Antenna Design Explorer 1.0 User’s Guide 
 
 

1 

 
Contents 
 

1. INTRODUCTION .......................................................................................................................... 3 

1.1 Key Features of ADE 1.0 ................................................................................................................ 3 

1.2 Optimization Problems that ADE 1.0 Solves ................................................................................. 4 

1.3 Downloading, Installation and Licensing ...................................................................................... 5 

2. OPTIMIZATION CONCEPTS.......................................................................................................... 7 

2.1 Design Variables ............................................................................................................................ 7 

2.2 Range of Design Variables ............................................................................................................. 8 

2.3 Objective Function ........................................................................................................................ 8 

2.4 Constraints .................................................................................................................................... 8 

2.5 Single Objective Optimization ....................................................................................................... 9 

2.6 Multi‐objective Optimization ........................................................................................................ 9 

2.7 Constrained Optimization ........................................................................................................... 10 

2.8 Penalty Functions ........................................................................................................................ 10 

3. OPTIMIZATION METHODS IN ADE 1.0 ........................................................................................ 12 

3.1 The Surrogate Assisted Differential Evolution Algorithm (SADEA) Optimizer ............................ 12 

3.2 The MOEA/D‐DE Optimizer ......................................................................................................... 12 

3.3 The DE Optimizer ........................................................................................................................ 12 

3.4 Parameter Settings for Optimizers ............................................................................................. 13 

4. BASIC USAGE OF THE ADE 1.0 .................................................................................................... 18 

4.1 Using the Software ...................................................................................................................... 18 

4.2 Essential Tutorials ....................................................................................................................... 27 

5.0 PROBLEM EXAMPLES ............................................................................................................... 33 

5.1 Dielectric Resonator Antenna (DRA) Example ............................................................................ 33 

5.2 Yagi‐Uda Antenna (YUA) Example ............................................................................................... 34 

5.3 Broadband Micro‐strip Antenna (BMA) ...................................................................................... 36 

5.4 Linear Micro‐strip Antenna Array (LMAA) .................................................................................. 37 

REFERENCES .................................................................................................................................. 39 

2 

 
1. INTRODUCTION 

  Antenna  Design  Explorer  (ADE)  1.0  is  a  software  tool  with  a  Graphical  User  Interface  (GUI) 
aiming  to  optimize  antenna  geometrical  design  parameters  satisfying  design  specifications  defined 
by the user from a given structure.  

The  user’s  inputs include: (1) an antenna performance evaluation file [in 1.0, this can be a CST 

Microwave Studio model or a user defined MATLAB function (e.g., MATLAB antenna toolbox‐based 
evaluation, user defined MATLAB functions invoking other 3D EM simulators, etc.)], (2) The design 
variables  and  their  ranges,  (3)  The  optimization  goal(s)  and  constraint(s).  In  the  ADE  1.0  platform, 
four  types  of  optimization  are  supported  (see  Section  1.2  for  more  details).  The  output  is  the 
designed antenna layout with optimal geometrical design parameters (see sections 4 and 5 for more 
details).  

1.1  Key Features of ADE 1.0 

There  are  a  number  of  antenna  optimizers  and  almost  every  commercial  3D  EM  simulation 
software tool has an inbuilt optimizer. Hence, a natural question is why should one adopt ADE 1.0 
or what are the advantages of ADE 1.0 compared with other optimizers? These queries and others 
of a similar nature are answered as follows: 

 Efficient Global Optimization: 
Optimizers  in  EM  simulation  tools  currently  available  generally  provide  two  kinds  of 
optimization  methods:  (1)  local  optimization  methods  such  as  the  Simplex  Method  and 
Sequential  Quadratic  Programming  and  (2)  global  optimization  methods  such  as  Genetic 
Algorithm (GA) and Particle Swarm Optimization (PSO). Local optimization methods require 
a good starting point, which is often not available for antenna design. Hence, using this kind 
of method does not guarantee a solution to the problem. Global optimization methods are 
shown to be very effective for antenna optimization, but they often take too much time (e.g., 
months) because EM simulation is time‐hungry and global optimization methods need many 
EM simulations to find the optimum. These remain bottlenecks for most antenna optimizer 
users.  
In ADE 1.0, the Surrogate Model Assisted Differential Evolution Algorithm (SADEA) method 
[1]  is  included.  It  has  been  shown  that  the  SADEA  method  obtains  a  4  –  8  times  speed 
improvement compared to standard global optimization methods, while getting comparable 
(or even better) results [1]. As such, the adoption of ADE 1.0 for your design exploration and 
optimization  almost  guarantees  a  high‐quality  design  with  highly  reduced  computational 
effort by decreasing 1 – 2 months’ optimization time to 1 week or less.  
  
 Multi‐objective Optimization: 
Sometimes, antenna designers are interested in the optimal trade‐off (see Section 2 for more 
details) among different specifications associated with the problem. For example, a designer 
 
may be interested in a design calling for a balance between  max S11   and “Gain”. In this 
case, a Multi‐objective Optimization (MOO) approach is required (see Section 2 for details). 
However, most of the optimizers currently available in EM design tools do not support MOO. 
To  address  this  void,  ADE  1.0  offers  the  Multi‐objective  Evolutionary  Algorithm  based  on 
Decomposition  (MOEA/D)  method  [2].  The  MOEA/D  method  has  been  shown  to  deliver 
excellent performance for antenna MOO [3].  

3 

 
  Full Tutorial on Antenna Optimization including Many Useful Tips:  
ADE 1.0 has been designed to adequately meet the usability requirements of engineers and 
researchers with expertise in antenna analysis and design, but without deep knowledge of 
optimization.  In  particular,  there  are  many  tips  that  are  well  known  by  optimization 
researchers that are less familiar to optimizer users. As a complementary guide for ADE 1.0, 
a full tutorial is provided covering many of these tips. ADE 1.0 also supports the use of these 
tips through its GUI. By studying the tutorials (including videos), antenna designers without 
much optimization expertise can quickly handle effective antenna optimization problems in 
a much easier and effective way. (See Sections 4 and 5 for details.)  
Another critical issue is that many antenna designers struggle with the setting of parameters 
for  optimization  algorithms.  Though  these  parameters  affect  the  performance  of  the 
optimization algorithms, more often than not, there are no clear rules on how to set them. 
ADE 1.0 addresses this problem by automating the parameter settings for its algorithms in 
instances  where  the  user  opts  not  to  specify  the  parameter  settings.  According  to  the 
targeted  problem,  the  appropriate  parameters  are  adaptively  calculated  and  set  as  the 
default  within  ADE  1.0  when  the  user  opts  for  the  automatic  settings.  Of  course,  these 
automatic  parameters  are  based  on  real‐world  antenna  testing.  (See  section  2  for  more 
details on parameter settings.)     
   
 High Compatibility for Working With Other Tools: 
ADE  1.0  does  not  attempt  to  duplicate  the  existing  functions  of  existing  EM  optimizers. 
Rather,  it  is  a  complementary  tool,  which  addresses  their  limitations  by  running  in 
conjunction  with  them  to  support  users.  Although  ADE  1.0  can  be  used  as  a  standalone 
software tool, it is also highly compatible with most established EM Optimizers. Not only has 
the GUI of ADE 1.0 considered this issue, “clever” antenna design exploration methods for 
the effective and efficient co‐usage of ADE 1.0 and optimizers available in MATLAB and/or 
CST are provided. (See Section 4 for details).   
 

 1.2   Optimization Problems that ADE 1.0 Solves 

 
    ADE  1.0  solves  four  main  types  of  optimization  problems,  illustrated  in  Fig.  1  with  a  Yagi‐Uda 
Antenna (YUA) example. These optimization problems are typical in antenna design, exploration and 
synthesis.  

