CN110212954B - 适用于车联网的阵列天线波束成形方向图优化方法及系统 - Google Patents

Abstract

本发明公开一种适用于车联网的阵列天线波束成形方向图优化方法及系统。初始化阵元的激励电流值，将阵元的激励电流值作为种子；将种子散布在解的空间中长成杂草；对各杂草个体进行变异操作；计算变异后的杂草个体的适应度值并按照升序排列；根据变异后的杂草个体，得到新的种子；将新的种子扩散到空间中，产生新的杂草个体；计算其适应度值；将所有杂草个体的适应度值按照升序进行排列；根据升序排序结果淘汰掉适应度值高的杂草个体，并保持个体数量的最大值；判断是否达到最大迭代次数；若是，输出当前的最小适应度值所对应的杂草个体；若否，继续进行变异操作。本发明能够有效地降低波束成形中的最大旁瓣电平，达到基站对车辆快速跟踪的目的。

Description

适用于车联网的阵列天线波束成形方向图优化方法及系统

技术领域

本发明涉及天线波束方向图合成领域，特别是涉及一种适用于车联网的阵列天线波束成形方向图优化方法及系统。

背景技术

“车联网”是由一组带有中短距离无线收发装置的车辆组成的一类特殊移动自组网，通过借助新一代信息和通信，实现车内、车与车、车与路、车与人、车与服务平台的V2X(Vehicle to Everything)全方位网络连接，通信容量大和传输及时性是车联网可靠通信的重要特性，5G网络作为第五代移动通信网络以其高可靠和低时延的特性可成为车联网的基础网络。自动驾驶是基于5G技术车联网的应用之一，行驶的车辆可以与路边的基站通信来获取路况信息，选择最可靠的路段进行行驶，从而促使车辆及时做出合理、迅速的行为，但车道的不断变更、速度的连续更新、方向的持续变化等都导致车联网的拓扑十分不稳定，这将影响消息的稳定传输，以多输入多输出(MIMO)技术为基础的大规模阵列天线可为5G车联网通信的速率和容量提供保障。波束成形是阵列天线的重要特性之一，由发射端对多天线阵列对所需传输的信号进行整合，利用电磁波的叠加原理，形成定向波束来传输信号，基站通过对移动车辆进行波束跟踪来发送信号，基站向车发送的信号通过波束成形技术使得波束方向随着车辆的移动而变化，如图4和5，从天线方向图视角来看，这样做相当于形成了规定指向上的波束，如图3，在各个方向上存在基站发送的信号，将信号向车发送的方向定义为主瓣方向，其他方向定义为旁瓣方向，当发射信号的能量集中在主瓣方向上越多，发射信号的强度越大，根据能量守恒原理，在主瓣宽度不变的情况下，通过降低旁瓣电平来提高主瓣方向的能量，从而形成主瓣方向上信号最强的阵列天线方向图，提高了信号强度，保证了车联网通信过程的可靠性和及时性。因此如何有效地降低波束成形中的旁瓣电平是亟需解决的技术问题。

发明内容

本发明的目的是提供一种适用于车联网的阵列天线波束成形方向图优化方法及系统，能够有效地降低波束成形中的最大旁瓣电平，提高波束成形的速度，提高传输信号的强度，增加传输信号的稳定性和及时性，从而达到基站对车辆快速跟踪的目的。

为实现上述目的，本发明提供了如下方案：

一种适用于车联网的阵列天线波束成形方向图优化方法，包括：

初始化阵元的激励电流值，将所述阵元的激励电流值作为种子；

将所述种子散布在解的空间中长成杂草个体；

采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体；

计算所述变异后的杂草个体的适应度值；

将所述适应度值按照升序排列；

根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定；

采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体；

计算所述新的杂草个体的适应度值；

将所述变异后杂草个体和所述新的杂草个体的适应度值按照升序进行排列；

根据所述升序排序结果淘汰掉适应度值高的杂草个体，并保持个体数量的最大值；

判断是否达到最大迭代次数；

若是，则输出当前的最小适应度值所对应的杂草个体，即最终的阵元的激励电流值；

若否，则返回步骤“采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体”。

可选的，所述初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，具体包括：

初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，通过公式：

初始化产生n个种子作为阵元的激励电流的初始值；

其中，pop为种群矩阵，n为种群规模，即种群所包含的个体数量的最大值，x为种群中的个体，x_n为第n个个体，I为激励电流，N为阵元的数量，I_N ⁿ为第n个个体的第N个阵元的激励电流值。

