基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法
【專利摘要】本發(fā)明屬于天線陣列布陣優(yōu)化技術(shù)領(lǐng)域，特別涉及子陣級天線陣列的優(yōu)化布陣方法，具體提供基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法；本發(fā)明首先采用子陣級陣列思想與陣元稀疏布陣結(jié)合建立布陣模型，然后將天線陣列的峰值旁瓣電平設為適應度函數(shù)建立優(yōu)化模型，最后采用遺傳算法對該優(yōu)化模型求解最優(yōu)結(jié)果。本發(fā)明將采用子陣級陣列思想與陣元稀疏布陣結(jié)合不但能夠克服地形問題，靈活的劃分子陣進行布陣，同時又通過“子陣稀布”和“陣元稀疏”的聯(lián)合優(yōu)化方法進一步有效的降低PSLL，與分子陣技術(shù)布陣方法相比PSLL有顯著的降低；另外，本發(fā)明收斂速度為現(xiàn)有稀布陣列布陣收斂速度的5到10倍，收斂速度顯著提升。
【專利說明】
基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于天線陣列布陣優(yōu)化技術(shù)領(lǐng)域，特別設及子陣級天線陣列的優(yōu)化布陣方 法，具體設及基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法。
【背景技術(shù)】
[0002] 天線陣列的優(yōu)化布陣技術(shù)是在研究天線陣列性能與陣列幾何結(jié)構(gòu)關(guān)系的基礎上， 對陣列結(jié)構(gòu)進行優(yōu)化設計，包括對陣列的形狀(如直線、圓環(huán)、方形等)設計和對陣元的排列 位置(稀疏、稀布等）的設計等;其目的是為了獲得優(yōu)良的性能指標，W滿足電子系統(tǒng)對天線 陣列的設計要求。天線的峰值旁瓣電平(P化L:化ak Side-Lobe Level)是評價天線性能的 一個重要參數(shù)，對稀布天線陣列而言，如何設計一組陣元間距的最優(yōu)解，使得稀布天線陣列 的峰值旁瓣電平在整個可見區(qū)最小是天線布陣技術(shù)要解決的主要問題。
[0003] 目前，用于天線布陣設計的方法有很多，傳統(tǒng)的如窮舉法、陣元位置分布公式、動 態(tài)規(guī)劃法等;廣泛應用的如智能算法中的遺傳算法、模擬退火法等。近年來隨著大數(shù)據(jù)等技 術(shù)的發(fā)展，人工智能技術(shù)更是被廣泛應用在各個領(lǐng)域，如醫(yī)療、模式識別、機器學習等。遺傳 算法的基本思想是模擬生物進化過程，它具有簡單通用、魯棒性強、適于并行處理等特點， 尤其適用于解決傳統(tǒng)捜索方法難W解決的復雜和非線性問題;它實際上是使用群體捜索技 術(shù)，將種群代表一組問題解，通過對當前種群施加選擇、交叉和變異等一系列遺傳操作，從 而產(chǎn)生新一代的種群，并逐步使種群進化到包含近似最優(yōu)解的狀態(tài)。
[0004] 現(xiàn)有大多數(shù)的陣列結(jié)構(gòu)為均勻間隔陣列結(jié)構(gòu)或在孔徑范圍內(nèi)對陣元稀疏布置得 到的稀布天線陣列結(jié)構(gòu)，其中稀布陣列布陣方法是在一片連續(xù)的、平坦的地形上，根據(jù)預先 設定的幾何結(jié)構(gòu)、陣元數(shù)和陣列孔徑等某個或某幾個約束，W每一個陣元為單位，通過各種 算法對陣列所有陣元的間距都進行優(yōu)化布置;該方法的缺點一是在陣元布置上靈活性較 低，陣元需要在一塊連續(xù)的孔徑長度的區(qū)域內(nèi)放置，而在現(xiàn)代的一些工程或軍事應用中希 望能夠突破地域限制，使得天線陣列能夠快速的部署在地形條件相對較差的地區(qū)，因此遇 到惡劣地形或陣列中間某處需要較大斷離的情況時，上述陣列結(jié)構(gòu)無法實現(xiàn)要求;缺點二 是該方法工作量計算量較大，當陣元數(shù)龐大時，對所有陣元間距的優(yōu)化必然會增大計算量； 缺點=是算法收斂速度較慢，達到穩(wěn)定時需要經(jīng)過幾百至幾千代。