  Fig. 1. 3‐D Geometry of a Yagi‐Uda Antenna (YUA) 

4 

 
 ‐ Specification Satisfaction  
Example  1:  The  antenna  designer  wants  to  perform  design  exploration  satisfying 
max  S11   20dB  between 10GHz to 11GHz. 
Example  2:  The  antenna  designer  wants  to  perform  design  exploration  satisfying  2 
requirements between 10GHz and 11GHz:  
 max  S11   20dB  
 Gain  15dB    
 
‐ Goal Optimization  
Example:  The  antenna  designer  wants  to  perform  design  exploration  minimizing  max S11    
between 10GHz and 11GHz. 
 
‐ Constrained Optimization  
Example:  The  antenna  designer  wants  to  perform  design  exploration  between  10GHz  and 
 
11GHz, minimize  max S11  , while requiring  Gain  15dB . 
 
‐ Multi‐Objective Optimization 
Example:  The  antenna  designer  wants  to  perform  design  exploration  between  10GHz  and 
11GHz with two goals while the optimal trade‐off is sought:  
  
minimize  max S11  
 maximize Gain 

See Section 2 for further details on these concepts. 

1.3  Downloading, Installation and Licensing  

ADE  1.0  is  free  software  and  can  be  downloaded  from  the  CADES  ADE  website.  The  licensing 
should  follow  the  policy  of  Computer‐aided  Design  and  Engineering  Software  (CADES)  Research 
Center  (cadescenter.com)  CADES  Research  Center  is  an  inter‐university  research  and  development 
center  composed  of  partners  mainly  from  Europe,  North  America  and  Asia.  Several  key  issues  of 
licensing are: 

‐ ADE  1.0  is  prohibited  from  cracking,  copying,  distribution,  retail  and  any  other  commercial 
activity. 
‐ For commercial use, the interested parties or organizations must contact the CADES Research 
Center  to  obtain  the  necessary  permits  (contacting  CADES  is  available  in  CADES  homepage 
and the product pages). 
‐ Each  license  expires  in  90  days,  but  the  user  can  download  (updated)  software  from  the 
CADES website (cadescenter.com) for free. This policy is to make sure that the user can keep 
up  with  the  most  recent  version  of  ADE  1.0  while  providing  feedback  for  evaluation  and 
improvement. 

       ADE 1.0 runs in the MATLAB environment and is compatible with Windows and Linux (not all 
the  versions)  systems.  The  MATLAB  2014  version  or  above  is  needed.  The  necessary  toolboxes 
include the Optimization Toolbox, Machine Learning and Statistics Toolbox and Parallel Computing 
Toolbox.  In  ADE  1.0,  a  user‐friendly  seamless  link  with  CST  Microwave  Studio  is  provided,  which 

5 

 
means  ADE  1.0  can  directly  work  with  a  CST  model.  However,  CST  Microwave  Studio  is  not  itself 
included in ADE 1.0. To use this function, the CST Microwave Studio version 2014 or above will be 
required.  Though  other  3D  EM  simulators  are  also  supported  on  the  ADE  1.0  platform,  the  users 
need to develop their own respective interfacing methods. 

    ADE  1.0  does  not  need  special  installation.  The  installation  method  is  described  in  the  video 
(https://www.youtube.com/watch?v=uCew4pgaVIE&t=152s). 

6 

 
 

2. OPTIMIZATION CONCEPTS 

  This section introduces the basic concepts of optimization to the novice user. Users with existing 
expertise in optimization may jump to Section 3.  

2.1  Design Variables 

  As the name suggests, design variables are parametric features in RF and EM engineering design 
whose  metric  values  can  be  varied  to  improve  the  overall  profile  and  quality  of  the  design.  With 
respect to antennas, filters and other  RF or EM  problems, design variables  are usually  measurable 
geometric or spatial components of the design.  For instance, Fig.2 and Table 1 reveal the set design 
variables of a quadrifilar helical antenna (QHA) problem proposed for optimization [4]. 

  Fig. 2: 3‐D Geometry of a Quadrifilar Helical Antenna (QHA) [4] 

  Table 1: Design Variables of a Quadrifilar Helical Antenna (QHA) [4] 

  QUADRIFILAR HELICAL ANTENNA (QHA) DESIGN VARIABLES
Minimum Value  Maximum Value 
 
(m)  (m) 
  Pitch Distance  0.0033 0.0721
Axial Length  0.045 0.10
  Radius  of  Helix 
0.01  0.035 
(Top) 
  Radius  of  Helix 
0.01  0.035 
(Bottom) 
  Linear  Quadrature 
Distance Between   0.035  0.07 
Helical Elements 
  Fixed  Radius  of 
0.0005  0.0005 
Wires 
  Fixed  Distance 
0.01  0.01 
above ground 
 

7 

 
  Combining  Fig.  2  and  Table  1,  it  can  be  seen  that  design  variables  constitute  the  parametric 
boundaries of the QHA being examined.  

2.2  Range of Design Variables 

  Extending  the  concept  of  design  variables  mentioned  earlier,  the  range  of  variables  for  an 
optimization problem can be simply defined as the lower and upper bounds specified for the design 
variables. In the context of antennas, filters and other RF or EM problems, the range of variables are 
usually the minima and maxima for the measurable geometrical or spatial components of the design. 
Table  1  shows  the  range  of  variables  (minima  and  maxima)  for  the  parametric  features  of  a 
quadrifilar  helical  antenna  (QHA)  proposed  for  optimization  [4].  We  generally  assume  that  the 
optimal solution is not located outside of any of the above ranges.  

2.3 Objective Function 

  In simple terms, an objective function is a mathematical equation that can model the objective(s) 
of an optimization problem while incorporating any constraint(s) [5]. Generally, objective functions 
depict  optimization  problems  as  minimization  or  maximization  tasks.  Equation  1,  for  example, 
depicts  an  objective  function f  x   for  an  optimization  problem,  “s.t”  or  ‘subject  to’  constraints 
g1  x , g 2  x , g 3  x   and  g 4  x   [6]: 

min f  x    x1  10   5 x 2  12   x 34  3 x 4  11  10 x 56  7 x 62  x 7  10 x 6  8 x 7
  2 2 2  

  s.t . (1) 

  g 1  x   2 x13  3 x 24  x 3  4 x 43  5 x 5  127  0
  g 2  x   7 x1  3 x 2  10 x 32  x 4  x 5  282  0

 
g 3  x   23 x1  x 22  6 x 62  8 x 7  196  0
g 4  x   4 x12  x 22  3 x1 x 2  2 x 32  5 x 6  11x 7  0
 
For :  10  x i  10, i  1,2,... 7
 

2.4 Constraints 

  In  optimization,  a  constraint  is  a  condition  that  any  solution  to  the  optimization  problem  must 
satisfy.  Though  constraints  can  be  specified  mathematically  as  equalities  or  inequalities,  they  are 
usually  depicted  as  inequalities  in  antenna  design  optimization  [5  –  7].  For  instance,  the  objective 
function in equation 1 is subject to the constraints  g1  x , g 2  x , g 3  x   and  g 4  x  . 

 
g 1  x   2 x13  3 x 24  x 3  4 x 43  5 x 5  127  0
      (2) 
g 2  x   7 x1  3 x 2  10 x 32  x 4  x 5  282  0
 
g 3  x   23 x1  x 22  6 x 62  8 x 7  196  0
g 4  x   4 x12  x 22  3 x1 x 2  2 x 32  5 x 6  11x 7  0
 

   

8 

 
By  definition,  an  optimization  problem  subject  to  constraints  can  be  called  ‘constrained 
optimization’ and an optimization problem without constraints ‘unconstrained optimization’.  