可选的，所述采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体，具体包括：

采用随机变异算子根据公式：

P^iter＝P^iter+R×K

对各所述杂草个体进行变异操作，得到变异后的杂草个体；

其中，P_m ^iter和P_n ^iter分别为种群中随机选中的不同个体，iter为当前的迭代次数，R为变异因子，rand为0到1之间的随机数字，pa为阈值且初始化为0.25，pop为杂草种群矩阵，K为逻辑判断因子且其值取决于pa的值，当产生的随机数大于pa时，K取值为1，当产生的随机数小于或等于pa时，K取值为0。

可选的，所述计算所述变异后的杂草个体的适应度值，具体包括：

通过公式：

和

计算所述变异后的杂草个体的适应度值；

其中AF为阵因子，u＝sinθcosφ，v＝sinθsinφ，θ和φ分别为基站相对于接收端的仰角和方位角，I_n为第n个阵元的激励电流，I_n的限制条件为0≤I_n≤1，限制条件定义了每个阵元的标准激励电流的取值范围，N为阵元的数量，λ为波长，k＝2π/λ为波数，x_n和y_n分别为第n个阵元的坐标；在优化过程中，θ_MSL为最大旁瓣电平对应的角度，θ_ML为主瓣对应的角度。

可选的，所述根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定，具体包括：

根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定；

其中，S_min和S_max分别为预先规定的种子的最小数量和最大数量，f为杂草个体的适应度值，f_worst和f_best分别为当前代中最大和最小的适应度值，floor为向负无穷方向取整操作。

可选的，所述采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体，具体包括：

采用莱维飞行算子采用下列公式：

Le′vy(β)＝L_stepsize×N_randn

将所述新的种子扩散到空间中，产生新的杂草个体；

其中，iter为当前迭代次数，iter_max为最大迭代次数，σ_iter为当前迭代步骤中的标准差，W_new ^iter+1为第(iter+1)代中产生的新杂草个体，N(0,σ_iter ²)为种子以均值为0且变化的标准差σ_iter的正态分布随机地散布在空间中，σ_initial和σ_final分别为预先定义的初始和最终标准差，m为非线性调制指数，L_stepsize为莱维飞行机制的步长，α为权重因子，N_randn为随机数，β为莱维分布的概率密度函数的参数，P^iter为当前迭代步骤中的杂草个体。

一种适用于车联网的阵列天线波束成形方向图优化系统，包括：

初始化模块，用于初始化阵元的激励电流值，将所述阵元的激励电流值作为种子；

种子散布模块，用于将所述种子散布在解的空间中长成杂草个体；

变异操作模块，用于采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体；

适应度值第一计算模块，用于计算所述变异后的杂草个体的适应度值；

第一升序排列模块，用于将所述适应度值按照升序排列；

新的种子确定模块，用于根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定；

扩散模块，用于采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体；

适应度值第二计算模块，用于计算所述新的杂草个体的适应度值；

第二升序排列模块，用于将所述变异后杂草个体和所述新的杂草个体的适应度值按照升序进行排列；

淘汰模块，用于根据所述升序排序结果淘汰掉适应度值高的杂草个体，并保持个体数量的最大值；

判断模块，用于判断是否达到最大迭代次数；

最终的阵元的激励电流值确定模块，用于若达到最大迭代次数，则输出当前的最小适应度值所对应的杂草个体，即最终的阵元的激励电流值；

返回模块，用于若没有达到最大迭代次数，则返回步骤“采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体”。

可选的，所述初始化模块，具体包括：

初始化单元，用于初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，通过公式：

初始化产生n个种子作为阵元的激励电流的初始值；

其中，pop为种群矩阵，n为种群规模，即种群所包含的个体数量的最大值，x为种群中的个体，x_n为第n个个体，I为激励电流，N为阵元的数量，I_N ⁿ为第n个个体的第N个阵元的激励电流值。

可选的，所述变异操作模块具体包括：

变异单元，用于采用随机变异算子根据公式：

P^iter＝P^iter+R×K

对各所述杂草个体进行变异操作，得到变异后的杂草个体；

其中，P_m ^iter和P_n ^iter分别为种群中随机选中的不同个体，iter为当前的迭代次数，R为变异因子，rand为0到1之间的随机数字，pa为阈值且初始化为0.25，pop为杂草种群矩阵，K为逻辑判断因子且其值取决于pa的值，当产生的随机数大于pa时，K取值为1，当产生的随机数小于或等于pa时，K取值为0。