[0005] 另外，目前也有少量采用分子陣技術(shù)的陣列規(guī)劃和陣元布置方法，即對大規(guī)模的 均勻陣列按照一定設計結(jié)構(gòu)進行劃分，成為若干個含有陣元數(shù)較少的子陣列，子陣內(nèi)部為 均勻陣元陣列;運種布陣方式的缺點一是對陣列方向圖的優(yōu)化效果不好，其旁瓣電平太高； 二是所需的陣元依然較多，成本較高。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明的目的在于針對上述缺陷提供了一種基于遺傳算法的子陣稀布與陣元稀 疏天線陣列綜合布陣方法，采用該方法布陣得到天線陣列峰值旁瓣電平顯著降低，同時該 方法計算量小、收斂速度快。
[0007] 為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0008] 基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法，包括W下步驟：
[0009] 步驟1.建立布陣模型
[0010]陣列孔徑為L，陣元總數(shù)為N，陣列柵格點總數(shù)為M，柵格間距為d;將陣列分為P個子 陣，第i個子陣與第i + 1個子陣的間距設為Di，i = l，2, . . .，P-l，Di>Dc、Dc為子陣間最小間 距，陣列柵格點在子陣內(nèi)均勻分布，子陣內(nèi)的陣元基于柵格點稀疏分布，單個子陣內(nèi)柵格數(shù) 為：
[0011] 設xm，m=l，2,. . . ,M表示第m個柵格點在陣列中的位置，且Xi = O,令
、其中
[?]表示取整，B=m\M〇、其中"V'表示取余，則：
[0012]
[OOU]設陣元均為全向性理想天線，即天線單元方向圖函數(shù)Fa(0) = l，貝IJ陣列方向圖為： [0014]
[001引其中，F(xiàn)s(0)表示陣因子，4為激勵電流、設4=1，人為入射信號載波波長，目為接收 信號入射方向與水平方向的夾角、00為主波束指向位置；
[0016]步驟2.建立優(yōu)化模型
[0017]加入天線標志位am, am= 1表示第m個柵格點有陣元、am = 0表示第m個柵格點無陣 元，且ai= UaM=I;則陣列方向圖表示為：
[001 引
[0019] 將峰值旁瓣電平設為適應度函數(shù)，歸一化后適應度函數(shù)為：
[0020]
[0021] 則建立得優(yōu)化模型為：
[0022] min{Fitness(ai,a2, ... ,aM;Di,D2, .. .Dp-1)};
[0023] 步驟3.采用遺傳算法優(yōu)化上述優(yōu)化模型
[0024] A、創(chuàng)建初始群體：
[0025] 對于基于陣元的稀疏優(yōu)化，優(yōu)化變量為am;利用隨機法對陣列中所有柵格點的標 志位am進行隨機賦值為1或0，生成由1和0組成的列向量，即為一個個體，其中賦值為1的個 數(shù)等于N;依次生成g個個體組成種群group 1;
[0026] 對于基于子陣間距的稀布優(yōu)化，優(yōu)化變量為化;利用隨機法對化隨機賦值一個約束 范圍內(nèi)的實數(shù)，組成列向量即為一個個體，依次生成g個個體組成種群group2;其約束范圍 為:Dc 至化 c+[レdXP(Mo-l)]/(P-l)之間；
[0027] B、計算適應度函數(shù)：
[00%] 將groupl和groups中的個體依次組成g個個體對，依次帶入適應度函數(shù)計算得g個 函數(shù)值；
[0029] C、遺傳選擇：
[0030] 根據(jù)計算出的適應度函數(shù)值按從小到大的順序?qū)€體對進行排序，并按比例轉(zhuǎn)化 為選中概率，根據(jù)選中概率分別對groupl和group2中個體采用輪盤賭方法進行選擇，生成 新的種群groupl'和g;roup2' ；
[0031] D、遺傳交叉：
[0032] 分別對groupl'和group2'中的個體進行兩兩隨機配對;對每一對相互配對的個 體，隨機設置一個交叉點，根據(jù)預設的交叉概率在其交叉點處相互交換兩個個體向量的左 段，從而產(chǎn)生兩個新的個體；
[0033] E、遺傳變異：