2.5 Single Objective Optimization  

  From [5], an unconstrained single objective optimization problem can be described by equation 3: 

 
min f  x 
      (3) 
s.t.
 
x   a, b 
d

where  x  is the vector of decision variables;  d  is the dimension of  x ;  a, b   are the search ranges 

d

of the decision variable  x , and  f  x   is the objective function. The optimal solution is the value of 

x  a, b  such  that  there  is  no  other  point  x  a, b  with  f  x   f  x'  (assuming  a 
d d

minimization problem). 

2.6 Multi‐objective Optimization 

  Also from [5], an unconstrained multi‐objective optimization problem can be expressed as in 
equation 4: 

  min  f1  x  , f 2  x  ,..., f m  x 
  s.t.     (4) 
x   a, b 
d
 

where  x  is  the  vector  of  decision  variables;  d  is  the  dimension  of  x ;  a, b  are  the  search 
d
 
ranges  of  the  decision  variable  x ,  and  f 1  x  ,  f 2 x  ,  …,  f m  x   are  the  objectives  of  the 
optimization.  Depending  on  the  scope  of  the  optimization  problem  and  process,  multi‐objective 
optimization  approaches  can  be  broadly  grouped  into  two  classes:  priori  methods  and  posterior 
methods. For priori methods, a decision‐maker defines preferences for the objectives and translates 
the  multi‐objective  problem  into  a  single‐objective  task  by  adopting  a  weighted‐sum  approach.  In 
the case of posterior methods, optimal trade‐off candidate solutions are presented to the decision‐
maker for selection. A Pareto optimal solution is a candidate solution that attains the best trade‐off 
[5, 7]. 

   

9 

 
 

  Fig. 3: Depiction of Pareto Set (PS) and Pareto Front (PF) for a Multi Objective Optimization Problem [8] 

  From Fig. 3, it can be seen that many (possibly, an infinite number of) Pareto optimal solutions to 
a multi‐objective optimization are possible. Assuming  x and  x' are two unique solutions to (4) with 
m  2 .  x  is said to dominate  x' , if and only if  f1  x   f1  x', f 2  x   f 2  x' , and at least one of the 
two  inequalities  is  strict. A  candidate  solution  x is  Pareto‐optimal  if  no  other  candidate  solution 
dominates it. The Pareto set (PS) is the set of all Pareto‐optimal solutions and the associated image 
in the objective space is the Pareto front (PF) [5, 7].  

2.7 Constrained Optimization 

  A constrained optimization problem can be depicted using equation 5 as follows: 

 
min f  x 
     (5) 
s.t.
  gi  x   0, i  1, 2,..., k .
x   a, b 
d
 

where  f  x   depicts the optimization goal and  g i  x   are the constraints. Constrained optimization 

can  be  single‐objective  or  multi‐objective.  In  antenna  optimization,  we  generally  consider  that 
feasible solutions (satisfying all the constraints) are better than infeasible solutions. For two feasible 
solutions, their optimality is determined by the objective function value or Pareto dominance.  

2.8 Penalty Functions 

  Often  described  in  the  context  of  constrained  optimization,  penalty  functions  are  given  to 
penalize  solutions  violating  the  constraints.  Penalty  functions  associate  constraints  with  (an) 
objective  function(s)  to  construct  new  objective  function(s),  making  the  satisfaction  of  the 
constraints self‐included  when optimizing the new objective function(s) [9]. Take  equation 1 as an 
example.  f  x   in  equation  1  is  the  objective  function,  and  g1  x , g 2 x , g 3  x   and  g 4  x   are  the 

10 

 
constraints  (inequalities)  associated  with  the  objective  function.  The  constrained  problem 
min f  x   can be solved as an unconstrained minimization problem as follows: 

 
4
  min f ' x   f x   i  d  g i x        (6) 
i 1
 

min f '  x  represents the penalized function of  f  x   in equation 1. For  i  1, 2,3, 4 ,  d gi  x  is 

the penalty function and  i  is the penalty coefficient.  Equation 6 can be further expanded as follows: 

     f  x    1 max
  min f '  x   min    g1  x , 0   2  max g 2   x ,0   ...   (7) 

 
3 maxg3 x ,0  4 maxg 4 x ,0
 

11 

 
3. OPTIMIZATION METHODS IN ADE 1.0  

This section introduces the three optimizers in ADE 1.0 and their respective parameter settings. 
The  algorithmic  details  of  the  three  selected  optimizers  are  not  covered.  Instead,  their  properties 
and the recommended conditions to use them are provided. Readers who are interested in further 
details on the optimizers can refer to the following papers: [1 – 5].  

3.1 The Surrogate‐Assisted Differential Evolution Algorithm (SADEA) Optimizer 

  The  foundation  of  the  SADEA  algorithm  is  the  surrogate  model‐assisted  evolutionary  search 
(SMAS) framework [1, 5], whose goal is to solve global optimization problems with computationally 
expensive  evaluations  (such  as  EM  simulations).  In  surrogate  model‐assisted  optimization,  a 
computationally  cheap  approximation  model,  based  on  statistical  learning  techniques,  is  built  to 
predict the response of computationally expensive evaluations, so as to improve the efficiency. The 
method  of  making  surrogate  modeling  and  evolutionary  search  work  harmoniously  (also  called 
model  management)  is  the  crux  of  surrogate  model‐assisted  optimization.  SMAS  shows  clear 
advantages compared to several popular surrogate model‐assisted global optimization frameworks 
[7].  SADEA  adapts  the  SMAS  framework  to  the  antenna  design  exploration  domain  and  some 
algorithm operators or parameters are determined considering landscape characteristics of antenna 
problems  and  verified  by  real‐world  antenna  design  problems.  SADEA  [1]  was  improved  in  [10], 
which  is  embedded  in  ADE  1.0.  Another  advantage  of  SADEA  is  that  it  is  able  to  handle  antenna 
design  exploration  problems  with  up  to  around  30  design  parameters,  while  keeping  both  the 
optimization quality and efficiency high.   

  The  SADEA  algorithm  is  suitable  for  all  antenna  design  problems  and  supports  specification 
satisfaction  (type  1),  goal  optimization  (type  2)  and  constrained  optimization  (type  3)  (refer  to 
Section 1 for more details). SADEA often needs no more than a few hundred EM simulations to find 
the optimum for antenna problems. SADEA is mostly suitable for problems where EM simulation is 
time costly.  

3.2 The MOEA/D‐DE Optimizer 

The MOEA/D framework [2] is a state‐of‐the‐art MOO method. The principle is to decompose a 
multi‐objective  optimization  problem  into  a  number  of  single  objective  optimization  sub‐problems 
and evolve simultaneously utilizing neighborhood relations to achieve the approximate Pareto front 
(PF). The MOEA/D framework shows clear advantages compared to several popular multi‐objective 
optimization methods, such as the widely used NSGA‐II and SPEA2. The MOEA/D‐DE algorithm is a 
successful  example  based  on  the  MOEA/D  framework.  [2]  demonstrates  its  high  performance  in 
antenna design exploration. Consequently, the MOEA/D‐DE algorithm is embedded in ADE 1.0. Note 
that the MOEA/D‐DE algorithm does not handle efficient optimization. Hence, to avoid optimization 
time of unacceptable duration, the fidelity of the EM simulation model should be low enough and 
the number of design variables should not be large.  

The  MOEA/D‐DE  algorithm  is  suitable  for  all  antenna  design  problems  and  supports  multi‐
objective optimization (type 4) (refer to Section 1 for details). The MOEA/D‐DE algorithm often needs 
thousands of EM simulations to find an approximate Pareto front (PF) for antenna problems. 

