Optimización con enjambre de partículas

aplicada a la reconstrucción del diagrama de

radiación de antenas
Jesús R. Pérez José Basterrechea
ETSIIT. Dpto. Ingeniería de Comunicaciones ETSIIT. Dpto. Ingeniería de Comunicaciones
Universidad de Cantabria Universidad de Cantabria
e-mail : perezjr@unican.es e-mail : basterrj@unican.es

Abstract- A particle swarm optimization (PSO) based

algorithm applied to antenna far-field radiation pattern II. FORMULACIÓN CC-CL
prediction from planar near-field data is presented. The
radiation of the antenna is modelled using equivalent magnetic La aplicación del segundo principio de equivalencia
surface currents (EMC) whose components are optimized using permite, bajo ciertas restricciones, representar la radiación de
a global PSO with asynchronous updates of the swarm. A una antena bajo prueba (ABP) cuya apertura esté contenida
general overview of the PSO algorithm is included and the most en un plano, utilizando un modelo equivalente formado por
widely used schemes of the optimizer are presented and EMC distribuidas sobre una superficie equivalente Se que
discussed. A parametric study of the main parameters to be contiene a la apertura de la antena, de acuerdo con la Fig. 1 y
tuned in PSO, along with results of near-field to far-field
cuya formulación base está dada por (1) [4],
transformation are also included to demonstrate the usefulness
of the optimization method.
E( r ) = - ∫∫ M ( r' ) × ∇' g( r , r' ) ds' (1)
Se
I. INTRODUCCIÓN
La optimización con enjambre de partículas, más donde E(r) representa el campo eléctrico en un punto de
conocida en la literatura científica con el acrónimo de PSO, campo cercano r, M(r’) es la EMC en cada punto de la fuente
es un método estocástico de cómputo evolutivo inspirado en r’ dentro de Se, ∇ es el operador gradiente y g(r,r’) es la
el comportamiento social de organismos tales como las función de Green. Para el caso de medida sobre geometría
bandadas de aves o los bancos de peces [1]. El método ha plana, la eq. (1) puede expresarse en términos de dos
sido recientemente introducido en el campo del expresiones desacopladas para las componentes Ex, Ey de
electromagnetismo computacional y aplicado con éxito a la campo cercano. Adicionalmente, si se aproximan las
optimización de problemas multidimensionales complejos, componentes Mx y My por N pulsos 2D, la ecuación integral
erigiéndose en alternativa eficiente y atractiva a otros se simplifica, pudiéndose expresar de forma matricial [4]. El
métodos estocásticos mucho más extendidos, tales como los objetivo es obtener, utilizando PSO, aquellas componentes
algoritmos genéticos (GA) [2]. de la EMC que mejor asemejan su radiación a la de la ABP,
En este artículo, la aplicación conjunta del teorema de utilizando como referencia muestras del campo cercano
equivalencia y del PSO se propone como una técnica de radiado por ésta, Ep(cc), previamente obtenidas en P puntos
transformación de campo cercano a campo lejano (CC-CL) distribuidos arbitrariamente sobre una superficie Scc. Para el
aplicado a la medida de antenas sobre geometría plana. Para problema inverso propuesto, en (2) se muestra el vector a
abordar el problema inverso que se plantea, se utiliza un optimizar, formado por la excitación de los parches de
esquema de PSO con actualizaciones asíncronas de la corriente que definen la EMC y en (3) se presenta la función
población y topología global [2]. No obstante, existen de fitness utilizada para evaluar la calidad de una solución
diversos esquemas alternativos de PSO, los cuales se centran dada X. El objetivo es optimizar el vector en (2) para
principalmente en modificar la topología de la población maximizar (3), de forma que el campo eléctrico generado por
para evitar el riesgo inherente a la topología global de los N parches de corriente en cada punto p (Ep(X)), sea lo
converger hacia una solución local. Parámetros tales como el más parecido posible a la muestra de referencia (Ep(cc)).
tamaño del enjambre, el modelo de peso inercial o la
velocidad máxima permitida a las partículas, condicionan la ⎛ M x1 , arg(M x1 ),..., M xN , arg(M xN ), M y1 , ⎞
convergencia y rendimiento del algoritmo PSO y, en ⎜ ⎟
X =⎜
consecuencia, del método de transformación de campo [3].
Todo este conjunto de parámetros a sintonizar depende
( )
⎜ arg M y1 ,..., M yN , arg M yN
⎝
( ) ⎟ (2)
⎟
⎠
P
directamente del tipo de problema al que se aplique, siendo 1
preciso realizar un estudio paramétrico preliminar que F = P- ∑ 2
(3)
permita seleccionar la configuración idónea en base a la p = 1 1 + E p (nf) − E p (X)
relación entre precisión del diagrama de antena reconstruido
y el coste computacional asociado.
 quede dentro de los límites del espacio de soluciones.

