CN104466430A - 基于时间调制阵列的波束赋形方法 - Google Patents

Abstract

本发明公开一种基于时间调制阵列的波束赋形方法，主要解决现有时间调制阵列优化变量多，波束赋形速度慢，寻优能力差，易陷入局部最优解的问题。其实现步骤是：1.根据系统指标设置待优化目标；2.根据待赋形中心频率方向图初始化时间调制阵列激励；3.使用人工蜂群算法优化中心频率方向图得到最终阵列激励；4.使用人工蜂群算法优化第一边带频率方向图得到脉冲起始时刻以及脉冲持续时间；5.根据最终阵列激励以及脉冲持续时间分离出时间调制阵列最终静态激励幅度和相位，实现波束赋形。本发明能减少因优化不同频率方向图所需的变量个数，且收敛速度快、全局寻优能力强、易跳出局部最优解，可满足时间调制阵列对波束赋形的需求。

Description

基于时间调制阵列的波束赋形方法

技术领域

本发明属于天线技术领域，具体涉及阵列天线方向图的赋形优化，可用于时间调制阵列天线的方向图设计。

背景技术

为了获得较强的波束赋形能力，传统方法通常采用反射面天线技术。但是反射面天线的加工难度大，体积大，重量重，不利于实现，并且对于目标辐射区域的波纹系数以及副瓣电平的控制能力较差。相比于反射面天线，平面相控阵天线结构简单，易于加工；具有较宽的方位和俯仰扫描能力，较窄的波束和较高的增益，并且易于实现三维波束赋形，这些特点使得平面相控阵天线日益受到人们的重视。然而，为了实现待赋形方向图在主瓣区域具有较小的波纹系数以及在副瓣区域具有较低的副瓣电平值。这种传统综合算法通常会得到较大的电流幅度动态范围，因此给阵列馈电网络的设计带来巨大的难度，有时甚至无法实现。为了减小激励幅度动态范围，减轻设计压力，并且同时满足波纹系数和副瓣电平的设计要求，可以将时间调制技术引入到传统阵列设计当中。

时间调制阵列技术最早提出于20世纪60年代。近年来，由于高速射频开关的发展使得该技术得到了广泛地应用。时间调制阵列给每个阵列单元馈接一个射频开关，通过控制连接到阵列单元的射频开关的导通与断开状态，将时间作为新的自由度引入到阵列设计中。通过引入时间这个新的设计自由度，将部分幅度域的激励动态范围转移到时间域，从而减小激励幅度的动态范围。然而，由于时间调制阵列引入了新的设计自由度，因此会增加额外的优化变量，如控制射频开关工作状态的脉冲起始时刻以及脉冲持续时间。此外，由于时间调制阵列受到周期信号的调制，因此会在各个谐波频率辐射能量。为了降低能量损耗，通常需要对边带频率方向图电平进行抑制，进而又会增加优化目标。

针对时间调制阵列所具有的独特性，其方向图综合问题逐渐成为近年来的研究热点。目前，现有的波束赋形方法大多采用标准进化算法直接对方向图进行波束综合，该方法对简单的一维波束赋形问题可以得到较好的结果，但对二维波束赋形问题，由于优化变量数非常多，严重增加了计算规模以及循环迭代次数，使得阵列优化过程非常缓慢，并且标准进化算法很容易使得种群早熟，陷入局部最优解，即使是针对简单目标赋形，最终结果也不尽满意。

发明内容

本发明的目的在于针对上述已有技术的不足，提供一种基于时间调制阵列的波束赋形方法，以提高二维阵列的波束赋形速度，避免陷入局部最优。

本发明的设计思想是：通过改进传统人工蜂群算法中守望蜂的寻优策略，提高优化速度和避免陷入局部最优，通过将时间调制阵列的中心频率方向图和第一边带频率方向图分别进行相对独立地优化，减轻由于大变量数以及多优化目标给时间调制阵列波束赋形带来的负担。