3.3 The DE Optimizer  

12 

 
  Differential  Evolution  (DE)  [11]  is  a  standard  global  optimization  method.  Its  excellent 
performance  for  antenna  design  problems  is  shown  in  [1,  10].  It  is  generally  recognized  as  being 
better than Genetic Algorithms (GAs); comparable to Particle Swarm Optimization (PSO), and worse 
than  the  Covariance  Matrix  Adaptation  Evolution  Strategy.  These  three  algorithms  have  been 
embedded in the optimizers of several EM simulation tools, such as CST and FEKO. Therefore, DE is 
embedded  in  ADE  1.0  to  compensate  for  existing  tools.  As  for  SADEA  and  MOEA/D‐DE,  the  DE 
algorithmic  parameters  are  determined  based  on  real‐world  antenna  optimization  tests.  As  with 
MOEA/D‐DE, DE cannot address efficient optimization, and its optimization capability is comparable 
to SADEA. 

  The DE algorithm is suitable for all antenna design problems and supports type 1, type 2 and type 
3  optimization  (see  Section  1).  The  DE  algorithm  often  needs  thousands  of  EM  simulations  to  find 
the optimum. Although SADEA can replace DE (comparable optimization quality but much faster) for 
most  antenna  design  exploration  problems,  DE  is  suited  to  problems  with  very  cheap  evaluations 
(such as analytical functions). For this kind of problem, optimization efficiency is no longer a problem. 

  Table  2  summarizes  the  recommended  conditions  for  selecting  the  optimizers  available  in  ADE 
1.0.  

 
Table 2: Recommended Antenna Design Exploration Problems for ADE 1.0 Optimizers 
 
Optimizer  Problem Type  Recommended Number  Evaluation Time per 
  of Design Variables  Candidate Design 
SADEA  1, 2 and3  Up to 40  Long (ideally less than 
 
30 minutes / 
  simulation) 
MOEA/D  4  Less than or around 20  Short 
  DE  1, 2 and 3  Up to 60  Short 
 

    Besides  these  three  optimizers,  it  is  also  worth  noting  that  ADE  1.0  permits  users  to  employ 
customized algorithms or evaluation functions for antenna design exploration. 

3.4 Parameter Settings for Optimizers 

Setting  algorithmic  parameters  is  often  a  challenge  for  antenna  designers  not  familiar  with 
optimization  methods.  To  address  this,  ADE  1.0  offers  an  automatic  setting  for  all  its  built‐in 
optimization methods; alternatively, experts in optimization methods can instead specify values for 
algorithmic parameters. The automatic setting feature in ADE 1.0 uses calculations based on a set of 
formulas derived from real‐world antenna optimization experience.  

‐ Parameter Settings for Differential Evolution (DE) 
Referring  to  the ADE 1.0  window in Fig. 5, the following settings are recommended for the 
user to adopt: 

13 

 
 

 
Fig. 5: ADE 1.0 Window for Differential Evolution (DE) Parameter Settings 
 

 
 Population  Size:  The  population  size  should  be  between  40  and  60  for  10–30– 
dimensional problems. 
 Scaling Factor: As a rule of thumb, a scaling factor of 0.8 – 1.0 is suggested.  
 Crossover Rate: For antenna design exploration, a crossover rate between 0.7 and 0.9 is 
recommended.  With  respect  to  convergence,  a  crossover  rate  specified  in  the  upper 
bound region (near 0.9) may yield faster convergence. 
 Number  of  Iterations:  The  choice  of  the  number  of  iterations  is  problem  specific. 
However,  ADE  1.0  is  designed  to  graphically  display  the  progress  of  the  optimization 
using  plots  of  convergence  trend  and  population  diversity.  These  plots  can  inform  the 
user  whether  the  number  of  iterations  specified  is  adequate.  (See  section  4  for  more 
details.)  
 Strategy  Specification:  The  DE  algorithm  of  ADE  1.0  offers  the  user  a  choice  from  the 
five common crossover methods available for DE. Depending on the problem description 
and as  depicted in the ADE 1.0 window, the  user  can choose any one of the  following 
methods or strategies: 

 DE/best/1: Popular for antenna problems. 

 DE/rand/1: Popular for antenna problems. 

 DE/current‐to‐best/1:  Highly  recommended  considering  both  solution  quality 

and efficiency (default) 

 DE/best/2: More suitable for exceptional cases requiring large diversities. Note 
that convergence may be slow. 

14 

 
  DE/rand/2: More suitable for exceptional cases requiring even larger diversities. 
Note that convergence may be slow. 

‐ Parameter Settings for Surrogate‐Assisted Differential Evolution Algorithm (SADEA) 
Referring  to  the ADE 1.0  window in Fig. 6, the following settings are recommended for the 
user to adopt: 
 
 

 
Fig. 6: ADE 1.0 Window for Surrogate Assisted Differential Evolution Algorithm (SADEA) Parameter Settings 
 
 
 
 Population  Size:  The  population  size  should  be  between  40  and  60  for  10–30– 
dimensional problems. 
 Scaling Factor: As a rule of thumb, a scaling factor of 0.8–1.0 is suggested.  

15 

 
  Crossover Rate: For antenna design exploration using the SADEA method, the crossover 
rate is self‐adaptive. 
 Samples:  It  is  highly  recommended  that  the  number  of  initial  samples  is  set  between 
5xD and 10xD (D is the number of design variables). It is worth noting that 5xD is often 
enough. 
 Number  of  Iterations:  The  choice  of  the  number  of  iterations  is  problem  specific. 
However,  ADE  1.0  is  designed  to  graphically  display  the  progress  of  the  optimization 
using  plots  of  convergence  trend  and  population  diversity.  These  plots  can  inform  the 
user whether the number of iterations specified is adequate.  
 Modelling  Method:  The  SADEA  method  featured  in  ADE  1.0  offers  two  modeling 
methods:  Kriging  and  Blind  Kriging.  The  Blind  Kriging  modeling  method  is  two  times 
slower  than  the  Kriging  modeling  method  but  could  be  a  better  choice  for  antenna 
problems with larger dimensions (around 20‐30 dimensions).  
 Sample Selection Method: The SADEA method in ADE 1.0 offers two sampling selection 
methods:  Promising  Area‐based  training  Data  Selection  (PAS)  and  Individual  Solution‐
based Training Data Selection (ISS). For  both ISS and  PAS, the Number of Variables for 
Sample Prediction is strongly recommended to be between 5‐10 x D (D is the number of 
design variables). It is worth noting that more samples within this range (5‐10 x D) may 
yield better prediction quality. Generally, ISS works for almost all antenna problems but 
takes  more  time  than  PAS.  On  the  other  hand,  PAS  works  for  most  antenna  problems 
expect those with a narrow optimal region (to the best of our knowledge, only dielectric 
antennas).  Note  that  the  training  time  grows  exponentially  with  the  dimensionality. 
Hence, for problems with less than 10 variables, the training times of PAS and ISS do not 
show  a  significant  difference.  For  problems  in  more  than  20  dimensions,  the  training 
time  differs  considerably.  For  such  problems,  if  ISS  is  unavoidable,  then  the  kriging 
modeling method can be used to reduce the training time. 
 
‐ Parameter  Settings  for  Multi‐objective  Evolutionary  Algorithm  based  on  Decomposition 
(MOEA/D) 

Referring to the ADE 1.0 window in Fig. 7, the following settings are highly recommended for 
the user to adopt: 

 
Fig. 7: ADE 1.0 Window for Multi Objective Evolutionary Algorithm based on Decomposition (MOEA/D) Parameter Settings 
 

16 

 
  Population Size: For most antenna problems, the population size is recommended to be 
between 100 and 200, relative to the dimension of the problem being evaluated. 
 Scaling Factor: We recommend setting the scaling factor between 0.4 and 0.6.  
 Crossover  Rate:  For  antenna  design  exploration  using  the  MOEA/D  method,  we 
recommend setting the crossover rate between 0.9 and 1.0. 
 For the MOEA/D method, all other parameters adopted in ADE 1.0 are self‐adaptive. 

