.png){kind=icon}
返回
A Multiobjective Antenna Optimization Method Based on the Surrogate Model-Assisted Deep Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/LAWP.2026.3653465.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于代理模型辅助的深度强化学习（SADRL）的新型多目标天线优化方法被提出。该方法分为三个阶段：粗拓扑优化、代理模型构建和精拓扑优化。首先，使用自适应变精度电磁模型辅助改进的二进制粒子群优化算法进行天线拓扑的粗优化。此阶段为代理模型训练提供初始数据库，并为后续深度强化学习（DRL）算法提供高质量的初始解。其次，采用贝叶斯卷积神经网络作为在线代理模型，旨在为DRL提供低成本交互环境。最后，使用深度Q网络进行天线拓扑的精优化。为验证所提方法，对单极子天线进行了多目标优化，目标包括全向性、工作带宽和带内增益平坦度。优化设计提供了覆盖3.3 GHz至3.8 GHz和5.75 GHz至5.85 GHz的工作频带，同时在目标频带内保持1.89 ± 0.23 dBi和1.35 ± 0.11 dBi的实增益，方位增益纹波小于2.86 dBi。与其他优化方法相比，所提SADRL方法以更少的电磁仿真实现了目标设计。
Keyword:
Deep Q-network
deep reinforcement learning
multiobjective
surrogate model
topology optimization
期刊
IF:
4.8
论文数:
1.0W
被引数:
2.8W
机构
引用论文
.png){kind=icon}
Intelligent Reflecting Surface-Assisted Interference Mitigation With Deep Reinforcement Learning for Radio Astronomy基于深度强化学习的射电天文学智能反射面辅助干扰缓解
PREAI
分享收藏Cognitive Conformal Antenna Array Exploiting Deep Reinforcement Learning Method基于深度强化学习方法的认知共形天线阵列
PREAI
分享收藏
查看更多内容