可选的，所述适应度值第一计算模块具体包括：

适应度值计算单元，用于通过公式：

和

计算所述变异后的杂草个体的适应度值；

其中AF为阵因子，u＝sinθcosφ，v＝sinθsinφ，θ和φ分别为基站相对于接收端的仰角和方位角，I_n为第n个阵元的激励电流，I_n的限制条件为0≤I_n≤1，限制条件定义了每个阵元的标准激励电流的取值范围，N为阵元的数量，λ为波长，k＝2π/λ为波数，x_n和y_n分别为第n个阵元的坐标；在优化过程中，θ_MSL为最大旁瓣电平对应的角度，θ_ML为主瓣对应的角度。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种适用于车联网的阵列天线波束成形方向图优化方法，通过使用基于随机变异和莱维飞行的杂草入侵算法设计阵列天线的激励电流来形成定向波束，两个算子提高了波束成形的速度，提高了传输信号的强度，增加了传输信号的稳定性和及时性，从而达到基站对车辆快速跟踪的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明适用于车联网的阵列天线波束成形方向图优化方法流程图；

图2为本发明适用于车联网的阵列天线波束成形方向图优化系统结构图；

图3为平面型阵列天线的几何构型；

图4为车联网通信中基站与车通信示意图；

图5为车联网通信中波束跟踪示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

本发明的目的是提供一种适用于车联网的阵列天线波束成形方向图优化方法及系统，能够有效地降低波束成形中的最大旁瓣电平，提高波束成形的速度，提高传输信号的强度，增加传输信号的稳定性和及时性，从而达到基站对车辆快速跟踪的目的。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图3为平面型阵列天线的几何构型；图4为车联网通信中基站与车通信示意图；图5为车联网通信中波束跟踪示意图。

图1为本发明适用于车联网的阵列天线波束成形方向图优化方法流程图。如图1所示，一种适用于车联网的阵列天线波束成形方向图优化方法，包括：

步骤101：初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，具体包括：

初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，通过公式：

初始化产生n个种子作为阵元的激励电流的初始值；

其中，pop为种群矩阵，n为种群规模，即种群所包含的个体数量的最大值，x为种群中的个体，x_n为第n个个体，I为激励电流，N为阵元的数量，I_N ⁿ为第n个个体的第N个阵元的激励电流值。

步骤102：将所述种子散布在解的空间中长成杂草个体。

步骤103：采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体，具体包括：

采用随机变异算子根据公式：

P^iter＝P^iter+R×K

对各所述杂草个体进行变异操作，得到变异后的杂草个体；

其中，P_m ^iter和P_n ^iter分别为种群中随机选中的不同个体，iter为当前的迭代次数，R为变异因子，rand为0到1之间的随机数字，pa为阈值且初始化为0.25，pop为杂草种群矩阵，K为逻辑判断因子且其值取决于pa的值，当产生的随机数大于pa时，K取值为1，当产生的随机数小于或等于pa时，K取值为0。

本步骤的作用在于通过使个体变异来提高种群的多样性，提高了解的收敛速度和准确性。

步骤104：计算所述变异后的杂草个体的适应度值，具体包括：

通过公式：

和

计算所述变异后的杂草个体的适应度值；

其中AF为阵因子，u＝sinθcosφ，v＝sinθsinφ，θ和φ分别为基站相对于接收端的仰角和方位角，I_n为第n个阵元的激励电流，I_n的限制条件为0≤I_n≤1，限制条件定义了每个阵元的标准激励电流的取值范围，N为阵元的数量，λ为波长，k＝2π/λ为波数，x_n和y_n分别为第n个阵元的坐标；在优化过程中，θ_MSL为最大旁瓣电平对应的角度，θ_ML为主瓣对应的角度。

步骤105：将所述适应度值按照升序排列；

步骤106：根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定，具体包括：

根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定；

其中，S_min和S_max分别为预先规定的种子的最小数量和最大数量，f为杂草个体的适应度值，f_worst和f_best分别为当前代中最大和最小的适应度值，floor为向负无穷方向取整操作。