‐ Penalty Coefficients Settings  

For constrained optimization problems, the penalty coefficient must be specified as shown in 
the ADE 1.0 window of Fig. 8: 

 
Fig. 8: ADE 1.0 Window for Penalty Coefficients’ Settings 
 

From  Fig.  8,  it  can  be  seen  that  ADE  1.0  allows  the  user  to  automate  settings  for  penalty 
coefficients  to  be  adopted  in  the  constraint  function  such  that  they  augment  the  objective 
function.  However,  for  manual  input,  it  is  strongly  advised  that  the  penalty  coefficient  be 
large enough to clearly discriminate the feasible and infeasible solutions.  

    

17 

 
4. BASIC USE OF ADE 1.0  

This section provides the basic instructions on how to use ADE 1.0. ADE 1.0 is built in MATLAB. 
Hence, all the MATLAB functions can be used easily with the problems set in ADE 1.0. ADE 1.0 also 
provides  the  packed  objective  function  (including  the  interfacing  between  MATLAB  and  CST 
Microwave Studio), which can be used in any function or script as long as it is an m‐file. It is strongly 
recommended  for  the  user  to  watch  the  tutorial  videos  and  engage  this  instruction  set  as  a 
COMPLEMENTARY TOOL ONLY. 

4.1 Using the Software 

  ADE 1.0 offers a dynamic and easy‐to‐use GUI. First‐time users are strongly encouraged to watch 
the tutorial videos. 

‐ Run the Software 

Before  executing  ADE  1.0,  the  user  needs  to  check  and  confirm  the  data  format  for  CST 
outputs or results. To avoid computational errors due to missing CST outputs or results, the 
storage mode for CST outputs or  results  must be set  to ASCII and SQL. As shown in Fig. 9, 
this  can  be  achieved  by  changing  the  general  settings  in  the  file  options  of  CST  Microwave 
Studio. 

  

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Fig. 9: CST Output Settings for ADE 1.0 
 

18 

 
  ADE 1.0 can be executed in the MATLAB environment by adding the software folder and 
subfolders to MATLAB’s current working path. 
 To launch the software, type/enter CADES_EM_Run in the MATLAB command window. 
 
 
‐ Creating a New Project or Opening an Existing Project 

 A  new  project  is  created  and  named  or  an  existing  project  opened  by  clicking  the 
appropriate icon, as shown in Fig. 10.  
 
 
 

 
Fig. 10: Creating or Opening a Project File in ADE 1.0 
 

19 

 
 ‐ Selecting the Number of Objectives 

 As shown in Fig. 11, the number of objectives is selected for the optimization problem: 
single or multiple. 
 
 
 
 
 

  Fig. 11: Setting the Number of Objectives for ADE 1.0 

20 

 
 ‐ Setting the Design Variables 

 To set the design variables (for real or smart parameters), the lower and upper bounds 
are specified accordingly, as shown in Fig. 12.  
 For optimization problems involving CST models, it is strongly recommended that the 
user double‐checks the parameter list of the CST model to ensure consistency with the 
variable names being specified in ADE 1.0. 
 In  the  case  of  engaging  smart  parameters  for  some  optimization  problems,  the  real 
design  parameters  must  be  derived  from  the  smart  parameters  using  a  function  file, 
automatically generated by ADE 1.0.  
 (See the video tutorials for more details “ADE 1.0”.) 

  Fig. 12: Adding and Editing the Design Variables in ADE 1.0 

21 

 
 ‐ CST Simulation Settings 

 As  shown  in  Fig.  13,  CST  simulation  settings  can  be  set  by  selecting  and  specifying  the 
installation  path  (CST  Design  Environment),  the  solver  (Time  Domain  or  Frequency 
Domain) and the CST Timeout. (The CST Timeout is recommended to be 2 ‐ 3 times the 
approximate duration in seconds of the simulation time for the antenna model in CST 
Microwave Studio.)   
 Note  that,  if  the  wrong  timeout  duration  is  set,  the  CST  Microwave  Studio  parallel 
simulation  pool  will  timeout  during  ADE  1.0  runtime,  hampering  the  optimization 
process. This will be repeatedly reported in an onscreen error message. 
 (See the video tutorials for more details “ADE 1.0”.) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
Fig. 13: CST Simulation Settings for ADE 1.0
 

22 

 
 ‐ Build Data Set 

 The data set is built by specifying the response name and selecting the CST model for the 
antenna to be optimized. As depicted in Fig. 14, a CST simulation is initiated seamlessly 
from ADE 1.0 to generate response signals unique to the selected CST model.  
 Upon  the  completion  of  the  simulation,  the  response  signal  of  interest  is  selected  and 
used in the objective function and constraints. 
 If not using CST Microwave Studio “Other Methods (function file)” may be selected.  
 (See the video tutorials for more details “ADE 1.0”.) 
 

 
Fig. 14: Building the Data Set for ADE 1.0
 

23 

 
 ‐ Set Objective Function(s) 

 From Fig. 15, the objective function resulting from the selected response signal is named 
and set by updating an automatically generated generic MATLAB function (as detailed in 
the function files note). (See section 4.2.) 
 (See the video tutorials for more details “ADE 1.0”.) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
Fig. 15: Setting the Objective Function (s) for ADE 1.0 
 

24 

 
 ‐ Set Constraints (Design Specifications) 

 Constraints, if any, can be defined and specified as  required. The constraint  name and 

associated  penalty  coefficient  are  to  be  specified.  From  Fig.  16,  a  generic  MATLAB 
function file is generated, with a name that corresponds to the name specified for the 
constraint.  The  user  can  update  the  function  to  suit  the  constrained  optimization 
problem. 
 (See the video tutorials for more details “ADE 1.0”.) 
 (Refer to section 2 for more details in penalty coefficient setting.) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  Fig. 16: Setting the Design Constraints in ADE 1.0 
 

  

25 

 
 

‐ Sample Verification 

 Sample  verification  is  carried  out  using  a  random  set  of  variables  within  the  specified 
bounds  (lower  and  upper)  of  the  design  variables,  either  by  entering  the  variables 
manually or through a “Batch Test”, as shown in Fig. 17.  
 Note that, for the initial sample verification, the simulation process is carried out twice, 
to  confirm  that  the  defined  inputs  match  the  output.  Upon  confirmation,  the 
simulation process runs only once for the subsequent sample verification. 
 (See the video tutorials for more details “ADE 1.0”.) 
 
 
 
 
 
 
 

 
Fig. 17: Sample Verification in ADE 1.0 
 

‐ Setting the Optimization Algorithm 

 Depending on the problem‐specific optimization the user requires, ADE 1.0 to perform, 
any  one  of  the  three  built‐in  algorithms  in  ADE  1.0  can  be  selected.  (See  section  3  for 
fuller details.) 
 
 
 
 
 
 
 

26 

 
 

4.2 Essential Tutorials 

‐ CST Response Signals: Interpretation and Translation 

 Table  3  provides  a  list  of  response  signals  and  their  respective  interpretations  and 
translations, based on CST 2014‐2016. Please note that the table is to serve as a guide 
only.  It  is  strongly  recommended  for  users  to  always  check  to  ensure  the  correct 
response signal output from CST is selected for the optimization process. 

