基于粒子群优化算法的混合有源滤波器中无源滤波器的多目标优化设计_何娜

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010952125.X(22)申请日 2020.09.11(71)申请人 电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号(72)发明人 赵禹　叶芃　孟婕　杨扩军　张凯　张涛　(74)专利代理机构 成都行之专利代理事务所(普通合伙) 51220代理人 温利平(51)Int.Cl.G06F 30/373(2020.01)(54)发明名称一种基于混合粒子群算法的数字全通滤波器设计方法(57)摘要本发明公开了一种基于混合粒子群算法的数字全通滤波器设计方法，首先根据设计需要构造基于二阶节级联的数字全通滤波器的相频响应，然后基于目标相频响应，由数字全通滤波器的相频响应与目标相频响应为的误差值构造而成的代价函数；最后先利用全局搜索的粒子群算法在值域范围内搜索全局最优解，得到粗略解，再从该粗略解触发，利用列文伯格马夸尔特算法进行的精确搜索，从而优化各个二阶节全通滤波器极点的位置，实现设计的全通滤波器相频响应与目标相频响应的均方误差最小化，以此实现滤波器系数的设计。

权利要求书3页 说明书8页 附图2页CN 112084741 A 2020.12.15C N 112084741A1.一种基于混合粒子群算法的数字全通滤波器设计方法，其特征在于，包括以下步骤：(1)、构造基于二阶节级联的数字全通滤波器的相频响应；(1.1)、根据实际需求，设置数字全通滤波器的阶数N，N为偶数，对应的数字全通滤波器的二阶节个数为N/2，那么级联的数字全通滤波器的Z域表达式H(z)为：其中，H n(z)表示第n阶数字全通滤波器的Z域表达式，a n1、a n2是第n阶数字全通滤波器的系数；(1.2)、设第n个二阶节的极点为M n、θn为第n个二阶节极点的模值与相角，则N阶数字全通滤波器的极点表示为定义变量U＝[M1,θ1,M2,θ2,…,M n,θn,…,M N/2,θN/2]，则数字全通滤波器的相频响应表示为：其中，ω＝[ω1,ω2,…,ωl,…,ωL]，L为采样的频点个数；(2)、构造数字全通滤波器的代价价函数；设数字全通滤波器的目标相频响应为φgoal(ω)，则由数字全通滤波器的相频响应与目标相频响应为φgoal(ω)的误差值构造而成的代价函数φerror(U)表示为：(3)、利用粒子群算法寻找代价函数φerror(U)的全局最优解；(3.1)、设定粒子群算法的种群数S以及粒子群算法的最大迭代次数K；(3.2)、初始化粒子群为了保证数字全通滤波器每个二阶节的稳定性，则种群中每个粒子初始化的过程需要满足ρ为略小于1的常数；(3.3)、粒子群更新及迭代；(3.3.1)、计算每个粒子的更新速度；其中，为第s个粒子第k次更新后的速度，C1和C2分别对应加速因子，r1和r2为[0,1]内的随机数，zb s和gb分别为第s个粒子的历史最优解以及S个粒子组成的粒子群的全局最优解；(3.3.2)、更新粒子位置；其中，χ(·)为限定函数；(3.3.3)、计算迭代后的粒子的代价函数并根据下式更新第s个粒子的历史最优解zb s以及S个粒子组成的粒子群的全局最优解gb；(3.4)、重复步骤(3.3)，共计迭代K次，得到最终的全局最优解gb；(4)、利用列文伯格马夸尔特算法进行局部最优求解；(4.1)、设置列文伯格马夸尔特算法的总迭代次数K max，k＝1,2,…,K max，初始化k＝1；(4.2)、计算列文伯格马夸尔特算法的迭代起始点X0＝[x1,θ1,x2,θ2,…,x n,θn,…,x N/2,θN/2]，其中，(4.3)、计算第k次迭代后X k对应的数字全通滤波器的相频响应(4.4)、计算第k次迭代后X k对应的残差向量R k；R k＝φdesign(ω,X k)-φgoal(ω) (9)(4.5)、计算第k次迭代后X k对应的代价函数值；φerror(X k)＝R k·R k T (10)(4.6)、计算第k次迭代后X k对应的雅阁比矩阵J k，黑塞矩阵H k＝J k T J k以及对角阵D k＝diag{H k}；(4.7)、计算第k次迭代后的更新向量；Δk＝(H k+λ·D k)-1·J k·R k (11)(4.8)、计算第k次迭代后的新向量X new＝X k+Δk，以及对应的代价函数值φerror(X new)，然后比较φerror(X new)与φerror(X k)的大小，如果φerror(X new)＜φerror(X k)，则令X k+1＝X new，且λ＝λ/v；如果φerror(X new)≥φerror(X k)，则令X k+1＝X k，且λ＝λ×v；其中，λ、v均为整数，λ＞＞v；(4.9)、循环执行步骤(4.3)～(4.8)共计K max次，最终得到迭代终点X final；(5)、逆映射；将X final带入到下式中，得到最终的极点向量U final；(6)、根据极点向量U final计算数字全通滤波器系数；完成全通滤波器的设计。

