液體天線智能化控制算法研究

摘" 要： 針對應急狀態(tài)下需要快速恢復通信能力的需求，文中設計了一種可重構液體天線模型，并以此為基礎對液體天線的設計方法和智能化控制算法進行深入研究。首先利用神經(jīng)網(wǎng)絡算法建立液體天線電磁性能參數(shù)與物理參數(shù)之間的映射關系，預測在設計性能指標下液體天線應具有的液體溫度、高度、橫截面半徑、電導率，以此為可重構物理參數(shù)設計仿真控制系統(tǒng)。通過分析系統(tǒng)的運行特點，說明了引入PID算法進行控制的可行性。引入粒子群算法整定PID參數(shù)。針對傳統(tǒng)粒子群算法的不足，提出LAIPSO算法，該算法在傳統(tǒng)粒子群算法的基礎上融合ICMIC混沌映射并引入萊維飛行策略，實現(xiàn)了自動更新慣性權重和學習率的自適應。通過選取6個測試函數(shù)對LAIPSO算法進行對比實驗，說明了此算法在解決單峰與多峰問題的優(yōu)越性。最后以預測液體天線的物理參數(shù)為控制目標進行對比實驗，證明了LAIPSO算法對PID參數(shù)具有好的整定效果。

關鍵詞： 液體天線； 天線設計； 神經(jīng)網(wǎng)絡； 改進粒子群算法； PID參數(shù)整定； 自適應； 混沌映射； 萊維飛行

中圖分類號： TN802?34； TP13" " " " " " " " " " " "文獻標識碼： A" " " " " " " " " " 文章編號： 1004?373X（2025）05?0021?09

Research on intelligent control algorithm for liquid antenna

HUANG Jie， HU Yue， CAI Qiangming， CHEN Qi， NIE Shiliang

（School of Information Engineering， Southwest University of Science and Technology， Mianyang 621000， China）

Abstract： A reconfigurable liquid antenna model is designed to meet the needs of rapid recovery of communication capability under emergency conditions. On the basis of the model， the design method and intelligent control algorithm for liquid antenna are studied in depth. Firstly， the neural network algorithm is used to establish the mapping relationship between the electromagnetic performance parameters and the physical parameters of the liquid antenna， and the liquid temperature， height， cross?sectional radius and conductivity of the liquid antenna are predicted according to the designed performance index， and the simulation control system is designed for the reconfigurable physical parameters. By analyzing the operating characteristics of the system， the feasibility of introducing PID algorithm for control is illustrated. The particle swarm optimization （PSO） algorithm is introduced to set the PID parameters. In view of the shortcomings of the traditional PSO algorithm， the LAIPSO algorithm is proposed. In the LAIPSO algorithm， the ICMIC chaos mapping is fused on the basis of the traditional PSO algorithm and the Lévi flight strategy is introduced. In addition， the LAIPSO algorithm realizes the adaptive update of the inertia weight and adaptation of learning rate. By selecting six test functions， the LAIPSO algorithm is subjected to comparison experiments， which shows the superiority of the algorithm in solving the single?peak and multi?peak problems. Finally， taking the prediction of the physical parameters of the liquid antenna as the control objective， comparative experiments are carried out， which proves that the LAIPSO algorithm has a good tuning effect on PID parameters.

Keywords： liquid antenna; antenna design; neural network; improved PSO algorithm; PID parameter tuning; adaption; chaos mapping; Lévi flight

0" 引" 言

在當今通信技術迅猛發(fā)展的背景下，天線作為無線通信系統(tǒng)的關鍵部件，其性能直接影響通信質量和系統(tǒng)的可靠性[1]。隨著應急通信、移動通信和物聯(lián)網(wǎng)等領域的快速發(fā)展，對具有高靈活性、高自適應性和多功能性的天線需求日益增長。在應急狀態(tài)下，如自然災害、突發(fā)事件或戰(zhàn)時環(huán)境中，通信網(wǎng)絡常常面臨基礎設施破壞、通信需求急劇增加等挑戰(zhàn)，傳統(tǒng)天線難以滿足快速部署和靈活調整的需求。20世紀80年代以來，可重構天線的興起[2]為滿足應急條件下的通信需求提供了良好的解決方案。

