CN109800474B - 一种基于遗传算法的阵列天线能量调配方法 - Google Patents

一种基于遗传算法的阵列天线能量调配方法 Download PDF

Info

Publication number
CN109800474B
CN109800474B CN201811609067.XA CN201811609067A CN109800474B CN 109800474 B CN109800474 B CN 109800474B CN 201811609067 A CN201811609067 A CN 201811609067A CN 109800474 B CN109800474 B CN 109800474B
Authority
CN
China
Prior art keywords
antenna
energy
port
population
array antenna
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811609067.XA
Other languages
English (en)
Other versions
CN109800474A (zh
Inventor
王友保
王英植
郑大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201811609067.XA priority Critical patent/CN109800474B/zh
Publication of CN109800474A publication Critical patent/CN109800474A/zh
Application granted granted Critical
Publication of CN109800474B publication Critical patent/CN109800474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种基于遗传算法的阵列天线能量调配方法。建立发射端阵列天线模型和收发天线传输系统；建立基于S散射矩阵的目标函数和适应度函数，S散射矩阵中包含发射端阵列天线的幅值和相位信息；根据建立的基于S散射矩阵的适应度函数实施遗传算法，求解出最优解，据此获得发射端阵列天线的最优幅值和相位，实现在能量传输效率最大化情况下的能量调配；对发射端阵列天线模型进行仿真，验证在最优参数下阵列天线能量调配的性能。本发明通过遗传算法优化快速找到阵列天线最优幅值和相位，实现在能量传输效率最大化情况下的能量调配。

