CN110059406A - 采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端 - Google Patents
采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端 Download PDFInfo
- Publication number
- CN110059406A CN110059406A CN201910311576.2A CN201910311576A CN110059406A CN 110059406 A CN110059406 A CN 110059406A CN 201910311576 A CN201910311576 A CN 201910311576A CN 110059406 A CN110059406 A CN 110059406A
- Authority
- CN
- China
- Prior art keywords
- function
- value
- value function
- aerial array
- fitness
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 230000011218 segmentation Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006978 adaptation Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 126
- 239000002245 particle Substances 0.000 claims description 32
- 230000003044 adaptive effect Effects 0.000 claims description 20
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 9
- 239000006185 dispersion Substances 0.000 description 6
- 238000005192 partition Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端,采用适应值函数实现天线阵列优化,所述适应值函数为Fitness=∑fitnessi,其中fitness为连续分段适应值函数,包括函数f1(x)和函数f2(x),具体地:f1(x)=n*x2,f2(x)=a*x+b;其中,f1(x)的函数取值为[‑n,n],f2(x)的函数取值为(‑∞,‑n]和[n,+∞),且a=2n*u,b=n*x2‑2n*u;式中,x表示优化实际值减去目标值的平方根,i表示1/2/3...序号,a、b、n、u均为常数;f1(x)和f2(x)函数取值的范围取决于阵列天线所需要优化的参数的可接受误差范围。本发明的方法不仅可以解决现有技术的发生的早熟现象,使优化目标参数达到预定要求,还可以解决分段适应值函数分段点处不连续使得算法的收敛速度降低的问题。
Description
技术领域
本发明涉及天线阵列优化方法,尤其涉及一种采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端。
背景技术
阵列天线具有增益高、波束控制灵活等优点,广泛应用于现代无线通信和雷达系统中。为了设计出满足实际应用的天线阵列,需要调整天线阵列中各单元在阵中的位置、馈电幅度及相位。在实际应用中由于天线阵列中移相器和衰减器等器件,使天线阵列各单元的馈电相位及幅度并不是连续变化,而且在实际应用中需要考虑天线阵列中的多个参数目标,这些目标参数间相互联系或彼此冲突,使得传统适应值函数的优化算法进行优化需要花费的时间长且容易陷入早熟现象。
发明内容
本发明的目的在于克服现有技术的不足,提供一种采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端。
本发明的目的是通过以下技术方案来实现的:
本发明的第一方面,提供一种采用连续分段适应值函数的天线阵列优化方法,采用适应值函数实现天线阵列优化,所述适应值函数为Fitness=∑fitnessi,其中fitness为连续分段适应值函数,包括函数f1(x)和函数f2(x),具体地:
f1(x)=n*x2,f2(x)=a*x+b;