 
Table 3: CST Response Signals (Interpretation and Translation)

RESPONSE SIGNALS  CST TO MATLAB (ADE 1.0) INTERPRETATION 

TRANSLATION 
Gain  Gain (IEEE),Theta=x,Phi=y.sig Gain  response  signal,  where  ‘x’ 
and  ‘y’  correspond  to  the 
specified  angles  of  cut  through 
the  horizontal  and  vertical  cut 
planes,    respectively,  of  the 
radiation pattern  
S – Parameter (Magnitude)  ai(1)j(1).sig Magnitude  form  of  the  S‐
  parameter  (scattering 
parameter)  response  signal, 
where  ‘i’  and  ‘j’  correspond  to 
the  output  and  input  ports, 
respectively. 
S – Parameter (Complex)  cSi(1)j(1).sig Complex  form  of  the  S‐
  parameter  (scattering 
parameter)  response  signal, 
where  ‘i'  and  ‘j’  correspond  to 
the  output  and  input  ports, 
respectively. 
S – Parameter (dB)  di(1)j(1).sig ‘dB’  form  of  the  S‐parameter 
  (scattering  parameter)  response 
signal,  where  ‘i’  and  ‘j’ 
correspond  to  the  output  and 
input ports, respectively. 
S – Parameter (Phas)  pi(1)j(1).sig Phasor  form  of  the S‐parameter 
  (scattering  parameter)  response 
signal,  where  ‘i'  and  ‘j’ 
correspond  to  the  output  and 
input ports, respectively. 
Radiation Efficiency  signal_default.sig Radiation  efficiency  response 
signal. 
Total Efficiency  signal_default_If.sig Total  radiation  efficiency 
response signal. 
  
 
 
 
 
 

27 

 
 
 
‐ Observation and Interpretation of Results 

 In viewing and estimating results from the optimization process, it is worth noting that 
two  important  factors,  showing  the  progress  of  the  optimization  process,  are 
convergence trend and diversity of the population. 

 
Fig. 18: ADE 1.0 Field Monitors for Optimization Process 
 

 Population Diversity: Within the population, if the standard deviation among individuals 
is high, then  the  diversity  is high. In a similar fashion, if  the standard deviation among 
individuals of the population is small, then the diversity is low. For the test case shown in 
Fig. 18, the optimization process has little room for improvement when the diversity is 
low: at a value of 0.5 and approaching zero on the diversity field monitor.  
 
 Convergence  Trend:  In  ADE  1.0.,  the  performance  of  the  current  best  solution  to  the 
optimization  problem  can  be  easily  observed  on  the  convergence  trend  field  monitor. 
For the test case given in Fig. 18, it can be seen that the result is already very good after 
500  EM  simulations.  After  about  1200  EM  simulations,  the  convergence  is  quite  clear 
and the population diversity is small. Hence, there is no need to continue.  
 
 
 
‐ Optimization Timeout 

 The ADE 1.0 optimization process is halted after the maximum number of iterations has 
been  reached.  If  the  field  monitors  (population  diversity  and  convergence  trend) 
strongly  suggest  that  there  is  room  for  improvement,  the  optimization  process  can  be 
continued by carrying out the following steps: 

28 

 
  
 Re‐opening your Project File in ADE 1.0.:  
 
 To do this, you need to click “Open” and select the “project.mat” file corresponding to 
the name of your current project in the appropriate folder: all settings will be loaded. By 
clicking  “Optimize”  in  ADE  1.0,  a  new  window  will  pop  up,  asking  the  user  whether  to 
continue an existing run or start a new run, as shown in Fig. 19. Select and click on “Yes” 
as shown in Fig. 19. (Ignore this step if your “project.mat” is already opened.)  
 
 
 
 
 
 
 
 
 
   
Fig. 19: ADE 1.0 Dialogue Box for Continuing an Optimization Run 
 
 On clicking “Yes”, a new window appears. Select and click on “Continue Optimization”, 
as shown in Fig. 20. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  Fig. 20: ADE 1.0 Dialogue Box for Continuing Optimization Run (2) 
 
 On  clicking  “Continue  Optimization”,  a  new  window  appears.  Specify  the  number  of 
evaluations or iterations you require ADE 1.0 to continue running with and click “OK” to 
continue the optimization process, as shown in Fig. 21. 

29 

 
 

 
Fig. 21: ADE 1.0 Dialogue Box for Continuing an Optimization Run 
 

‐ Setting Smart Parameters: DRA Test Case 

 From the ADE 1.0 window in Fig. 12, upon the selection of smart parameters, a MATLAB 
function  is  automatically  generated  for  the  user  to  update  for  the  derivation  of  real 
value(s)  from  smart  parameter(s).  A  test  case  has  been  used  as  an  example,  using  the 
dielectric antenna (DRA) problem, in the video tutorial available through this link: CADES 
Research Center (2016), Dielectric Resonator Antenna (DRA) Optimization Using ADE 1.0 

  
‐ User‐defined MATLAB Functions  

 MATLAB Function Files: Auto M‐Files 
 
 To  evaluate  smart  parameters,  objective  functions  and  constraints  in  ADE  1.0, 
corresponding  MATLAB  function  files  (M‐files)  are  generated  automatically  as  soon  as 
user‐defined  inputs  are  entered  in  the  corresponding  dialogue  boxes  and/or  windows. 
Most of these auto M‐files serve as go‐betweens for CST Microwave Studio simulation 
and  MATLAB  computation  processes.  Generic  auto  M‐files  have  to  be  updated  by  the 
user to specifically address the optimization problem. Depending on  the intended use, 
the typical layout of an auto M‐file within ADE 1.0 allows the user to specify the design 
variable(s) and/or response signal(s) from CST MW studio as input(s). The evaluation of 
the  specified  design  variable(s)  and/or  response  signal(s)  within  MATLAB  produces  the 
result(s) or output(s) engaged by ADE 1.0 for further evaluations. (See the video tutorials 
for more details “ADE 1.0”.) 
 
‐ User‐defined MATLAB Functions: DRA Test Case 

 Smart Parameters: Geometrical Constraint Function 
 
To  derive  real  parameters  from  smart  parameters,  subject  to  simple  geometrical 
constraints, the automatically generated MATLAB function must be updated in ADE 1.0 
as follows:  
 
In this instance, “ay0” has been constrained geometrically to be less than “0.5 × ay” for 
the  DRA  model.  “x”  is  a  vector  holding  all  values  for  the  seven  DRA  parameters.  To 

30 

 
 obtain  the  real  values  of  “ay0”,  subject  to  the  given  constraint,  the  following 
mathematical evaluations must be fed into the ADE 1.0 optimization: 
 
function x = deriveXforDRA(x)

The  content  of  the  4th  column,  that  is  “ay0”,  in  the  1  by  7  vector  holding  the  input 
parameters, is extracted and divided by 10 to obtain 10% of the values (its range was set 
to [0,5] and we require [0,0.5]): 
 
ay0=x(4)/10;

The input variables are regenerated by creating a new vector, where the variables in the 
first columns, that is “ax”, “ay” and “az”, are unaltered; the variable in the 4th column, 
that  is  “ay0”,  is  derived  by  keeping  its  value  within  50%  of  “ay”;  and  the  last  three 
columns, that is “us”, “ws” and “ys”, are also unaltered: 
 
x= [x(1:3),x(2)*ay0,x(5:7)];

Note that when Smart Parameters are used, in Sample Verification, the true parameters 
(not smart parameters) have to be used in the 1.0 version.  

‐ Response Templates and Interpolation 

 For each of the defined and selected responses from the list of output signals from the 
CST  simulation,  a  cell  or  matrix  is  generated  with  the  operating  frequencies  (from  the 
CST  simulation)  in  the  first  column  and  the  corresponding  signal  values  (real  and/or 
imaginary)  in  the  respective  columns.  This  can  be  observed  by  viewing  the  files  of  the 
response signals in the MATLAB workspace.  
 
