بهینه سازی آنتن آرایه ای پراکنده با استفاده از روش عامل -منتقد با تکرار تجربه

آنتن های آرایه ای پراکنده بسیار مورد توجه هستند چراکه این نوع آنتن ها با تعداد المان کمتر به همان نتایج دلخواه در حالت آرایه کامل می رسند. در این مقاله با استفاده از یادگیری تقویتی و روش عامل - منتقد با تکرار تجربه برخی از عناصر را حذف می شوند و در نتیجه آنتن آرایه ای با نتایج مطلوب ولی با وزن و هزینه کمتری در حالت آرایه پیشنهاد می شود. معادله دستیابی به پرتو تشعشعی بهینه شده است و استفاده از این روش نسبت به سایر روش ها در بهینه سازی مزیت یادگیری دارد و می تواند مشکلات مربوط به انتقالها و پاداشهای تصادفی را بدون نیاز به سازگاری حل کند. و همچنین دارای تکرار کمتر و سرعت بالاتری است . در نتایج به دست آمده تا حدود ۳۰ درصد المان ها در شبیه سازی کاهش یافته است و مقایسه پاسخ ها با روش دیگر بهینه سازی ارائه شده است .

Keywords:

آنتن آرایه ای پراکنده , بهینه سازی , یادگیری تقویتی , کنترل گلبرگ کناری