其中,f1(x)的函数取值为[-n,n],f2(x)的函数取值为(-∞,-n]和[n,+∞),且a=2n*u,b=n*x2-2n*u;式中,x表示优化实际值减去目标值的平方根,i表示1/2/3...序号,a、b、n、u均为常数;
f1(x)和f2(x)函数取值的范围取决于阵列天线所需要优化的参数的可接受误差范围。
进一步地,所述的方法包括以下步骤:
S1:产生初始种群;
S2:计算初始种群中每个个体的适应度值,初始化最优位置;
S3:判断是否达到终止条件或进化代数达到最大,若是则终止进化,并得到最优个体作为最优解输出;若否则继续步骤S4;
S4:更新粒子位置;
S5:评价粒子,更新最优位置;
S6:对最优个体和最优种群进行交叉变异及选择;
S7:更新进化代数,k=k+1并返回步骤S3;
其中,步骤S2和步骤S5采用所述连续分段适应值函数。
进一步地,步骤S4的更新粒子位置的公式为:
v(k+1)=w*v(k)+c1*rand1*(pbest(k)-chrom(k))
+c2*rand2*(gbest(k)-chrom(k))+c3*rand3*(pbest2(k)-chrom(k))
其中,chrom(k)为第k代种群,pbest(k)为第k代最优个体,gbest(k)为第k代最优种群,c1、c2、c3为常数,rand1、rand2、rand3为随机矩阵,w表示惯性权重,v(k)为第k代粒子速度。
进一步地,所述的阵列天线所需要优化的参数包括中心频点波束指向精度、频带内波束指向色散、频带内波束宽度中的一种或者多种。
本发明的第二方面,提供一种采用连续分段适应值函数的天线阵列优化系统,包括适应值函数优化模块,所述适应值函数优化模块采用适应值函数实现天线阵列优化,所述适应值函数为Fitness=∑fitnessi,其中fitness为连续分段适应值函数,包括函数f1(x)和函数f2(x),具体地:
f1(x)=n*x2,f2(x)=a*x+b;
其中,f1(x)的函数取值为[-n,n],f2(x)的函数取值为(-∞,-n]和[n,+∞),且a=2n*u,b=n*x2-2n*u;式中,x表示优化实际值减去目标值的平方根,i表示1/2/3...序号,a、b、n、u均为常数;
f1(x)和f2(x)函数取值的范围取决于阵列天线所需要优化的参数的可接受误差范围。
进一步地,所述的适应值函数优化模块包括:
初始种群产生单元:用于产生初始种群;
初始化最优位置单元:用于计算初始种群中每个个体的适应度值,初始化最优位置;
迭代判断与输出单元:用于判断初始种群或者更新进化代数后的种群是否达到终止条件或进化代数达到最大,若是则终止进化,并得到最优个体作为最优解输出;若否则进入粒子位置更新单元;
粒子位置更新单元:用于更新粒子位置;
最优位置更新单元:用于在更新粒子位置后评价粒子并更新最优位置;
交叉变异及选择单元:用于对更新最优位置后的最优个体和最优种群进行交叉变异及选择;
进化代数更新单元:用于在完成交叉变异及选择后更新进化代数,并返回迭代判断与输出单元;
其中,初始化最优位置单元和最优位置更新单元采用所述连续分段适应值函数。
进一步地,所述粒子位置更新单元的公式为:
v(k+1)=w*v(k)+c1*rand1*(pbest(k)-chrom(k))
+c2*rand2*(gbest(k)-chrom(k))+c3*rand3*(pbest2(k)-chrom(k))
其中,chrom(k)为第k代种群,pbest(k)为第k代最优个体,gbest(k)为第k代最优种群,c1、c2、c3为常数,rand1、rand2、rand3为随机矩阵,w表示惯性权重,v(k)为第k代粒子速度。
进一步地,所述的阵列天线所需要优化的参数包括中心频点波束指向精度、频带内波束指向色散、频带内波束宽度中的一种或者多种。
本发明的第三方面,提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的一种采用连续分段适应值函数的天线阵列优化方法的步骤。
本发明的第四方面,提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的一种采用连续分段适应值函数的天线阵列优化方法的步骤。
本发明的有益效果是:
本发明的方法不仅可以解决现有技术的发生的早熟现象,使优化目标参数达到预定要求,还可以解决分段适应值函数分段点处不连续使得算法的收敛速度降低的问题,本发明的方法使用连续分段的适应值函数后使算法的收敛速度相比于原分段函数的收敛速度有明显的提升。本发明的系统、存储介质和终端具有相同优点。
附图说明
图1为本发明实例性实施例的方法流程图;
图2为本发明实例性实施例的天线阵面单元坐标系示意图;
图3为本发明示例性实施例的分段适应值函数的实际参数变化图;
图4为本发明示例性实施例的连续分段适应值函数的实际参数变化图;
图5为原适应值函数随运行次数变化曲线示意图;
图6为分段适应值函数随运行次数变化曲线示意图;
图7为连续分段适应值函数随运行次数变化曲线示意图。
具体实施方式
下面结合附图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一部分实施例,而不是全部的实施例。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。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
阵列天线具有增益高、波束控制灵活等优点,广泛应用于现代无线通信和雷达系统中。为了设计出满足实际应用的天线阵列,需要调整天线阵列中各单元在阵中的位置、馈电幅度及相位。在实际应用中由于天线阵列中移相器和衰减器等器件,使天线阵列各单元的馈电相位及幅度并不是连续变化,而且在实际应用中需要考虑天线阵列中的多个参数目标,这些目标参数间相互联系或彼此冲突,使得传统适应值函数的优化算法进行优化需要花费的时间长且容易陷入早熟现象。
优化算法早熟收敛一方面是由于算法的固有特征造成的,另一方面,适应值函数的指示性,区分性也和算法寻优效率关系密切。对于多目标优化问题来说,合适的适应值函数能够让算法区分局部极值点和全局最优点,同时也能区分主要指标和次要指标。
具体地,在现有技术中,将适应值函数以误差范围为界限分为两段,第一段为在误差范围外fitness=c1*fitness;当在误差范围内时,fitness=c2*fitness;当c2大于c1时,该目标函数的适应值在达到误差范围后的适应值相比于未分段时更大,在总适应值函数中占比更大,可起到加速收敛的作用;当c2小于c1时,该目标函数的适应值在达到误差范围后的适应值相比于未分段时更小,使其他目标参数对应的适应值在总适应值函数中占比更大,不会导致某个优化目标已经满足收敛条件而另外的优化目标还差距很远,这样在解空间中,局部极值区域的深度更浅,有利于种群跳出局部极值点,实现全局收敛。
但由于这样的分段策略,使得适应值函数的分段点不连续,经过仿真验证这样的分段方法虽然可以解决优化算法的早熟现象,但却增加了优化时长。
有鉴于此,在本示例性实施例中,选用新的对适应值函数连续分段的方法,用于解决算法早熟现象的同时减少优化时间。
本示例性实施例示出的一种采用连续分段适应值函数的天线阵列优化方法,采用适应值函数实现天线阵列优化,所述适应值函数为Fitness=∑fitnessi,其中fitness为连续分段适应值函数,包括函数f1(x)和函数f2(x),具体地:
f1(x)=n*x2,f2(x)=a*x+b;
其中,f1(x)的函数取值为[-n,n],f2(x)的函数取值为(-∞,-n]和[n,+∞),且a=2n*u,b=n*x2-2n*u;式中,x表示优化实际值减去目标值的平方根,i表示1/2/3...序号,a、b、n、u均为常数;
f1(x)和f2(x)函数取值的范围取决于阵列天线所需要优化的参数的可接受误差范围。即
在实际应用中,天线需要优化的参数目标往往存在其可接受的误差范围,例如中心频点波束指向精度≤0.02°(要求的波束指向±0.02°);频带内波束指向色散≤0.05°(要求的波束指向±0.05°);频带内波束宽度误差范围为(1~1.05)BW等。
具体地,在本实例性实施例中,在原适应值函数的基础上对适应值函数进行了修改,将适应值函数进行了连续分段的处理,提高了适应值函数对算法的指示性能,能在满足目标要求的情况下加快收敛速度。
更优地,参见图1,图1是本申请一在示例性本实施例示出的所述的方法的流程图,该方法可包括以下步骤:
S1:产生初始种群;
S2:计算初始种群中每个个体的适应度值,初始化最优位置;
S3:判断是否达到终止条件或进化代数达到最大,若是则终止进化,并得到最优个体作为最优解输出;若否则继续步骤S4;
S4:更新粒子位置;
S5:评价粒子,更新最优位置;
S6:对最优个体和最优种群进行交叉变异及选择;
S7:更新进化代数,k=k+1并返回步骤S3;
其中,步骤S2和步骤S5采用所述连续分段适应值函数。
更优地,在本实施例中,步骤S4的更新粒子位置的公式为:
v(k+1)=w*v(k)+c1*rand1*(pbest(k)-chrom(k))
+c2*rand2*(gbest(k)-chrom(k))+c3*rand3*(pbest2(k)-chrom(k))
