Aplicacin de PSO y GAs a la sntesis de agrupaciones lineales de antenas

Marcos A. Correa Javier Villanueva Jess R. Prez Jos Basterrechea ETSIIT. Dpto. Ingeniera de Comunicaciones Universidad de Cantabria eje de la agrupacin, y n es la fase de la distribucin de corriente de cada antena, siendo an y n los parmetros a optimizar. Para hacer un estudio comparativo entre ambos mtodos globales de optimizacin, es necesario efectuar antes un proceso de parametrizacin que permita establecer para cada algoritmo, su configuracin ptima para su aplicacin al problema electromagntico propuesto. Realizada la puesta a punto de los algoritmos se est en disposicin de aplicarlos a la sntesis de estructuras lineales ms complejas. II. MTODOS DE OPTIMIZACIN: GAs Y PSO Los algoritmos genticos constituyen un mtodo de optimizacin cuya popularidad ha crecido notablemente durante la ltima dcada. Como no poda ser de otro modo, esta tendencia se ha ido extendiendo a mltiples campos de investigacin, entre los que se encuentra la sntesis y optimizacin electromagntica en muy diversas reas. En los GAs un conjunto de soluciones potenciales poblacin- se somete a un proceso de evolucin que conduce a una solucin ptima global. Dicha evolucin se lleva a cabo a travs de un proceso de seleccin sopesado por la denominada funcin de fitness, y la exploracin del espacio de soluciones se realiza por medio de procesos de recombinacin y mutacin de las caractersticas genticas asociadas con cada uno de los cromosomas de la poblacin. De las mltiples variantes de GAs existentes (GAs de codificacin real, binaria, hbridos, microgenticos, etc), en este artculo se utilizan los GAs de codificacin real con diferentes estrategias para los operadores de cruce y mutacin [2]: cruce discreto, continuo, convexo/aritmtico y heurstico, y mutacin creep 3%, boundary, uniforme, no uniforme y multi no uniforme. Al margen de las estrategias estndar, tambin se hace uso de variaciones de las mismas [3]. El algoritmo de optimizacin PSO constituye una alternativa seria a los GAs, y nace en un intento por trasladar al campo de la optimizacin el comportamiento social que exhiben comunidades de organismos tales como las abejas, las aves o los peces en su desplazamiento en busca de alimento. En PSO, cada individuo de la poblacin representa una posible solucin dentro del espacio de soluciones Ndimensional y, junto con el resto de sus congneres, recorre el espacio en busca de la solucin ptima, utilizando, al igual que los GAs, una funcin de fitness para cuantificar la calidad de su vector de posicin. El desplazamiento sobre el espacio de soluciones viene dado por la adaptacin de los vectores velocidad (2) y posicin (3) de cada partcula [4]. A
e-mail : basterrj@unican.es, perezjr@unican.es

Abstract- Genetic algorithms (GAs) and Particle Swarm Optimization (PSO) are commonly used to solve many optimization and synthesis problems. An important issue facing the user is the selection of their parameters, such as crossover and mutation strategies and rates in GAs, or the population size and boundary conditions in PSO. This paper shows an exhaustive process to obtain those parameters and demonstrates that PSO is more efficient than the real-valued GA when both are applied to linear array synthesis. PSO, with less computational burden and generally fewer lines of code than GAs, turns out to be a more efficent algorithm for the design problem analyzed. I. INTRODUCCIN

Como alternativa a las teoras clsicas, los mtodos de optimizacin estocstica estn adquiriendo cada vez ms importancia dentro del campo de la sntesis electromagntica. Basndose en la teora de Darwin de la evolucin y en el estudio del sincronismo de los bancos de peces y las bandadas de aves, surgen, respectivamente, los algoritmos genticos (GAs) y la optimizacin con enjambre de Partculas, ms conocido entre la comunidad cientfica como PSO. En este artculo se va a efectuar una comparacin entre ambos mtodos de optimizacin con el objetivo de comprobar si pueden aplicarse eficientemente a problemas de sntesis de alimentaciones de agrupaciones lineales de antenas. Esta sntesis se reduce bsicamente a estimar los fasores de la distribucin de corriente de cada uno de los elementos que conforman la agrupacin, de forma que cumplan con unas condiciones de radiacin sujetas a unas especificaciones de partida en forma de mscara. De este modo se dispone de un mtodo vlido para cubrir, con una cierta agrupacin, una zona geogrfica determinada. El estudio del comportamiento de una agrupacin lineal de antenas puede, en primera aproximacin, reducirse al estudio de su factor de agrupacin, dado por (1), [1].
FA( ) =

a
n =1

e j (((n 1)k d cos( ))+ n )

