CN111914427B - 一种基于面积归一化策略的多约束矩形阵列稀布优化方法 - Google Patents
一种基于面积归一化策略的多约束矩形阵列稀布优化方法 Download PDFInfo
- Publication number
- CN111914427B CN111914427B CN202010797171.7A CN202010797171A CN111914427B CN 111914427 B CN111914427 B CN 111914427B CN 202010797171 A CN202010797171 A CN 202010797171A CN 111914427 B CN111914427 B CN 111914427B
- Authority
- CN
- China
- Prior art keywords
- array
- area normalization
- rectangular
- strategy
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000010606 normalization Methods 0.000 title claims abstract description 43
- 241000282461 Canis lupus Species 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 239000004744 fabric Substances 0.000 claims abstract description 9
- 230000001629 suppression Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 10
- 241000282421 Canidae Species 0.000 claims description 6
- 238000011160 research Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种基于面积归一化策略的多约束矩形阵列稀布优化方法。主要研究了多约束条件下的矩形平面阵列旁瓣电平抑制问题,所述方法包括:采用佳点集方法对参数进行初始化;通过计算归一化面积系数来优化阵列结构;利用动态加权策略对灰狼位置进行更新,采用灰狼优化算法完成稀布矩形平面阵列优化。本发明的方法可以简化矩形阵列结构,降低运算复杂度,提高算法寻优能力,降低峰值旁瓣电平。
Description
技术领域
本发明涉及一种基于面积归一化策略的多约束矩形阵列稀布优化方法,是一种具有阵列孔径、最小阵元间距和环上阵元数目约束的矩形稀布阵列旁瓣电平抑制问题,属于阵列综合领域。
背景技术
阵列天线因其能够容易获得高增益、低副瓣、窄波束的方向图而被广泛应用于雷达、广播、导航等民用和军事领域。在阵列天线的研究初期,均匀阵列数学处理简单,易于设计和实现而得到了广泛的研究和应用。相对于均匀阵列,稀布阵列具有更高的设计自由度,且可用较少的阵元达到同样的效果,从而可有效降低整个天线系统的成本、功耗、重量等。
近年来,稀布阵列优化已被广泛应用于直线阵和平面阵中。在实际工程应用中,平面阵列有更多的参数可以进行稀布优化。因此,多约束条件下的以抑制峰值旁瓣电平为目的的平面阵列天线稀布优化问题成为研究重点。将基于染色体复位的改进遗传算法(Modified Genetic Algorithm,MGA)应用到矩形阵列稀布优化中,但该算法运算量大,且复杂度较高。为了简化上述算法,利用差分进化矩阵映射算法(Matrix Mapping Method,MMM)对矩形平面阵同行和同列的阵元间距进行优化,但不能保证不同行不同列的最小阵元间距。非对称映射方法(Asymmetric Mapping Method,AMM)在差分进化矩阵映射算法(MMM)的基础上,重新定义阵元位置矩阵的维数,通过随机产生权值矩阵对阵元在可分配空间进行坐标映射。此种算法虽可趋于全局最优解,但寻优过程中仍存在很强的随机性。
发明内容
本申请发明针对多约束条件下的矩形平面阵列旁瓣电平抑制问题,提出基于面积归一化策略的多约束矩形阵列稀布优化方法。本发明首先建立矩形平面阵列模型,根据面积归一化策略对简化阵列结构,再利用基于动态加权的灰狼优化算法矩形平面阵列进行稀布优化。