步骤107：采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体，具体包括：

采用莱维飞行算子采用下列公式：

Le′vy(β)＝L_stepsize×N_randn

将所述新的种子扩散到空间中，产生新的杂草个体；

其中，iter为当前迭代次数，iter_max为最大迭代次数，σ_iter为当前迭代步骤中的标准差，W_new ^iter+1为第(iter+1)代中产生的新杂草个体，N(0,σ_iter ²)为种子以均值为0且变化的标准差σ_iter的正态分布随机地散布在空间中，σ_initial和σ_final分别为预先定义的初始和最终标准差，m为非线性调制指数，L_stepsize为莱维飞行机制的步长，α为权重因子，N_randn为随机数，β为莱维分布的概率密度函数的参数，P^iter为当前迭代步骤中的杂草个体。

本步骤的作用在于避免了候选解陷入局部最优，提高了算法的搜索效率和稳定性。

步骤108：计算所述新的杂草个体的适应度值。

步骤109：将所述变异后杂草个体和所述新的杂草个体的适应度值按照升序进行排列。

步骤110：根据所述升序排序结果淘汰掉适应度值高的杂草个体，并保持个体数量的最大值。

步骤111：判断是否达到最大迭代次数。

步骤112：若达到最大迭代次数，则输出当前的最小适应度值所对应的杂草个体，即最终的阵元的激励电流值。

步骤113：若未达到最大迭代次数，则返回步骤103。

在车联网通信过程中，基站通过对车辆的跟踪来传输信号，因此，基站与车辆之间需要进行海量、实时的数据交互，第五代(5G)通信以其高带宽、低时延、高可靠性、大容量等优点作为车联网的基础网络，以多输入多输出(MIMO)技术为基础的大规模天线阵列对5G车联网的速率和容量提供了支撑，波束成形是阵列天线的特性之一，通过发射端对多天线阵列进行波束赋形从而形成指定方向上的波束用于传输信号，通过使用基于随机变异和莱维飞行的杂草入侵算法设计阵列天线的激励电流来形成定向波束，两个算子提高了波束成形的速度，提高了传输信号的强度，增加了传输信号的稳定性和及时性，从而达到基站对车辆快速跟踪的目的。

图2为本发明适用于车联网的阵列天线波束成形方向图优化系统结构图。如图2所示，一种适用于车联网的阵列天线波束成形方向图优化系统，包括：

初始化模块201，用于初始化阵元的激励电流值，将所述阵元的激励电流值作为种子。

种子散布模块202，用于将所述种子散布在解的空间中长成杂草个体。

变异操作模块203，用于采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体。

适应度值第一计算模块204，用于计算所述变异后的杂草个体的适应度值。

第一升序排列模块205，用于将所述适应度值按照升序排列。

新的种子确定模块206，用于根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定。

扩散模块207，用于采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体。

适应度值第二计算模块208，用于计算所述新的杂草个体的适应度值。

第二升序排列模块209，用于将所述变异后杂草个体和所述新的杂草个体的适应度值按照升序进行排列。

淘汰模块210，用于根据所述升序排序结果淘汰掉适应度值高的杂草个体，并保持个体数量的最大值。

判断模块211，用于判断是否达到最大迭代次数。

最终的阵元的激励电流值确定模块212，用于若达到最大迭代次数，则输出当前的最小适应度值所对应的杂草个体，即最终的阵元的激励电流值。

返回模块213，用于若没有达到最大迭代次数，则返回步骤“采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体”。

所述初始化模块201，具体包括：

初始化单元，用于初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，通过公式：

初始化产生n个种子作为阵元的激励电流的初始值；

其中，pop为种群矩阵，n为种群规模，即种群所包含的个体数量的最大值，x为种群中的个体，x_n为第n个个体，I为激励电流，N为阵元的数量，I_N ⁿ为第n个个体的第N个阵元的激励电流值。

所述变异操作模块203具体包括：

变异单元，用于采用随机变异算子根据公式：

P^iter＝P^iter+R×K

对各所述杂草个体进行变异操作，得到变异后的杂草个体；

其中，P_m ^iter和P_n ^iter分别为种群中随机选中的不同个体，iter为当前的迭代次数，R为变异因子，rand为0到1之间的随机数字，pa为阈值且初始化为0.25，pop为杂草种群矩阵，K为逻辑判断因子且其值取决于pa的值，当产生的随机数大于pa时，K取值为1，当产生的随机数小于或等于pa时，K取值为0。