(1)

donde N es el nmero de antenas o elementos radiantes de la agrupacin, an es el mdulo de la distribucin de corriente de cada antena, k = 2/ es la constante de propagacin, d es la distancia entre los radiadores, es el ngulo con respecto al

la velocidad de la partcula contribuyen dos componentes fundamentales: la inercia (), que indica la probabilidad que presenta la partcula para continuar en la direccin en la que viaja por el espacio de soluciones, y las constantes de aceleracin C1 y C2.
v n = v n + C1 rand () ( Pbest ,n x n ) + C 2 rand () (Gbest , n x n ) xn = xn + vn

bsqueda bibliogrfica [5, 6] para obtener puntos de partida razonables. Como resultado se seleccionaron dos funciones de fitness (4) y (5) que, en principio, ofrecan resultados aceptables, y se introdujo una modificacin para obtener una tercera (6).
1 Fn = 1 /(1 + M
M

(2) (3)

i =1

2 AFlmit ( i ) AF ( i ) ) AFlmit ( i )

(4)

En (2) vn representa la velocidad en la dimensin nsima, C1 es la constante de aceleracin 1 o memoria, e indica el grado en el que influyen los resultados propios de un individuo, C2 es la constante de aceleracin 2 o cooperacin, que indica la influencia del resto de individuos, rand es un nmero aleatorio, Pbest es la mejor posicin local encontrada por el individuo hasta el momento, Gbest es la mejor posicin global encontrada por toda la poblacin de individuos hasta el momento y xn es la posicin de la partcula en la dimensin n. En trminos de complejidad, el PSO es ms sencillo de implementar que los GAs, puesto que slo existe un operador, la velocidad de partcula, frente a los operadores de seleccin, cruce y mutacin inherentes a los GAs, cada uno de los cuales a su vez admite diferentes estrategias de implementacin. Al margen de los operadores, en el PSO clsico slo hay que fijar la poblacin, velocidad mxima de partcula, peso inercial y constantes de aceleracin, existiendo valores tpicos que reducen la seleccin al tamao de la poblacin en la versin ms simplificada. En los GAs, hay que aadirle a la seleccin de la poblacin, el ajuste de las tasas de cruce y mutacin. III. RESULTADOS Para realizar la sntesis de agrupaciones lineales de antenas por medio de los dos mtodos de optimizacin, es necesario obtener estadsticamente los parmetros ptimos para cada algoritmo de optimizacin. En ambos optimizadores, el nico nexo de unin entre el problema fsico y el algoritmo es la funcin de fitness. Por lo tanto, el primer paso debe centrarse en seleccionar adecuadamente la expresin del fitness que depare un coste computacional mnimo. Se define, pues, un problema cannico sencillo formado por una agrupacin lineal de 15 elementos equiespaciados /2, que ser utilizado para la bsqueda de la funcin fitness adecuada y para la puesta a punto de los optimizadores. Despus de encontrar la configuracin ptima para cada mtodo de optimizacin se aplicarn ambos algoritmos a un problema ms complejo de sntesis de una agrupacin con 30 elementos equiespaciados /2. A. Eleccin de la funcin fitness Con el objetivo de buscar el equilibrio entre precisin en las soluciones y coste computacional, se propone la bsqueda de una funcin de fitness que se adecue al problema a resolver. Para deducir una frmula vlida se ha efectuado una

Fn = 1 /(1 + (
M

mx(| AF ( ) | | AF
i i =1 mnlmit

mxlmit

( i ) |,0) 2 +
(5)

mx(| AF
i =1 M

( i ) | | AF ( i ) |,0)

))

Fn = 1 /(1 + ( +

mn
i =1

dB

(| AF ( i ) | | AFmxlmit ( i ) |,0) 2 +

mn
i =1

(6)
2

dB

(| AFmnlmit ( i ) | | AF ( i ) |,0) ))

En las ecuaciones (4) a (6), M es el nmero de puntos conocidos del diagrama de radiacin, AFlmit es la mscara impuesta que condiciona la radiacin de la agrupacin, AF es el propio diagrama de radiacin de la agrupacin, y es el ngulo de barrido espacial. Para cada uno de los mtodos de optimizacin se han realizado 15 simulaciones independientes en las que se estudia el comportamiento de cada una de las funciones propuestas. En las Figs. 1 y 2 se muestra la influencia de la funcin de fitness sobre los resultados para una realizacin concreta y para ambos optimizadores, GAs y PSO. Los resultados muestran que las funciones (5) y (6) son apropiadas para el problema. Sin embargo, dada su rapidez de convergencia para situaciones similares, se opt por utilizar la funcin (6) durante el resto del estudio, analizando si es realmente capaz de ajustarse a diferentes circunstancias, como son la presencia de nulos en la mscara o el cambio de apuntamiento de la misma.