根据上述设计思想，实现本发明目的的技术方案包括如下步骤：

(1)根据系统指标设置待优化目标，待赋形中心频率方向图电平值E_d，时间调制阵列静态激励幅度的动态范围A_ε，脉冲持续时间的动态范围t_ε，时间调制阵列激励幅度的动态范围A_fε，第一边带频率方向图电平值EB；

(2)使用伍德沃德-劳森抽样综合法对待赋形中心频率方向图进行初始综合，得到阵列激励，并将该阵列激励作为时间调制阵列的初始激励I₀；

(3)将时间调制阵列初始激励I₀的幅度和相位作为优化变量，并将中心频率方向图副瓣电平值ES、中心频率方向图主瓣波纹系数ω作为优化目标，使用人工蜂群算法对时间调制阵列初始激励I₀的幅度和相位进行微扰优化，将优化后的阵列激励作为时间调制阵列最终激励I_f；

(4)将控制时间调制阵列单元导通状态的脉冲起始时刻τ₀₀以及脉冲持续时间τ₀作为优化变量，并将第一边带频率方向图电平值EB作为优化目标，使用人工蜂群算法对脉冲起始时刻τ₀₀以及脉冲持续时间τ₀进行优化，得到优化后的脉冲起始时刻τ_0f以及脉冲持续时间τ_f；

(5)根据上述优化得到的时间调制阵列最终激励I_f以及脉冲持续时间τ_f，分离出时间调制阵列的最终静态激励幅度A_f和最终静态激励相位α_f，完成时间调制阵列的波束赋形。

本发明与现有技术相比，具有以下优点：

1)与基于时间调制阵列的传统波束赋形方法相比，本发明将中心频率方向图和第一边带频率方向图分别进行相对独立地优化，从而减少优化变量数，改善基于时间调制阵列的传统波束赋形方法在处理大规模优化变量问题时寻优能力下降的缺点，提高了二维阵列的波束赋形速度。

2)与基于时间调制阵列的传统波束赋形方法相比，本发明使用现有的伍德沃德-劳森抽样综合法对待赋形的中心频率方向图进行初始综合，并将得到的阵列激励作为时间调制阵列的初始激励，进而可以缩小目标解空间，快速搜索到目标解，极大缩短优化时间，避免陷入局部最优解，并且得到的中心频率方向图与待赋形中心频率方向图吻合度较好。

3)与传统人工蜂群算法相比，本发明采用人工蜂群算法对中心频率方向图和第一边带频率方向图进行相对独立地优化，其中的守望蜂在整个解空间的所有方向能够同时得到更新，更新的变量维数相比于传统人工蜂群算法中守望蜂只更新其中一维的寻优策略具有更大的寻优空间，避免了种群发生早熟。

4)与传统人工蜂群算法相比，本发明采用的人工蜂群算法在大规模优化变量问题上具有更快的收敛速度，更强的寻优能力，能够更容易地跳出局部最优解，减少循环迭代次数，从而减少计算时间。