Description

一种基于遗传算法的阵列天线能量调配方法
技术领域
本发明属于天线技术领域，特别涉及了一种基于遗传算法的阵列天线能量调配方法。
背景技术
微波无线能量传输是实现能量无线传输的一项关键技术，其中聚焦天线就是微波无线能量传输的一项重要产物。所谓的聚焦天线就是通过硬件控制或者软件优化的方式将天线能量聚集在特定的区域，实现天线辐射能量在一个方向或多个方向上传输效率的最大化。然而在移动通信应用中，大多数情况下基站是固定不动的，而终端却是时刻移动并且呈不均匀分布的，因此在终端密集的区域就需要分配更多的能量，终端稀疏的区域只需分配较少的能量即可。但是现有的微波无线能量传输技术仅实现了能量传输效率的最大化，却忽视了实际生活中对于能量按需分配的强烈诉求。
遗传算法擅长解决的问题是全局最优化问题。跟传统的算法相比，遗传算法能够跳出局部最优而找到全局最优点。而且遗传算法允许使用非常复杂的适应度函数，并且可以对种群的变化范围加以限制。由于天线阵优化等电磁问题的目标函数具有形态复杂、多峰值的特点，故比较适合采用遗传算法进行优化。
发明内容
为了解决上述背景技术提出的技术问题，本发明提供一种基于遗传算法的阵列天线能量调配方法，通过遗传算法优化快速找到阵列天线最优幅值和相位，实现在能量传输效率最大化情况下的能量调配。
为了实现上述技术目的，本发明的技术方案为：
一种基于遗传算法的阵列天线能量调配方法，包括以下步骤：
(1)建立发射端阵列天线模型和收发天线传输系统模型，所述收发天线传输系统模型包含发射端阵列天线和若干位于不同方位的接收天线；
(2)首先，构建遗传算法的目标函数和适应度函数；然后，将收发天线传输系统看作多端口网络，建立多端口网络的S散射矩阵，并将该S散射矩阵引入前述目标函数和适应度函数中，建立基于S散射矩阵的目标函数和适应度函数，S散射矩阵中包含发射端阵列天线的幅值和相位信息；
(3)根据步骤(2)建立的基于S散射矩阵的适应度函数实施遗传算法，求解出最优解，据此获得发射端阵列天线的最优幅值和相位，实现在能量传输效率最大化情况下的能量调配；
(4)对发射端阵列天线模型进行仿真，验证在步骤(3)获得的最优参数下阵列天线能量调配的性能。
进一步地，在步骤(1)中，所述收发天线传输系统模型包含第一接收天线和第二接收天线。
进一步地，在步骤(2)中，首先设计三个子目标函数，其中第一子目标函数为发射端阵列天线能量传输最大化函数maxf1，第二子目标函数为第一接收天线获取能量函数f2，第三子目标函数为第二接收天线获取能量函数f3；然后通过权重系数变换法将三个子目标函数联系起来，建立适应度函数fitness：
fitness＝k1·max f1+k2·f2+k3·f3
其中，k1,k2,k3为权重系数，k1+k2+k3＝1。
进一步地，在步骤(2)中，所述多端口网络的S散射矩阵如下：
Figure BDA0001924265220000021
其中，[at]＝[a1,a2,...,aN]T，表示发射端阵列天线归一化后的入射波，下标N表示发射端阵列天线的端口数，上标T表示转置；[ar]＝[aN+1,aN+2,...,aN+M]T，表示接收天线归一化后的入射波，下标M表示接收天线的个数；[bt]＝[b1,b2,...,bN]T，表示发射端阵列天线归一化后的反射波；[br]＝[bN+1,bN+2,...,bN+M]T，表示接收天线归一化后的反射波；
Figure BDA0001924265220000031
表示发射端阵列天线端口的反射系数；
Figure BDA0001924265220000032
表示发射端阵列天线端口到接收天线端口的传输系数；[Str]＝[Srt]T，表示接收天线端口到发射端阵列天线端口的传输系数；
Figure BDA0001924265220000033
表示接收天线端口的反射系数；
当接收天线是完全匹配的，则[ar]＝0，定义发射阵列天线与接收天线之间的功率传输效率T作为第一子目标函数：
array
Figure BDA0001924265220000034
其中，(.,.)表示为两个向量矢量的内积，[A]＝[Srt]H[Srt]，[B]＝[1]-[Stt]H[Stt]上标H表示共轭转置；
同时，[br]＝[Srt]·[at]，当M＝2，则第二子目标函数和第三子目标函数如下：
[br1]＝[Srt1]·[at]
[br2]＝[Srt2]·[at]
则适应度函数：
fitness＝k1·Tarray+k2·|[br1]|+k3·|[br2]|
其中，[at]包含着发射端阵列天线的幅值和相位信息。
进一步地，步骤(3)的具体过程如下：
(301)编码：产生一组随机编码解P(t)∈C，t∈[1,2N]，其中，C为分基因编码空间，N为发射端阵列天线的阵元个数；遗传算法对应的解空间为各阵元的幅值和相位，幅值为实部，相位为虚部，设置每一个初始染色体包含2N列，其中奇数列代表实部，偶数列代表虚部；
(302)初始种群生成：设置种群规模，最大遗传代数，每个变量的二进制编码长度，代沟，交叉概率，变异概率以及种群的实部和虚部范围；
(303)适应度值评估：对种群中每一个个体所代表的解计算相应的适应度值，评估解的优劣，并对评估后的解按由小到大的顺序进行排序；同时，为求得最大值，适应度函数需要做取负处理；
(304)选择：利用随机遍历抽样从父代种群中抽取部分种群个体作为子代新种群；
(305)交叉重组：按照设定的交叉概率对新种群染色体进行单点交叉重组；
(306)变异：取当前种群每一行对应一个体并用设定的变异概率变异每个元素；
(307)重插入：基于适应度插入所有子代代替最不适应的父个体；
(308)根据遗传算法适应度函数曲线的平稳程度重复步骤3至步骤7，直至取得平稳适应度曲线。
进一步地，步骤(4)的具体过程如下：
(401)运用HFSS电磁仿真软件对收发天线系统模型进行仿真，并得到收发天线系统模型在2.45GHZ频率下的S散射矩阵；对发射端阵列天线模型进行仿真，用于能量调配验证；
(402)将得到的S散射矩阵导入遗传算法进行优化，并将更多的能量偏向第一接收天线；设第一接收天线处有能量辐射，第二接收天线处无能量辐射，此时将适应度函数中的权重系数设置为k1＝0.5，k2＝0.5，k3＝0，种群的实部设置为[-0.5,0.5]，虚部设置为[-0.5,0.5]，得到天线馈源的幅值和相位情况，即各端口的激励分布；
(403)将步骤(402)得到的端口激励导入发射端阵列天线模型，观察仿真生成的3DPolar Plot和YOZ面的归一化方向图，确定能量是否集中在第一接收天线所在方位、第二接收天线处基本无能量辐射，若是，则转入步骤(404)；
(404)在只有第一接收天线处有能量辐射情况下，缩小种群实部、虚部范围，种群的实部设置为[-0.3,0.3]，虚部设置为[-0.3,0.3]，仿真观察端口激励以及天线远区电场变化情况，并记录数据，验证此阵列天线是否能对一个接收天线的能量进行调配，若是，则转入步骤(405)；