針對不同的應急情況應當重構出具有不同電磁特性的天線，以達到良好的通信效果。近年來，以液體天線為代表的柔性天線迅速發(fā)展[3]，這種天線可以通過靈活地改變其物理性質，在滿足上述要求的前提下做到最大限度的成本節(jié)約。液體天線是通過改變液體材料的形狀、位置或體積來實現(xiàn)天線參數(shù)（如頻率、輻射方向、增益等）動態(tài)調整的一種天線形式[4]。相比于傳統(tǒng)的固態(tài)天線，液體天線具有更高的靈活性和可重構性，能夠在應急狀態(tài)下根據(jù)環(huán)境變化和通信需求，迅速調整天線的工作狀態(tài)，從而提高通信系統(tǒng)的適應性和穩(wěn)定性。應急情況具有不確定性、突發(fā)性和緊迫性。針對應急情況的不確定性和突發(fā)性，研究一套適應多種情況的天線設計方法顯得尤為重要。同時，在已知天線的設計方案時，針對應急情況的緊迫性，如何快速準確地構建出相應的天線亟待解決。

隨著結合機器學習的逆向設計技術在集成電路領域的興起，工程師們開始借助機器學習的方法，在多種應用場景下設計輔助天線[5]。與此同時，大量智能算法被應用于自動控制領域，取得了良好的效果[6]。

為了解決應急情況下的通信問題，本文將從液體天線的設計方法與液體天線的快速可重構控制方法入手，研究出一整套行之有效的算法。針對不同的應急通信要求，快速合理地預測滿足此要求的液體天線應當具有的物理性質，并及時準確地構建出具有這些物理性質的液體天線。

1" 液體天線的設計

1.1" 單極子液體天線模型

在應急情況下使用單極子天線進行通信有多個好處：結構簡單、易于部署；良好的全向輻射特性，這在應急通信中非常有用，無需對準特定方向即可與周圍的多個接收端進行通信。因此本文根據(jù)天線理論設計了一個單極子液體天線模型，其3D結構如圖１所示。該天線的整體尺寸如表1所示，使用的是相對介電常數(shù)為2.8的介質外殼，以及相對介電常數(shù)為2.08、損耗角正切值為0.001的介質基底。介質外殼內注入液體材料，饋電結構采用同軸饋電，通過在同軸探針頂部加載一個金屬圓盤的方式來擴寬天線帶寬，金屬圓盤與液體直接接觸，饋電結構底端與同軸接頭內導體相連。導體地板置于介質基底下，中央開孔，與同軸接頭外導體相連。

1.2" 可重構的物理參數(shù)選取

對于單極子液體天線來說，在饋電結構和基本形狀確定的前提下，液體溫度及尺寸的變化、液體的電導率都可能導致天線的諧振頻率、方向圖、[S]參數(shù)和有效帶寬等電磁特性的改變。所以針對以上物理性質進行改變，就可以構建出具有特定電磁特性的天線。本文選擇容易獲得的氯化鈉作為溶質，選取液體溫度、高度、橫截面半徑、電導率作為可重構的物理量重構液體天線。

1.3" 數(shù)據(jù)集建立

首先，利用三維電磁場仿真軟件（CST）對天線進行仿真。天線的[S11]值在-10 dB以下對應的頻率為合適的工作頻率，因此仿真時記錄天線的[S11]值在-10 dB以下區(qū)域的起始值與終止值作為天線工作頻率的起始值與終止值，同時記錄工作頻帶內最低的[S11]值所對應的頻率值為最佳工作頻率。改變天線的液體溫度、高度、橫截面半徑、電導率4個物理參數(shù)，變化范圍如表2所示，在60～580 MHz的頻率范圍內，收集了772組天線的仿真數(shù)據(jù)。其中，80%作為訓練集來訓練神經(jīng)網(wǎng)絡模型，10%作為測試集，其余10%作為預測集。

1.4" 神經(jīng)網(wǎng)絡模型建立

本文將仿真數(shù)據(jù)集中天線工作頻率的起始值與終止值、最佳工作頻率三個值作為輸入，將與之對應的液體溫度、高度、橫截面半徑、電導率作為輸出構建神經(jīng)網(wǎng)絡。因此神經(jīng)網(wǎng)絡的輸入層節(jié)點個數(shù)為3個，輸出層節(jié)點個數(shù)為4個。神經(jīng)網(wǎng)絡的隱藏層層數(shù)和隱藏層節(jié)點數(shù)的選擇沒有固定的公式，這主要依賴于經(jīng)驗和具體問題的特點。有一些經(jīng)驗法則和啟發(fā)式方法可以幫助確定這些參數(shù)，對于簡單任務，通常只需要1～2個隱藏層即可。本文嘗試從較淺的網(wǎng)絡開始逐步增加層數(shù)，并觀察模型性能的變化。通過實驗驗證，當隱藏層層數(shù)為2，每個隱藏層節(jié)點數(shù)為6時，模型具有較低且穩(wěn)定的誤差，繼續(xù)增加隱藏層層數(shù)和隱藏層節(jié)點數(shù)，模型性能沒有顯著變化，因此本文設計的神經(jīng)網(wǎng)絡模型如圖2所示。

隱藏層使用Sigmoid函數(shù)作為激活函數(shù)，輸出層使用線性函數(shù)作為神經(jīng)元激活函數(shù)。其他參數(shù)設置如下：迭代次數(shù)為500次，模型的訓練目標為均方誤差值小于0.005。采用Levenberg?Marquardt算法訓練神經(jīng)網(wǎng)絡。

1.5" 神經(jīng)網(wǎng)絡模型評價

1.5.1" 擬合效果

圖3表示了神經(jīng)網(wǎng)絡模型在訓練過程中均方誤差的變化情況，神經(jīng)網(wǎng)絡模型訓練結果的回歸圖如圖4所示。

回歸效果圖中的[R]值表示模型預測與實際目標的相關程度，一般來說，[R]值越接近1，說明模型的預測效果越好。本文繼續(xù)引入決定系數(shù)（[R2]）指標[7]評價神經(jīng)網(wǎng)絡對數(shù)據(jù)集的擬合效果。決定系數(shù)（[R2]）的公式如下：

[R2=1-i=1n（yi-yi）2i=1n（yi-yi）2] （1）

式中：[yi]為真實值；[yi]為預測值；[yi]為真實值的平均值。

訓練結束后經(jīng)計算[R2]的值為0.892 1，綜上可知神經(jīng)網(wǎng)絡模型對數(shù)據(jù)集有優(yōu)良的擬合效果。

1.5.2" 目標天線與設計天線對比

本文設計的天線目標性能指標包括：最佳工作頻率在320 MHz附近；天線的[S11]lt;-25 dB；帶寬gt;100 MHz。

選擇一組滿足以上性能指標的天線參數(shù)作為目標天線，同時利用已構建的神經(jīng)網(wǎng)絡模型預測符合以上性能指標的液體天線物理參數(shù)。表3為目標天線與預測天線的4個物理參數(shù)數(shù)據(jù)，圖5為目標天線和預測天線仿真的性能圖。

如圖5a）所示，為目標天線和預測天線的[S11]。在設計的工作帶寬內任取某一工作頻率作天線的E面輻射方向圖、天線的H面輻射方向圖、天線的3D輻射方向圖。如圖5b）所示，為350 MHz頻率處目標天線和預測天線的E面輻射方向圖。如圖5c）所示，為350 MHz頻率處目標天線和預測天線的H面輻射方向圖。如圖5d）所示，為目標天線在350 MHz處的3D輻射方向圖。如圖5e）所示，為預測天線在350 MHz處的3D輻射方向圖?？梢杂^察到，目標天線仿真的最高增益為5.44 dBi，預測天線的最高增益值為5.42 dBi。

由圖5的仿真結果可知，本文模型預測結果與目標天線的仿真結果較匹配，預測準確性較高。

2" 仿真系統(tǒng)設計

以神經(jīng)網(wǎng)絡模型的預測結果作為控制目標建立控制系統(tǒng)。

本文設計的控制系統(tǒng)參考模型主要由主控芯片、測溫模塊、超聲波測距模塊、電導率儀、水泵、閥門、水箱、加熱模塊、漏斗、開關、多組管道、導管組成。為了使水泵、加熱模塊等元器件正常工作，可能還需額外添加保護電路、驅動電路等。以上所有元器件均可根據(jù)實際需求進行選擇，溶質選擇氯化鈉，漏斗下方與開關相連，加熱模塊接入水箱中，控制系統(tǒng)模型中忽略不同濃度氯化鈉溶液比熱容的變化。系統(tǒng)運行前，在提前準備的多組導管中選擇最接近預測半徑的導管。系統(tǒng)運行時首先通過連通外界的水泵向水箱中注入一定比例的蒸餾水，通過加熱模塊和測溫模塊組成的反饋回路將水箱內水的溫度控制到目標值。此時，通過開關控制漏斗出口開合大小，改變水箱內氯化鈉溶液濃度進而改變液體電導率，通過電導率儀與連通外界的水泵建立反饋回路控制液體電導率。溫度與電導率的控制結束后開始控制液柱高度，閥門連接另外一個水泵，此水泵連接導管與水箱，可以通過控制閥門開合大小以及水泵的轉向和輸出功率改變液柱高度，利用超聲波測距模塊建立反饋回路控制液柱高度。綜上分析，本文系統(tǒng)的3個反饋回路均可以通過獨立的PID算法控制。

3" PID參數(shù)整定

3.1" 啟發(fā)式算法整定PID參數(shù)

針對不同的應急情況，神經(jīng)網(wǎng)絡算法預測的天線會有不同的物理性質，這需要控制系統(tǒng)快速準確地響應不同的控制目標。傳統(tǒng)的PID參數(shù)整定通常依賴于工程師的經(jīng)驗，當涉及復雜多變量控制問題時，經(jīng)驗不足可能導致次優(yōu)的控制性能[8]。同時在應急情況下，工作環(huán)境和條件可能會發(fā)生變化，例如負載的變化、外部干擾等。傳統(tǒng)PID參數(shù)調整后的控制器可能在這些變化下表現(xiàn)不佳。

本文考慮引入啟發(fā)式算法解決上述問題。啟發(fā)式算法可以自動搜索最優(yōu)PID參數(shù)組合，大幅提高效率。同時啟發(fā)式算法優(yōu)化得到的PID參數(shù)組合通常具有更好的魯棒性，能夠在不同工況下保持穩(wěn)定和高效的控制性能。啟發(fā)式算法整定PID參數(shù)原理如圖6所示。

3.2" 改進粒子群算法

3.2.1" 粒子群算法簡介

粒子群算法全局搜索能力強，結構簡單易于實現(xiàn)，迭代速度快，已在許多領域成功應用于PID參數(shù)優(yōu)化[9]，有大量文獻和實際案例支撐，其穩(wěn)定性和有效性得到了廣泛驗證。因此本文采用粒子群算法整定PID參數(shù)。

粒子群算法的基本原理包括初始化與迭代更新。其中初始化是指在搜索空間內隨機初始化一群粒子，每個粒子具有兩個屬性：位置和速度。位置表示當前解，速度表示位置變化的速率。迭代更新是指在每次迭代中，每個粒子通過跟蹤兩個“最好”的位置來調整自己的速度和位置。

速度和位置的更新公式為：

[vi（t+1）=wvi（t）+c1r1（pbesti-xi（t））+c2r2（gbest-xi（t））xi（t+1）=xi（t）+vi（t+1）] （2）

式中：[vi（t）]和[xi（t）]分別表示第[i]個粒子在第[t]次迭代時的速度和位置；[w]是慣性權重；[c1]和[c2]是局部學習因子與全局學習因子；[r1]和[r2]是兩個在[0，1]之間的隨機數(shù)；[pbesti]是粒子自身的歷史最好位置；[gbest]是全局最優(yōu)位置。

3.2.2" 粒子群算法改進方法

盡管PSO具有較強的全局搜索能力，但在使用過程中仍然存在三個問題。問題一：在某些復雜的優(yōu)化問題中，特別是在高維空間中，PSO仍然可能陷入局部最優(yōu)解，難以跳出局部最優(yōu)；問題二：PSO的性能對慣性權重和學習因子等參數(shù)較為敏感，參數(shù)選擇不當可能導致算法收斂速度慢或搜索效果不佳；問題三：對于復雜多峰問題，PSO可能難以充分探索整個搜索空間[10]。

針對問題一，本文利用萊維飛行策略在位置更新時引入擾動以防算法陷入局部最優(yōu)。由于萊維分布實現(xiàn)復雜，實際應用中常用Mantegna算法模擬，飛行步長計算式如下：

[L（λ）=uv1β] （3）

式中，[u]和[v]是服從正態(tài)分布的隨機數(shù)，即[u～N（0，σ2）]，[v～N（0，1）]。

其中：

[σ=Γ（1+β）sin（πβ2）Γ（1+β）2β×2（β-1）21β] （4）

式中：[Γ]為Gamma函數(shù)；[β]是穩(wěn)定分布的參數(shù)，通常取值在（0，2）之間，本文取值為1.5。當引入萊維飛行策略時，位置更新公式如下：

[xi（t+1）=xi（t）+aL（λ）] （5）

式中系數(shù)[a]取值為0.01。始終使用萊維飛行策略不但會增加算法運算時間，還有可能使最終結果偏離最優(yōu)解。因此，本文將粒子劃分為兩個部分，對50%的粒子采用萊維飛行策略更新位置。

傳統(tǒng)PSO算法大多將慣性權重[w]、學習因子[c1]和[c2]設為固定值，從而會導致問題二的發(fā)生，本文對此進行如下改進。

1） 對慣性權重[w]進行動態(tài)更新，更新公式如下：

[w（t）=wmin+（wmax-wmin）×1-tT×gbest（t）-favg（t）gbest（0）-favg（0）] （6）

其中：[wmin]和[wmax]分別是慣性權重的最小和最大值，本文分別取0.6、0.8；[t]是當前迭代次數(shù)；[T]是最大迭代次數(shù)。[gbest（t）]是當前代的全局最優(yōu)適應度值；[favg（t）]是當前代的平均適應度；[gbest（0）]是初始時的全局最優(yōu)適應度值；[favg（0）]是初始時的平均適應度。

通過對慣性權重進行非線性調整，可以根據(jù)粒子的迭代次數(shù)動態(tài)改變權重值。在算法前期，采用較大的慣性權重可以增加種群的多樣性，增強全局搜索能力；而在算法后期，則減小慣性權重，以促進算法快速收斂到最優(yōu)解。

2） 對學習因子[c1]和[c2]進行動態(tài)調整，公式如下：

[c1（t）=c1start+（c1end-c1start）×（1-e-λ1tT）c2（t）=c2start+（c2end-c2start）×e-λ2tT] （7）

式中：[c1start]和[c2start]是初始局部和全局學習因子，本文分別取0.6、1.8；[c1end]和[c2end]是局部和全局學習因子的最終值，本文分別取1.8、0.6；[λ1]和[λ2]是控制指數(shù)變化速率的參數(shù)，本文分別取0.05、0.05。

通過這種調整，局部學習因子在算法初期較小，隨著迭代次數(shù)逐漸增大，增強了局部搜索能力；全局學習因子則相反，在初期較大以增強全局探索能力，后期逐漸減小以幫助粒子群收斂。

針對問題三，為了保證算法充分搜索整個空間，本文在進行粒子的初始化時引入ICMIC混沌映射。相比于Bernoulli映射、tent映射、Logistic映射等其他混沌映射，ICMIC映射的生成更趨近于邊界，這樣的生成更有利于提高算法在極端情況下的搜索能力，同時與其他眾多映射相比，ICMIC映射擁有最高的李雅普諾夫指數(shù)[11]。

ICMIC映射具體表達式為：

[zn+1=sinαzn，" "α∈（0，+∞），" "-1≤zn≤1，" "zn≠0] （8）

式中[α]是映射系數(shù)，算法中設置為12可以達到較好的取值效果[12]。

至此改進粒子群（LAIPSO）算法構建完成。

3.2.3" 改進后算法測試

本文選取特征不同的6種基本測試函數(shù)，如表4所示。其中：[f1～f3]為單峰測試函數(shù)，單峰函數(shù)通常用于測試優(yōu)化算法的局部搜索能力和收斂速度；[f4～f6]為多峰測試函數(shù)，多峰函數(shù)具有多個局部最優(yōu)點，通常用于測試算法的全局搜索能力和跳出局部最優(yōu)的能力[13]。

為了測試改進后粒子群算法的性能，將本文提出的LAIPSO算法在6種基本測試函數(shù)上進行實驗，種群規(guī)模設為100，迭代次數(shù)設為1 000，然后與傳統(tǒng)PSO算法、登山隊優(yōu)化算法（MTBO）[14]、灰狼優(yōu)化算法（GWO）[15]進行對比。為了避免一次運行結果的偶然性，本文將以上所有算法在6種基本測試函數(shù)上獨立運行30次，從而算出每個算法尋優(yōu)結果的平均值與標準差，用此平均值和標準差分別評價算法的收斂性和穩(wěn)定性，結果如表5所示。各算法適應度變化曲線如圖7所示。

由實驗結果可得出如下結論。

LAIPSO算法在所有測試函數(shù)上運行時均有最佳的尋優(yōu)結果；在測試函數(shù)為[f5]時有次優(yōu)的穩(wěn)定性，在其他測試函數(shù)上有最優(yōu)的穩(wěn)定性；在測試函數(shù)為[f3～f6]時有最快的迭代速度，在測試函數(shù)為[f1]和[f2]時有次優(yōu)的迭代速度。綜合尋優(yōu)結果、穩(wěn)定性、迭代速度去衡量，可以認為在四種算法中LAIPSO算法在單峰與多峰問題上均有最佳表現(xiàn)，灰狼算法有次優(yōu)表現(xiàn)，因此本文在PID參數(shù)整定時引入灰狼算法與LAIPSO算法作對比，同時為了提高實驗結果的可信度，本文還將引入傳統(tǒng)PSO算法、傳統(tǒng)PID參數(shù)整定方法進行對比實驗。

3.3" 性能指標函數(shù)選取

PID控制系統(tǒng)性能的評價指標主要有以下幾種：ISE（積分平方誤差）、IAE（積分絕對誤差）、ITSE（積分時間加權平方誤差）和ITAE（積分時間加權絕對誤差）[16]。ISE在某些情況下可能會導致系統(tǒng)產(chǎn)生較大的控制動作以盡快減小誤差。與ISE相比，IAE對誤差的響應更為平滑，然而可能導致系統(tǒng)響應較慢。ITAE通過對誤差乘以時間權重再進行積分，更加關注誤差在時間上的累積效果，能夠有效減小系統(tǒng)的超調量和振蕩次數(shù)，使系統(tǒng)更加平穩(wěn)，適合用于要求快速穩(wěn)定響應的系統(tǒng)。ITSE指標結合了ISE和ITAE的特點，缺點與ISE類似，對大誤差的響應可能導致初期的過調節(jié)。

由于在控制高度和溫度等物理量時，在某些應急條件下前期誤差可能較大，使用ISE和ITSE會導致控制初期系統(tǒng)過度調節(jié)。應急情況下需要系統(tǒng)在保證穩(wěn)定的前提下在前期快速響應。綜上，本文選擇ITAE作為性能指標，其公式如下：

[ITAE=0∞te（t）dt] （9）

3.4" PID參數(shù)整定

LAIPSO算法整定PID參數(shù)的基本流程圖如圖8所示。其中在算法初始化時，將種群個體解碼為[Kp]、[Ki]、[Kd]，因此粒子維度設為3，種群規(guī)模設為30，迭代次數(shù)設為100，其他參數(shù)設置保持不變。

為了驗證LAIPSO算法的廣泛適用性，本文利用常見的一階、二階、三階傳遞函數(shù)公式建立3個閉環(huán)控制系統(tǒng)的傳遞函數(shù)，分別以預測天線的溫度、電導率、高度作為控制目標進行仿真實驗，仿真時間設為2 000 s。一階系統(tǒng)傳遞函數(shù)見式（10），二階系統(tǒng)傳遞函數(shù)式見式（11），三階系統(tǒng)傳遞函數(shù)見式（12）。

[G（s）=KTs+1e-ms] （10）

[G（s）=Ks（Ts+1）e-ms] （11）

[G（s）=K（T1s+1）（T2s+1）（T3s+1）] （12）

在溫度控制閉環(huán)系統(tǒng)中，[K]=10，[T]=23.6，[m]=5?？刂颇繕藶闇囟?5.0 ℃（結果保留1位小數(shù)）。仿真結果如圖9、表6所示。

經(jīng)實驗可知，用傳統(tǒng)方法整定PID參數(shù)，一階溫度控制系統(tǒng)達到穩(wěn)定所需要的時間最長，并且具有穩(wěn)態(tài)誤差；在三種啟發(fā)式算法中，LAIPSO算法效果最好，使控制系統(tǒng)具有最小超調量的同時，最快穩(wěn)定達到控制目標。

在電導率控制閉環(huán)系統(tǒng)中[K]=5，[T]=18，[m]=3?？刂颇繕藶殡妼蕿?.65 mS/cm（結果保留1位小數(shù)）。仿真結果如圖10、表7所示。

經(jīng)實驗可知，用傳統(tǒng)方法整定PID參數(shù)，二階電導率控制系統(tǒng)達到穩(wěn)定所需要的時間最長，并且具有穩(wěn)態(tài)誤差；在三種啟發(fā)式算法中，LAIPSO算法效果最好，使控制系統(tǒng)具有最小超調量的同時，最快穩(wěn)定達到控制目標。

在高度控制閉環(huán)系統(tǒng)中，[K]=3，[T1]=18.5，[T2]=12，[T3]=5?？刂颇繕藶楦叨?9.1 cm（結果保留1位小數(shù)）。仿真結果如圖11、表8所示。

經(jīng)實驗可知，用傳統(tǒng)方法整定PID參數(shù)，三階高度控制系統(tǒng)達到穩(wěn)定所需要的時間最長，并且具有穩(wěn)態(tài)誤差；在三種啟發(fā)式算法中，LAIPSO算法效果最好，使控制系統(tǒng)兼顧一定合理超調量的同時，最快穩(wěn)定達到控制目標。

經(jīng)上述實驗可證明，在ITAE性能指標下，LAIPSO算法對PID參數(shù)的整定具有較好的效果。

4" 結" 論

為了滿足多種突發(fā)應急情況下的通信需求，本文設計了一種可重構液體天線模型，并以此為基礎對液體天線的智能化控制算法進行了深入研究。本文首先提出了一種結合機器學習的液體天線自動設計方法，應用神經(jīng)網(wǎng)絡模型直接建立起液體天線電磁性能參數(shù)與液體天線物理參數(shù)之間的非線性映射關系，可以快速、準確地預測液體天線物理參數(shù)。將天線的最佳工作頻率、工作頻段的起始值與終止值作為輸入，預測滿足此工作狀態(tài)液體天線的液體溫度、高度、橫截面半徑、電導率，并以此為控制目標建立控制算法。

本文設計了液體天線智能化控制系統(tǒng)的仿真模型，并分析其運行原理，說明了采用PID算法作為系統(tǒng)控制算法的可行性。為了滿足對不同控制目標的精細控制，本文將粒子群算法引入PID參數(shù)整定，為了克服傳統(tǒng)粒子群算法的劣勢，本文對傳統(tǒng)粒子群算法進行改進，提出一種融合ICMIC混沌映射，并且自動更新慣性權重和學習率的自適應粒子群算法，增強算法的尋優(yōu)速度和尋優(yōu)精度；并引入萊維飛行策略，避免算法陷入局部最優(yōu)。選取6個測試函數(shù)對算法進行測試，實驗數(shù)據(jù)表明，在四種算法中LAIPSO算法在單峰與多峰問題上均有最佳表現(xiàn)。

為了驗證本文提出的LAIPSO算法對PID參數(shù)的整定效果，本文建立三個閉環(huán)控制系統(tǒng)的傳遞函數(shù)，分別以預測天線的溫度、電導率、高度作為控制目標進行仿真實驗。實驗結果證明了LAIPSO算法對PID參數(shù)的整定具有較好的效果。

參考文獻

[1] 張超，馬晨，趙梓彤，等.一種全透明寬帶高增益離子液體透鏡天線[J].微波學報，2024，40（5）：78?84.

[2] 王曉燕，張霄，羅宇.一種使用高次模式阻抗匹配的三頻頻率可重構天線設計[J].微波學報，2024，40（3）：7?11.

[3] XING L， ZHU J J， XU Q， et al. A circular beam?steering antenna with parasitic water reflectors [J]. IEEE antennas and wireless propagation letters， 2019， 18（10）： 2140?2144.

[4] HUANG Y， XING L， SONG C Y， et al. Liquid antennas： Past， present and future [J]. IEEE open journal of antennas and propagation， 2021， 2： 473?487.

[5] 徐晴，王青洲，李元岳，等.基于GA?BP模型的微帶貼片天線設計和優(yōu)化[J].電子測量技術，2023，46（21）：55?62.

[6] 陳志勇，李攀，葉明旭，等.自動駕駛電動車輛基于參數(shù)預測的徑向基函數(shù)神經(jīng)網(wǎng)絡自適應控制[J].中國機械工程，2024，35（6）：982?992.

[7] 劉藝夢，丁小明，王會強，等.基于蜣螂算法優(yōu)化BP的冬夏生菜根區(qū)溫度預測模型[J].農(nóng)業(yè)工程學報，2024，40（5）：231?238.

[8] 鄭修斌，陳珺，劉飛.改進哈里斯鷹算法的PID自整定及在直流電機調速中的應用[J/OL].控制工程：1?10[2023?12?19].https：//doi.org/10.14107/j.cnki.kzgc.20230214.

[9] 陳卓凡，周坤，秦菲菲，等.基于改進量子粒子群優(yōu)化算法的機器人逆運動學求解[J].中國機械工程，2024，35（2）：293?304.

[10] 康巖松，臧順來.基于多種策略的改進粒子群優(yōu)化算法[J].東北大學學報（自然科學版），2023，44（8）：1089?1097.

[11] FENG J H， ZHANG J， ZHU X S， et al. A novel chaos optimization algorithm [J]. Multimedia tools and applications， 2017， 76（16）： 17405?17436.

[12] 孔令崧，石頡，孫浩，等.融合黑寡婦思想的蜣螂優(yōu)化算法[J/OL].微電子學與計算機：1?15[2024?05?08].http：//kns.cnki.net/kcms/detail/61.1123.tn.20240507.1941.018.html.

[13] 顧清華，姜秉佼，常朝朝，等.求解大規(guī)模優(yōu)化問題的改進麻雀搜索算法[J].控制與決策，2023，38（7）：1960?1968.

[14] FARIDMEHR I， NEHDI M L， DAVOUDKHANI I F， et al. Mountaineering team?based optimization： A novel human?based metaheuristic algorithm [J]. Mathematics， 2023， 11（5）： 1273.

[15] MAKHADMEH S N， KHADER A T， AL?BETAR M A， et al. A novel hybrid grey wolf optimizer with min?conflict algorithm for power scheduling problem in a smart home [J]. Swarm and evolutionary computation， 2021， 60： 100793.

[16] 魏彬，唐鳳軒，梁暢，等.基于變論域模糊PID的航空轉臺控制系統(tǒng)研究[J].北京化工大學學報（自然科學版），2022，49（2）：107?115.

基金項目：國家自然科學基金項目（61801406）；中央引導地方?科技成果轉移轉化項目（2023ZYDF022）

作者簡介：黃" 杰（1997—），男，山西人，碩士研究生，主要研究方向為計算機控制系統(tǒng)。

胡" 玥（2000—），女，四川人，碩士研究生，主要研究方向為天線理論與設計。

蔡強明（1987—），男，四川人，副教授，主要研究方向為天線原理與技術。

陳" 琦（1981—），男，四川人，教授，主要研究方向為天線理論與設計。

聶詩良（1968—），男，重慶人，教授，主要研究方向為計算機控制系統(tǒng)。