附图说明

图1是本发明的实现流程图；

图2是本发明的第一实施例中心频率方向图；

图3是本发明的第一实施例最终脉冲起始时刻分布结果图；

图4是本发明的第一实施例最终脉冲持续时间分布结果图；

图5是本发明的第一实施例第一边带频率方向图；

图6是本发明的第一实施例最终静态激励幅度分布结果图；

图7是本发明的第一实施例最终静态激励相位分布结果图；

图8是本发明的第二实施例中心频率方向图；

图9是本发明的第二实施例最终脉冲起始时刻分布结果图；

图10是本发明的第二实施例最终脉冲持续时间分布结果图

图11是本发明的第二实施例第一边带频率方向图；

图12是本发明的第二实施例最终静态激励幅度分布结果图；

图13是本发明的第二实施例最终静态激励相位分布结果图。

具体实施方式

为使本发明的目的，技术方案和优点更加清楚，下面将结合本发明的实现流程图和具体实施例，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了实现待赋形波束在主瓣区域具有较小的波纹系数以及在副瓣区域具有较低的副瓣电平值，传统综合算法通常会得到较大的激励幅度动态范围。激励幅度的动态范围过大导致对馈电系统机械加工精度的要求异常苛刻，在实际中有时甚至无法实现。正是基于这一问题，时间调制阵列天线的概念应运而生。通过增加新的时间维来控制阵列天线的性能，降低了常规阵列天线在综合方向图时对幅度分布的苛刻要求。然而由于时间调制阵列引入了新的设计自由度，因此会增加额外的设计变量，如控制阵列单元导通状态的脉冲起始时刻以及脉冲持续时间。此外，由于时间调制阵列受到周期信号的调制，因此会在各个谐波频率辐射能量。为了降低能量损耗，通常需要对边带频率方向图电平值进行抑制，进而又会增加优化目标。为此，本发明提供一种基于时间调制阵列的波束赋形方法，将中心频率方向图和第一边带频率方向图分别进行相对独立地优化，并且使用现有的伍德沃德-劳森抽样综合法对待赋形的中心频率方向图进行初始综合，将得到的阵列激励作为时间调制阵列的初始激励，改善了基于时间调制阵列的传统波束赋形方法容易陷入局部最优解、收敛速度慢、波束赋形能力差的缺点。

参照图1，本发明给出如下两种实施例。两种实施例具有相同的阵列结构布局：阵元采用矩形栅格分布，阵列为矩形口径分布的均匀平面阵列，阵列沿x轴方向和沿y轴方向的阵元数均为30，阵列沿x轴方向与沿y轴方向的阵元间距均为0.5λ。

实施例1：对中心频率方向图的主瓣区域为-0.3≤u≤0.3,-0.3≤v≤0.3、时间调制阵列静态激励幅度的动态范围为[0.1,1]，脉冲持续时间动态范围为[0.1,1]的一组参数进行波束赋形。

步骤一：设置待优化目标。

设置待优化目标包括：待赋形中心频率方向图电平值E_d，时间调制阵列静态激励幅度的动态范围A_ε以及脉冲持续时间的动态范围t_ε。

步骤二：初始化时间调制阵列激励I₀。

使用伍德沃德-劳森抽样综合法对待赋形中心频率方向图进行初始综合，得到阵列激励，并将该阵列激励作为时间调制阵列的初始激励I₀：

(2a)计算空间采样位置(u_p,v_q)：

u_p＝pλ/Md_x，v_q＝qλ/Nd_y，

其中，u_p为空间采样位置(u_p,v_q)沿x轴方向的位置分量，p＝0,±1,±2,…,±(Rx-1)/2，Rx为空间采样位置(u_p,v_q)沿x轴方向的采样点数，λ为空间波长，M为阵列沿x轴方向的阵元数，d_x为阵列沿x轴方向的阵元间距，v_q为空间采样位置(u_p,v_q)沿y轴方向的位置分量，q＝0,±1,±2,…,±(Ry-1)/2，Ry为空间采样位置(u_p,v_q)沿y轴方向的采样点数，N为阵列沿y轴方向的阵元数，d_y为阵列沿y轴方向的阵元间距；

(2b)根据空间采样位置(u_p,v_q)，计算阵列激励I_mn：

$I_{\mathrm{mn}}=\underset{p=-P}{\overset{P}{\mathrm{\Σ}}}\underset{q=-Q}{\overset{Q}{\mathrm{\Σ}}}{q}_{\mathrm{pq}}\exp \{-\mathrm{j\β}[(m-1)d_x{u}_p+(n-1)d_y{v}_p\left]\right\},$