本发明的目的是这样实现的:步骤如下:
步骤一:采用佳点集对阵列参数初始化,建立稀布矩形平面阵列模型;
步骤二:计算阵元面积归一化系数μi,j;
步骤三:利用动态加权策略对灰狼位置进行更新,采用灰狼优化算法对矩形平面阵列进行优化;
步骤四:计算适应度函数;
步骤五:判断是否满足运算结束条件或者达到最大循环次数,若是,算法结束;否则,重复步骤二至步骤四。
本发明还包括这样一些结构特征:
1.步骤一中的稀布矩形平面阵列模型中的阵因子为:
2.步骤二具体为:
用P行Q列的矩阵X和Y表示阵元位置坐标为:
式中,P≤L/d,Q≤H/d,且P,Q∈Z+;当P×Q=N时,矩阵X和Y为满阵;当P×Q>N时,令μ为面积归一化系数矩阵,μi,j为每个阵元位置的面积归一化系数,其表达式为
将各个阵元的面积归一化系数按降序排列,取前N个较大的面积归一化系数;最小阵元间隔d满足:
将各个阵元的面积归一化系数按降序排列,取前N个较大的面积归一化系数,简化矩形平面阵列;将每个阵元位置拆分为固定部分和浮动部分,只对x方向的浮动区间[0,Fx]和y方向的浮动区间[0,Fy]进行优化,且
Fx=L-(P-1)d-0.5d=L-(P-0.5d)
Fy=H-(Q-1)d-0.5d=H-(Q-0.5d)
其中,第N个阵元的位置为(L,H);P≤L/d,Q≤H/d,且P,Q∈Z+。
在[0,Fx]区间产生P行Q列的随机数矩阵并将矩阵中的每行元素按从小到大的顺序排列得到矩阵G;在[0,Fy]区间产生P行Q列的随机数并将矩阵中的每列元素按从大到小的顺序排列得到矩阵E。
3.步骤三具体为:假设在搜索空间随机生成N个灰狼,搜索空间维数为D维,将矩阵G中第i,j只灰狼在D维空间的位置表示为gi,j=[gij,1,gij,2,…,gij,D];在[0,1]之间随机生成N个随机数[r1,r2,...,rN],令佳点集中的佳点将佳点集映射到所求优化问题的可行域中,G中第i,j个灰狼的第k维可表示为:
其中,uk,lk分别为第k维和第l维的上限和下限;为加快算法收敛速度,在更新灰狼位置的过程中提出一种动态权值的策略,更新后灰狼位置可表示为:
与现有技术相比,本发明的有益效果是:本发明的核心技术内容在于:根据矩形平面阵列结构特性,发明一种基于面积归一化策略,简化矩形阵列结构,降低运算复杂度;再利用基于动态加权策略的灰狼优化算法,提高算法寻优能力,减少算法的计算量;进而实现多约束条件下矩形平面阵列进行稀布优化。
本发明申请的一种基于面积归一化策略的多约束矩形阵列稀布优化方法能够有效提高算法寻优能力,减少算法的计算量,获得最优降低峰值旁瓣电平。本发明适用于矩形平面阵列旁瓣电平抑制场景。
本发明主要研究了多约束条件下的矩形平面阵列旁瓣电平抑制问题,所述方法包括:为提升种群多样性,将佳点集理论引入种群进行初始化,建立矩形平面阵列优化模型;利用面积归一化策略,简化矩形阵列结构,降低运算复杂度;为加快算法收敛速度,在更新灰狼位置的过程中提出一种动态权值的策略;用改进的灰狼算法实现稀布矩形平面阵列优化。本申请方法能够降低运算复杂度,简化矩形阵列结构,有效降低矩形平面阵列峰值旁瓣电平。
附图说明
图1是基于面积归一化策略的多约束矩形阵列稀布优化方法原理框图;
图2是矩形平面阵列模型图;
图4是4N=108的阵元位置分布图;
图5是4N=100时3-D远场方向图;
图6是4N=100的阵元位置分布图;
图7是4N=100,适应度函数为式S142时,本方法与MGA,MMM,AMM的对比方向图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的一种基于面积归一化策略的多约束矩形阵列稀布优化方法,具体包括:
(1.1)以峰值旁瓣电平最低为优化目标,提出了一种面积归一化策略,以简化矩形阵列结构,降低运算复杂度;
(1.2)采用基于动态权值策略的灰狼优化算法实现多约束矩形阵列稀布优化,加快算法收敛速度,提高寻优能力。
所述方法特征(1.1)包括:
(2.1)假设在xoy平面上有阵列孔径为2L×2H的矩形平面阵列,阵元数为4N,阵元是理想点源,且等幅同相激励,阵列关于x轴和y轴呈对称分布,最小阵元间距为d。其中xn和yn分别为阵元的横坐标和纵坐标,且n∈[1,N]。为满足阵列孔径约束条件,第一行阵元纵坐标和第一列阵元的横坐标需大于等于0.5d,第N个阵元的位置为(L,H)。矩形阵列的阵因子可表示为
