Una herramienta para el diseño de redes MSMN de banda ancha en líneas de transmisión basada en algoritmos heurísticos de optimización comparados
DOI:
https://doi.org/10.54139/revinguc.v29i2.171Resumen
Se presenta el desarrollo y resultados de una herramienta programada en Python para el diseño de redes de adaptación de impedancia de banda ancha y múltiples stubs (MSMN) en sistemas de líneas de transmisión, que emplea una suite de algoritmos heurísticos de optimización, incluyendo: Nelder-Mead, evolución diferencial, recocido dual, fuerza bruta, optimización de ballenas (WOA), optimizador de equilibrio (EO), optimización de halcones Harris (HHO), búsqueda de colonias de virus (VCS) y optimización basada en ecosistemas artificiales (AEO); ofreciendo soluciones comparables que procuran satisfacer una especificación dada de adaptación, tomando como función de trabajo la magnitud del coeficiente de reflexión de voltaje, en un ancho de banda determinado, justo en el plano de entrada a la red, conectada a una línea cargada con una impedancia arbitraria modelable. La herramienta emplea los algoritmos señalados para determinar las posiciones y longitudes de los stubs de la red MSMN. Los algoritmos se obtuvieron de las librerías Mealpy y SciPy. Se diseñaron figuras de mérito que permitieron comparar la calidad de las soluciones. Se contrastaron los resultados con los del simulador Keysight ADS y se ejecutaron 3 ejemplos de prueba empleando los algoritmos, proporcionando resultados viables de adaptación, los cuales se discuten.
Descargas
Citas
C. A. Balanis, Antenna Theory, 3 ed. John Wiley & Sons, 2005.
A. Bianchi, Sistemas de Ondas Guiadas. Marcombo, 1980.
R. Collin, Foundations for Microwave Engineering, 2 ed. John Wiley & Sons, 2001.
D. Pozar, Microwave Engineering, 4 ed. John Wiley & Sons, 2011.
P. H. Smith, “Electronic Applications of the Smith Chart,” in Waveguide, Circuit and Component Analysis, 1st ed. McGraw-Hill Book Company, 1969, ch. 9.
M. Alsharif, A. Kelechi, M. Albreem, S. Chaudhry, M. Zia, and S. Kim, “Sixth Generation (6G) Wireless Networks: Vision, Research Activities, Challenges and Potential Solutions,” Symmetry, vol. 12, no. 4, p. 676, 2020. https://doi.org/10.3390/sym12040676
C. Regoli, “Impedance matching by using a multi-stub system,” in Proceedings of the 7th WSEAS International Conference on Simulation, Modeling and Optimization (2007), ser. SMO’07. Stevens Point, Wisconsin, USA: World Scientific and Engineering Academy and Society (WSEAS), 2007, p. 341–345.
N. I. Dib, A. H. Sharaqa, and R. A. Formato, “Variable z0 applied to biogeography based optimized multi-stub matching network,” in IEEE International Symposium on Antennas and Propagation USNC/URSI National Radio Science Meeting (2013), 2013, pp. 2129–2130. https://doi.org/10.1109/APS.2013.6711723
M. E. Aydemir, M. Ilarslan, K. Buyukatak, and E. Duymaz, “Swarm intelligence in solution of impedance matching problem in satellite transmitters,” in Proceedings of 5th International Conference on Recent Advances in Space Technologies - RAST2011, 2011, pp. 436–440. https://doi.org/10.1109/RAST.2011.5966873
K. R. Chowdhary, Fundamentals of Artificial Intelligence, 1st ed. New Delhi: Springer, ch. 9, p. 239. https://doi.org/10.1007/978-81-322-3972-7
P. M. Rabanal, “Algoritmos heurísticos y aplicaciones a métodos formales,” Tesis doctoral, Universidad Complutense de Madrid, Madrid, España, 2010.
N. V. Thieu and S. Mirjalili, “MEALPY: a Framework of The State-of-The-Art MetaHeuristic Algorithms in Python,” Oct. 2022. https://doi.org/10.5281/zenodo.7255425
J. A. Nelder and R. Mead, “A Simplex Method for Function Minimization,” The Computer Journal, vol. 7, no. 4, pp. 308–313, 1965. http://dx.doi.org/10.1093/comjnl/7.4.308
R. Storn and K. Price, “Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces,” Journal of Global Optimization , vol. 11, pp. 341–359, 1997. https://doi.org/10.1023/A:1008202821328
Y. Xiang, D. Y. Sun, W. Fan, and X. G. Gong, “Generalized simulated annealing algorithm and its application to the Thomson model,” Physics Letters A, vol. 233, no. 3, pp. 216–220, 1997. https://doi.org/10. 1016/S0375-9601(97)00474-X
S. Mirjalili and A. Lewis, “he whale optimization algorithm,” Advances in Engineering Software, vol. 95, pp. 51–67, 2016. https://doi.org/10.1016/j.advengsoft.2016.01.008
B. S. Afshin Faramarzi Mohammad Heidarinejad and S. Mirjalili, “Equilibrium optimizer: A novel optimization algorithm,” Knowledge-Based Systems , vol. 191, p. 105190, 2020. https://doi.org/10.1016/j.knosys.2019.105190
A. Heidari, S. Mirjalili, H. Faris, I. Aljarah, M. Mafarja, and H. Chen, “Harris hawks optimization: Algorithm and applications,” Future Generation Computer Systems , vol. 97, pp. 849–872, 2019. https://doi.org/10.1016/j.future.2019.02.028
M. D. Li, H. Zhao, X. W. Weng, and T. Han, “A novel nature-inspired algorithm for optimization: Virus colony search,” Advances in Engineering Software , vol. 92, pp. 65–88, 2016. https://doi.org/10.1016/j.advengsoft.2015.11.004
L. Zhao, W.; Wang and Z. Zhang, “Artificial EcosystemBased Optimization: A Novel Nature-Inspired MetaHeuristic Algorithm,” Neural Computing and Applications , vol. 32, pp. 9383–9425, 2019. https://doi.org/10.1007/s00521-019-04452-x
E. Alvarado and Á. Vargas, “Desarrollo de un software educativo didáctico interactivo para sistemas de ondas guiadas versión 3,” Trabajo especial de grado, Escuela de Telecomunicaciones, Facultad de Ingeniería, Universidad de Carabobo, Carabobo, Venezuela, 2016.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista Ingeniería UC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