所述适应度值第一计算模块204具体包括：

适应度值计算单元，用于通过公式：

和

计算所述变异后的杂草个体的适应度值；

其中AF为阵因子，u＝sinθcosφ，v＝sinθsinφ，θ和φ分别为基站相对于接收端的仰角和方位角，I_n为第n个阵元的激励电流，I_n的限制条件为0≤I_n≤1，限制条件定义了每个阵元的标准激励电流的取值范围，N为阵元的数量，λ为波长，k＝2π/λ为波数，x_n和y_n分别为第n个阵元的坐标；在优化过程中，θ_MSL为最大旁瓣电平对应的角度，θ_ML为主瓣对应的角度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种适用于车联网的阵列天线波束成形方向图优化方法，其特征在于，包括：

初始化阵元的激励电流值，将所述阵元的激励电流值作为种子；

将所述种子散布在解的空间中长成杂草个体；

采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体；

计算所述变异后的杂草个体的适应度值；

将所述适应度值按照升序排列；

根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定；

采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体；

计算所述新的杂草个体的适应度值；

将所述变异后杂草个体和所述新的杂草个体的适应度值按照升序进行排列，得到升序排列结果；

根据所述升序排列结果淘汰掉适应度值高的杂草个体，并保持个体数量的最大值；

判断是否达到最大迭代次数；

若是，则输出当前的最小适应度值所对应的杂草个体，即最终的阵元的激励电流值；

若否，则返回步骤“采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体”；

所述采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体，具体包括：

采用随机变异算子根据公式：

P^iter＝P^iter+R×K

对各所述杂草个体进行变异操作，得到变异后的杂草个体；

其中，P_m ^iter和P_n ^iter分别为种群中随机选中的不同个体，iter为当前的迭代次数，R为变异因子，rand为0到1之间的随机数字，pa为阈值且初始化为0.25，pop为杂草种群矩阵，K为逻辑判断因子且其值取决于pa的值，当产生的随机数大于pa时，K取值为1，当产生的随机数小于或等于pa时，K取值为0；

所述采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体，具体包括：

采用莱维飞行算子采用下列公式：

Le′vy(β)＝L_stepsize×N_randn

将所述新的种子扩散到空间中，产生新的杂草个体；

其中，iter为当前迭代次数，iter_max为最大迭代次数，σ_iter为当前迭代步骤中的标准差，W_new ^iter+1为第(iter+1)代中产生的新杂草个体，N(0,σ_iter ²)为种子以均值为0且变化的标准差σ_iter的正态分布随机地散布在空间中，σ_initial和σ_final分别为预先定义的初始和最终标准差，m为非线性调制指数，L_stepsize为莱维飞行机制的步长，α为权重因子，N_randn为随机数，β为莱维分布的概率密度函数的参数，P^iter为当前迭代步骤中的杂草个体。

2.根据权利要求1所述的适用于车联网的阵列天线波束成形方向图优化方法，其特征在于，所述初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，具体包括：

初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，通过公式：

初始化产生n个种子作为阵元的激励电流的初始值；

其中，pop为种群矩阵，n为种群规模，即种群所包含的个体数量的最大值，x为种群中的个体，x_n为第n个个体，I为激励电流，N为阵元的数量，I_N ⁿ为第n个个体的第N个阵元的激励电流值。

3.根据权利要求1所述的适用于车联网的阵列天线波束成形方向图优化方法，其特征在于，所述计算所述变异后的杂草个体的适应度值，具体包括：

通过公式：

和

计算所述变异后的杂草个体的适应度值；

其中AF为阵因子，u＝sinθcosφ，v＝sinθsinφ，θ和φ分别为基站相对于接收端的仰角和方位角，I_n为第n个阵元的激励电流，I_n的限制条件为0≤I_n≤1，限制条件定义了每个阵元的标准激励电流的取值范围，N为阵元的数量，λ为波长，k＝2π/λ为波数，x_n和y_n分别为第n个阵元的坐标；在优化过程中，θ_MSL为最大旁瓣电平对应的角度，θ_ML为主瓣对应的角度。

4.根据权利要求1所述的适用于车联网的阵列天线波束成形方向图优化方法，其特征在于，所述根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定，具体包括：