X k = X k + V k ⋅ ∆t (5)

(v) Evaluar el fitness de la partícula, Fk, y actualizar si

procede su memoria pbestk, y/ó la mejor solución de
conjunto gbest, respectivamente.
(vi) Volver a (iii) hasta que se complete el movimiento de
todas las partículas del enjambre.
(vii) Volver a (iii) y realizar una nueva iteración hasta que se
cumpla el criterio de terminación. En este último caso salvar
la solución gbest como solución al problema antes de detener
Fig. 1. Problema equivalente. La ABP se reemplaza por EMC que el algoritmo.
residen en el plano xy y encierran a la apertura de la antena.

III. OPTIMIZACIÓN CON PSO

En PSO un enjambre o población de partículas
evoluciona hacia una solución global mediante la
cooperación y competición entre los propios individuos,
basado en el movimiento que exhiben comunidades de seres
vivos, entre las cuales se puede incluir con un cierto grado de
abstracción a los seres humanos. Supongamos una población
de K partículas, en la cual cada partícula Xk=(xk1,...,xkD)
representa una solución potencial y se define como un punto
en un espacio D-dimensional. Los límites de los parámetros
xkd a optimizar establecen el espacio de búsqueda en D
dimensiones. Iterativamente, cada partícula k del enjambre
sobrevuela el espacio de soluciones hacia nuevas posiciones
Xk, con un vector de velocidad Vk=(vk1,...,vkD). El movimiento
del enjambre y cómo este atraviese el espacio de soluciones
está íntimamente ligado con el esquema de PSO utilizado.
Para el caso particular del PSO global con actualizaciones
asíncronas de la población, la Fig. 2 muestra el diagrama de
flujo del algoritmo. Básicamente, los pasos que rigen el
funcionamiento del algoritmo son por este orden:

(i) Inicializar la población de K partículas con posiciones y

velocidades aleatorias, Xk y Vk, respectivamente.
(ii) Clasificar partículas. Calcular su Fk, y asignar las
mejores posiciones históricamente visitadas por la
partícula, pbestk, y por todo el enjambre, gbest.
(iii) Actualizar la velocidad de la partícula k, acotada por un
valor máximo impuesto en cada dimensión, Vdmax, de
acuerdo con

Vk = wVk + c1 r1 ( pbest k − X k ) Fig. 2. Diagrama de flujo del esquema de PSO con actualizaciones
(4)
+ c 2 r2 (gbest − X k ) , Vk ≤ Vdmax ∀d asíncronas de la población.