[0034] 對于基于陣元的稀疏優(yōu)化，對每個個體隨機選中兩個基因值，依變異概率指定變 異點，檢測兩個基因值的異或是否為1，若為1則分別對兩個值進行取反運算，從而產(chǎn)生一個 新的個體，否則重新選中兩個基因值進行判斷；
[0035] 對于基于子陣間距的稀布優(yōu)化，對每個個體隨機選中一個基因值，替換為在約束 范圍內(nèi)的一個新值；
[0036] F、返回步驟B開始循環(huán)迭代，直到完成預設遺傳代數(shù)G，得到兩個最終種群；
[0037] 步驟4.將兩個最終種群按步驟B計算適應度函數(shù)，函數(shù)最小值對應的個體對即為 最優(yōu)結(jié)果。
[0038] 本發(fā)明的有益效果在于：
[0039] 本發(fā)明提供一種基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法，該 方法將采用子陣級陣列思想與陣元稀疏布陣結(jié)合不但能夠克服地形問題，靈活的劃分子陣 進行布陣，同時又通過"子陣稀布"和"陣元稀疏"的聯(lián)合優(yōu)化方法進一步有效的降低PS化， 與分子陣技術(shù)布陣方法相比PS化有顯著的降低；另外，本發(fā)明收斂速度為現(xiàn)有稀布陣列布 陣收斂速度的5到10倍，收斂速度顯著提升。
【附圖說明】
[0040] 圖1為遺傳算法的流程示意圖。
[0041] 圖2為本發(fā)明天線陣列整體結(jié)構(gòu)幾何模型。
[0042] 圖3為W單個陣元為單位的稀疏直線陣列的幾何模型。
[0043] 圖4為本發(fā)明基于遺傳算法的子陣稀布與陣元稀疏綜合布陣方法后的最佳陣列方 向圖和迭代示意圖，其中，（a)為最佳方向圖、(b)為迭代示意圖。
[0044] 圖5是普通稀疏陣列優(yōu)化的最佳陣列方向圖和迭代示意圖，其中，（a)為最佳方向 圖、（b)為迭代示意圖。
[0045] 圖6是子陣間稀布子陣內(nèi)均勻布陣的優(yōu)化算法的最佳陣列方向圖和迭代示意圖， 其中，（a)為最佳方向圖、(b)為迭代示意圖。
【具體實施方式】
[0046] 下面結(jié)合附圖和實施例對本發(fā)明做進一步詳細說明，但本發(fā)明并不局限于該實施 例。
[0047] 本實施例提供基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法，因為 稀布天線陣列的主瓣寬度幾乎與同口徑的均勻滿陣的主瓣寬度相同，即已由陣列孔徑確 定，所W本發(fā)明設及的優(yōu)化問題為:預先指定陣列的孔徑W及陣元數(shù)量，在一定范圍內(nèi)對固 定數(shù)量的陣元的位置進行稀疏布置，要求降低陣列的PS化，使陣列獲得最好的旁瓣特性。子 陣內(nèi)直線陣列上的陣元稀疏優(yōu)化是指從陣元間距為d的均勻直線陣列中，依據(jù)最優(yōu)化準則， 稀疏部分陣元后得到的一種稀疏天線陣列;而子陣稀布的并非稀疏陣列那樣有規(guī)則的柵格 約束陣元的位置，即每個子陣間的間距并不局限與d的倍數(shù)。本發(fā)明的具體步驟如下：
[004引步驟1.建立布陣模型，如圖2、圖3所示為本發(fā)明天線陣列整體結(jié)構(gòu)幾何模型、W及 單個陣元為單位的稀疏直線陣列的幾何模型；
[0049] 陣列孔徑為L，陣元總數(shù)為N，陣列柵格點總數(shù)為M，柵格間距為d;將陣列分為P個子 陣，第i個子陣與第i + 1個子陣的間距設為Di，i = l，2, . . .，P-l，Di>Dc、Dc為子陣間最小間 距，陣列柵格點在子陣內(nèi)均勻分布，子陣內(nèi)的陣元基于柵格點稀疏分布，單個子陣內(nèi)柵格數(shù) 為：
[0050] 設Xm，m=l，2,. . .，M表示第m個柵格點在陣列中的位置，且Xi = O,令
、其中 [?]表示取整，B=m\M〇、其中"V'表示取余，貝ij:
[0化1 ]
[0052]設陣元均為全向性理想天線，即天線單元方向圖函數(shù)Fa(目）=1，采用傳統(tǒng)相控陣 體制，加入空域濾波器權(quán)向量：
[0化3]
[0化4] 其中，(60 =化d COS目oA為權(quán)向量相位，目0是主波束指向位置；
[0055]則陣列方向圖為：
[0化6]
[0057]其中，F(xiàn)s(0)表示陣因子，^為激勵電流、設/,,, = ! A為入射信號載波波長，0為接收 信號入射方向與水平方向的夾角、00為主波束指向位置；
