基于改进斑马算法的GaN HEMT混合小信号建模

为提升半导体器件小信号建模精度并避免优化过程陷入局部最优，提出一种基于改进斑马优化算法（IZOA）的氮化镓高电子迁移率晶体管（GaN HEMT）混合小信号建模方法。结合数学修正法与直接提取法建立初始模型，通过引入混沌映射、反向学习策略及动态概率机制的IZOA进一步优化参数。实验结果表明，该方法将平均误差由3.47%降至0.19%，较GWO和标准ZOA分别降低0.76%和0.33%，显著提升了建模精度与算法收敛性。

为了提高半导体器件小信号建模精度并解决优化算法易陷入局部最优解的问题,提出了一种基于改进斑马优化算法(Improved Zebra Optimization Algorithm,IZOA)的氮化镓高电子迁移率晶体管(Gallium Nitride High Electron Mobility Transistor,GaN HEMT)混合小信号建模方法.采用数学修正法和直接提取法提取小信号参数,建立初步模型,再使用改进的斑马优化算法进一步提高建模的精度.对斑马优化算法(Zebra Optimization Algorithm,ZOA)的改进主要集中在三个方面:采用混沌映射提高初始种群多样性;使用反向学习策略扩大搜索范围;使用动态概率值替代固定值平衡搜索与收敛能力.实验结果表明,IZOA将直接提取法的平均误差从 3.47%降至 0.19%,相比灰狼优化(Grey Wolf Optimizer,GWO)算法(平均误差 0.95%)降低 0.76%,较标准ZOA(平均误差 0.52%)降低 0.33%,验证了算法的有效性和准确性.