(405)扩大种群实部虚部范围，种群的实部设置为[-0.8,0.8]，虚部设置为[-0.8,0.8]，仿真观察端口激励分布以及天线远区电场变化情况，记录数据并与步骤(402)、(404)中的数据进行对比；
(406)使第一接收天线和第二接收天线处都有能量辐射，同时假设第一接收天线1所需能量远大于第二接收天线所需能量；设置k1＝0.5，k2＝0.45，k3＝0.05，种群的实部设置为[-0.5,0.5]，虚部设置为[-1,1]，得到各端口激励分布，将其导入发射端阵列天线模型中观察仿真效果是否与假设吻合，若与假设吻合则说明此阵列天线能够将大部分能量调配给第一接收天线；
(407)在步骤(406)中仿真效果与假设吻合的基础上，保持权重系数不变，缩小种群范围，种群实部设置为[-0.5,0.5]，虚部设置为[-0.8,0.8]，仿真观察端口激励以及天线远区电场变化情况，并记录数据；
(408)扩大种群范围，种群实部设置为[-0.5,0.5]，虚部设置为[-1.2,1.2]，仿真观察端口激励分布以及天线远区电场变化情况，记录数据并与步骤(406)、(407)中的数据进行对比；验证在两个接收天线都需要能量的情况下，缩小和扩大种群范围是否使天线整体能量辐射减弱和增强；
(409)在步骤(406)中仿真效果与假设吻合的基础上，假设第一接收天线处所需能量稍大于第二接收天线处所需能量；设置k1＝0.5，k2＝0.3，k3＝0.2，种群的实部设置为[-0.5,0.5]，虚部设置为[-1.6,1.6]，得到各端口激励分布，将其导入发射端阵列天线模型中观察仿真效果是否与假设吻合，若吻合则说明此阵列天线能够将稍多的能量调配给第一接收天线；
(410)在步骤(409)中仿真效果与假设吻合的基础上，假设第一接收天线和第二接收天线能量均等调配；设置k1＝0.5，k2＝0.25，k3＝0.25，种群的实部设置为[-0.5,0.5]，虚部设置为[-0.5,0.5]，得到各端口激励，将其导入发射端阵列天线模型中观察仿真效果是否与假设吻合，若吻合则说明此阵列天线能够实现能量均等调配；
(411)将更多的能量偏向于第二接收天线；重复步骤(402)-(406)以及步骤(409)-(410)；每步中权重系数k2与k3的值进行互换，观察是否在第二接收天线处有更多的能量辐射效果，若是，说明此阵列天线实现了对于两个接收天线能量的合理调配。
采用上述技术方案带来的有益效果：
(1)本发明可以很好地实现能量聚焦效果，且效果与已知的能量传输最优化理论所得到的效果基本吻合；
(2)本发明在实现能量聚焦的情况下可以对能量大小进行调配；
(3)本发明对于同一种能量调配，端口的幅度和相位设置情况有更多的选择，增加了选择的自由性；
(4)本发明当存在接收天线无需能量辐射时，能量主要集中在需要能量辐射的接收天线所在方位。
附图说明
图1是本发明的整体流程图；
图2是本发明中遗传算法流程图；
图3是本发明天线阵元俯视图；
图4是本发明天线阵元立体结构图；
图5是本发明发射端阵列天线的立体结构图；
图6是本发明天线系统模型图；
图7是本发明天线阵元的回波损耗S11图；
图8是接收天线2处无能量辐射时的YOZ面归一化方向图；
图9是接收天线1处所需能量远大于接收天线2处所需能量时的YOZ面归一化方向图；
图10是接收天线1处所需能量稍大于接收天线2处所需能量时的YOZ面归一化方向图；
图11是能量同等调配时的YOZ面归一化方向图；
图12是接收天线2处所需能量稍大于接收天线1处所需能量时的YOZ面归一化方向图；
图13是接收天线2处所需能量远大于接收天线1处所需能量时的YOZ面归一化方向图；
图14是接收天线1处无能量辐射时的YOZ面归一化方向图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
一种基于遗传算法的阵列天线能量调配方法，如图1所示。
一、建立天线阵模型：
第一步，以微带单极子天线作为阵列天线阵元，单极子采用FR4介质基板材料，基板材料的介电常数为4.4，损耗角正切值为0.02。天线工作中心频率为2.45GHZ。阵列天线采用8个微带单极子以共地共基板的双排线阵(每排4个)形式等距排列并采用同轴馈电方式。
第二步：用HFSS电磁仿真软件设计天线模型Ⅰ用于天线系统S散射矩阵的获取，采用2个上述的单极子天线作为接收天线，分别为接收天线1和接收天线2。接收天线在空间的角度为
Figure BDA0001924265220000081
其中θ是空间俯仰角，/>
Figure BDA0001924265220000082
是空间方位角。接收天线1放置在距离阵列天线中心1.5m、空间角度(330°,180°)的位置上，接收天线2放置在距离阵列天线中心1.5m、空间角度(30°,0°)的位置上(以阵列天线基板中心为坐标原点，Z轴垂直于基板，X轴和Y轴垂直于阵列天线边缘)。
第三步，用HFSS电磁仿真软件设计天线模型Ⅱ用于方法验证。天线模型Ⅱ只保留发射端阵列天线。
二、确定遗传算法目标函数
第一步：目标函数的设计，本发明采用3个子目标函数和1个适应度函数。其中第一子目标函数为发射端能量传输最大化函数max f1，第二子目标函数为接收天线1获取能量函数f2，第三子目标函数为接收天线2获取能量函数f3，适应度函数为fitness。通过权重系数变换法将三个子目标函数联系起来，即：
fitness＝k1·max f1+k2·f2+k3·f3，(k1,k2,k3∈R∪k1+k2+k3＝1)
其中，k1,k2,k3即为权重系数。
第二步：在能量传输理论中，考虑一个传输系统，其中包含一个N端口的发射阵列天线和M个接收天线。整个传输系统可以看成N+M端口网络，并可以通过(N+M)×(N+M)形式的S散射矩阵将各端口入射波组成的矢量和反射波组成的矢量联系起来，形成多端口网络的散射矩阵：
Figure BDA0001924265220000091
其中，
发射天线归一化后的入射波：[at]＝[a1,a2,...,aN]T
接收天线归一化后的入射波：[ar]＝[aN+1,aN+2,...,aN+M]T
发射天线归一化后的反射波：[bt]＝[b1,b2,...,bN]T
接收天线归一化后的反射波：[br]＝[bN+1,bN+2,...,bN+M]T
发射天线端口的反射系数：
Figure BDA0001924265220000092
发射天线端口到接收天线端口的传输系数：
Figure BDA0001924265220000093
接收天线端口到发射天线端口的传输系数：[Str]＝[Srt]T
接收天线端口的反射系数：
Figure BDA0001924265220000094
上标T表示矩阵转置，下标t表示发射阵列天线，下标r表示接收天线。定义发射阵列天线与接收天线之间的功率传输效率Tarray为接收天线负载所接收的功率与发射阵列天线输入功率的比值：
Figure BDA0001924265220000101
这里假设接收天线是完全匹配的，则可以得到[ar]＝0，将[ar]代入上述公式，可得到：