[0化引為防止出現(xiàn)柵瓣需滿足，因COS目0的取值范圍是0~1，所W令d = V2;
[0化9]步驟2.建立優(yōu)化模型
[0060]加入天線標志位am, am= 1表示第m個柵格點有陣元、am = 0表示第m個柵格點無陣 元，且ai= UaM=I;則陣列方向圖表示為：
[0061]
[0062] 將峰值旁瓣電平設為適應度函數(shù)，歸一化后適應度函數(shù)為：
[0063]
[0064] 其中，變量為0 ,FFmax為主瓣電平，上式0的取值應排除主瓣區(qū)域；因為方向圖的第 一對零點出現(xiàn)I
，所W變量0的取值范圍應是
;所W最終的適應度函數(shù)為：
[00 化]
[0066] 則建立得優(yōu)化模型為：
[0067] min{Fitness(ai,a2, ... ,aM;Di,D2, .. .Dp-1)};
[0068] 步驟3.采用遺傳算法優(yōu)化上述優(yōu)化模型，其基本流程如圖I所示；
[0069] A、創(chuàng)建初始群體：
[0070] 對于基于陣元的稀疏優(yōu)化，優(yōu)化變量為am;利用隨機法對陣列中所有柵格點的標 志位am進行隨機賦值為1或0,生成由1和0組成的列向量，即為一個個體，其中賦值為1的個 數(shù)等于N;依次生成g個個體組成種群groupl;
[0071] 對于基于子陣間距的稀布優(yōu)化，優(yōu)化變量為化;利用隨機法對化隨機賦值一個約束 范圍內(nèi)的實數(shù)，組成列向量即為一個個體，依次生成g個個體組成種群group2;由于有Dc和 孔徑約束限制，因此不能使用傳統(tǒng)的標準遺傳算法生成初始種群的方法，所W在其約束范 圍：Dc 到 Dc+a-dXP(M〇-l)]/(P-l)之間隨機賦值；
[0072] B、計算適應度函數(shù)：
[0073] 將groupl和group2中的個體依次組成g個個體對，依次帶入適應度函數(shù)計算得g個 函數(shù)值；
[0074] C、遺傳選擇：
[0075] 根據(jù)計算出的適應度函數(shù)值按從小到大的順序?qū)€體對進行排序，并按比例轉(zhuǎn)化 為選中概率，根據(jù)選中概率分別對groupl和group2中個體采用輪盤賭方法進行選擇，生成 新的種群groupl'和g;roup2' ；
[0076] D、遺傳交叉：
[0077] 分別對groupl '和groups'中的個體進行兩兩隨機配對;對每一對相互配對的個 體，隨機設置一個交叉點，根據(jù)預設的交叉概率在其交叉點處相互交換兩個個體向量的左 段，從而產(chǎn)生兩個新的個體；
[0078] E、遺傳變異：
[0079] 對于基于陣元的稀疏優(yōu)化，對每個個體隨機選中兩個基因值，依變異概率指定變 異點，檢測兩個基因值的異或是否為1，若為1則分別對兩個值進行取反運算，從而產(chǎn)生一個 新的個體，否則重新選中兩個基因值進行判斷；
[0080] 對于基于子陣間距的稀布優(yōu)化，對每個個體隨機選中一個基因值，替換為在約束 范圍內(nèi)的一個新值；
[0081] F、返回步驟B開始循環(huán)迭代，直到完成預設遺傳代數(shù)G，得到兩個最終種群；
[0082] 步驟4.將兩個最終種群按步驟B計算適應度函數(shù)，函數(shù)最小值對應的個體對即為 最優(yōu)結(jié)果；
[0083] 步驟5.仿真測試
[0084] 設計仿真參數(shù):假設天線陣列波束指向00 = 90°，子陣內(nèi)部柵格間距為半波長d = 0.5、設交叉概率P。= 0.5，變異概率Pm = 0.01;為使效果盡量優(yōu)，將陣元稀疏率設在75 %至 80 %之間、設為78 %，即總柵格數(shù)為270，陣元數(shù)210，子陣數(shù)為P = 10;群體數(shù)量group = 100， 遺傳代數(shù)G分別測試了 G = 300和直至收斂的情況；
[0085] 將參數(shù)代入程序，在matlab平臺上進行仿真，最終得到最優(yōu)陣列的結(jié)構(gòu)向量，W及 使用最優(yōu)陣列結(jié)構(gòu)畫出的方向圖；本實施例將本發(fā)明的綜合布陣方法，與普通的基于遺傳 算法的稀疏陣列優(yōu)化方法、子陣間稀布子陣內(nèi)均勻布陣的優(yōu)化方法進行對比，其最佳陣列 方向圖和迭代示意圖分別如圖4、圖5、圖6所示;將=者優(yōu)化后的峰值旁瓣電平(PSLL)值的 進行對比如下：