ADE 1.0 ‘s response templates of are designed to allow the user to specify the operating 
frequency range required for the optimization process. To do this, the user must specify 
a ‘start frequency’ and a ‘stop frequency’ recommended to be within the bounds of the 
operating frequency range defined for the model in CST Microwave Studio. Using these 
‘start  frequency’  and  ‘stop  frequency’  values,  the  MATLAB  functions  in  the  response 
templates generate all possible response values within the specified frequency range. An 
interpolation  can  be  carried  out  by  the  user,  using  the  lower  and  upper  frequency 
bounds specified, with a ‘frequency step‐size’ also defined by the user. This can achieve 
a response at frequencies that do not exist in the simulation. A test case has been given 
as  an  example  using  the  YUA  problem  in  the  video  tutorial  available  through  this  link: 
CADES Research Center (2016), Yagi‐Uda Antenna (YUA) Optimization Using ADE 1.0 
 
A detailed perspective of the interpolation process may be summarized as follows for an 
S‐parameter response: 
 
The response and function have been defined as “s11” and “YUA_response” respectively. 
 
function y = s11(x,YUA_response)

31 

 
 The  array  holding  all  the  magnitude  values  and  corresponding  frequencies  of  the 
scattering  parameter  is  ascribed  to  “S11_temp”.  In  this  instance,  the  array  is 
YUA_response {2} because the scattering parameter is the second response signal under 
consideration. 
 
S11_temp=YUA_response{2};

The frequency range of the antenna is defined from 10GHz to 11GHz using a step size of 
10MHz:   
 
omega=10e9:10e6:11e9;

A  frequency  unit  of  1GHz  is  specified  to  obtain  exact  frequency  values  within  the 
frequency change:   
Freq_Unit=1e9;

For  the  S‐parameter  in  'dB',  the  frequency  values  are  in  the  1st  column  and  the  real 
values  are  in  the  2nd  column.  This  can  be  observed  by  viewing  the  “.mat  file”  of  the 
response signal in the workspace. 
 
The real values of frequencies are extracted from the 1st column and assigned to “F”: 
 
F=S11_temp(:,1);

The  'dB'  values  of  the  scattering  parameter  are  extracted  from  the  2nd  column  and 
assigned to G: 
 
S11=S11_temp(:,2);

A piecewise cubic interpolation (“pchip”) is carried out between “F” and “G”. The output 
of  the  interpolation  is  transposed  to  have  a  single  row  of  values  and  assigned  to  “R”, 
which  holds  values  corresponding  to  a  very  broad  range  of  frequencies  within  the 
frequency range: 
 
R=transpose(interp1(F/Freq_Unit,S11,omega/Freq_Unit,'pchip'));

Evaluation for optimization using the interpolated range of values between 10GHz and 
11GHz is carried out: 
 
y=max(R); 

 
 
 
 
 
 
 
 

32 

 
5.0 PROBLEM EXAMPLES 

This  section  introduces  some  of  the  many  complex  antenna  optimization  problems,  which  ADE 
1.0 has been used to address. The problem examples presented here are for the following antennas: 
Dielectric Resonator Antenna (DRA), Yagi‐Uda Antenna (YUA), Broadband Microstrip Antenna (BMA), 
and Linear Microstrip Antenna Array (LMAA). It is strongly recommended to visit “ADE 1.0” tutorial 
videos for a full analysis and description of these examples.  

5.1 Dielectric Resonator Antenna (DRA) Example 

In this example, the design parameters of an aperture‐fed DRA have been adjusted to meet the 
requirement of an operating frequency of 5.28GHz to 5.72GHz. The desired resonance frequency is 
5.5GHz in the VSWR < 3 region. That is, the bandwidth is to be centered at 5.5GHz. The value of the 
fractional impedance bandwidth (FBW), that is the measure of the frequency band in which the DRA 
can be efficiently driven by a source at ‐10dB, should be no more than 8%. The backward radiation 
(losses) on the substrate should be as low as possible. With respect to radiation in the far‐field of the 
DRA,  the  realized  gain  is  not  to  be  less  than  3dB  and  ‐10dB  for  the  zero  zenith  angle  and  back 
radiation respectively. Side/back lobes should be at least 25dB down from the main beam gain in the 
region 70° < Φ < 290°. The E‐plane (the plane parallel to the plane of the antenna) and the H‐plane 
(the plane perpendicular to the E‐plane) should have beamwidths of about 50°.  

Fig.  22  shows  the  geometry  of  a  DRA.  The  design  constraints  imposed  with  respect  to  the 
radiation of the DRA are summarized as follows: the realized gain is to be not less than 3dB for the 
zero  zenith  angle  and  the  realized  gain  of  back  radiation  is  to  be  less  than  ‐10dB.  These  design 
constraints  are  to  be  imposed  over  the  impedance  bandwidth  achieved.  Consequently,  there  is  a 
single design objective function, which is to minimize the maximum reflection coefficient  S11  from 
5.28GHz to 5.72GHz: 

min max S11  

 
Fig. 22: Geometry of a Dielectric Resonator Antenna (DRA) 
 

33 

 
 

The range of design variables adopted for the optimization of the DRA can be found in Table 4: 

  Table 4: Range of Design Variables (all in mm) for Design Exploration of the DRA 

Variables  ax  ay  ay0 ac us  ws ys 

Lower Bound  6  12 6  6  0.5 4  2 
Upper Bound 10 16 10  8  4  12  12
 

 
Fig. 23: Optimized S‐Parameter Plot for the DRA 
 

Fig.  23  shows  CST  simulation  results  after  optimization  of  the  DRA  problem  using  ADE  1.0.  The 
optimum reflection coefficient values at 5.28GHz, 5.5GHz and 5.72GHz are ‐24.27db, ‐23.92dB and ‐
24.68dB respectively. These values validate realization of the optimization objective strongly. A full 
description, and step by step illustration, of the solution to the DRA optimization problem using ADE 
1.0 has been made available by the CADES research center. This can be found using this link: CADES 
Research Center (2016), Dielectric Resonator Antenna (DRA) Optimization Using ADE 1.0  

5.2 Yagi‐Uda Antenna (YUA) Example 

In this example, the design parameters of an 8‐variable Yag‐Uda antenna have been adjusted to 
meet  the  requirement  of  a  bandwidth  between  10GHz  and  11GHz.  The  design  objective  is  to 
minimize the maximum reflection coefficient,  S11  as follows: 

min max S11  

Fig.  24  shows  the  geometry  of  a  YUA.  The  design  objective  is  subject  to  a  constraint,  which 
stipulates  that  the  magnitude  of  the  average  gain  should  not  be  smaller  than  6  in  the  frequency 
region of 10GHz to 11GHz. This constraint is expressed mathematically as follows: 

min max S11  

34 

 
 s.t. meanG   6  

  Fig. 24: Geometry of a Yagi‐Uda Antenna (YUA) 

The range of design variables adopted for the optimization of the YUA can be found in Table 5: 

  Table 5: Range of Design Variables (all in mm) for the Design Exploration of the YUA 

Variables  s_ref s_dir u_d u_dir u1 u3 u4 u5 

Lower Bound  3  1  5  2  2  2  1  1 
Upper Bound  7  6  12  12  6  6  5  5 
 

 
Fig. 25: Optimized Gain Plot for the YUA
 

Fig. 26: Optimized S‐Parameter Plot for the YUA 
35 

 
 

Fig. 25 and Fig. 26 show CST simulation results after optimization of the YUA problem using ADE 
1.0.  The  optimum  gain  magnitudes  at  10GHz,  10.5GHz  and  11GHz  are  5.78,  6.06  and  ‐6.29 
respectively,  while  the  optimum  reflection  coefficient  values  at  10GHz,  10.5GHz  and  11GHz  are  ‐
24.04dB,  ‐22.67dB  and  ‐24.54dB  respectively.  These  values  validate  realization  of  the  optimization 
objective strongly. A full description, and step by step illustration, of the solution to this optimization 
problem  using  ADE  1.0  has  been  made  available  by  the  CADES  research  center.  This  can  be  found 
using this link: CADES Research Center (2016), Yagi‐Uda Antenna (YUA) Optimization Using ADE 1.0 

5.3 Broadband Microstrip Antenna (BMA) 

In this example, the design parameters of the BMA have been adjusted to meet the requirement 
of  a  bandwidth  between  2.6GHz  and  5.25GHz.  The  design  objective  is  to  minimize  the  maximum 
reflection coefficient,  S11  from 3.1GHz to 4.8GHz as follows: 

min max S11  

Fig.  27  shows  the  3‐D  geometry  of  a  BMA.  Owing  to  a  large  range  of  variables,  the  design 
objective for the BMA problem is subject to the following geometrical constraints: 

x3  2  x 5  

 
x5  2  min 30  3  5 x 4  5   
x
 2 2 


 x1  abs x6   
2

 x4    
x8  min  x1 x2 x3
  2 2 2 2  

  where  xi  0 i  1 : 1 : 8  

  Fig. 27: Geometry of a Broadband Micro‐strip Antenna (BMA)

36 

 
 The range of design variables adopted for the optimization of the BMA can be found in Table 6: 

  Table 6: Range of Design Variables (all in mm) for the Design Exploration of the BMA 

Variables  L2  w2 L3  w3 d3 x_via dx_stub  q2 

Lower Bound  12 12  10 10  12 ‐9  0.25  0.5 
Upper Bound  18 18  20 20  40 9  30  10 
Notation: Constraint Equations x1  x2  x3  x4  x5  x6  x7  x8 
 

 
Fig. 28: Optimized S‐Parameter Plot for the BMA 
 

Fig. 28 shows CST simulation results after optimization of the BMA problem using ADE 1.0. Using 
the ‐10dB reference, it can be seen that the BMA clearly exhibits broadband characteristics over the 
desired  bandwidth.  This  validates  the  realization  of  the  optimization  objective  strongly.  A  full 
description, and step by step illustration, of the solution to the BMA optimization problem using ADE 
1.0 has been made available by the CADES research center. This can be found using this link: CADES 
Research Center (2016), Broadband Microstrip Antenna (BMA) Using ADE 1.0  

5.4 Linear Microstrip Antenna Array (LMAA) 

In  this example,  the design  parameters of a 16‐variable LMAA  have been adjusted to meet the 

requirement of an operating frequency at 10GHz. The design objective is to minimize the level of the 
side lobes assuming ±8⁰ of the main beam, that is,  S LL  is expressed as follows: 

min S LL  

Fig.  29  shows  the  geometry  of  a  Linear  Microstrip  Antenna  Array  (LMAA).  With  respect  to  the 
design objective,  S LL will be the maximum relative power for the angles 0⁰ to 82⁰ and 98⁰ to 180⁰. 

37 

 
 

  Fig. 29: Geometry of a Linear Micro‐strip Antenna Array (LMAA) 

For the LMAA problem, there 16 design variables, which are excitation amplitudes ak: k = 1:1:16 
with a range of [0; 1]16.  

A full description, and step by step illustration, of the solution to the LMAA optimization problem 
using ADE 1.0 has been made available by the CADES research center. This can be found using this 
link:  CADES  Research  Center  (2016),  Linear  Microstrip  Antenna  Array  (LMAA)  Using  Analytical 
Formula on ADE 1.0  

 
 

38 

 
REFERENCES 

[1]. B.  Liu,  H.  Aliakbarian,  Z.  Ma,  G.  A.  E.  Vandenbosch,  G.  Gielen  and  P.  Excell.  An  Efficient 
Method for Antenna Design Optimization Based on Evolutionary Computation and Machine 
Learning Techniques (2014), IEEE Transactions on Antennas and Propagation. vol. 62(1), pp. 
7 – 18. 
[2]. Q.  Zhang  and  H.  Li.  MOEA/D:  A  Multiobjective  Evolutionary  Algorithm  Based  on 
Decomposition (2007), IEEE Transactions on Evolutionary Computation. vol. 11(6), pp. 712 – 
731. 
[3]. R. Carvalho, R. R. Saldanha, B. N. Gomes, A. C. Lisboa and A. X.  Martins. A  Multi‐Objective 
Evolutionary  Algorithm  Based  on  Decomposition  for  Optimal  Design  of  Yagi‐Uda  Antennas 
(2012), IEEE Transactions on Magnetics. vol. 48(2), pp. 803 – 804.  
[4]. M.  O.  Akinsolu,  A.  H.  Ali,  A.  Atojoko,  E.  Ibrahim,  I.  T.  Elfergani,  R.  A.  Abd‐Alhameed,  A.  S. 
Hussaini,  J.  M.  Noras  and  J.  Rodriguez  (2015),  “Novel  Quadrifilar  Helical  Antenna  in  RFID 
Applications  Using  Genetic  Algorithms”,  Progress  in  Electromagnetics  Research  Symposium 
(PIERS) Proceedings, pp. 528 – 532. 
[5]. B.  Liu,  G.  G.  E.  Gielen  and  F.  V.  Fernandez  (2014),  “Basic  Concepts  and  Background”.  In 
Automated  Design  of  Analog  and  High‐frequency  Circuits:  A  Computational  Intelligence 
Approach. Berlin: Springer‐Verlag Berlin Heidelberg, pp. 1 – 16.  
[6]. A.  Hedar,  (2005,  Nov.),  Test  Problems  for  Constrained  Global  Optimization:  G12  Problem. 
[Online]  Available  at:http://www‐optima.amp.i.kyoto‐
u.ac.jp/member/student/hedar/Hedar_files/TestGO_files/Page4221.htm  
[7]. A.  Ibrahim,  S.  Rahnamayan,  M.  V.  Martin  and  K.  Deb  (2016),  “3D‐RadVis:  Visualization  of 
Pareto  Front  in  Many‐Objective  Optimization”,  IEEE  World  Congress  on  Computational 
Intelligence (IEEE WCCI) Proceedings, pp. 736‐745.  
[8]. C. Noilublao and S. Bureerat (2009), “Simultaneous Topology, Shape and Sizing Optimisation 
of  Skeletal  Structures  Using  Multiobjective  Evolutionary  Algorithms”.  In  Evolutionary 
Computation. Vienna: I – Tech, pp. 487 – 508.  
[9]. A.  E.  Smith  and  D.  W.  Coit  (1996),  “Penalty  Functions”.  In  Handbook  of  Evolutionary 
Computation. T. Baeck, D. Fogel and Z. Michalewicz Ed. Bristol: Institute of Physics Publishing 
and Oxford University Press, section C 5.2.  
[10]. B.  Liu,  S.  Koziel  and  N.  Ali  (2016),  SADEA‐II:  A  Generalized  Method  for  Efficient  Global 
Optimization of Antenna Design, Journal of Computational Design and Engineering, Elsevier, 
(In press). Available: http://www.sciencedirect.com/science/article/pii/S2288430016300859 
[11]. R.  Storn  and  K.  Price  (1997),  Differential  Evolution  –  A  Simple  and  Efficient  Heuristic  for 
global Optimization over Continuous Spaces. Journal of Global Optimization, Springer, vol. 11, 
no. 4, pp. 341 – 3599. 
 

39