0 -5 -10 Factor de Array (dB) -15 -20 -25 -30 -35 -40 -45 -50 0 20 40 60 80 100 Theta (grados) 120

Func. fitness 1 Func. fitness 2 Func. fitness 3 Mascara

140

160

180

Fig. 1. Factor de array. Efecto de la funcin de fitness sobre el rendimiento de los GAs.

0 -5 -10 Factor de Array(dB) -15 funcion fitness 1 funcion fitness 2 funcion fitness 3 mascara

mutacin mostrados en la Fig. 4 se puede concluir que la estrategia ptima para el operador de mutacin a emplear en problemas de sntesis de agrupaciones lineales mediante algoritmos genticos con codificacin real es la mutacin no uniforme.
Evolucion fitness maximo medio

-20
1

-25 -30 -35 -40

0.8

20

40

60

80 100 Theta(grados)

120

140

160

180
0.4 Creep 3% Non-Uniform (NCSU) Non-Uniform (EC) Uniform Multi-Non-Uniform (EC) v.2

Fig. 2. Factor de array. Efecto de la funcin de fitness sobre el rendimiento del PSO.

Fitness

0.6

0.2

B. Puesta a punto de los algoritmos Se hace necesario parametrizar ambos optimizadores con vistas a poder realizar la sntesis de agrupaciones lineales minimizando el tiempo de CPU. Para tal propsito, y en lo que respecta a los GAs, se inicia el estudio analizando la estrategia de cruce ms recomendable, manteniendo invariables el resto de los parmetros. Haciendo uso de los datos obtenidos en estudios previos, se parte de una configuracin inicial tpica con mutacin no uniforme, probabilidades de cruce y mutacin Pcruce=70% y Pmutacin=5% y una poblacin de 60 individuos, que coincide con el doble del nmero de parmetros a optimizar (excitacin compleja de los 15 elementos de la agrupacin). La comparativa de las estrategias de cruce se muestra en la Fig. 3.
Evolucion fitness maximo medio

500

1000

1500 N iteraciones

2000

2500

3000

Fig. 4. Anlisis de los GAs. Evolucin del fitness mximo medio para cada estrategia de mutacin.

En lo que respecta al PSO, el anlisis se inicia utilizando una configuracin tpica de partida con parmetros =0.729 y C1=C2=1.49445. Se realiza un estudio de la influencia sobre el rendimiento del optimizador de parmetros tales como la poblacin, la velocidad mxima permitida a las partculas, el tipo de pared lmite [4] y los tipos de PSO clsicos existentes en sus versiones global y local, aunque solo se muestren a modo representativo en la Fig. 5 los resultados de estos ltimos.
Evolucion fitness maximo

0.8
0.8

Fitness

0.6

Fitness

0.6

0.4
0.4

0.2
0.2 Cruce Discreto Cruce Continuo Cruce Convexo/Aritmetico Cruce Heuristico 0 1000 2000 3000 4000 N iteraciones 5000 6000 7000

global asincrono global sincrono local asincrono local sincrono

500

1000

1500

2000 2500 3000 N de iteraciones

3500

4000

4500

5000

Fig. 3. Anlisis de los GAs. Evolucin del fitness mximo medio para cada estrategia de cruce.

Fig. 5. Anlisis del PSO. Evolucin del fitness mximo para diferentes esquemas del algoritmo.

Tal y como se deduce de la Fig. 3, la estrategia ptima para el operador de cruce es el cruce discreto. A continuacin se analiza qu estrategia de mutacin es la adecuada. Se mantienen invariables las probabilidades de cruce y mutacin as como el tamao de la poblacin, considerando el cruce discreto en el anlisis. De los resultados del anlisis de la

A modo de resumen, en las Tablas 1 y 2 se expone la configuracin ptima para cada uno de los mtodos de optimizacin investigados. Debe resaltarse que estos resultados son aplicables al problema bajo estudio, no siendo necesariamente extrapolables a otras aplicaciones de diseo electromagntico.