基于改进粒子群算法的工程设计优化问题研究在当今的工程领域，优化设计问题至关重要。

它不仅能够提高工程产品的性能和质量，还能有效降低成本和缩短研发周期。

而粒子群算法作为一种强大的优化工具，在解决工程设计优化问题方面展现出了巨大的潜力。

然而，传统的粒子群算法在某些复杂的工程问题中可能存在局限性，因此对其进行改进成为了研究的热点。

粒子群算法的基本原理是模拟鸟群觅食的行为。

在算法中，每个粒子代表问题的一个潜在解，它们在解空间中飞行，通过不断调整自己的速度和位置来寻找最优解。

粒子的速度和位置更新取决于其自身的历史最优位置和整个群体的历史最优位置。

这种简单而有效的机制使得粒子群算法在处理许多优化问题时表现出色。

然而，在实际的工程设计优化中，问题往往具有高维度、多约束和非线性等特点，这给传统粒子群算法带来了挑战。

例如，在高维度空间中，粒子容易陷入局部最优解；多约束条件可能导致算法难以满足所有约束；非线性特性则可能使算法的搜索变得困难。

为了克服这些问题，研究人员提出了多种改进粒子群算法的策略。

其中一种常见的方法是引入惯性权重。

惯性权重的引入可以控制粒子的飞行速度，使其在搜索过程中更好地平衡全局搜索和局部搜索能力。

较大的惯性权重有利于全局搜索，能够帮助粒子跳出局部最优；较小的惯性权重则有助于在局部区域进行精细搜索，提高解的精度。

另一种改进策略是对粒子的学习因子进行调整。

学习因子决定了粒子向自身历史最优位置和群体历史最优位置学习的程度。

通过合理设置学习因子，可以提高算法的收敛速度和搜索效率。

此外，还有一些研究将粒子群算法与其他优化算法相结合，形成混合算法。

例如，将粒子群算法与遗传算法相结合，利用遗传算法的交叉和变异操作来增加种群的多样性，避免算法早熟收敛。

在工程设计优化问题中，改进粒子群算法已经取得了许多显著的成果。

以机械工程中的结构优化设计为例，通过改进粒子群算法，可以在满足强度、刚度等约束条件的前提下，优化结构的形状、尺寸和材料分布，从而减轻结构重量，提高结构的性能。

基于混合粒子群算法的多目标水资源优化配置方法
混合粒子群算法作为优化算法在水资源优化配置中，已经发挥了重要作用，有效地提高了多目标优化效果。

混合粒子群算法是一种基于个体粒子搜索的进化优化算法，是合成思想的化简应用，该算法是由Kelley等人发明的。

它结合了传统的粒子群算法(PSO)和遗传算法(GA)、蚁群算法(ACO)等进化算法，将它们的优点相结合，克服它们的缺点，模拟真实的现实情况。

它以粒子群算法为基础，通过引入遗传算法和蚁群算法中的有关参数，克服了粒子群算法缺乏全局搜索能力的缺陷。

由于它具有较强的收敛性、较强的全局搜索能力等优点，因而在优化问题中得到广泛的应用。

水资源优化配置是一个多目标的优化配置问题，涉及多道系统的多指标最优参数配置，且存在复杂的数据权重空间，仅根据算法定义不能有效地解决多目标优化问题，必须引入一般策略。

基于混合粒子群算法，可以从全局优化结果出发，比较系统向量多样性，以及识别全局最优答案，因此被广泛应用于水资源优化配置中。

基于混合粒子群算法的关键步骤包括：首先，个体粒子的选择，每个粒子的初始位置。

然后，对个体进行评估和更新，计算每个个体最近变异的最优值，并计算空间搜索的最优路径。

最后，使用变异技术或重新发射技术来避免算法停滞，不断更新每一粒子对全局最优点的记忆。

此外，还需要根据实际需求设计混合粒子群算法的适当参数，以提高算法的收敛性。

PSO 中的算法参数设置有助于减少了粒子搜索期间产生的振荡和局部最优，而遗传算法中的参数设置，则增强了算法效率，而这两个参数结合后，可以有效地实现多目标的优化配置。

