_____________________________________________________________________________
Esta tese apresentou um estudo de otimização com a utilização de metaheurísticas baseadas em populações que foi realizada em duas etapas. Na primeira etapa, foi realizada a otimização de uma antena monopolo planar com patch em anel para operação em UWB, que ocorreu através da identificação pelo algoritmo genético das dimensões ideais de comprimento (Ls) e largura (Ws) de uma fenda utilizada no plano de terra truncado, a fim de encontrar os valores ideais para a largura de banda.
Na segunda etapa, foi realizado um estudo de otimização de largura de banda a partir do cascateamento de duas superfícies seletivas de frequência. A otimização foi realizada inicialmente através da identificação das dimensões do dipolo para adequação de uma estrutura em 9,5 GHz e outra estrutura em 10,5 GHz.
Em seguida foi realizada a otimização da largura de banda das estruturas acopladas através da identificação da dimensão ideal do gap de ar que separa as mesmas, utilizando o algoritmo PSO. Esta técnica de otimização é baseada em populações e inspirada no comportamento social dos pássaros e peixes. Os resultados encontrados pelo algoritmo PSO foram comparados com os resultados encontrados por um algoritmo genético.
Os resultados simulados e experimentais foram apresentados e comparados na faixa de frequência de 4,0 GHz a 14,0 GHz, apresentando uma concordância satisfatória. Dos resultados experimentais obtem-se uma largura de banda identificada de 3,22 (GHz), com taxas de erro de 3,23 % e 11,03 % em relação ao resultado
Capitulo 6. Conclusões
64simulado para os valores identificados pelo alfgoritmo PSO e pelo algoritmo genético, respectivamente.
Em ambos os algoritmos foram observadas concordâncias dos resultados simulados com os resultados experimentais, sendo verificado que ambas as tecnicas de otimização, GA e PSO, conseguiram encontrar valores satisfatórios de otimização para os dispositivos considerados.
O destaque, porém, fica para o PSO por ter encontrado valores sensivelmente melhores que o GA, com implementação mais simples e utilizando uma quantidade menor de cálculos e processamento. Além disso, tendo uma quantidade menor de parâmetros para serem ajustados, seu ajuste em face de novas otimizações será facilitado.
O método de interpolação utilizado facilitou e agilizou o processamento e a execução de ambos os algoritmos, especificamente na etapa da geração de novos indivíduos e partículas. Entretanto, este método exige a incorporação prévia de um espaço de busca para consulta em tempo de execução, que foi viabilizado, neste estudo, através de simulações utilizando os softwares comerciais HFSS e Ansoft Designer.
Algumas limitações podem ser observadas como, por exemplo: os algoritmos são mono-objetivos, tendo o algoritmo PSO um elemento de variação que foi a dimensão do gap entre as estruturas. A comparação dos resultados com métodos numéricos e com outros métodos de otimização tradicionais, como o método do gradiente conjugado, poderia gerar uma visualização mais precisa da otimização realizada.
A expansão dos algoritmos PSO a GA pode acontecer através da inserção de mais itens de variação e mais objetivos. A inserção de novas variabilidades poderia aumentar as possibilidades de otimização, assim como proporcionar um ajuste fino na mesma. Um exemplo seria a otimização simultânea das dimensões do dipolo e da periodicidade dos elementos.
Em termos específicos do PSO, estudos e experimentos com o objetivo de explorar melhor o espaço de busca podem ser feitos com a utilização de novas topologias que podem ser promissoras para este propósito. Modificações no algoritmo
Capitulo 6. Conclusões
65PSO podem ser implementadas como o uso de topologias dinâmicas que promovam também uma exploração mais eficiente do espaço de busca. Ainda no contexto do algoritmo PSO, estudos podem ser realizados visando à implementação de algoritmos autoadaptáveis com a utilização de estratégias para a identificação dos valores ideais dos parâmetros e variáveis utilizando como, por exemplo, o valor ideal do peso de inércia, w.
Outro estudo que pode ser realizado para o desenvolvimento de ambos os algoritmos é a incorporação de aspectos observados na natureza que promovam o aumento da diversidade das populações e, desta forma, possam adiar a convergência com o objetivo de explorar, de forma mais eficiente, o espaço de busca.
_____________________________________________________________________________
Referências Bibliográficas
_____________________________________________________________________________
[1] FALLAHI, A.; MISHRIKEY, M.; HAFNER, C.; VAHLDIECK, R. Efficient procedures for the optimization of frequency selective surfaces. EEE Trans. on Antennas and Propagation, vol.56, no.5, pp.1340-1349, 2008.
