《表1 仿真实例1优化结果的数值对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《改进狼群算法用于多约束稀布线阵综合》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

分析可知，本例中N=8，L=4.872λ。本文采用五种算法进行优化。基本参数设置为:狼群规模M=50，最大迭代步数300，探狼比例因子α=4，最大游走次数Tmax=20，距离判定因子ω∈[200 1 000]，步长因子S∈[200 1 000]，更新比例因子β=6。为防止陷入局部最优，采用停滞检测机制，并选择性地对狼群进行变异。为了体现对比公平性，五种算法进行本例综合仿真时都独立随机进行10次，取最优值进行对比，结果如表1所示。从表1中可以看出IQWPA得到的最优结果分别比文献[2，7]、MBH、HGSA优化得到的最优结果低0.429d B、0.122 d B、0.270 d B、0.153 d B。可见从全局优化能力来看，IQWPA是五种算法中最好的。图4描述了IQWPA进行10次综合时得到的适应函数值收敛曲线。从图中可以看出最低适应函数收敛值与最高适应函数收敛值分别为-19.919 d B和-19.513 d B，两者仅相差0.406 d B，显然，IQWPA算法具有很好的数值稳定性。文献[7]的MGA采用种群数200，终止代数300的参数设置，其平均PSLL为-19.57 d B。而本文IQWPA的种群数为MGA的25%，且平均收敛曲线在45代时已达到-19.59 d B，很明显IQWPA要比MGA[7]有更高的优化效率。