总的来说，基于混合粒子群算法的水资源优化配置，需要综合考虑水资源多目标优化。

多频带太赫兹滤波器的设计米洋;吴倩楠;闫仕农【摘要】Based on the different resonant responses to the electromagnetic fields produced by different sizes of square closed-ring resonator (CRR),a terahertz(THz) multiband filter comprised of 6 CRRs was proposed. By utilizing the finite-difference time-domain method (FDTD),the transmission characteristic of the filter was studied.It is found that the filter can produce six-band filtering performance when the electromagnetic(EM) wave is incident to the plane of the resonant ring normally or obliquely, and the filtering performance of the THz filter is independent to the variation of the incident angle of EM wave due to the symmetry of square closed-ring resonator. This design increases the number of the filtering band so as to improve the frequency sensitivity. The proposed method can provide a theoretical tool to perform multiple angles sensors, THz communication technologies and so on.%基于不同大小形状的谐振环对电磁场不同响应的原理,设计了一种由6个嵌套式的方形封闭谐振环结构(CRR)组成的多频带太赫兹滤波器.通过利用时域有限差分法(FDTD)对该滤波器的透射特性进行研究,结果表明:当电磁波正入射或斜入射到谐振环所在平面时,能够出现六频带的滤波性,并且其透射系数对入射角度的变化并不敏感.该设计增加了滤波频带的个数,提高了滤波器对频率的敏感度,为多频带传感器、太赫兹通信技术等领域提供了理论方法.【期刊名称】《应用光学》【年(卷),期】2016(037)005【总页数】6页(P759-764)【关键词】功能器件;太赫兹滤波器;时域有限差分法;方形谐振环;多频带【作者】米洋;吴倩楠;闫仕农【作者单位】中北大学理学院,山西太原 030051;中北大学理学院,山西太原030051;中北大学理学院,山西太原 030051【正文语种】中文【中图分类】TN713.1;O436太赫兹波是指频率在0.1 THz～10 THz范围内的电磁波，由于其具有宽频谱、高透射、低辐射等特性，在通信、成像、安检和防御等领域有着潜在的应用前景[1-3]。

粒子群优化算法在fir数字滤波器设计中的应用-概述说明以及解释1.引言1.1 概述FIR数字滤波器在信号处理领域中具有广泛的应用。

然而，设计一个能够满足各种要求的高性能FIR数字滤波器是一个具有挑战性的任务。

传统的设计方法需要耗费大量时间和精力，而且往往无法找到全局最优解。

为了解决这个问题，粒子群优化算法被引入到FIR数字滤波器设计中。

粒子群优化算法是一种基于群体智能的优化算法，其灵感来源于鸟群觅食的行为。

每个个体代表一个潜在的解决方案，通过相互之间的信息交流和学习来不断调整自身的位置和速度，最终找到问题的最优解。

本文旨在探讨粒子群优化算法在FIR数字滤波器设计中的应用。

首先，我们将介绍FIR数字滤波器的基本原理，包括其结构和工作原理。

接着，我们将详细介绍粒子群优化算法的基本原理，解释其如何在搜索空间中探索最优解。

然后，我们将重点讨论粒子群优化算法在FIR数字滤波器设计中的具体应用，包括参数的选择和优化目标的设置。

最后，我们将通过一些应用案例的分析来验证粒子群优化算法在FIR数字滤波器设计中的有效性和优越性。

本文的目的在于全面介绍粒子群优化算法在FIR数字滤波器设计中的应用，并探讨其在性能优化方面的潜力。

通过深入研究和实证分析，我们希望为进一步改进和发展FIR数字滤波器设计方法提供参考和启示。

综上所述，本文将在概述FIR数字滤波器和粒子群优化算法的基础上，探讨其在FIR数字滤波器设计中的应用。

通过深入研究和应用案例分析，我们将展示粒子群优化算法在提高FIR数字滤波器性能方面的潜力和优势。

最后，我们将总结文章的主要内容，并展望未来对该领域的研究方向。

1.2 文章结构本文主要分为引言、正文和结论三个部分。

下面将逐个介绍各个部分的主要内容。

在引言中，我们将对本文所涉及的主题进行概述，包括FIR数字滤波器的基本原理以及粒子群优化算法的基本原理。

我们还将介绍本文的结构和目的，以及对本文所展开讨论的问题进行总结。

基于多目标粒子群算法的无源电力滤波器优
化设计
本文利用多目标粒子群算法对无源电力滤波器进行优化设计。

无
源电力滤波器是一种常用于电力系统中的滤波器，主要用于减小功率
电子设备对电力系统电网的干扰，提高电力系统的稳定性和可靠性。

该滤波器的设计中需要考虑多个指标，如滤波效果、成本、体积等。

因此，多目标粒子群算法是一种有效的优化设计方式。

首先，本文介绍了无源电力滤波器的基本原理和结构，以及滤波
器设计中需要考虑的指标。

其次，本文详细介绍了多目标粒子群算法
的原理和流程，并针对无源电力滤波器的设计进行了优化。

最后，本
文通过仿真实验验证了利用多目标粒子群算法进行优化设计的有效性，并对结果进行了分析和总结。

综上所述，基于多目标粒子群算法的无源电力滤波器优化设计可
以有效提高电力系统的稳定性和可靠性，具有广泛应用前景。