论文部分内容阅读
本文对智能优化计算在电磁散射中的应用进行了研究。主要内容如下：
(1) 将IA应用于等离子体散射问题中的参数优化。与盲目搜索相比，IA 能以较小的计算量获得相对很大搜索精度下的最优解。本文分析了它的种群多样性。若问题没有局部极值的影响，种群多样性将呈下降趋势。
(2) 将PSO应用于等离子体散射问题中的参数优化。发现它可以用比IA更少的计算量获得同样搜索精度下的最优解。又由于PSO参数设置简单，因此更具实用性。通过分析粒子移动的特点，可以看到粒子有序地向最优位置靠拢，因此，它的种群多样性也呈下降趋势。
(3) 将PSO应用于目标开槽几何参数的优化。由于FDTD计算需要将目标剖分，因此搜索空间必须离散化。分别用BPSO和四舍五入PSO搜索，发现BPSO速度更快。由于算例问题有局部极值的影响，两者的种群多样性呈上升趋势，这正反映了PSO对局部极值的适应性。
(4) 提出了一种新型Lbest模型和GLbest模型。分析了GLbest模型，它确实能对某些函数搜到Gbest不能搜到的最优解，且比Lbest速度有所提高，证实了该模型提出思想的合理性。
(5) 将PSO训练神经网络的方法应用于雷达目标识别。用FDTD计算四个简单目标的频域RCS响应。分别以10个、8个、6个频点的RCS值作为训练样本，以CPSO为学习算法训练神经网络，发现8个频点以上的训练样本可以成功地对目标进行分类。