[2] WU, T.K. Frequency selective surface and grid array. New York, USA: John Wiley & Sons, Inc., 1995.
[3] HABIBZADEH, A.; DOUSTI, M.; HAJGHASSEM, H, A novel algorithm to reduce insertion loss and Triple Transit Echo in SAW filter to improve the performance of communication systems. Intern. Applic. of Information and Communication Technologies Conference, AICT 2009, pp.1-4, 14-16, Azerbaijão. 2009.
[4] SILVA, C.R.M., LINS, H.W.C., D'ASSUNÇÃO, A. G., SILVA, BARRETO, E.L., MARTINS, S. A multi-objective optimization of a uwb antenna using a self organizing genetic algorithm. Microwave and Optical Technology Letters, vol 54, no 8, pp. 1824-1828, 2012.
[5] Araujo, W. C., D'assunção, A. G., Lins, H.W.C., Medeiros, J.L.G. A hybrid Optimization Technique for the Synthesis of a FSS with Integrated Ring and Dipole Elements. 15th Biennial Conference on Electromagnetic Field Computation, 2012 (Aceito em Agosto de 2012).
[6] HOLLAND, J. H. Adaptation in Natural and Artificial Systems, Ann Arbor, MI: University of Michigan Press, 1975.
[7] GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley Longman Publishing Company, Inc., Boston/MA, USA, 1989.
67
[8] LINS, H. W. C.; BARRETO, E. L. F.; D’ASSUNÇÃO, A. G. Enhanced wideband performance of coupled frequency selective surfaces using metaheuristics, Microwave and Optical Technology Letters (Submetido em Julho de 2012).
[9] KENNEDY, J.; EBERHART, R. Swarm intelligence. San Francisco, USA: Morgan Kaufmann Publishers, Inc., 2001.
[10] BAI, Q. Analysis of Particle Swarm Optimization Algorithm. Computer and Information (CIS), vol. 3. pp. 180-184. CCSE, 2010.
[11] BALANIS, C. A. Antenna theory - Analysis and design. New York, USA: John Wiley & Sons, Inc., 2nd ed, 1997.
[12] THOMAS, P., GOPIKRISHNA, M., AANANDAN, C. K., MOHANAN, P. AND VASUDEVAN, K. A compact pentagonal monopole antenna for portable UWB systems. Microwave and Optical Technology Letters, vol. 52, pp. 2390–2393, 2010.
[13] L. C. HERINGER, B. A. ANGÉLICO, T. ABRÃO. Sistemas de comunicação de banda ultra-larga. Revista cientifica periódica – Telecomunicações, vol. 09, pp. 8–20, 2006.
[14] U.S. Federal Communications Commission, First Report and Order for UWB Technology, U.S. Federal Communications Commission, 2002.
[15] Federal Communications Commision, Revision of part 15 of the Commission Rules Regarding Ultra-Wideband Transmission Systems, Report FCC 02-48, 2002.
[16] M. GHAVAMI, L. B. MICHAEL, E R. KOHNO, Ultra Wideband Signals and Systems in Communication Engineering. New York: Wiley, 2004.
[17] KUMAR, G., RAY, K.P. Broadband Microstrip Antennas, Willey Interscience, 2002.
[18] NOBREGA, C.L. Otimização dos parâmetros de monopolos planares de microfita para aplicações em Sistemas de banda Ultra larga. Natal, RN, 2008. Dissertação de Mestrado, UFRN.
[19] ROMEU, J; RAHMAT-SAMII, Y. Fractal FSS: A novel dual-band frequency selective surface. IEEE Trans. Antennas and Propagation, vol. 48, pp.1097- 1105, 2000.
68
[20] LEE, S. W; ZARRILLO, G; LAW, C. L. Simple formulas for transmission through periodic metal grids or plates. IEEE Trans. on Antennas and Propagation, vol. 30 (5), pp. 904 – 909, 1982.
[21] ZARRILO, G; AGUIAR, K. Closed-form low frequency solutions for electromagnetic waves through a frequency selective surface. IEEE Trans. on Antennas and Propagation, vol. 35 (12), pp. 1406–1417, 1987.
[22] ANDERSON, I. On theory of serlf-resonant grid. Bell systems Technology Journal. vol. 54, n.10, 1975.