Figure BDA0001924265220000102
其中(.,.)表示为两个向量矢量的内积，[A]和[B]表示两个矩阵，分别为：
[A]＝[Srt]H[Srt]，[B]＝[1]-[Stt]H[Stt]
其中上标H表示共轭转置。
由此可以得到第一个子目标函数，即
Figure BDA0001924265220000103
针对多端口网络的散射矩阵可以得到[br]＝[Srt]·[at]+[Srr]·[ar]。假设接收天线完全匹配，则[ar]＝0，可得：[br]＝[Srt]·[at]。此公式就是接收天线获取能量函数。令M＝2,即有2个接收天线，则第二子目标和第三子目标函数分别为：
[br1]＝[Srt1]·[at]
[br2]＝[Srt2]·[at]
其中[at]就包含着发射端天线的幅值与相位，也正是算法要求解的未知数。子目标函数确定，适应度函数就可以确定为：
fitness＝k1·Tarray+k2·|[br1]|+k3·|[br2]|,(k1,k2,k3∈R∪k1+k2+k3＝1)
三、获取端口最优幅值和相位，如图2所示
步骤1、编码：产生一组随机编码解P(t)∈C，t∈[1,2N]，其中N为天线阵元个数，本发明中N＝8。由于遗传算法对应的解空间为各阵元的幅值和相位，幅值为实部，相位为虚部，是一个复数值。而遗传算法只能对实数进行运算，所以设置每一个初始染色体包含2N列，其中奇数列代表实部，偶数列代表虚部。
步骤2、初始种群生成：设置种群规模为100，最大遗传代数MAXGEN＝300，每个变量的二进制编码长度PRECI＝20，代沟GGAP＝0.9，交叉概率pc＝0.7，变异概率pm＝0.01，种群的实部设置为[-0.5,0.5]之间，虚部设置为[-a,a],a的值先大致设定，之后根据适应度函数曲线的平稳程度和仿真效果具体确定。所述随机编码解构成原始种群，每个解为一个个体，种群个体数为2N。
步骤3、适应度值评估：对种群中每一个个体所代表的解计算相应的适应度值，评估解的优劣，并对评估后的解按由小到大的顺序进行排序，遗传算法默认是进行最小值的优化，而本发明要求找到最大值，因此对适应度函数做取负处理。
步骤4、选择：利用随机遍历抽样从父代种群中抽取90％的种群个体作为子代新种群。
步骤5、交叉重组：按照交叉概率pc＝0.7,对新种群染色体进行单点交叉重组。
步骤6、变异：取当前种群每一行对应一个体并用概率pm＝0.01变异每个元素.
步骤7、重插入：用子代代替父代并返回结果种群，子代包含在矩阵SelCh中，父代在矩阵Chrom中，Chrom和SelCh中的每一行对应一个个体，基于适应度插入所有子代代替最不适应的父个体。
步骤8、根据算法适应度函数曲线的平稳程度重复步骤3至步骤7，直至取得平稳适应度曲线。
四、对发射端阵列天线模型和接收端天线模型进行仿真，验证在获得的最优参数下阵列天线能量调配的性能
第一步：运用HFSS电磁仿真软件对上述天线模型Ⅰ进行仿真并得到天线模型Ⅰ在2.45GHZ频率下的S散射矩阵，对上述天线模型Ⅱ进行仿真，用于天线电磁特性测试。
第二步，将得到的S散射矩阵导入遗传算法进行优化。将更多的能量偏向接收天线1。假设接收天线1处有能量辐射，接收天线2处无能量辐射，此时算法中的权重系数设置为k1＝0.5，k2＝0.5，k3＝0，种群的实部设置为[-0.5,0.5]，虚部设置为[-0.5,0.5]。得到天线馈源的幅值和相位情况，即各端口的激励分布。
第三步，将第二步中的端口激励导入天线模型Ⅱ，观察仿真生成的3D Polar Plot和YOZ面的归一化方向图，确定能量是否集中在接收天线1所在方位，接收天线2处基本无能量辐射。
第四步，在第三步成立的基础上，为了验证此阵列天线能否对一个接收天线的能量进行调配，在只有接收天线1处有能量辐射情况下，缩小种群实部虚部范围，种群的实部设置为[-0.3,0.3]，虚部设置为[-0.3,0.3]。仿真观察端口激励以及天线远区电场变化情况，并记录数据。
第五步，在第四步成立的基础上，扩大种群实部虚部范围，种群的实部设置为[-0.8,0.8]，虚部设置为[-0.8,0.8]。仿真观察端口激励分布以及天线远区电场变化情况，记录数据并与第二步和第四步中的数据进行对比。
第六步，使接收天线1和接收天线2处都有能量辐射时，同时假设接收天线1所需能量远大于接收天线2所需能量。令k1＝0.5，k2＝0.45，k3＝0.05，种群的实部设置为[-0.5,0.5]，虚部设置为[-1,1]。得到各端口激励分布，将其导入天线模型Ⅱ中观察仿真效果是否与假设吻合，若和假设吻合则说明此阵列天线可以将大部分能量调配给接收天线1。
第七步，为了验证在两个接收天线都需要能量的情况下，缩小和扩大种群范围是否使天线整体能量辐射减弱和增强。在第六步的基础上保持权重系数不变，缩小种群范围。种群实部设置为[-0.5,0.5],虚部设置为[-0.8,0.8]，仿真观察端口激励以及天线远区电场变化情况，并记录数据。
第八步，在第七步的基础上，扩大种群范围。种群实部设置为[-0.5,0.5]，虚部设置为[-1.2,1.2]，仿真观察端口激励分布以及天线远区电场变化情况，记录数据并与第六步和第七步中的数据进行对比。(第七步和第八步仅是对接收天线1处所需能量远大于接收天线2处所需能量时的情况进行的操作，经仿真发现其他情况下的结论与此类似，因此不再赘述。)
第九步，在第六步吻合的基础上假设接收天线1处所需能量稍大于接收天线2处所需能量，并对算法权重系数和种群范围进行新的调整。令k1＝0.5，k2＝0.3，k3＝0.2，种群的实部设置为[-0.5,0.5]，虚部设置为[-1.6,1.6]。得到各端口激励分布，将其导入天线模型Ⅱ中观察仿真效果是否与新假设吻合，若吻合则说明此阵列天线可以将稍多的能量调配给接收天线1。
第十步，在第九步吻合的基础上假设接收天线1和接收天线2能量均等调配，对算法权重系数和种群范围进行新的调整，令k1＝0.5，k2＝0.25，k3＝0.25，种群的实部设置为[-0.5,0.5]，虚部设置为[-0.5,0.5]。得到各端口激励，将其导入天线模型Ⅱ中观察仿真效果是否与假设吻合，若和假设吻合则说明此阵列天线可以实现能量均等调配。
第十一步，将更多的能量偏向于接收天线2。重复第二步至第六步以及第九步，第十步。每步中权重系数k2与k3的值进行互换，看是否在接收天线2处有更多的能量辐射效果。若出现接收天线2处有更多的能量辐射效果，说明此阵列天线实现了对于两接收天线能量的合理调配。
图3是本实施例中单极子天线阵元的俯视图，贴片距离基板左右两侧均为20mm，贴片距离基板上下两侧均为19.5mm，方便组成阵列结构。
图4是本实施例中天线阵元的立体结构图，基板的厚度设置为3mm，采用同轴馈电方式，同轴线直径为2mm，馈电端口的宽度为1mm，采用对称结构设计。
图5是本实施例中八个阵元组合的阵列天线图，每行相邻的贴片间距为40mm，每列相邻的贴片间距为39mm，相邻贴片的中心间距为68mm，接近于二分之一波长。