donde w es el peso inercial, c1 y c2 son las denominadas Como alternativa al PSO global con actualizaciones
constantes de aceleración que determinan en que asíncronas de la población mostrado en la Fig. 2, también se
medida la partícula es influenciada en su ha investigado el potencial de otros esquemas alternativos
desplazamiento por su propia memoria (pbestk) y por la tales como el PSO global con actualizaciones síncronas o la
cooperación social (gbest); y r1 y r2 representan dos variante local de PSO con actualizaciones síncronas o
números aleatorios con distribución uniforme U[0,1], asíncronas. En la versión síncrona, la evaluación del mejor
cuyo objetivo es introducir el comportamiento global, gbest, se lleva a cabo entre iteraciones, de forma que
estocástico y un tanto impredecible que adoptan ciertos todas las partículas se mueven en paralelo utilizando la
organismos en su desplazamiento. misma información de gbest, posteriormente se actualiza si
(iv) Actualizar la posición de la partícula k de acuerdo con procede el gbest y se ejecuta la siguiente iteración. Este
(5), donde el paso temporal, ∆t, normalmente se comportamiento ralentiza la convergencia respecto a la
considera unidad, y forzar que la nueva posición Xk versión asíncrona, donde cada partícula se beneficia de los
hallazgos asociados con el movimiento reciente de ángulos de apertura ψe y ψh, donde a1=5.5λ, b1=2.75λ,
cualesquiera de los convecinos que la preceden. En la a=λ/2, b=λ/4, ψe=12.9º y ψh=24.6º. Se considera un modelo
versión local de PSO cada partícula se mueve influenciada equivalente para la fuente formado por N=17×15 parches de
por el mejor de sus vecinos, lbest, y no por el mejor de toda corriente 2D, distribuidos sobre una Se que coincide con el
la población, gbest [5]; con un número óptimo de vecinos Nv tamaño de la apertura de la bocina. Las componentes
que suele variar entre el 10 y el 20% de la población. La tangenciales del campo eléctrico radiado por la bocina
versión local elimina en parte las limitaciones de su fueron previamente sintetizadas sobre P= 3169 puntos de
homónima global, que puede converger hacia una solución campo cercano, equiespaciados λ/2 sobre cinco planos [6].
local dado que las partículas siguen a una cierta gbest que El rango de los parámetros a optimizar (∆R) define el
podría apuntar a una solución errónea. Sin embargo, en espacio de soluciones y toma valores xk,impar∈[0,1.25] y
problemas multidimensionales complejos, el PSO local xk,par∈[0,360), para la amplitud y fase de cada elemento de
necesita mucho más tiempo de CPU que el global para corriente en (2), respectivamente.
explorar el espacio de soluciones y alcanzar una solución En PSO, el peso inercial w, las constantes c1 y c2, el
próxima al valor óptimo. tamaño de la población K y la velocidad máxima de partícula
resumen los parámetros a sintonizar para su aplicación en un
IV. RESULTADOS problema dado. La optimización se ha llevado a cabo con
distintos modelos equivalente de fuente y los resultados
A. Rendimiento de diferentes esquemas de PSO obtenidos han sido siempre satisfactorios para el mismo
Tomando como base para la comparativa una suite de conjunto de parámetros (Vdmax, K, c1, c2).
funciones comunes [3], en la Tabla 1 se resumen los Para la ABP propuesta se ha analizado en primer lugar el
resultados obtenidos al optimizar cada una de estas efecto del peso inercial. Para los valores de w más
funciones con diversos esquemas de PSO: PSO síncrono comúnmente utilizados, la Fig. 3(a) revela que los valores
global (PSO-SG), PSO asíncrono global (PSO-AG) y PSO altos de peso inercial promueven la exploración haciendo
síncrono local (PSO-SL) con un tamaño de 6 vecinos (Nv=6) que las partículas se mantengan moviéndose alrededor de
para cada partícula. Se considera en todos los casos w=0.729 soluciones previas, mientras que valores pequeños de w
y c1=c2,=1.49445, así como una población de 30 partículas. favorecen la búsqueda local, acelerando la convergencia,
Las cinco funciones tienen su mínimo global en el origen y dado que las partículas son atraídas hacia pbest y gbest de
se optimizan en 30 dimensiones salvo la función de Schaffer acuerdo con (4). Sin embargo, debe establecerse un
que se optimiza en 2 dimensiones, de acuerdo con [3]. Para compromiso entre exploración y coste computacional para
cuantificar el rendimiento de cada uno de los esquemas un valor de fitness prefijado como objetivo, dado que para
investigados se realizaron 20 simulaciones independientes y valores excesivamente grandes de w el tiempo de CPU crece
se calculó el número medio de iteraciones que tarda en exponencialmente.
converger el algoritmo hacia el mínimo global, Nit, y la tasa El efecto de Vdmax es similar, tal y como se observa en la
de éxito, TE, es decir que porcentaje de las 20 realizaciones Fig. 3(b). Valores grandes de Vdmax facilitan la búsqueda
lograron encontrar el mínimo global en el transcurso de las global al permitir a las partículas moverse libremente dentro
10000 iteraciones que se deja evolucionar el algoritmo. del espacio de soluciones. Por el contrario, valores pequeños
cercanos al 35% del rango ∆R fuerzan la búsqueda local.
En lo que respecta al tamaño del enjambre, la Fig. 3(c)
PSO-SG PSO-AG PSO-SL
Función demuestra que poblaciones con 800 a 1000 partículas
Nit TE Nit TE Nit TE
ofrecen un comportamiento eficiente, mientras que
Griewank 296.4 100 281.1 100 400.0 100
poblaciones muy pequeñas muestran una tendencia a
Rosenbrock 380.1 100 353.0 100 486.2 100
Sphere 385.3 100 342.6 100 472.5 100 estancarse y converger hacia una solución local. No
Rastrigin 220.5 70 207.6 75 624.9 95 obstante, para K>1000, aunque se explora en detalle el
Schaffer f6 463.4 80 194.3 80 626.8 100 espacio de búsqueda, el número de iteraciones y el coste
computacional crece exponencialmente. A modo de
Tabla 1. Comparación de tres versiones de PSO utilizando una suite
resumen, se puede concluir que el PSO global asíncrono con
de funciones típicas.
w∈[0.3,0.4], Vdmax= 0.35∆R, K∈[800,1000], y c1= c2=1.494,
Atendiendo a los resultados de la Tabla 1, se puede ofrece los mejores resultados para el problema
concluir que el PSO-AG ofrece el mejor rendimiento si se electromagnético bajo análisis.
combinan tasa de éxito alcanzada y velocidad de
convergencia. En el extremo opuesto, la variante local, PSO-
SL, es el más robusto de los 3 esquemas analizados, con
tasas de convergencia del 95% para la función más
compleja. Sin embargo, el número medio de iteraciones en el
PSO-SL, dada su forma de explorar el espacio de soluciones,
se dispara.
B. Estudio paramétrico de PSO
Supongamos como problema canónico para realizar la
puesta a punto del método una bocina piramidal con
dimensiones de la apertura a1×b1, de la guía de ondas a×b, y (a)
 (b) (c)