[23] LANGLEY, R.J.; DRINWATER, A. J. Imporved empirical model for the Jerusalem cross. In: IEEE Microwaves, Optics and Antennas Proceedings, vol. 129, n.1, 1982.
[24] WEILE, D. S.; MICHIELSSEN, E.; GALLIVAN, K. Reduced-order modeling for multiscreen frequency selective surfaces using Krylov-based reational interpolation. IEEE Trans. on Antennas and Propagation, vol. 49 (5), pp. 801-813, 2001.
[25] LI X.; YUN-FENG, J. Analysis on transmission properties of Ka waveband frequency selective surface, Microwave Conference Proceedings (CJMW), 2011 China-Japan Joint, pp.1-3, Abril 2011.
[26] ITOH, T. Numerical techniques for microvave and millimeter-wave passive structures. New York, USA: Jonh Willey & Sons, 1989.
[27] GUSTAFSSON, M.; KARLSSON, A.; REBELO, A.P.P.; WIDENBERG, B. Design of Frequency Selective Windows for Improved Indoor Outdoor Communication. IEEE Trans. Antennas and Propagation, vol. 54, no.6, pp. 1897- 1900, 2006.
[28] ARAÚJO, W. C.; D’ASSUNÇÃO, A. G.; LINS, H. W. C.; SILVA, C. R. M. Síntese de superfícies seletivas de frequência utilizando um método híbrido de otimização, MOMAG 2012, 15º SBMO - Simpósio Brasileiro de Micro-ondas e Optoeletrônica. 10º CBMag – Congresso Brasileiro de Eletromagnetismo, João Pessoa, PB, 2012.
[29] CHAKRAVARTY, S.; MITTRA, R.; WILLIAMS, N.R. On the application of the microgenetic algorithm to the design of broad-band microwave absorbers comprising frequency-selective surfaces embedded in multilayered dielectric media, IEEE Trans. on Microwave Theory and Techniques, vol. 49, no. 6, pp.1050-1059, 2001.
69
[30] GENOVESI, S.; MITTRA, R.; MONORCHIO, A.; MANARA, G. Particle swarm optimization for the design of frequency selective surfaces. Antennas and Wireless Propagation Letters, IEEE , vol.5, no.1, pp.277-279, 2006
[31] MANARA, G. A. MONORCHIO, R. Frequency selective surface design based on genetic algorithm. Electronic Letters, 35 (17), 1400-1401, 1999.
[32] DUBROVKA, R., VAZQUEZ, J., PARINI, C. E MOORE, D. Multi-frequency and multi-layer frequency selective Surface Analysis Using Modal Decomposition Equivalent Circuit Method. IET Microw. Antennas Propag., vol. 30, pp. 492-500, 2009.
[33] CAMPOS, A.L.P.S.; MANIÇOBA, R.H.C.; ARAÚJO, L.M.; D'ASSUNÇÃO, A.G. Analysis of simple fss cascading with dual band response. IEEE Transactions on Magnetics, vol. 46, no.8, pp.3345-3348, 2010.
[34] MANIÇOBA, R. H. C. Estudo comparativo de técnicas de cascateamento de superfícies seletivas em frequência. Natal, RN, 2009. Dissertação de Mestrado – UFRN.
[35] KIANI, G.I.; FORD, K.L.; ESSELLE, K.P.; WEILY, A.R.; PANAGAMUWA, C.J. Oblique incidence performance of a novel frequency selective surface absorber. IEEE Trans. Antennas and Propagation, vol.55, no.10, pp.2931- 2934, 2007.
[36] XIE, L., JIAO, Y.-C., WEI, Y.-Q., ZHAO, G. AND ZHANG, F.-S. A compact UWB slot antenna optimized by genetic algorithm. Microwave and Optical Technology Letters, 53: 2135–2139. 2011.
[37] CHAMAANI, S.; ABRISHAMIAN, M.S.; MIRTAHERI, S. A. Time-domain design of UWB Vivaldi antenna array using multiobjective particle swarm optimization. IEEE Antennas and Wireless Propagation Letters, vol.9, pp.666-669, 2010.
[38] STORN, R. PRICE, K. V. E LAMPINEN, J. Differential Evolution – A practical approach to global optimization. Berlin, Alemanha: Springer-Verlag, 2005. [39] CASTRO, L.N. Fundamentals of natural computing: Basic concepts,
algorithms, and applications. Chapman & Hall/CRC, 2006.
