimization models: complex constrained optimization model and large-scale multi-objective optimization model. The characteristics of these models are too complex, large-scale and so on, which brings huge challenge for the algorithms: low efficiency and difficult to find global optimal solutions for complex constrained optimization problem, and very difficult to find a set of uniformly distributed Pareto optimal solutions in reasonable time for large-scale multi-objective optimization problem. This project combines artificial bee colony algorithm with constraint-handling technique and large-scale multi-objective-handling technique, and develops the efficient algorithms. The main tasks of this project are to: (1) investigate the search direction learning strategy and step size learning strategy for the search mechanism of artificial bee colony algorithm; (2) build the coevolution learning strategy for constrained optimization problems and develop constrained optimization method to solve antenna array synthesis problems; (3) study the variable learning strategy for large-scale multi-objective optimization problems and design large-scale multi-objective optimization method to solve antenna array synthesis problems. The research results of this project will be very beneficial to applying intelligent optimization algorithm to deal with antenna array synthesis problems, and have great theoretical and practical value.

阵列天线综合中的很多问题可以建成共同类型的优化模型：复杂约束优化模型和大规模多目标优化模型。这些模型具有复杂、大规模等特点，给已有的求解算法带来巨大挑战：对复杂约束优化模型难以求出可行域中的全局最优解、求解效率低；对大规模多目标优化模型难以在合理时间内求出分布良好的Pareto解集。本项目以人工蜂群算法为搜索工具，结合约束处理技术和大规模多目标处理技术，开发出高效可信的智能优化算法。主要研究内容包括：（1）研究适合人工蜂群算法搜索机制的搜索方向学习策略和步长学习策略；（2）建立约束优化问题的协同学习策略，发展阵列天线综合的约束优化技术；（3）研究适合大规模多目标优化问题的变量学习策略，设计阵列天线综合的大规模多目标优化技术。本项目的研究成果对智能优化算法在阵列天线综合问题中的应用将起到积极的推动作用，具有重要理论和应用价值。

阵列天线综合中的很多问题可以建成复杂单目标优化模型或大规模多目标优化模型。本项目针对所建优化模型的难点和关键问题开展研究，取得了具有国际影响力的研究成果。代表性研究成果包含以下几个方面：1. 发展一种新的基于罚函数进化算法求解约束优化问题。利用罚函数法将约束优化问题转化为无约束优化问题。接着，提出一个两阶段的搜索模型求解转化后的优化问题，有效平衡种群的多样性与收敛性。2. 提出利用多目标优化进化算法求解约束优化问题。 将约束优化问题转化为双目标优化问题，通过基于分解的局部和全局搜索模型求解转化后的优化问题，并利用方向向量调整策略引导算法搜索。3. 开发了一种新的高效非线性方程组求解方法。该方法结合了多样性指标，多目标优化和聚类等三种技术，数值实验验证了算法的有效性。4. 提出了融合多目标最速下降方向的多目标进化算法。该算法利用多目标梯度信息构造帕累托下降方向，加速收敛，利用基于分解的多目标进化算法提高种群的多样性。5. 为了利用多目标进化算法和局部搜索方法的优点以更好的平衡算法局部开发和全局探索能力，提出了一种新的搜索机制求解多目标优化问题。实验结果表明，该算法能够有效的求解多目标优化问题，特别是具有复杂PS形状的问题。项目实施过程中，课题组在IEEE Trans等期刊上发表论文18篇，申请发明专利2项，获省部级科技奖励3项，参加多个国内外重要会议，与同行专家进行深入的学术交流与合作。