图6是本实施例中天线系统的模型图，接收天线在空间的角度为
Figure BDA0001924265220000141
其中θ是空间俯仰角，/>
Figure BDA0001924265220000142
是空间方位角。接收天线1放置在距离阵列天线中心1.5m、空间角度(330°,180°)的位置上，接收天线2放置在距离阵列天线中心1.5m、空间角度(30°，0°)的位置上(以阵列天线基板中心为坐标原点，Z轴垂直于基板，X轴和Y轴垂直于阵列天线边缘)，以下叙述用左侧代表接收天线1所在侧，右侧代表接收天线2所在侧。
图7是天线阵元的回波损耗S11仿真图，在2.45GHZ工作频率下的损耗为-30.7751dB。
图8是接收天线2处无能量辐射，只有接收天线1处有能量辐射时的YOZ面归一化方向图，从方向图可以看到能量主要集中在330°附近，与接收天线1的空间角度相吻合。330°处的增益为11.1368dBi，30°处的增益为-11.4053dBi。从算法上实现方式就是改变权值的大小，k1＝0.5,k2＝0.5,k3＝0，种群实部设置范围[-0.5,0.5]，虚部设置范围[-0.5,0.5]。
表1
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 0.6426V 0.7030V 0.6725V 0.6666V 0.6783V 0.6944V 0.6844V 0.6485V
相位 -136.8476° -45.2386° 47.7949° 135.2139° -133.9564° -44.4316° 43.2579° 138.0963°
表2
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 0.4017V 0.4150V 0.4166V 0.3786V 0.4098V 0.4083V 0.4167V 0.4174V
相位 -44.1481° 45.9362° 134.2864° -130.7446° -45.9011° 43.7650° 135.5522° -134.7925°
表3
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 1.0877V 1.0221V 1.1259V 1.0740V 1.0473V 1.0150V 1.1160V 1.0947V
相位 133.2595° -140.9531° -45.2712° 46.2712° 131.5567° -140.9343° -45.4370° 45.3627°
表4
Figure BDA0001924265220000151
表1是接收天线2处无能量辐射时的端口激励分布。
表2是接收天线2处无能量辐射时缩小种群实部虚部范围后的端口激励分布，与表1对比可以看出各端口的幅值减小。
表3是接收天线2处无能量辐射时扩大种群实部虚部范围后的端口激励分布，与表1对比可以看出各端口的幅值增大。
表4是接收天线2处无能量辐射时不同种群范围的远场总电场最大值情况，从表中可以看到：随着种群范围的扩大，接收天线1所在区域的远场总电场最大值有所增强。
图9是接收天线1处所需能量远大于接收天线2处所需能量时的YOZ面归一化方向图，从方向图可以看到330°处的增益为10.7372dBi，30°处的增益为3.6533dBi。权值设置为k1＝0.5，k2＝0.45，k3＝0.05，种群实部设置范围[-0.5,0.5]，虚部设置范围[-1,1]。
表5
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 1.1129V 1.0679V 1.0502V 1.0587V 1.1115V 1.0816V 1.0504V 1.0787V
相位 116.5116° -116.6154° -68.6846° 66.4112° 116.5395° -116.7132° -70.0934° 67.7790°
表6
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 0.9195V 0.9212V 0.9261V 0.8661V 0.9004V 0.9104V 0.8930V 0.9318V
相位 120.6781° -120.3238° -58.9056° 64.9280° 120.9612° -122.9978° -60.1678° 58.8328°
表7
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 1.2925V 1.1785V 1.2525V 1.2941V 1.2835V 1.1769V 1.2358V 1.2876V
相位 -68.0119° 66.3403° 109.3841° -112.5836° -67.4113° 65.9186° 104.7621° -112.5036°
表8
Figure BDA0001924265220000161
Figure BDA0001924265220000171
表5是接收天线1处所需能量远大于接收天线2处所需能量时的端口激励分布。
表6是接收天线1处所需能量远大于接收天线2处所需能量时缩小种群范围后的端口激励分布，权值设置为k1＝0.5，k2＝0.45，k3＝0.05，种群实部设置范围[-0.5,0.5]，虚部设置范围[-0.8,0.8]。与表5对比可以看出各端口的幅值减小。
表7是接收天线1处所需能量远大于接收天线2处所需能量时扩大种群范围后的端口激励分布，权值设置为k1＝0.5，k2＝0.45，k3＝0.05，种群实部设置范围[-0.5,0.5]，虚部设置范围[-1.2,1.2]。与表5对比可以看出各端口的幅值增大。
表8是接收天线1处所需能量远大于接收天线2处所需能量时不同种群范围的远场总电场最大值情况。其中，在初始种群范围下，接收天线1所在区域在333°处有最大增益10.90499dBi，接收天线2所在区域在36°处有最大增益4.52437dBi，远场总电场最大值比为1.5525：1；在缩小种群范围下，接收天线1所在区域在334°处有最大增益11.21721dBi，接收天线2所在区域在37°处有最大增益2.71904dBi，远场总电场最大值比为2.0311:1；在扩大种群范围下，接收天线1所在区域在333°处有最大增益10.72256dBi，接收天线2所在区域在35°处有最大增益5.27195dBi，远场总电场最大值比为1.4261:1。接收天线1所在区域的远场总电场最大值已知，通过远场总电场最大值比可间接求得接收天线2所在区域的远场总电场最大值。从表8中可以看出随着种群范围的扩大，接收天线1和接收天线2所在区域的远场总电场最大值都有所增强。
图10是接收天线1处所需能量稍大于接收天线2处所需能量时的YOZ面归一化方向图，330°处的增益为9.8486dBi，30°处的增益为6.7012dBi。权值设置k1＝0.5,k2＝0.3，k3＝0.2,种群实部设置范围[-0.5,0.5]，虚部设置范围[-1.6,1.6]。