其中，m＝0,1,2,…,M，n＝0,1,2,…,N，a_pq为待赋形中心频率方向图在空间采样位置(u_p,v_q)处的电平值，β为空间波数；

(2c)将阵列激励I_mn作为时间调制阵列的初始激励I₀。

步骤三：优化中心频率方向图。

将时间调制阵列初始激励I₀的幅度和相位作为优化变量，并将中心频率方向图副瓣电平值ES、中心频率方向图主瓣波纹系数ω作为优化目标，使用人工蜂群算法对时间调制阵列初始激励I₀的幅度和相位进行微扰优化：

(3a)参数初始化，即对人工蜂群算法种群总规模SN，最大循环次数MG以及种群雇佣蜂个体X_ij和守望蜂个体Y_ij进行初始化，其中i表示第i个个体，i＝1,2,…,SN/2，j表示第j个优化分量，j＝1,2,…,D，D为待优化变量数，SN＝200，MG＝300，X_ij和Y_ij在其定义区间内随机产生；

(3b)计算种群个体ZQ_r的适应度函数fit_r：

种群个体ZQ_r表示种群ZQ中第r个个体，r＝1,2,…,SN，ZQ＝[X₁,X₂,…,X_SN/2,Y₁,Y₂,…,Y_SN/2]，种群个体ZQ_r的适应度函数fit_r表示为：

${\mathrm{fit}}_r=\left\{\begin{array}{cc}\frac{1}{1+f_r},& f_r\&GreaterEqual;0\\ 1+\left|f_r\right|& f_r<0\end{array}\right.,$

式中，f_r表示种群ZQ中第r个个体的罚函数：

f_r＝C₁{∑|EZ_r-EZ_d|}+C₂max{ES_r}

式中，EZ_r表示种群ZQ中第r个个体的中心频率方向图在主瓣区域内的电平值，EZ_d表示待赋形方向图在主瓣区域内的电平值，ES_r表示种群ZQ中第r个个体的中心频率方向图在副瓣区域内的电平值，C₁，C₂表示比例因子，且满足0<C₁≤1，0<C₂≤1；

(3c)雇佣蜂位置更新，即将全部雇佣蜂由原始位置X_i更新为V_i：

V_ig＝X_ig+φ_ig(X_ig-X_kg)，

其中，g∈{1,2,…,D}，k∈{1,2,…,SN/2}，g和k随机选取，且满足k≠i，φ_ig为[-1,1]区间内的随机数；

(3d)守望蜂评估并跟随雇佣蜂：

守望蜂依据轮盘赌准则选择雇佣蜂，即适应度值越大的雇佣蜂吸引守望蜂的概率越大，其概率表示为：

(3e)守望蜂位置更新：

守望蜂跟随并在雇佣蜂邻域附近进行随机搜索，得到新位置S_i：

S_i＝V_i+J_i(V_i-V_l)，

其中，l∈{1,2,…,SN/2}，l随机选取，且满足l≠i，J_i为[-1,1]区间内的D维随机向量；

(3f)贪婪选择、角色互换：

比较守望蜂新位置S_i与雇佣蜂原始位置X_i的适应度函数值，若守望蜂新位置S_i的适应度函数值大于雇佣蜂原始位置X_i的适应度函数值则守望蜂与雇佣蜂发生角色互换；

(3g)更新种群最优位置：

比较雇佣蜂中个体最优位置P_b与历史种群最优位置G_b的适应度函数值，若雇佣蜂个体最优位置P_b的适应度函数值fit^p大于历史种群最优位置G_b的适应度函数值fit^G，则将雇佣蜂中个体最优位置P_b作为新的种群最优位置G_b'，否则将历史种群最优位置G_b作为新的种群最优位置G_b'；

(3h)循环结束条件判断。

若种群最优位置G_b'满足优化要求或者当循环次数mg等于最大循环次数MG＝300时，跳出循环并输出新的种群最优位置G_b'，否则返回步骤(3b)；

经过300次循环迭代后，得到的中心频率方向图如图2所示，该中心频率方向图的最大副瓣电平为-25.49dB，主瓣区域波纹系数为0.34dB。

步骤四：优化第一边带频率方向图。

将控制时间调制阵列单元导通状态的脉冲起始时刻τ₀₀以及脉冲持续时间τ₀作为优化变量，将第一边带频率方向图电平值EB作为优化目标，使用人工蜂群算法对第一边带频率方向图电平值EB进行优化：

