基于自适应遗传算法低噪声放大器设计.docVIP

基于自适应遗传算法低噪声放大器设计 　　摘 要： 低噪声放大器是射频接收系统的关键组成部分，决定了系统的噪声特性，直接影响接收灵敏度。提出一种利用自适应遗传算法设计低噪声放大器匹配电路的思路，自动优化交叉概率和变异概率，避免了易早熟的缺点。采用这一算法进行了放大器设计实验，放大器具有较低的噪声系数、较高的放大增益，以及较好的带外抑制效果。实验结果表明实测和软件仿真性能吻合较好，证明了自适应遗传算法设计的可靠性。 　　关键词： 自适应遗传算法； 低噪声放大器； 匹配电路； 射频接收系统 　　中图分类号： TN710?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2015）22?0118?04 　　遗传算法是模拟生物界的遗传和进化过程的计算模型，由Holland在20世纪70年代提出，广泛应用于非线性系统的优化计算中。它是一类通过模拟生物界的自适应过程，而提出的搜索最优解的优化方法。这一方法为求解各类复杂问题提供了一种易于实现的解决方案，其基本思想是利用某种编码技术把特定的问题与二进制串相联系，从一个随机的初始群体出发，通过复制、交叉、突变等操作，产生性能更优的下一代群体，直到满足停止准则为止。遗传算法具有通用、并行、稳健等突出特点，适用于解决全局优化问题，但传统遗传算法容易出现收敛速度慢和早熟收敛的问题[1]，因此可能需要很长时间才能够找到最优解。针对算法存在的不足，本文提出了一种自适应遗传算法，通过自动优化交叉概率和变异概率，避免了传统算法中易早熟的缺点。利用该算法成功进行了放大器的匹配设计，兼顾了较低的噪声系数和较高的放大增益，同时取得较好的带外抑制效果。实验结果表明实测和软件仿真性能吻合较好，证明了自适应遗传算法设计的可靠性。 　　1 算法设计 　　1.1 设定编码位数n和种群规模N 　　用二进制编码表示提取的参数，编码位数为n，参数最小变化量为Δ，则[Δ=（B1-B2）×（2n-1）]。其中B1，B2为取值范围的上边界值和下边界值。从公式可以得出，n越大，结果越精确，但是运算速度会降低；n过小则会跳出取值范围；而对于参数N，N值过大则增加收敛时间，太小则难以求出最优解。因此，需合理取n和N值。 　　1.2 评价函数 　　用YELV代表评价函数，检验每一代种群中个体的适应度。函数值越小，则提取的参数值与测量值的偏差越小，适应性越好，YELV可以用如下公示表示 ： 　　[YELV=SCal-SDes] 　　式中： SDes是要计算优化的目标参数；SCal是根据模型参数计算的数值。 　　1.3 进化算子的自适应优化 　　与其他优化算法相比，遗传算法优点众多，应用广泛。其突出特点是，基于马尔可夫链的原理，只要不超出规定的取值范围，总可以通过延长时间来计算得到最优结果。但该算法也有其固有的问题，例如，典型的“早熟”现象。由于在进化过程中，适应度较好的个体可能处于不变化的状态， 从而影响整个进化过程，使算法过早陷入局部最优，难以得到全局的最优结果，即“早熟”[2]。 　　在遗传算法的参数中，影响性能的关键是交叉概率Pc和变异概率Pm。这两个参数直接影响收敛性，需要根据实际情况进行调节，而传统遗传算法的概率值是固定的，无法保证进化过程顺利进行。 　　交叉概率用于产生下一代个体，概率值Pc越高，个体产生速度就越快，这对具有高适应度值的个体进化不利；而交叉概率Pc过小，则搜索过程会变慢，乃至停滞不前。而另一参数变异概率，如果概率值Pm过大，算法就成为了纯粹的随机搜索；概率值Pm过小则有可能使下一代个体无法产生。因此，Pc和Pm是两个难以确定的值。要解决算法问题，提高算法性能，必须使概率值Pc和Pm能够根据适应度大小进行调节。 　　当个体的适应度值低于种群均值且种群整体均值较低时，提高概率值Pc和Pm；当个体的适应度值高于种群均值时，降低概率值Pc和Pm，从而使下一代个体生成的速度降低。按照这一基本思路，设计了一种自适应的概率取值方法，可以使Pc和Pm的值根据需要自行调整，公式如下： 　　[Pc=Pcmin-c（f′-favg）fmax-favg， f′≥favgPcmax， f′favg] 　　[Pm=Pcmin-m（fmax-f）fmax-favg ， f≥favgPmmax， ffavg] 　　式中：Pcmax和Pcmin表示交叉概率取值范围的最大值和最小值，Pmmax和Pmmin表示变异概率取值范围的最大值和最小值；c，m是两个常数，取值范围在0～1之间；favg表示种群的适应度均值；fmax表示种群适应度的最大值；[f′]表示两个要进行交叉的个体中适应度大的值；f表示要进行变异个体的适应度值。按照上述公式，可以计算得出适合的Pc和Pm概率值，使算法既可以保证算法的