其中,chrom(k)为第k代种群,pbest(k)为第k代最优个体,gbest(k)为第k代最优种群,c1、c2、c3为常数,rand1、rand2、rand3为随机矩阵,w表示惯性权重,v(k)为第k代粒子速度。
更优地,在本实施例中,所述的阵列天线所需要优化的参数包括中心频点波束指向精度、频带内波束指向色散、频带内波束宽度中的一种或者多种。
基于上述示例性实施例,下述内容为仿真实例,该仿真实力采用传统适应值函数,分段适应值函数和连续分段适应值函数时算法的性能。
整个阵面采用如下布局,1行×16列,共16单元组成,单元间距65mm,给出的单元方向图数据均是在图2所示的坐标系下提取的。
其中,需要满足的条件包括:
1、中心频点波束指向精度≤0.02°(要求的波束指向±0.02°);
2、频带内波束指向色散≤0.05°(要求的波束指向±0.05°);
3、频带内波束宽度误差范围为(1~1.05)BW;
4、每个单元采用6bit非色散移相器(相位步进5.625°)和3bit延时线(1/4λ0、1/2λ0、1λ0)的组合进行相位加权;其中λ0表示中心频点对应的波长。
5、每个单元采用6bit衰减器(衰减步进-0.5dB)进行幅度加权,限定幅度衰减量不大于-10dB。
表1为优化更新的目标要求
本实例性实施例对比的第一适应值函数(即原适应值函数)选用target为需要达到的目标值,actual为当前的实际值。
本实例性实施例对比的第二适应值函数(分段适应值函数)选用Fitness=∑fitnessi,其中fitness的分段策略如图3所示(适应值函数以误差范围为界限分为两段,第一段为在误差范围外fitness=c1*fitness;当在误差范围内时,fitness=c2*fitness)。
而本实例性实施例的第三适应值函数(连续分段适应值函数)选用Fitness=∑fitnessi,其中fitness的分段策略如图4所示;f1(x)选用y1=n*x^2;f2(x)选用y2=a*x+b;为使函数连续,a=2n*u,b=n*x^2-2n*u)。
得到如图5(第一适应值函数随运行次数变化曲线)、图6(分段适应值函数随运行次数变化曲线)和图7(连续分段适应值函数随运行次数变化曲线)的三个示意图。
并且对应于三种适应值函数运行2000次后得到的各频点指标如下表所示:
表2原适应值函数运行2000次后得到的各频点指标
表3分段适应值函数运行2000次后得到的各频点指标
表4连续分段适应值函数运行2000次后得到的各频点指标
综上所述,从适应值函数随运行次数的变化曲线及最终得到的优化结果标可知,使用分段适应值函数后可一定程度的解决该算法发生的早熟现象,使优化目标参数达到预定要求,但由于分段适应值函数分段点处不连续使得算法的收敛速度降低。使用连续分段的适应值函数后使算法的收敛速度相比于原分段函数的收敛速度有明显的提升。
本申请的又一示例性实施例,提供一种采用连续分段适应值函数的天线阵列优化系统,与方法类似部分不进行赘述,所述系统包括适应值函数优化模块,所述适应值函数优化模块采用适应值函数实现天线阵列优化,所述适应值函数为Fitness=∑fitnessi,其中fitness为连续分段适应值函数,包括函数f1(x)和函数f2(x),具体地:
f1(x)=n*x2,f2(x)=a*x+b;
其中,f1(x)的函数取值为[-n,n],f2(x)的函数取值为(-∞,-n]和[n,+∞),且a=2n*u,b=n*x2-2n*u;式中,x表示优化实际值减去目标值的平方根,i表示1/2/3...序号,a、b、n、u均为常数;
f1(x)和f2(x)函数取值的范围取决于阵列天线所需要优化的参数的可接受误差范围。
更优地,在本实施例中,所述的适应值函数优化模块包括:
初始种群产生单元:用于产生初始种群;
初始化最优位置单元:用于计算初始种群中每个个体的适应度值,初始化最优位置;
迭代判断与输出单元:用于判断初始种群或者更新进化代数后的种群是否达到终止条件或进化代数达到最大,若是则终止进化,并得到最优个体作为最优解输出;若否则进入粒子位置更新单元;
粒子位置更新单元:用于更新粒子位置;
最优位置更新单元:用于在更新粒子位置后评价粒子并更新最优位置;
交叉变异及选择单元:用于对更新最优位置后的最优个体和最优种群进行交叉变异及选择;
进化代数更新单元:用于在完成交叉变异及选择后更新进化代数,并返回迭代判断与输出单元;
其中,初始化最优位置单元和最优位置更新单元采用所述连续分段适应值函数。
更优地,在本实施例中,所述粒子位置更新单元的公式为:
v(k+1)=w*v(k)+c1*rand1*(pbest(k)-chrom(k))
+c2*rand2*(gbest(k)-chrom(k))+c3*rand3*(pbest2(k)-chrom(k))