(4a)参数初始化，即对人工蜂群算法种群总规模SN'，最大循环次数MG'以及种群雇佣蜂个体X'_i'j'和守望蜂个体Y'_i'j'进行初始化，其中i'表示第i'个个体，i'＝1,2,…,SN'/2，j'表示第j'个优化分量，j'＝1,2,…,D'，D'为待优化变量数，SN'＝300，MG'＝300，X'_i'j'和Y'_i'j'在其定义区间内随机产生；

(4b)计算种群个体ZQ'_r'的适应度函数fit'_r'：

种群个体ZQ'_r'表示种群ZQ'中第r'个个体，r'＝1,2,…,SN'，ZQ'＝[X'₁,X'₂,…,X'_SN'/2,Y'₁,Y'₂,…,Y'_SN'/2]，种群个体ZQ'_r'的适应度函数fit'_r'表示为：

${\mathrm{fit}}_{r^{\&prime;}}^{\&prime;}=\left\{\begin{array}{cc}\frac{1}{1+f_{r^{\&prime;}}^{\&prime;}},& f_{r^{\&prime;}}^{\&prime;}\&GreaterEqual;0\\ 1+\left|f_{r^{\&prime;}}^{\&prime;}\right|,& f_{r^{\&prime;}}^{\&prime;}<0\end{array}\right.,$

式中，f′_r′表示种群ZQ'中第r'个个体的罚函数：

f′_r′＝max{EB_r'}，

式中，EB_r'表示种群ZQ'中第r'个个体的第一边带频率方向图电平值；

(4c)雇佣蜂位置更新，即将全部雇佣蜂由原始位置X'_i'更新为V'_i'：

V'_i'g'＝X'_i'g'+φ'_i'g'(X'_i'g'-X'_k'g')，

其中，g'∈{1,2,…,D'}，k'∈{1,2,…,SN'/2}，g'和k'随机选取，且满足k'≠i'，φ'_i'g'为[-1,1]区间内的随机数；

(4d)守望蜂评估并跟随雇佣蜂：

守望蜂依据轮盘赌准则选择雇佣蜂，即适应度值越大的雇佣蜂吸引守望蜂的概率越大，其概率表示为：

(4e)守望蜂位置更新：

守望蜂跟随并在雇佣蜂邻域附近进行随机搜索，得到新位置S'_i'：

S'_i'＝V'_i'+J'_i'(V'_i'-V'_l')，

其中，l'∈{1,2,…,SN'/2}，l'随机选取，且满足l'≠i'，J'_i'为[-1,1]区间内的D'维随机向量；

(4f)贪婪选择、角色互换：

比较守望蜂新位置S'_i'与雇佣蜂原始位置X'_i'的适应度函数值，若守望蜂新位置S'_i'的适应度函数值大于雇佣蜂原始位置X'_i'的适应度函数值则守望蜂与雇佣蜂发生角色互换；

(4g)更新种群最优位置：

比较雇佣蜂中个体最优位置P'_b'与历史种群最优位置G'_b'的适应度函数值，若雇佣蜂个体最优位置P'_b'的适应度函数值fit'^p'大于历史种群最优位置G'_b'的适应度函数值fit'^G'，则将雇佣蜂中个体最优位置P'_b'作为新的种群最优位置G″_b'，否则将历史种群最优位置G'_b'作为新的种群最优位置G″_b'；