根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定；

其中，S_min和S_max分别为预先规定的种子的最小数量和最大数量，f为杂草个体的适应度值，f_worst和f_best分别为当前代中最大和最小的适应度值，floor为向负无穷方向取整操作。

5.一种适用于车联网的阵列天线波束成形方向图优化系统，其特征在于，包括：

初始化模块，用于初始化阵元的激励电流值，将所述阵元的激励电流值作为种子；

种子散布模块，用于将所述种子散布在解的空间中长成杂草个体；

变异操作模块，用于采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体；

适应度值第一计算模块，用于计算所述变异后的杂草个体的适应度值；

第一升序排列模块，用于将所述适应度值按照升序排列；

新的种子确定模块，用于根据所述变异后的杂草个体，得到新的种子，所述新的种子数量根据升序排列后的最小适应度值和最大适应度值决定；

扩散模块，用于采用莱维飞行算子将所述新的种子扩散到空间中，产生新的杂草个体；

适应度值第二计算模块，用于计算所述新的杂草个体的适应度值；

第二升序排列模块，用于将所述变异后杂草个体和所述新的杂草个体的适应度值按照升序进行排列，得到升序排列结果；

淘汰模块，用于根据所述升序排列结果淘汰掉适应度值高的杂草个体，并保持个体数量的最大值；

判断模块，用于判断是否达到最大迭代次数；

最终的阵元的激励电流值确定模块，用于若达到最大迭代次数，则输出当前的最小适应度值所对应的杂草个体，即最终的阵元的激励电流值；

返回模块，用于若没有达到最大迭代次数，则返回步骤“采用随机变异算子对各所述杂草个体进行变异操作，得到变异后的杂草个体”；

所述变异操作模块具体包括：

变异单元，用于采用随机变异算子根据公式：

P^iter＝P^iter+R×K

对各所述杂草个体进行变异操作，得到变异后的杂草个体；

其中，P_m ^iter和P_n ^iter分别为种群中随机选中的不同个体，iter为当前的迭代次数，R为变异因子，rand为0到1之间的随机数字，pa为阈值且初始化为0.25，pop为杂草种群矩阵，K为逻辑判断因子且其值取决于pa的值，当产生的随机数大于pa时，K取值为1，当产生的随机数小于或等于pa时，K取值为0；

所述扩散模块具体包括：

扩散单元，用于采用莱维飞行算子采用下列公式：

Le′vy(β)＝L_stepsize×N_randn

将所述新的种子扩散到空间中，产生新的杂草个体；

其中，iter为当前迭代次数，iter_max为最大迭代次数，σ_iter为当前迭代步骤中的标准差，W_new ^iter+1为第(iter+1)代中产生的新杂草个体，N(0,σ_iter ²)为种子以均值为0且变化的标准差σ_iter的正态分布随机地散布在空间中，σ_initial和σ_final分别为预先定义的初始和最终标准差，m为非线性调制指数，L_stepsize为莱维飞行机制的步长，α为权重因子，N_randn为随机数，β为莱维分布的概率密度函数的参数，P^iter为当前迭代步骤中的杂草个体。

6.根据权利要求5所述的适用于车联网的阵列天线波束成形方向图优化系统，其特征在于，所述初始化模块，具体包括：

初始化单元，用于初始化阵元的激励电流值，将所述阵元的激励电流值作为种子，通过公式：

初始化产生n个种子作为阵元的激励电流的初始值；

其中，pop为种群矩阵，n为种群规模，即种群所包含的个体数量的最大值，x为种群中的个体，x_n为第n个个体，I为激励电流，N为阵元的数量，I_N ⁿ为第n个个体的第N个阵元的激励电流值。

7.根据权利要求5所述的适用于车联网的阵列天线波束成形方向图优化系统，其特征在于，所述适应度值第一计算模块具体包括：

适应度值计算单元，用于通过公式：

和

计算所述变异后的杂草个体的适应度值；

其中AF为阵因子，u＝sinθcosφ，v＝sinθsinφ，θ和φ分别为基站相对于接收端的仰角和方位角，I_n为第n个阵元的激励电流，I_n的限制条件为0≤I_n≤1，限制条件定义了每个阵元的标准激励电流的取值范围，N为阵元的数量，λ为波长，k＝2π/λ为波数，x_n和y_n分别为第n个阵元的坐标；在优化过程中，θ_MSL为最大旁瓣电平对应的角度，θ_ML为主瓣对应的角度。

Images