表9
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 1.5928V 1.6419V 1.6622V 1.6501V 1.6578V 1.6451V 1.5957V 1.6239V
相位 104.2710° -107.0131° -73.7396° 73.0006° 106.5319° -104.5215° -82.7568° 104.3055°
表9是接收天线1处所需能量稍大于接收天线2处所需能量时的端口激励分布。
图11是能量同等调配时的YOZ面归一化方向图，330°处的增益为8.6984dBi，30°处的增益为8.6746dBi。二者大小有细微差异的原因在于提取的S散射矩阵存在一定误差并且程序运行的过程中也会出现一定误差。权值设置为k1＝0.5，k2＝0.25，k3＝0.25，种群实部设置范围[-0.5,0.5]，虚部设置范围[-0.5,0.5]。
表10
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 0.6906V 0.6341V 0.6999V 0.6592V 0.6704V 0.6841V 0.6891V 0.6784V
相位 44.6540° -136.2726° -134.5305° 44.7602° 47.4670° -135.1627° -136.4833° 45.3645°
表10是能量同等调配时的端口激励分布。
图12是接收天线2处所需能量稍大于接收天线1处所需能量时的YOZ面归一化方向图，330°处的增益为7.3927dBi，30°处的增益为9.5016dBi。权值设置k1＝0.5，k2＝0.2，k3＝0.3，种群实部设置范围[-0.5,0.5]，虚部设置范围[-1.6,1.6]。
表11
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 1.5785V 1.6477V 1.6319V 1.6482V 1.6382V 1.6220V 1.6246V 1.6244V
相位 -71.6524° 105.8042° 75.3905° -74.4206° -72.8038° 101.3200° 79.4201° -72.6212°
表11是接收天线2处所需能量稍大于接收天线1处所需能量时的端口激励分布。
图13是接收天线2处所需能量远大于接收天线1处所需能量时的YOZ面归一化方向图，从方向图可以看到330°处的增益为3.4493dBi，30°处的增益为10.7701dBi。权值设置为k1＝0.5，k2＝0.05，k3＝0.45，种群实部设置范围[-0.5,0.5]，虚部设置范围[-1,1]。
表12
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 1.0721V 1.0539V 1.0924V 1.0368V 1.1027V 1.0736V 1.1007V 1.0917V
相位 64.9470° -67.1917° -115.6855° 114.1218° 63.5789° -67.6719° -115.2690° 113.6974°
表12是接收天线2处所需能量远大于接收天线1处所需能量时端口激励分布。
图14是接收天线1处无能量辐射，只有接收天线2处有能量辐射时的YOZ面归一化方向图，从方向图可以看到能量主要集中在30°附近，与接收天线2的空间角度相吻合。330°处的增益为-14.6235dBi，30°处的增益为11.1057dBi。从算法上实现方式就是改变权值的大小，k1＝0.5,k2＝0,k3＝0.5，种群实部设置范围[-0.5,0.5]，虚部设置范围[-0.5,0.5]。
表13
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 0.5907V 0.6899V 0.6883V 0.6721V 0.6442V 0.6733V 0.6841V 0.6846V
相位 -129.4550° 134.9514° 45.1934° -42.8191° -140.6689° 135.1961° 43.0910° -45.1741°
表14
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 0.4135V 0.4139V 0.4114V 0.4077V 0.3875V 0.4176V 0.4135V 0.4062V
相位 -43.9802° -135.1984° 136.4969° 46.0713° -40.9507° -135.8003° 136.1880° 47.0668°
表15
端口1 端口2 端口3 端口4 端口5 端口6 端口7 端口8
幅值 0.8829V 1.1080V 1.0443V 1.1090V 1.1040V 1.0827V 1.0926V 1.0983V
相位 56.2583° -43.9162° -135.7812° 135.7214° 45.7261° -44.5757° -133.3608° 134.5110°
表16
Figure BDA0001924265220000201
表13是接收天线1处无能量辐射，只有接收天线2处有能量辐射时的端口激励分布。
表14是接收天线1处无能量辐射，只有接收天线2处有能量辐射时缩小种群实部虚部范围后的端口激励分布，与表13对比可看出各端口的幅值减小。
表15是接收天线1处无能量辐射，只有接收天线2处有能量辐射时扩大种群实部虚部范围后的端口激励分布，与表13对比可看出各端口的幅值增大。
表16接收天线1处无能量辐射，只有接收天线2处有能量辐射时不同种群范围的远场总电场最大值，从表中可以看到：当缩小种群范围时，远场总电场最大值减小；当扩大种群范围时，远场总电场最大值增大。
本发明主要利用智能算法实现对阵列天线能量的调配，在计算阵元最优幅值和相位时引入遗传算法。在这一算法中，本发明将能量调配问题归结为一个多目标优化问题。目前有多种方法来解决多目标优化问题，比如：权重系数变换法、并列选择法、排列选择法、共享函数法、混合法等。本发明采用权重系数变换法来解决能量调配问题。权重系数变换法就是：若给其每个子目标函数fi(x)(i＝1,2,…,n)赋予权重ωi(i＝1,2,…,n),其中ωi为相应的fi(x)在多目标优化问题中的重要程度，则各个子目标函数fi(x)的线性加权和表示为
Figure BDA0001924265220000211
若将μ作为多目标优化问题的评价函数，则多目标优化问题就可以转化为单目标优化问题，即可以利用单目标优化的遗传算法求解多目标优化问题。本发明就是通过调节权重系数和种群范围来实现能量的调配。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (3)