其中,chrom(k)为第k代种群,pbest(k)为第k代最优个体,gbest(k)为第k代最优种群,c1、c2、c3为常数,rand1、rand2、rand3为随机矩阵,w表示惯性权重,v(k)为第k代粒子速度。
更优地,在本实施例中,所述的阵列天线所需要优化的参数包括中心频点波束指向精度、频带内波束指向色散、频带内波束宽度中的一种或者多种。
本申请的又一示例性实施例提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的一种采用连续分段适应值函数的天线阵列优化方法的步骤。
本申请的又一示例性实施例提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的一种采用连续分段适应值函数的天线阵列优化方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得AP执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种采用连续分段适应值函数的天线阵列优化方法,采用适应值函数实现天线阵列优化,其特征在于:所述适应值函数为Fitness=∑fitnessi,其中fitness为连续分段适应值函数,包括函数f1(x)和函数f2(x),具体地:
f1(x)=n*x2,f2(x)=a*x+b;
其中,f1(x)的函数取值为[-n,n],f2(x)的函数取值为(-∞,-n]和[n,+∞),且a=2n*u,b=n*x2-2n*u;式中,x表示优化实际值减去目标值的平方根,i表示1/2/3...序号,a、b、n、u均为常数;
f1(x)和f2(x)函数取值的范围取决于阵列天线所需要优化的参数的可接受误差范围。
2.根据权利要求1所述的一种采用连续分段适应值函数的天线阵列优化方法,其特征在于:所述的方法包括以下步骤:
S1:产生初始种群;
S2:计算初始种群中每个个体的适应度值,初始化最优位置;
S3:判断是否达到终止条件或进化代数达到最大,若是则终止进化,并得到最优个体作为最优解输出;若否则继续步骤S4;
S4:更新粒子位置;
S5:评价粒子,更新最优位置;
S6:对最优个体和最优种群进行交叉变异及选择;
S7:更新进化代数,k=k+1并返回步骤S3;
其中,步骤S2和步骤S5采用所述连续分段适应值函数。
3.根据权利要求2所述的一种采用连续分段适应值函数的天线阵列优化方法,其特征在于:步骤S4的更新粒子位置的公式为:
v(k+1)=w*v(k)+c1*rand1*(pbest(k)-chrom(k))+c2*rand2*(gbest(k)-chrom(k))+c3*rand3*(pbest2(k)-chrom(k))
其中,chrom(k)为第k代种群,pbest(k)为第k代最优个体,gbest(k)为第k代最优种群,c1、c2、c3为常数,rand1、rand2、rand3为随机矩阵,w表示惯性权重,v(k)为第k代粒子速度。
4.根据权利要求1所述的一种采用连续分段适应值函数的天线阵列优化方法,其特征在于:所述的阵列天线所需要优化的参数包括中心频点波束指向精度、频带内波束指向色散、频带内波束宽度中的一种或者多种。
5.一种采用连续分段适应值函数的天线阵列优化系统,包括适应值函数优化模块,所述适应值函数优化模块采用适应值函数实现天线阵列优化,其特征在于:所述适应值函数为Fitness=∑fitnessi,其中fitness为连续分段适应值函数,包括函数f1(x)和函数f2(x),具体地:
f1(x)=n*x2,f2(x)=a*x+b;
其中,f1(x)的函数取值为[-n,n],f2(x)的函数取值为(-∞,-n]和[n,+∞),且a=2n*u,b=n*x2-2n*u;式中,x表示优化实际值减去目标值的平方根,i表示1/2/3...序号,a、b、n、u均为常数;
f1(x)和f2(x)函数取值的范围取决于阵列天线所需要优化的参数的可接受误差范围。
6.根据权利要求5所述的一种采用连续分段适应值函数的天线阵列优化系统,其特征在于:所述的适应值函数优化模块包括:
初始种群产生单元:用于产生初始种群;
初始化最优位置单元:用于计算初始种群中每个个体的适应度值,初始化最优位置;
迭代判断与输出单元:用于判断初始种群或者更新进化代数后的种群是否达到终止条件或进化代数达到最大,若是则终止进化,并得到最优个体作为最优解输出;若否则进入粒子位置更新单元;
粒子位置更新单元:用于更新粒子位置;
最优位置更新单元:用于在更新粒子位置后评价粒子并更新最优位置;