(4h)循环结束条件判断。

若种群最优位置G″_b'满足优化要求或者当循环次数mg'等于最大循环次数MG'＝300时，跳出循环并输出新的种群最优位置G″_b'，否则返回步骤(4b)；

经过300次循环迭代后，得到的脉冲起始时刻分布结果图如图3所示，脉冲持续时间分布结果图如图4所示，第一边带频率方向图如图5所示，该方向图最大副瓣电平值为-16.89dB。

步骤五：分离时间调制阵列最终静态激励幅度A_f和相位α_f。

根据优化得到的时间调制阵列最终激励I_f以及脉冲持续时间τ_f分离出时间调制阵列的最终静态激励幅度A_f和最终静态激励相位α_f，按照如下公式进行：

$A_f=\frac{\left|I_f\right|}{{\mathrm{\&tau;}}_f},{\mathrm{\&alpha;}}_f=\&angle;\left(I_f\right);$

分离后的时间调制阵列最终静态激励幅度分布结果图如图6所示，时间调制阵列最终静态激励相位分布结果图如图7所示。

实施例2：对中心频率方向图的主瓣区域为中国地图形状、时间调制阵列静态激励幅度的动态范围为[0.1,1]，脉冲持续时间动态范围为[0.1,1]的一组参数进行波束赋形。

步骤1：设置待优化目标。

设置待优化目标包括：待赋形中心频率方向图电平值E_d'，时间调制阵列静态激励幅度的动态范围A_ε'以及脉冲持续时间的动态范围t_ε'。

步骤2：初始化时间调制阵列激励I₀'。

使用伍德沃德-劳森抽样综合法对待赋形中心频率方向图进行初始综合，得到阵列激励，并将该阵列激励作为时间调制阵列的初始激励I₀'：

2a)计算空间采样位置(u'_p',v'_q')：

u'_p'＝p'/Md_x，v'_q'＝q'λ/Nd_y，

其中，u'_p'为空间采样位置(u'_p',v'_q')沿x轴方向的位置分量，p'＝0,±1,±2,…,±(Rx'-1)/2，Rx'为空间采样位置(u'_p,v'_q)沿x轴方向的采样点数，v'_q'为空间采样位置(u'_p,v'_q)沿y轴方向的位置分量，q'＝0,±1,±2,…,±(Ry'-1)/2，Ry'为空间采样位置(u'_p',v'_q')沿y轴方向的采样点数；

2b)根据空间采样位置(u'_p',v'_q')，计算阵列激励I'_mn：

${I^{\&prime;}}_{\mathrm{mn}}=\underset{p^{\&prime;}=-P^{\&prime;}}{\overset{P^{\&prime;}}{\mathrm{\&Sigma;}}}\underset{q=-Q^{\&prime;}}{\overset{Q^{\&prime;}}{\mathrm{\&Sigma;}}}{a^{\&prime;}}_{p^{\&prime;}{q}^{\&prime;}}\exp \{-\mathrm{j\&beta;}[(m-1)d_x{u^{\&prime;}}_{p^{\&prime;}}+(n-1)d_y{v^{\&prime;}}_{q^{\&prime;}}\left]\right\},$

其中，a'_p'q'为待赋形中心频率方向图在空间采样位置(u'_p',v'_q')处的电平值；

2c)将阵列激励I'_mn作为时间调制阵列的初始激励I₀'。

步骤3：优化中心频率方向图。

将时间调制阵列初始激励I₀'的幅度和相位作为优化变量，并将中心频率方向图副瓣电平值ES'、中心频率方向图主瓣波纹系数ω'作为优化目标，使用人工蜂群算法对时间调制阵列初始激励I₀'的幅度和相位进行微扰优化，该微扰优化步骤与实施例1的步骤三相同；

经过300次循环迭代后，得到的中心频率方向图如图8所示，该中心频率方向图的最大副瓣电平为-22.13dB，主瓣区域波纹系数为0.74dB。

步骤4：优化第一边带频率方向图。

将控制时间调制阵列单元导通状态的脉冲起始时刻τ'₀₀以及脉冲持续时间τ'₀作为优化变量，将第一边带频率方向图电平值EB'作为优化目标，使用人工蜂群算法对第一边带频率方向图电平值EB'进行优化，该优化步骤与实施例1的步骤四相同；

