基于遗传算法的微波小信号场效应晶体管线性电路建模.docx

基于遗传算法的微波小信号场效应晶体管线性电路建模概述--- 介绍微波和毫米波林——耳的设计低噪声放大器等电路要求准确小信号的建模活动组件的行为,典型的砷化镓金属半导体场效应晶体管和砷化镓或InP-based MODFET。此外,小信号模型(SSM)通常使用作为构建块大信号建模的非线性电路(功率放大器、振荡器、混频器)在不同震荡点和插值的提取。由于大量的等效电路元件（在大多数情况下从12到19）是在微波和毫米波器件的小信号宽带被建模的需要的行为，用传统的SSM整套参数优化，基于梯度的技术是一个巨大的计算任务。更费力的是几个存在局部极小的误差函数（S-参数测量和模拟在感兴趣的频率范围之间存在计算的差异），导致优化结果的选择的初始试验的敏感性显着，因为它是众所周知的，基于梯度的优化算法容易陷入局部极小点。不幸的是，往往只有一个非常粗略的先验知识的参数值是可用的，使得寻找优化过程中的一个适当的起始点严重困难。为了减少未知参数的数量，通常的做法是测量，作为第一步，SSM提取，外部（即，寄生部分）元素，这通常被认为是偏见的独立。去嵌入的外部参数通常作为第一步进行，当传统的数值优化方法使用的时候，避免了不唯一的结果，换言之，不同的参数集，产量大约相同的装置模拟的响应。1)生成随机人口P n个人(0 - 1 b的字符串)和评估他们的健康。随机技术,如遗传算法(GA)和模拟退火多年来一直被广泛使用在复杂优化问题,应用微波CAD中可以找到[4]-[7]。在本文中,我们目前第一次小信号的优化方法等效电路,利用GA加上semi-heuristic当地探索过程。该方法特别有吸引力,因为:1)它是一个全球性的估计方法能够避免gradientbase的局部极小值问题技术即使只有一种非常粗略的估计优化前模型参数值是可能的;2)效率计算,这意味着复杂的导弹可以吗与计算的时候几满意优化分钟低成本个人电脑平台;3)随机搜索由我们的GA(允许大量的参数19在当下工作)包含在优化过程没有eccessive计算机开销。在下一节中我们将描述遗传算法;提出优化结果和讨论111年部分,并对一些结论在第四节中进行了总结。二、遗传算法从荷兰的开创性工作人工适应[8]许多研究的贡献和应用也出现了GA的文献:看到在这个问题上还包括广泛的参考书目例如[9],[10]等。特别是,GA的能力和遗传算法在解决全局优化问题的有效性已经出现[11]。在本节中,我们将简明地提出部分优秀的 GA(PEGA)场效应晶体管小信号模型优化设计。该算法的轮廓是第一,其次是解释性的言论和意见。生成随机人口P n个人(0 - 1 b的字符串)并评估他们的健康。创建一个流动人口Pt,由n个人组成,通过复制,适应度偏差的随机过程, P为Pt的成员。应用遗传算子(交叉,变异)Pt。评估所有的个人Pt。提取随机(没有任何健身偏见) η.n(0≤η≤ 1)成员P和其他成员包括在Pt中(部分精英的过程)。选择确定性最好的个体n从n +η的Pt中取代成员 P。提取一个个体随机的最好的方法,应用semi-heuristic当地勘探过程提取的个体,把修改后的个体(其健身已得到改进或在最坏的情况下没有改变)作为个体P。如果停止标准不被满足,则执行2。选择最好的个体P并退出。群体个体(字符串)的群体P表示向量点模型的参数空间。让我们假设有关SSM特性l参数,其值由πi表示(i =1…l)。一旦用户定义的最小和最大值为每个参数(分别为πimin和πimax)在范围内,每一个模型参数的值是与12 b编码允许的范围内。每个字符串的12.l b是由l 12-b以参数编码的方式合并而成。同样，分组具有的重要性(位置在12 b参数编码),从最重要的开始，结束在最不重要的部分。句话说,每个字符串将以l参数编码最重要的部分开始并以l最低有效的结束。这个编码策略使得交叉算子更有效。程序默认值n = 100,即,是由100人组成的。适应度适应度很简单的被定义为K -|E|,在哪里错误(1)中定义的规范。K是一个积极的常数选择足够大的适应度总是必须的。C．繁殖 再生期，在步骤2中，创建了流动人口（Pt）从原来的（P）的随机选择，但可接受的偏差，从P一个人，复制它在Pt，重复这个过程N次。适应度更高的个体相对于适应度低的个体往往将被复制，和在步骤2的Pt端将更好的平均适应度比P。 因此，这一步实现了一种适者生存的哲学。繁殖采用随机剩余的选择不更换[9]，[12]。必要的适应性缩放使用线性缩放系数的违约值为1.4（见【9】细节）。D.遗传算子交叉和变异，在这个秩序中，是遗传算子的应用步骤3。首先，所有的Pt的字符串是随机配对。然后，字符串对接受概率Pc交叉（错误率在0.9）。交叉是一个字符串片段两串对之间的交换，最重要的工具，算法可以生成和测试新的字符串（即