交叉变异及选择单元:用于对更新最优位置后的最优个体和最优种群进行交叉变异及选择;
进化代数更新单元:用于在完成交叉变异及选择后更新进化代数,并返回迭代判断与输出单元;
其中,初始化最优位置单元和最优位置更新单元采用所述连续分段适应值函数。
7.根据权利要求6所述的一种采用连续分段适应值函数的天线阵列优化系统,其特征在于:所述粒子位置更新单元的公式为:
v(k+1)=w*v(k)+c1*rand1*(pbest(k)-chrom(k))+c2*rand2*(gbest(k)-chrom(k))+c3*rand3*(pbest2(k)-chrom(k))
其中,chrom(k)为第k代种群,pbest(k)为第k代最优个体,gbest(k)为第k代最优种群,c1、c2、c3为常数,rand1、rand2、rand3为随机矩阵,w表示惯性权重,v(k)为第k代粒子速度。
8.根据权利要求5所述的一种采用连续分段适应值函数的天线阵列优化系统,其特征在于:所述的阵列天线所需要优化的参数包括中心频点波束指向精度、频带内波束指向色散、频带内波束宽度中的一种或者多种。
9.一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时执行权利要求1-4中任一项所述的一种采用连续分段适应值函数的天线阵列优化方法的步骤。
10.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1-4中任一项所述的一种采用连续分段适应值函数的天线阵列优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311576.2A CN110059406A (zh) | 2019-04-18 | 2019-04-18 | 采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311576.2A CN110059406A (zh) | 2019-04-18 | 2019-04-18 | 采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059406A true CN110059406A (zh) | 2019-07-26 |
Family
ID=67319320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910311576.2A Pending CN110059406A (zh) | 2019-04-18 | 2019-04-18 | 采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059406A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701117A (zh) * | 2013-12-19 | 2014-04-02 | 浙江大学 | 基于混合人工智能的主动配电网动态拓扑重构方法 |
CN105224743A (zh) * | 2015-09-29 | 2016-01-06 | 北京航空航天大学 | 一种基于粒子群算法的全频段上的天线布局优化 |
CN105740977A (zh) * | 2016-01-28 | 2016-07-06 | 福州大学 | 一种基于多目标粒子群的停电管理优化方法 |
CN106021859A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 改进遗传算法的可控源音频大地电磁法一维反演方法 |
CN106357316A (zh) * | 2016-10-28 | 2017-01-25 | 广州杰赛科技股份有限公司 | 阵列天线的波束赋形方法和装置 |
-
2019
- 2019-04-18 CN CN201910311576.2A patent/CN110059406A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701117A (zh) * | 2013-12-19 | 2014-04-02 | 浙江大学 | 基于混合人工智能的主动配电网动态拓扑重构方法 |
CN105224743A (zh) * | 2015-09-29 | 2016-01-06 | 北京航空航天大学 | 一种基于粒子群算法的全频段上的天线布局优化 |
CN105740977A (zh) * | 2016-01-28 | 2016-07-06 | 福州大学 | 一种基于多目标粒子群的停电管理优化方法 |