[40] CHEN, C. H. A novel indoor UWB antenna array design by GA, IEEE Intern. conference on Future Comouter and Communication, p. 291-295, 2009.
70
[41] ÁVILA, S. L. Otimização multiobjetivo e análise de sensibilidade para concepção de dispositivos. Florianópolis, SC, 2006. Tese de Doutorado – UFSC.
[42] CARVALHO, A. C. P. L. F., BRAGA, A. P. E LUDEMIR, T. B. Computação evolutiva. In: Rezende, S.O. (Ed) Sistemas Inteligentes: Fundamentos e Aplicações, Cap 9, pp. 225-248. Editora Manole Ltda em 311, 313. 2003. [43] LINDEN, R. Algoritmos Genéticos. 2ª edição. Rio de Janeiro. Brasport.2008. [44] MILLONAS, M. M. Swarms, phase transitions, and collective intelligence. In C.
G. Langton, Ed., Artijicial Life III. Addison Wesley, 1994.
[45] SERAPIAO, A. B. S. Fundamentos de otimização por inteligência de enxames: uma visão geral. SBA Controle & Automação vol.20, n.3, pp. 271-304, 2009. [46] KENNEDY, J. & EBERHART, R.C. Particle swarm optimization. The 1995
IEEE International Conference on Neural Networks. Perth, Australia. vol. 4, pp. 1942-1948, 1995.
[47] SIERRA, M. R.; COELHO, C.A.C. Multi-objective particule swarm optimizers: a survey of the state-of-the-art. International Journal of Computational Intelligence Research, vol. 2, nº 3, pp. 287-308, 2006.
[48] GUTIERREZ, A. L.; PEREZ, J. R.; BASTERRECHEA, J. Optimization of multilayer frequency selective surfaces using the binary particle swarm algorithm. Antennas and Propagation Conference Proceedings, pp.1-5, 2010. [49] SILVA, P. H.; CRUZ, R. M. S; D’ASSUNÇÃO, A. G. Blending PSO and ANN for optimal design of FSS filters with koch island patch elements. IEEE Transactions on Magnetics, vol.46, no.8, pp. 3010-301, 2010.
[50] SANTOS, G.; CARPES, W.P.Jr.; BASTOS, J. P .A.; GRUBISC, S. Study of a jamming system positioning using 2D ray-tracing technique associated with a multi-objective particle swarm optimizer. The 14th
Biennal IEEE Conference on Electromagnetic Field Computation – CEFC 2010, Chicago Illinous, EUA. [51] KENNEDY, J. E EBERHART, R. Particle Swarm Optimization, In Proceedings
of IEEE International Conference on Neural Networks, pp. 1942–1948. 1995. [52] MELLO, A. G. S. Aplicação de redes complexas para definição de vizinhança
na otimizaçãopor enxame de partículas. Campinas, SP, 2010. Tese de Doutorado - UEC.
71
[53] KENEDY, J.; MENDES, R. Neighboard topologies in fully informed and best- of-neighbordhood particule swarms. IEEE Transactions on Systems, Man and Cybernetics, Part C: Applications and Reviews, vol. 36(4), pp. 515-519, 2006. [54] SHI, Y.; EBERHART R. C. A modified particule swarm optimizer. Evolutinary Computation Proceedings, IEEE World Congress on Computational Inteligence, pp. 69-73. 1998.
[55] DUAN, Y.; HARLEY, R. G.; HABETLER, T. G. Comparison of particle swarm optimization and genetic algorithm in the design of permanent magnet motors. Power Electronics and Motion Control Conference, 2009. IPEMC'09. IEEE 6th Intern., pp.822-825, 2009.
[56] BOERINGER, D.W.; WERNER, D. H. A comparison of particle swarm optimization and genetic algorithms for a phased array synthesis problem. IEEE Antennas and Propagation Society International Symposium, 2003. vol.1, pp. 181- 184 vol.1, 22-27.
[57] JAVA Oracle Tecnology Network. Disponível em:
http://www.oracle.com/technetwork/java/javase/downloads/index.html, acesso em: 10.08.2011.
[58] APACHE COMMONS (2009) Commons-Math: The Apache Commons mathematics library. Disponível em: http://commons.apache.org/math/ acesso em: 11.01.2012.
[59] XIAO, J. X., WANG, M. F.; LI, G. J. A ring monopole antenna for UWB application. Microwave Opt Technol Letter, vol. 52, pp. 179-182.33, 2010.