Diplomska naloga (.pdf)

Recommendations

Info

Poglavje 5 Zaključek Pri optimizaciji EM absorberjev po širini frekvenčnega pasu in debelini absorberja sta obe optimizaciji, enokriterijska in dvokriterijska, dali podobne rezultate. Z enokriterijsko optimizacijo smo dobili osebke, ki so se pojavili na robovih vodilnega sloja dvokriterijske optimizacije. Težava dvokriterijske optimizacije se pokaže v zelo dolgem računanju, ko optimiziramo tri- in večplastne absorberje. To se prav tako zgodi pri enokriterijski optimizaciji, ki pa zaradi optimizacije po enem kriteriju dela hitreje. Pri hitrosti programa se še posebej pozna, ko optimiziramo po debelini absorberja, saj takrat preverimo le, ali absorber zadosti zastavljenim dopustnim pogojem, in ne računamo odbojnosti absorberja na širšem frekvenčnem območju. Program enokriterijske optimizacije bi se dalo še izboljšati. Pri optimizaciji po širini frekvenčnega pasu se lahko zgodi, da je neki osebek, ki bi z minimalno spremembo debeline postal zelo dober, označen kot nedopusten. Dopustnemu pogoju lahko namreč zadosti na zelo širokem frekvenčnem pasu, vendar ne pri frekvenci, okoli katere optimiziramo. Primer izboljšave bi bil, da preverjamo, ali osebek, ki je pri neki frekvenci prenehal zadoščati dopustnemu pogoju, zadosti dopustnemu pogoju zopet v njeni bližini. V tem primeru bi osebek primerno označili. Podobno bi ravnali z osebki, ki pogoju pri frekvenci, okoli katere optimiziramo, sploh ne zadostijo, zadostijo pa pogoju v bližini te frekvence. Program največ časa porabi za računanje odbojnosti pri posameznih frekvencah. Pri dvokriterijski optimizaciji je zahtevnost urejanja osebkov po slojih velikosti O(n 2 ), pri čemer je velikost odvisna od števila osebkov n v populaciji. Zahtevnost računanja odbojnosti pa narašča linearno z večanjem števila osebkov ali z večanjem števila plasti v absorberju, torej je velikosti O(n·št_plasti). Pri 100 osebkih in enoplastnem absorberju predstavlja časovna zahtevnost urejanja približno 1 % časovne zahtevnosti računanja odbojnosti. Tekom večanja števila osebkov in plasti pa se pri naših najzahtevnejših nastavitvah parametrov s 1000 osebki in triplastnem absorberju zgoraj omenjeni delež spremeni v kar 40 %. Pričakovano zahtevnost urejanja osebkov po slojih bi lahko občutno zmanjšali . V našem primeru, ko s kriterijsko funkcijo f(x) = (f 1 (x), f 2 (x)) ocenjujemo absorberje po širini frekvenčnega pasu na katerem dobro absorbirajo (f 1 (x)) in po debelini absorberjev (f 2 (x)), bi osebke uredili padajoče po prvi komponenti f 1 (x) in naraščajoče po drugi komponenti f 2 (x).
47 Sprehod bi začeli pri najboljšem osebku po prvi komponenti in si zapomnili njegovo vrednost druge komponente. Nadaljevali bi pri naslednjem najboljšem osebku po prvi komponenti, ki pa je po drugi komponenti boljši od prejšnjega osebka, itd. Ko bi zmanjkalo osebkov za pregledovanje po prvi komponenti, bi sprehod nadaljevali ponovno na isti način, le brez že obiskanih osebkov. Čeprav se pričakovana zahtevnost takega urejanja občutno zmanjša, pa najslabša še vedno ostaja O(n 2 ). Problem optimizacije večplastnih EM absorberjev je zelo občutljiv na spremembo materiala v posamezni plasti. Če dobremu osebku v neki plasti spremenimo material v drug material, se rado zgodi, da se absorpcija zelo poslabša ali pa osebek postane celo nedopusten. Pri spremembi debeline posamezne plasti se ti prehodi dogajajo veliko bolj zvezno. Ta dva kriterija si v tem smislu nista enakovredna, kar oslabi konvergenco k najboljšim absorberjem. Kljub temu sta nam optimizaciji vrnili zelo dobre osebke, katerih lastnosti je potrebno preveriti še v praksi. Smiselno bi bilo razmisliti tudi o možnostih optimizacije tega problema s sorodnimi algoritmi, kot je algoritem ”ant colony”in podobni.
Page 1 and 2: Univerza v Ljubljani Fakulteta za m
Page 3 and 4: Program diplomskega dela V diplomsk
Page 5 and 6: Poglavje 1 Uvod V zadnjih nekaj let
Page 7 and 8: Poglavje 2 Teoretičen vpogled v ab
Page 9 and 10: 2.2 Večplastni absorberji 9 Za kov
Page 11 and 12: 2.2 Večplastni absorberji 11 valov
Page 13 and 14: 2.3 Nekaj enostavnih primerov 13 V
Page 15 and 16: 2.3 Nekaj enostavnih primerov 15 5
Page 17 and 18: 2.3 Nekaj enostavnih primerov 17 Na
Page 23 and 24: 3.2 Lastnosti genetskih algoritmov
Page 25 and 26: 3.2 Lastnosti genetskih algoritmov
Page 27 and 28: 3.3 Genetski algoritmi za problem v
Page 29 and 30: 3.3 Genetski algoritmi za problem v
Page 31 and 32: 3.4 Rezultati 31 0 −5 −10 odboj
Page 33 and 34: 3.4 Rezultati 33 0 −5 −10 odboj
Page 35 and 36: Poglavje 4 Reševanje večkriterijs
Page 37 and 38: 4.2 Različni pristopi 37 pomembnos
Page 39 and 40: 4.3 NSGA-II 39 gredo po vrsti najbo
Page 41 and 42: 4.4 Rezultati 41 nakopičenosti za
Page 43 and 44: 4.4 Rezultati 43 8 7 6 debelina (mm
Page 45: 4.4 Rezultati 45 0 −5 −10 odboj
Page 49 and 50: Dodatek B Koda %Primer enokriterijs
Page 51 and 52: 51 M=repmat(eye(2), [1, 1, int]); a
Page 53 and 54: 53 end end t=round(rand)+1; P(1,k,j
Page 55 and 56: 55 %Če optimiziramo po debelini ab
Page 57 and 58: LITERATURA 57 [WMG96] D. S. Weile,

Diplomska naloga (.pdf)

Create successful ePaper yourself

Delete template?

Save as template?