1.一种基于遗传算法的阵列天线能量调配方法，其特征在于，包括以下步骤：
(1)建立发射端阵列天线模型和收发天线传输系统模型，所述收发天线传输系统模型包含发射端阵列天线模型和若干位于不同方位的接收天线；
(2)首先，构建遗传算法的目标函数和适应度函数；然后，将收发天线传输系统看作多端口网络，建立多端口网络的S散射矩阵，并将该S散射矩阵引入前述目标函数和适应度函数中，建立基于S散射矩阵的目标函数和适应度函数，S散射矩阵中包含发射端阵列天线的幅值和相位信息；
(3)根据步骤(2)建立的基于S散射矩阵的适应度函数实施遗传算法，求解出最优解，据此获得发射端阵列天线的最优幅值和相位，实现在能量传输效率最大化情况下的能量调配；
(4)对发射端阵列天线模型进行仿真，验证在步骤(3)获得的最优参数下阵列天线能量调配的性能；
在步骤(1)中，所述收发天线传输系统模型包含第一接收天线和第二接收天线；
在步骤(2)中，首先设计三个子目标函数，其中第一子目标函数为发射端阵列天线能量传输最大化函数maxf1，第二子目标函数为第一接收天线获取能量函数f2，第三子目标函数为第二接收天线获取能量函数f3；然后通过权重系数变换法将三个子目标函数联系起来，建立适应度函数fitness：
fitness＝k1·maxf1+k2·f2+k3·f3
其中，k1,k2,k3为权重系数，k1+k2+k3＝1；
在步骤(2)中，所述多端口网络的S散射矩阵如下：
Figure FDA0004083251910000021
其中，[at]＝[a1,a2,...,aN]T，表示发射端阵列天线归一化后的入射波，下标N表示发射端阵列天线的端口数，上标T表示转置；[ar]＝[aN+1,aN+2,...,aN+M]T，表示接收天线归一化后的入射波，下标M表示接收天线的个数；[bt]＝[b1,b2,...,bN]T，表示发射端阵列天线归一化后的反射波；[br]＝[bN+1,bN+2,...,bN+M]T，表示接收天线归一化后的反射波；
Figure FDA0004083251910000022
表示发射端阵列天线端口的反射系数；
Figure FDA0004083251910000023
表示发射端阵列天线端口到接收天线端口的传输系数；[Str]＝[Srt]T，表示接收天线端口到发射端阵列天线端口的传输系数；
Figure FDA0004083251910000024
表示接收天线端口的反射系数；
当接收天线是完全匹配的，则[ar]＝0，定义发射阵列天线与接收天线之间的功率传输效率Tarray作为第一子目标函数：
Figure FDA0004083251910000025
其中，(.,.)表示为两个向量矢量的内积，[A]＝[Srt]H[Srt]，[B]＝[1]-[Stt]H[Stt]上标H表示共轭转置；
同时，[br]＝[Srt]·[at]，当M＝2，则第二子目标函数和第三子目标函数如下：
[br1]＝[Srt1]·[at]
[br2]＝[Srt2]·[at]
则适应度函数：
fitness＝k1·Tarray+k2·[br1]+k3·[br2]
其中，[at]包含着发射端阵列天线的幅值和相位信息。
2.根据要求1所述基于遗传算法的阵列天线能量调配方法，其特征在于，步骤(3)的具体过程如下：
(301)编码：产生一组随机编码解P(t)∈C，t∈[1,2N]，其中，C为分基因编码空间，N为发射端阵列天线的阵元个数；遗传算法对应的解空间为各阵元的幅值和相位，幅值为实部，相位为虚部，设置每一个初始染色体包含2N列，其中奇数列代表实部，偶数列代表虚部；
(302)初始种群生成：设置种群规模，最大遗传代数，每个变量的二进制编码长度，代沟，交叉概率，变异概率以及种群的实部和虚部范围；
(303)适应度值评估：对种群中每一个个体所代表的解计算相应的适应度值，评估解的优劣，并对评估后的解按由小到大的顺序进行排序；同时，为求得最大值，适应度函数需要做取负处理；
(304)选择：利用随机遍历抽样从父代种群中抽取部分种群个体作为子代新种群；
(305)交叉重组：按照设定的交叉概率对新种群染色体进行单点交叉重组；
(306)变异：取当前种群每一行对应一个体并用设定的变异概率变异每个元素；
(307)重插入：基于适应度插入所有子代代替最不适应的父个体；
(308)根据遗传算法适应度函数曲线的平稳程度重复步骤3至步骤7，直至取得平稳适应度曲线。
3.根据权利要求1所述基于遗传算法的阵列天线能量调配方法，其特征在于，步骤(4)的具体过程如下：
(401)运用HFSS电磁仿真软件对收发天线系统模型进行仿真，并得到收发天线系统模型在2.45GHZ频率下的S散射矩阵；对发射端阵列天线模型进行仿真，用于能量调配验证；
(402)将得到的S散射矩阵导入遗传算法进行优化，并将更多的能量偏向第一接收天线；设第一接收天线处有能量辐射，第二接收天线处无能量辐射，此时将适应度函数中的权重系数设置为k1＝0.5，k2＝0.5，k3＝0，种群的实部设置为[-0.5,0.5]，虚部设置为[-0.5,0.5]，得到天线馈源的幅值和相位情况，即各端口的激励分布；
(403)将步骤(402)得到的端口激励导入发射端阵列天线模型，观察仿真生成的3DPolarPlot和YOZ面的归一化方向图，确定能量是否集中在第一接收天线所在方位、第二接收天线处基本无能量辐射，若是，则转入步骤(404)；
(404)在只有第一接收天线处有能量辐射情况下，缩小种群实部、虚部范围，种群的实部设置为[-0.3,0.3]，虚部设置为[-0.3,0.3]，仿真观察端口激励以及天线远区电场变化情况，并记录数据，验证此阵列天线是否能对一个接收天线的能量进行调配，若是，则转入步骤(405)；
(405)扩大种群实部虚部范围，种群的实部设置为[-0.8,0.8]，虚部设置为[-0.8,0.8]，仿真观察端口激励分布以及天线远区电场变化情况，记录数据并与步骤(402)、(404)中的数据进行对比；
(406)使第一接收天线和第二接收天线处都有能量辐射，同时假设第一接收天线1所需能量远大于第二接收天线所需能量；设置k1＝0.5，k2＝0.45，k3＝0.05，种群的实部设置为[-0.5,0.5]，虚部设置为[-1,1]，得到各端口激励分布，将其导入发射端阵列天线模型中观察仿真效果是否与假设吻合，若与假设吻合则说明此阵列天线能够将大部分能量调配给第一接收天线；
(407)在步骤(406)中仿真效果与假设吻合的基础上，保持权重系数不变，缩小种群范围，种群实部设置为[-0.5,0.5]，虚部设置为[-0.8,0.8]，仿真观察端口激励以及天线远区电场变化情况，并记录数据；
(408)扩大种群范围，种群实部设置为[-0.5,0.5]，虚部设置为[-1.2,1.2]，仿真观察端口激励分布以及天线远区电场变化情况，记录数据并与步骤(406)、(407)中的数据进行对比；验证在两个接收天线都需要能量的情况下，缩小和扩大种群范围是否使天线整体能量辐射减弱和增强；
(409)在步骤(406)中仿真效果与假设吻合的基础上，假设第一接收天线处所需能量稍大于第二接收天线处所需能量；设置k1＝0.5，k2＝0.3，k3＝0.2，种群的实部设置为[-0.5,0.5]，虚部设置为[-1.6,1.6]，得到各端口激励分布，将其导入发射端阵列天线模型中观察仿真效果是否与假设吻合，若吻合则说明此阵列天线能够将稍多的能量调配给第一接收天线；
(410)在步骤(409)中仿真效果与假设吻合的基础上，假设第一接收天线和第二接收天线能量均等调配；设置k1＝0.5，k2＝0.25，k3＝0.25，种群的实部设置为[-0.5,0.5]，虚部设置为[-0.5,0.5]，得到各端口激励，将其导入发射端阵列天线模型中观察仿真效果是否与假设吻合，若吻合则说明此阵列天线能够实现能量均等调配；
(411)将更多的能量偏向于第二接收天线；重复步骤(402)-(406)以及步骤(409)-(410)；每步中权重系数k2与k3的值进行互换，观察是否在第二接收天线处有更多的能量辐射效果，若是，说明此阵列天线实现了对于两个接收天线能量的合理调配。
CN201811609067.XA 2018-12-27 2018-12-27 一种基于遗传算法的阵列天线能量调配方法 Active CN109800474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811609067.XA CN109800474B (zh) 2018-12-27 2018-12-27 一种基于遗传算法的阵列天线能量调配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811609067.XA CN109800474B (zh) 2018-12-27 2018-12-27 一种基于遗传算法的阵列天线能量调配方法

Publications (2)

Publication Number Publication Date
CN109800474A CN109800474A (zh) 2019-05-24
CN109800474B true CN109800474B (zh) 2023-06-20

Family

ID=66557753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811609067.XA Active CN109800474B (zh) 2018-12-27 2018-12-27 一种基于遗传算法的阵列天线能量调配方法

Country Status (1)

Country Link
CN (1) CN109800474B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671269A (zh) * 2021-07-05 2021-11-19 南京航空航天大学 一种基于散射矩阵原理的球面近远场方法
CN114330112B (zh) * 2021-12-15 2024-02-13 南京理工大学 一种不等间距紧耦合阵列天线优化方法
CN115332780A (zh) * 2022-06-27 2022-11-11 中国舰船研究设计中心 一种超宽带能量选择表面设计及优化方法
CN115718956B (zh) * 2023-01-10 2023-05-05 中国电子科技集团公司第三十研究所 天线布局方法、设备、介质及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646151A (zh) * 2013-12-24 2014-03-19 西安电子科技大学 平面反射阵天线设计方法
CN105426578A (zh) * 2015-11-03 2016-03-23 电子科技大学 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法
CN106099393A (zh) * 2016-08-25 2016-11-09 电子科技大学 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法
CN106407549A (zh) * 2016-09-12 2017-02-15 哈尔滨工业大学 一种基于遗传算法的阵列天线方向图综合优化方法
CN108508424A (zh) * 2018-03-26 2018-09-07 西安电子科技大学 一种基于天线阵列误差的低副瓣复权向量优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646151A (zh) * 2013-12-24 2014-03-19 西安电子科技大学 平面反射阵天线设计方法
CN105426578A (zh) * 2015-11-03 2016-03-23 电子科技大学 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法
CN106099393A (zh) * 2016-08-25 2016-11-09 电子科技大学 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法
CN106407549A (zh) * 2016-09-12 2017-02-15 哈尔滨工业大学 一种基于遗传算法的阵列天线方向图综合优化方法
CN108508424A (zh) * 2018-03-26 2018-09-07 西安电子科技大学 一种基于天线阵列误差的低副瓣复权向量优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Energy management in Large-Scale;Hamdi Rami等;《IEEE International Conference》;20170731;10183-10193 *
分布式天线系统:资源分配与能效优化;何春龙等;《中国科学:信》;20171231;69-84 *

Also Published As

Publication number Publication date
CN109800474A (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
CN109800474B (zh) 一种基于遗传算法的阵列天线能量调配方法
Singh et al. Design of Yagi-Uda antenna using biogeography based optimization
CN107045562B (zh) 一种毫米波阵列天线设计方法及阵列天线装置
Khan et al. Isolation enhancement of a wideband MIMO antenna using floating parasitic elements
Lai et al. Dual polarized patch antenna fed by meandering probes
CN106407549B (zh) 一种基于遗传算法的阵列天线方向图综合优化方法
Baskar et al. Design of Yagi–Uda antennas using comprehensive learning particle swarm optimisation
Rashidian et al. Miniaturized transparent metallodielectric resonator antennas integrated with amorphous silicon solar cells
Jayasinghe et al. Optimization of the performance of patch antennas using genetic algorithms
Gregory et al. Nature-inspired design techniques for ultra-wideband aperiodic antenna arrays
Puskely et al. 5G SIW-based phased antenna array with cosecant-squared shaped pattern
Ding et al. MOEA/D-GO for fragmented antenna design
Tung et al. A novel metamaterial design using genetic Algorithm for high gain energy harvesting antenna
Abbasi et al. Lens-based beamformer for low-complexity millimeter-wave cellular systems
Moon et al. Design and analysis of a thinned phased array antenna for 5G wireless applications
Denstedt et al. Tripling bandwidth of hat feed by genetic algorithm optimization
Saraereh et al. Bio-inspired algorithms applied on microstrip patch antennas: A review
Chen et al. A novel microstrip dipole antenna with wideband and end-fire properties
Zhou et al. Design and realization of a flat-top shaped-beam antenna array
Reddy et al. Enhancement of CPW-fed inverted L-shaped UWB antenna performance characteristics using partial substrate removal technique
Samb et al. Development of ultra-broadband base station antenna for all mainstream LTE 700/800/900 MHz frequency bands
Casula et al. Structure-based evolutionary programming design of broadband wire antennas
Bahreini et al. Design of a meander-shaped MIMO antenna using IWO algorithm for wireless applications
Kim et al. Beam steering of a multi-port chassis antenna using the least squares method and theory of characteristic modes
Farhat et al. Genetic algorithm application on a tightly coupled array antenna

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant