Solicitar archivos de proyectos
Este ejemplo utiliza un plugin de la librería XTend de XFdtd para realizar una Optimización por Enjambre de Partículas (PSO) de una Antena en F Invertida (IFA). La IFA es una antena popular para su uso en dispositivos móviles debido a su pequeño tamaño. En este caso, la antena se optimizará para operar en la banda GSM-1900 (1,85 - 1,99 GHz).
PSO es una técnica de optimización global inspirada en el comportamiento de los enjambres de peces, pájaros o insectos. Las partículas que componen un enjambre se distribuyen por un espacio de soluciones de N dimensiones. A continuación tiene lugar un proceso evolutivo en el que cada partícula evalúa la idoneidad de su ubicación actual y se desplaza a una nueva ubicación en función del mejor resultado obtenido por esa partícula en particular y del mejor resultado obtenido por el enjambre en su conjunto. A lo largo de varias generaciones, se explora el espacio de soluciones y se alcanza una solución óptima.
La función de aptitud para esta optimización en particular simplemente evalúa la pérdida de retorno lineal de la antena en la banda de interés y establece el nivel de aptitud en la peor pérdida de retorno encontrada. Una ventaja de este enfoque es que el rendimiento mínimo en banda se conoce en cada generación. El usuario puede controlar el valor de aptitud actual y terminar si se alcanza el nivel deseado.
La IFA es una antena monopolo curvada que emplea un stub en derivación para la adaptación de impedancias. Cuatro variables controlan el comportamiento de la estructura, como se detalla en la Figura 1. Estos parámetros pueden variar según la Tabla 1. Estos parámetros pueden variar de acuerdo con la Tabla 1. Dado que algunas de las variables dependen unas de otras, el plugin PSO de XTend utiliza un sistema de restricciones dinámicas para actualizar los límites de los parámetros a lo largo de la optimización. La tabla 2 detalla las restricciones dinámicas.
Figura 1: Esquema del IFA.
Cuadro 1
Cuadro 2
XStream, la implementación de FDTD acelerada por CUDA de XFdtd, es fundamental para la ejecución puntual de la PSO. Cada partícula genera una nueva simulación XF para cada generación sucesiva. Estas simulaciones se distribuyen entre las GPU con CUDA disponibles en el sistema. El sistema concreto utilizado aquí contiene seis NVIDIA Tesla C2070. La PSO asigna una simulación a cada GPU, lo que permite resolver seis simulaciones simultáneamente. Para maximizar la utilidad de las GPU, el número de partículas se elige de forma que sea un múltiplo entero del número de GPU. Para esta optimización se eligieron 12 partículas y 300 generaciones.
Las doce simulaciones de cada generación se completaron en un tiempo total medio de 74 segundos. La convergencia del enjambre en la solución óptima puede observarse en la figura 2. En este caso concreto, el nivel de aptitud desciende a 0,3 en la quinta generación. En este caso concreto, el nivel de aptitud desciende hasta aproximadamente 0,3 en la quinta generación. El valor de aptitud representa el peor de los casos de pérdida de retorno lineal, por lo que podría terminar el optimizador en ese punto si nuestro verdadero objetivo es simplemente una antena con no peor que -10 dB de pérdida de retorno en nuestra banda de interés.
Figura 2: Convergencia del enjambre en la respuesta óptima.
La figura 3 muestra la progresión de la optimización examinando la pérdida de retorno conseguida en varios puntos de hito, incluida la solución óptima final. Los parámetros de esta solución se enumeran en la Tabla 3.
Figura 3: Instantánea de la pérdida de retorno IFA en varios puntos de hito.
Cuadro 3