经过300次循环迭代后，得到的脉冲起始时刻分布结果图如图9所示，脉冲持续时间分布结果图如图10所示，第一边带频率方向图如图11所示，该方向图最大副瓣电平值为-16.13dB。

步骤5：分离时间调制阵列最终静态激励幅度A_f和相位α_f。

本步骤的具体实现与实施例1的步骤五相同。

分离后的时间调制阵列最终静态激励幅度分布结果图如图12所示，时间调制阵列最终静态激励相位分布结果图如图13所示。

从上述两个实施例可以看出，本发明提供的基于时间调制阵列的波束赋形方法具有较好的波束赋形能力，并且在方向图主瓣区域具有较小的波纹系数，同时本发明能够对第一边带频率方向图电平值进行较好的抑制。

以上实施例仅用以说明本发明在阵列波束赋形中的可行性，而非对其限制；尽管参照前述实施例对本发明实施步骤进行了详细地说明，本领域的普通技术人员应当理解：其依然可以对前述具体实施方式进行修改或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明技术方案的范围。

Claims (4)

1.一种基于时间调制阵列的波束赋形方法，其特征在于，包括如下步骤：

(1)根据系统指标设置待优化目标：待赋形中心频率方向图电平值E_d，时间调制阵列静态激励幅度的动态范围A_ε，脉冲持续时间的动态范围t_ε，时间调制阵列激励幅度的动态范围A_fε，第一边带频率方向图电平值EB；

(2)使用伍德沃德-劳森抽样综合法对待赋形中心频率方向图进行初始综合，得到阵列激励，并将该阵列激励作为时间调制阵列的初始激励I₀；

(3)将时间调制阵列初始激励I₀的幅度和相位作为优化变量，并将中心频率方向图副瓣电平值ES、中心频率方向图主瓣波纹系数ω作为优化目标，使用人工蜂群算法对时间调制阵列初始激励I₀的幅度和相位进行微扰优化，将优化后的阵列激励作为时间调制阵列最终激励I_f；

(4)将控制时间调制阵列单元导通状态的脉冲起始时刻τ₀₀以及脉冲持续时间τ₀作为优化变量，并将第一边带频率方向图电平值EB作为优化目标，使用人工蜂群算法对脉冲起始时刻τ₀₀以及脉冲持续时间τ₀进行优化，得到优化后的脉冲起始时刻τ_0f以及脉冲持续时间τ_f；

(5)根据上述优化得到的时间调制阵列最终激励I_f以及脉冲持续时间τ_f，分离出时间调制阵列的最终静态激励幅度A_f和最终静态激励相位α_f，完成时间调制阵列的波束赋形。

2.根据权利要求1所述的基于时间调制阵列的波束赋形方法，其中所述步骤(2)中用伍德沃德-劳森抽样综合法对待赋形中心频率方向图进行初始综合并将得到的激励作为时间调制阵列的初始激励I₀，包括如下步骤：

(2a)计算空间采样位置(u_p,v_q)：

u_p＝pλ/Md_x，v_q＝qλ/Nd_y，

其中，u_p为空间采样位置(u_p,v_q)沿x轴方向的位置分量，p＝0,±1,±2,…,±(Rx-1)/2，Rx为空间采样位置(u_p,v_q)沿x轴方向的采样点数，λ为空间波长，M为阵列沿x轴方向的阵元数，d_x为阵列沿x轴方向的阵元间距，v_q为空间采样位置(u_p,v_q)沿y轴方向的位置分量，q＝0,±1,±2,…,±(Ry-1)/2，Ry为空间采样位置(u_p,v_q)沿y轴方向的采样点数，N为阵列沿y轴方向的阵元数，d_y为阵列沿y轴方向的阵元间距；

(2b)根据空间采样位置(u_p,v_q)，计算阵列激励I_mn：

$I_{\mathrm{mn}}=\underset{p=-P}{\overset{P}{\mathrm{\&Sigma;}}}\underset{q=-Q}{\overset{Q}{\mathrm{\&Sigma;}}}{a}_{\mathrm{pq}}\exp \{-\mathrm{j\&beta;}[(m-1)d_x{u}_p+(n-1)d_y{v}_p\left]\right\},$

其中，m＝0,1,2,…,M，n＝0,1,2,…,N，a_pq为待赋形中心频率方向图在空间采样位置(u_p,v_q)处的电平值，β为空间波数；

(2c)将阵列激励I_mn作为时间调制阵列的初始激励I₀。

3.根据权利要求1所述的基于时间调制阵列的波束赋形方法，其中所述步骤(3)、步骤(4)中用人工蜂群算法对优化变量进行优化，包括如下步骤：

(3a)确定最大循环次数以及种群总规模，将种群划分为雇佣蜂和守望蜂两个子种群，两个子种群的个体数目相等且都等于种群总规模的一半，并对两个子种群的个体分别进行初始化，每个个体的初始解在其优化变量的定义区间内随机产生，两个子种群中的个体分别表示为X_ij和Y_ij，其中i表示第i个个体，i＝1,2,…,SN/2，SN为种群总规模，j表示第j个优化分量，j＝1,2,…,D，D为待优化变量数；

(3b)雇佣蜂位置更新，即将全部雇佣蜂由原始位置X_i更新为V_i：

V_ig＝X_ig+φ_ig(X_ig-X_kg)，

其中，g∈{1,2,…,D}，k∈{1,2,…,SN/2}，g和k随机选取，且满足k≠i，φ_ig为[-1,1]区间内的随机数；

(3c)守望蜂依据轮盘赌准则选择雇佣蜂，即适应度值越大的雇佣蜂吸引守望蜂的概率越大，其概率表示为：

式中，fit_i是第i个个体的适应度函数值，

${\mathrm{fit}}_i=\left\{\begin{array}{c}\frac{1}{1+f_i},f_i\&GreaterEqual;0\\ 1+\left|f_i\right|,f_i<0\end{array}\right.,$

式中，f_i是第i个个体的罚函数值；

(3d)守望蜂跟随并在雇佣蜂邻域附近进行随机搜索，得到新位置S_i：

S_i＝V_i+J_i(V_i-V_l)，

其中，l∈{1,2,…,SN/2}，l随机选取，且满足l≠i，J_i为[-1,1]区间内的D维随机向量；

(3e)比较守望蜂新位置S_i与雇佣蜂原始位置X_i的适应度函数值，若守望蜂新位置S_i的适应度函数值大于雇佣蜂原始位置X_i的适应度函数值则守望蜂与雇佣蜂发生角色互换；

(3f)比较雇佣蜂中个体最优位置P_b与历史种群最优位置G_b的适应度函数值，若雇佣蜂个体最优位置P_b的适应度函数值fit^p大于历史种群最优位置G_b的适应度函数值fit^G，则将雇佣蜂中个体最优位置P_b作为新的种群最优位置G_b'，否则将历史种群最优位置G_b作为新的种群最优位置G_b'；

(3g)重复上述步骤(3b)至步骤(3f)，直至满足优化目标要求或完成最大循环次数时，跳出循环并输出新的种群最优位置G_b'完成优化。

4.根据权利要求1所述的基于时间调制阵列的波束赋形方法，其中所述步骤(5)中用优化得到的时间调制阵列最终激励I_f以及脉冲持续时间τ_f分离出时间调制阵列的最终静态激励幅度A_f和最终静态激励相位α_f，按照如下公式进行：

$A_f=\frac{\left|I_f\right|}{{\mathrm{\&tau;}}_f},{\mathrm{\&alpha;}}_f=\&angle;\left(I_f\right).$