CN106021859A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 改进遗传算法的可控源音频大地电磁法一维反演方法 |
CN106357316A (zh) * | 2016-10-28 | 2017-01-25 | 广州杰赛科技股份有限公司 | 阵列天线的波束赋形方法和装置 |
Non-Patent Citations (2)
Title |
---|
刘东 等: "粒子群阵列天线方向图适应值函数研究", 《电波科学学报》 * |
马超 等: "一种基于混合遗传和粒子群的智能优化算法", 《计算机研究与发展》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045562B (zh) | 一种毫米波阵列天线设计方法及阵列天线装置 | |
KR100229094B1 (ko) | 수신신호에 대한 자기상관행렬의 최대고유치에 대응하는 고유벡터를 이용한 배열 안테나의 신호 처리 방법 | |
CN111695233B (zh) | 一种基于改进鲸鱼优化算法的阵元失效校正方法 | |
LU500797A1 (en) | Ranging positioning method suitable for sparse anchor node wsn | |
CN109992845B (zh) | 一种基于matlab和hfss的波束控制和阵列方向图优化方法 | |
EP2713539B1 (en) | Method and device for virtual multi-input multi-output commnunication | |
CN104992000A (zh) | 一种基于l型阵列天线的波束形成及波束图优化方法 | |
CN107896129B (zh) | 一种稀布同心圆环阵的降维优化算法 | |
CN104900988A (zh) | 一种改变辅助栅格圆半径来设计稀布圆形天线阵列的方法 | |
CN108508424A (zh) | 一种基于天线阵列误差的低副瓣复权向量优化方法 | |
CN111651936A (zh) | 一种基于foa-grnn的双陷波特性超宽带天线建模设计方法 | |
CN105974416B (zh) | 积累互相关包络对齐的8核dsp片上并行实现方法 | |
CN110059406A (zh) | 采用连续分段适应值函数的天线阵列优化方法、系统、存储介质和终端 | |
He et al. | Optimal MIMO sparse array design based on simulated annealing particle swarm optimization | |
CN112615158B (zh) | 超宽带扫描稀疏阵列天线的综合方法及装置 | |
CN112149360A (zh) | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 | |
CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
CN116882149A (zh) | 一种基于混合差分果蝇优化算法的天线阵列综合方法 | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
Kutty et al. | An improved numerical optimization method for efficient beam search in 60 GHz indoor millimeter wave wireless networks | |
CN106980733A (zh) | 一种改进的四维稀布阵旁瓣抑制方法 | |
CN109933895A (zh) | 基于动态网格多目标粒子群优化法的阵列方向图综合方法 | |
Zhang et al. | K-means-based multigroup differential evolution optimization framework for design of MIMO antenna with decoupling elements | |
CN115133969A (zh) | 毫米波大规模mimo-noma系统的性能提高方法 | |
CN108254715A (zh) | 一种波达方向估计方法、设备及计算机存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |