راهکارهاي نوين در بهينهسازي آنتن ياگي اودا
محورهای موضوعی : مهندسی برق و کامپیوترعباسعلی لطفی نیستانک 1 , فرخ حجت کاشانی 2
1 - پژوهشکده برق جهاد دانشگاهي
2 - دانشگاه علم و صنعت ايران
کلید واژه:
چکیده مقاله :
در اين مقاله روشهاي مختلف بهينهسازي از قبيل الگوريتم ژنتيك و الگوريتم ژنتيك با الهام از روش فرایند تدریجی سرد شدن فلزات و الگوريتم ژنتيک مبتني بر تصميم گيري فازي و همچنين روش گروه ذرات (PSO) در بهينهسازي يک آنتن ياگي 5 عنصره مورد استفاده قرار گرفته است. براي تحليل از نرمافزار Super NEC به دليل سرعت اجرايي بالاي آن استفاده شده است. از آنجايي که بهينهسازي آنتنها در يک باند فرکانسي از طريق الگوريتم ژنتيک و الگوريتم ژنتيك با الهام از روش فرایند تدریجی سرد شدن فلزات زمان خيلي زيادي براي اجرا میطلبد و از طرفي ممکن است با کم کردن اعضاي جمعيت و تعداد تکرار دقت بهينهسازي کم شود سيستم بهينهسازي ژنتيکي مبتني بر تصميم گيري فازي نيز معرفي شده است. همچنين روش گروه ذرات نيز به عنوان يک روش کارا و با همگرايي خوب در اين بهينهسازي معرفي شده است. مقايسه ميان تكنيكهاي بهينهسازي نشان میدهد که الگوريتم ژنتيك مبتني بر تصميم گيري فازي و همچنين روش گروه ذرات در رابطه با نتايج حاصله مؤثرتر و بهتر عمل نموده و همچنين از نظر اجرا نيز به زمان كمتري نياز دارد.
In this paper, several methods for optimization of a 5-elements Yagi antenna are proposed using genetic algorithm, genetic algorithm inspired by simulated annealing, genetic algorithm based on fuzzy decision making, and particle swarm method. High speed run time of SuperNEC software, it has been used for analyzing the presented methods. The use of genetic algorithm or genetic algorithm inspired by simulated annealing for antenna optimization in a specific frequency band, needs long run time. Besides, reduction of the number of population and the amount of repetition, causes decrease in optimization precision. So, an optimization system base on fuzzy decision making is proposed. In addition, the particle swarm method which has a good convergence rate and good performance has been proposed to obtain a better optimization. The comparison between the proposed optimization methods shows that the genetic based on fuzzy decision making and the particle swarm methods have the best performance and functionality and the least run time.