Evolucion del fitness maximo

PARMETROS PTIMOS DEL GA Parmetro Valor Poblacin 4N Mtodo de Cruce Discreto PCruce [70%,80%] Mtodo de mutacin No uniforme Pmutacin 5%
Tabla 1. Parmetros ptimos de los GAs

0.8

Fitness

0.6

GAs PSO

0.4

PARMETROS PTIMOS DEL PSO Parmetro Valor Tipo de PSO Global Asncrono Pared Lmite Invisible C1 C2 Peso inercial Constante 0.729 1.49445 1.49445 Poblacin [50,75] Velocidad [80%,100%]
Tabla 2. Parmetros ptimos del PSO

0.2

1000

2000

3000 4000 N iteraciones

5000

6000

Fig. 7. Comparacin del fitness mximo.

IV. CONCLUSIONES La aplicacin de tcnicas de optimizacin global a cualquier problema de diseo electromagntico requiere sintonizar el algoritmo para la aplicacin en concreto. En este trabajo se muestra un anlisis comparativo entre PSO y GAs aplicados a la sntesis de alimentaciones en agrupaciones lineales de antenas. El estudio paramtrico inicial permite determinar que conjunto de parmetros definen la configuracin ptima del algoritmo para la aplicacin bajo anlisis. La comparacin entre ambos mtodos permite concluir que aunque son vlidos para la sntesis de arrays, la sencillez de implementacin, ajuste y rapidez de convergencia priman al PSO frente a los GAs. AGRADECIMIENTOS Este trabajo ha sido financiado en parte por la beca AP2001-1325 de la Secretara de Estado de Educacin y Universidades. REFERENCIAS
[1] C.A. Balanis, Antenna theory: analysis and design, 2 Ed., John Wiley & Sons, pgs. 249-329, 1997. [2] D. Dumitrescu, B. Lazzerini, L.C. Jain, A. Dumitrescu, Evolutionary computation, The CRC press international series on computational intelligence, 2000. [3] C.R. Houck, J.A. Joines, M.G. Kay, A genetic algorithm for function optimization: a MATLAB implementation, North Carolina State University (NCSU), 1998. [4] J. Robinson, Y. Rahmat-Samii, Particle Swarm Optimization in Electromagnetics, IEEE transactions on antennas and propagation, vol. 52, n2, pgs. 397-407, Febrero de 2004. [5] D.W. Boeringer, D.H. Werner, D.W. Machuga, A simultaneous parameter adaptation scheme for genetic algorithms with application to phased array synthesis, IEEE transactions on antennas and propagation, vol. 53, n1, pgs. 336-371, Enero de 2005. [6] J.A. Rodrguez, F. Ares, E. Moreno, G. Franceschetti, Genetic algorithm procedure for linear array failure correction, Electronics Letters, vol.36, n3, pgs. 196-198, Febrero 2000.

C. Comparacin entre GAs y PSO Una vez se han sintonizado GAs y PSO se efecta una comparacin entre ambos. Para ello, se hace uso de una mscara en la que se fuerza a una agrupacin lineal formada por 30 elementos equiespaciados /2 a apuntar en una determinada direccin. Adems, se hace ms restrictivo el problema haciendo que la mscara presente un nulo. Se realizan 5 simulaciones independientes con ambos mtodos de optimizacin y se muestra en las Figs. 6 y 7 el resultado obtenido para la mejor de las cinco realizaciones. A la vista de los resultados obtenidos se puede establecer que ambos optimizadores ofrecen un comportamiento aceptable, aunque factores tales como la sencillez de implementacin y la mayor rapidez de convergencia hace que el rendimiento del PSO sea superior al de los GAs. No debe llevar a engao la Fig. 6, dado que los GAs utilizaron una poblacin de 120 individuos y el PSO slo de 60, de tal forma que para alcanzar el fitness de valor unidad se requieren en los GAs 7.2105 llamadas al fitness y en PSO slo la mitad.

0 Mascara superior Mascara inferior GAs PSO

-10

Factor de Array (dB)

-20

-30

-40

-50

-60

20

40

60

80 100 Theta (grados)

120

140

160

180

Fig. 6. Ejemplo de aplicacin con apuntamiento y nulo.