(c) (d)
Fig. 3. Evolución del fitness. (a) Efecto del peso inercial. K=900, Fig. 7. Componentes del diagrama de radiación reconstruido de la
Vdmax=0.35∆R. (b) Efecto de la velocidad máxima. K=900, w=400. bocina. (a) Corte φ=90º, amplitud. (b) Corte φ=90º, fase. (c) Corte
(c) Efecto del tamaño de la población. w=0.4, Vdmax=0.35∆R. φ=0º, amplitud. (d) Corte φ=0º, fase.

C. Resultados de transformación de campo V. CONCLUSIONES

En la Fig. 4 se muestran los dos cortes principales del En este trabajo se ha presentado un método de
diagrama de radiación de la bocina piramidal propuesta en la transformación CC-CL aplicado a la medida de antenas
sección anterior, considerando w=0.4, K=1000, Vdmax= sobre geometría plana, utilizando EMC para representar la
0.35∆R y c1= c2=1.494. Por simple inspección sobre los radiación de la fuente y un esquema de PSO global con
resultados puede observarse la gran precisión del método, actualizaciones asíncronas del enjambre para optimizar las
con pequeñas diferencias en la componente φ, que pueden componentes de dichas densidades de corriente equivalente.
considerarse despreciables, dado que el nivel ya está 40 dB Los resultados del estudio paramétrico realizado revelan
por debajo del valor máximo. que tamaños de población comprendidos entre 800 y 1000
partículas, con un peso inercial de valor 0.4 y una velocidad
máxima de partícula entorno al 35% del rango dinámico de
cada parámetro, conforman la mejor configuración del PSO
aplicado a la reconstrucción del diagrama de radiación de
diferentes antenas de tamaño medio investigadas.

AGRADECIMIENTOS
Este trabajo ha sido financiado por la beca AP2001-1325
de la Secretaría de Estado de Educación y Universidades.

(a) REFERENCIAS
[1] J. Kennedy and R.C. Eberhart, “Particle swarm optimization”, in Proc
IEEE Int. Conf. Neural Networks, 1995, vol. 4, pp. 1942-1948.
[2] D.W. Boeringer and D.H. Werner, “Particle swarm optimization versus
genetic algorithms for phased array synthesis”, IEEE Trans. Antennas
Propagat., vol. 52, no. 3, pp. 771-779, 2004.
[3] A. Carlisle and G. Dozier, “An off-the-self PSO”, Workshop Particle
Swarm Optimization, Indianapolis, IN, pp. 1-6, 2001.
[4] P. Petre and T.K. Sarkar, “Planar near-field to far-field transformation
using an equivalent magnetic current approach”, IEEE Trans. Antennas
Propagat., vol. 40, no. 11, pp. 1348-1356, 1992.
[5] R.C. Eberhart and Y. Shi, “Particle swarm optimization: developments,
applications and resources”, in Proc Congr. Evolutionary
Computation, 2001, vol. 1, pp. 81-86.
(b) [6] J.R. Pérez and J. Basterrechea, “Antenna far-field pattern
reconstruction using equivalent currents and genetic algorithms”,
Microwave. Opt. Technol. Lett., vol. 42, no. 1, pp. 21-25, 2004.