[0086]
[0087] W上所述，僅為本發(fā)明的【具體實施方式】，本說明書中所公開的任一特征，除非特別 敘述，均可被其他等效或具有類似目的的替代特征加W替換;所公開的所有特征、或所有方 法或過程中的步驟，除了互相排斥的特征和/或步驟W外，均可W任何方式組合。
【主權(quán)項】
1.基于遺傳算法的子陣稀布與陣元稀疏天線陣列綜合布陣方法，包括W下步驟： 步驟1.建立布陣模型 陣列孔徑為L，陣元總數(shù)為N，陣列柵格點總數(shù)為M，柵格間距為d;將陣列分為P個子陣， 第i個子陣與第i+1個子陣的間距設為化4 = 1，2，...，？-1瓜>0。、0。為子陣間最小間距，陣 列柵格點在子陣內(nèi)均勻分布，子陣內(nèi)的陣元基于柵格點稀疏分布，單個子陣內(nèi)柵格數(shù)為： Μ 郵"=子; 設xm，m=l，2,. . .，Μ表示第m個柵格點在陣列中的位置，且χι = 0,令^中[·] 表示取整，Β=m\M〇、其中"V'表示取余，則：設陣元均為全向性理想天線，即天線單元方向圖函數(shù)Fa(0) = l，則陣列方向圖為：其中，F(xiàn)s(0)表示陣因子，4為激勵電流、設4=?，λ為入射信號載波波長，Θ為接收信號入 射方向與水平方向的夾角、θ〇為主波束指向位置； 步驟2.建立優(yōu)化模型 加入天線標志位am，am=l表示第m個柵格點有陣元、am=0表示第m個柵格點無陣元，且曰1 = l、aM=l;則陣列方向圖表示為：則建立得優(yōu)化模型為： min {Fitness (ai ,a2, . . . ,aM；Di ,〇2, . . .Dp-i)}； 步驟3.采用遺傳算法優(yōu)化上述優(yōu)化模型 A、創(chuàng)建初始群體： 對于基于陣元的稀疏優(yōu)化，優(yōu)化變量為am;利用隨機法對陣列中所有柵格點的標志位am 進行隨機賦值為1或0,生成由1和0組成的列向量，即為一個個體，其中賦值為1的個數(shù)等于 N;依次生成g個個體組成種群group 1; 對于基于子陣間距的稀布優(yōu)化，優(yōu)化變量為化;利用隨機法對化隨機賦值一個約束范圍 內(nèi)的實數(shù)，組成列向量即為一個個體，依次生成g個個體組成種群group2;其約束范圍為:D。 至化 c+[L-dXP(M〇-l)]/(P-l)之間； B、 計算適應度函數(shù)： 將groupl和groups中的個體依次組成g個個體對，依次帶入適應度函數(shù)計算得g個函數(shù) 值； C、 遺傳選擇： 根據(jù)計算出的適應度函數(shù)值按從小到大的順序?qū)€體對進行排序，并按比例轉(zhuǎn)化為選 中概率，根據(jù)選中概率分別對groupl和group2中個體采用輪盤賭方法進行選擇，生成新的 種群groupl'和g;roup2' ； D、 遺傳交叉： 分別對groupl'和groups'中的個體進行兩兩隨機配對;對每一對相互配對的個體，隨 機設置一個交叉點，根據(jù)預設的交叉概率在其交叉點處相互交換兩個個體向量的左段，從 而產(chǎn)生兩個新的個體. E、 遺傳變異： 對于基于陣元的稀疏優(yōu)化，對每個個體隨機選中兩個基因值，依變異概率指定變異點， 檢測兩個基因值的異或是否為1，若為1則分別對兩個值進行取反運算，從而產(chǎn)生一個新的 個體，否則重新選中兩個基因值進行判斷； 對于基于子陣間距的稀布優(yōu)化，對每個個體隨機選中一個基因值，替換為在約束范圍 內(nèi)的一個新值； F、 返回步驟B開始循環(huán)迭代，直到完成預設遺傳代數(shù)G，得到兩個最終種群； 步驟4.將兩個最終種群按步驟B計算適應度函數(shù)，函數(shù)最小值對應的個體對即為最優(yōu) 結(jié)果。
【文檔編號】H01Q21/00GK106099393SQ201610723577
【公開日】2016年11月9日
【申請日】2016年8月25日
【發(fā)明人】李會勇, 劉暢, 謝菊蘭, 張澤恒, 許欣怡
【申請人】電子科技大學