(2.2)用P行Q列的矩阵X和Y表示阵元位置坐标
式中,P≤L/d,Q≤H/d,且P,Q∈Z+。当P×Q=N时,矩阵X和Y为满阵。当P×Q>N时,提出一种面积归一化策略来对P×Q-N个阵元进行稀疏处理。令μ为面积归一化系数矩阵,μi,j为每个阵元位置的面积归一化系数,其表达式为
将各个阵元的面积归一化系数按降序排列,取前N个较大的面积归一化系数。最小阵元间隔d满足
则矩形阵列的阵因子可简化为
(2.3)为提升算法运算速率,将每个阵元位置拆分为固定部分和浮动部分,其中,固定部分为最小阵元间隔d的整数倍,浮动部分由在浮动区间F产生的一组随机数组成。x方向的固定区间Fx和y方向的固定区间Fy可表示为
Fx=L-(P-1)d-0.5d=L-(P-0.5d)
Fy=H-(Q-1)d-0.5d=H-(Q-0.5d)
在[0,Fx]区间产生P行Q列的随机数矩阵并将矩阵中的每行元素按从小到大的顺序排列得到矩阵G;在[0,Fy]区间产生P行Q列的随机数并将矩阵中的每列元素按从大到小的顺序排列得到矩阵E。则阵元位置的优化问题变为对阵元位置浮动部分的优化问题,优化区间变为[0,Fx]和[0,Fy],从而减小了搜索范围。则矩阵G和E分别表示为
所述方法特征(1.2)包括:
(3.1)假设在搜索空间随机生成N个灰狼,搜索空间维数为D维,将矩阵G中第i,j只灰狼在D维空间的位置表示为gi,j=[gij,1,gij,2,…,gij,D];在[0,1]之间随机生成N个随机数[r1,r2,...,rN],令佳点集中的佳点将佳点集映射到所求优化问题的可行域中,G中第i,j个灰狼的第k维可表示为
其中,uk,lk分别为第k维和第l维的上限和下限。
(3.2)为加快算法收敛速度,在更新灰狼位置的过程中提出一种动态权值的策略,更新后灰狼位置可表示为
本申请实施例根据矩形平面阵列旁瓣电平抑制特性,提出一种基于面积归一化策略的多约束矩形阵列稀布优化方法。所申请方法通过采用佳点集方法对参数进行初始化,计算归一化面积系数、优化阵列结构,采用动态加权策略对阵元位置进行更新,利用适应度函数进行评估,完成矩形平面阵列优化。所申请方法可以简化矩形阵列结构,降低运算复杂度,提高算法寻优能力,降低峰值旁瓣电平。
为更加清晰的说明所申请方法,本申请实施例通过仿真实验进行流程说明以及效果展示,但不限制本申请实施例的范围。实验条件为:矩形平面阵列为理想的全向性天线单元,其阵列孔径为2L×2H=9.5λ×4.5λ,最小阵元间距为0.5λ,等幅同相加权,试验次数为100,种群数量为50。
图1是本发明所述方法的原理框图,该方法包括:
S110稀布矩形平面阵列模型如图2所示,其阵因子为
S111用P行Q列的矩阵X和Y表示阵元位置坐标
式中,P≤L/d,Q≤H/d,且P,Q∈Z+。当P×Q=N时,矩阵X和Y为满阵。当P×Q>N时,提出一种面积归一化策略来对P×Q-N个阵元进行稀疏处理。令μ为面积归一化系数矩阵,μi,j为每个阵元位置的面积归一化系数,其表达式为
将各个阵元的面积归一化系数按降序排列,取前N个较大的面积归一化系数。最小阵元间隔d满足
则矩形阵列的阵因子可简化为
S113为提升算法运算速率,将每个阵元位置拆分为固定部分和浮动部分,其中,固定部分为最小阵元间隔d的整数倍,浮动部分由在浮动区间F产生的一组随机数组成。x方向的固定区间Fx和y方向的固定区间Fy可表示为
Fx=L-(P-1)d-0.5d=L-(P-0.5d)
Fy=H-(Q-1)d-0.5d=H-(Q-0.5d)
在[0,Fx]区间产生P行Q列的随机数矩阵并将矩阵中的每行元素按从小到大的顺序排列得到矩阵G;在[0,Fy]区间产生P行Q列的随机数并将矩阵中的每列元素按从大到小的顺序排列得到矩阵E。则阵元位置的优化问题变为对阵元位置浮动部分的优化问题,优化区间变为[0,Fx]和[0,Fy],从而减小了搜索范围。则矩阵G和E分别表示为
S120在搜索空间随机生成N个灰狼,搜索空间维数为D维,将矩阵G中第i,j只灰狼在D维空间的位置表示为gi,j=[gij,1,gij,2,…,gij,D];在[0,1]之间随机生成N个随机数[r1,r2,...,rN],令佳点集中的佳点将佳点集映射到所求优化问题的可行域中,G中第i,j个灰狼的第k维可表示为
其中,uk,ul分别为第k维和第l维的上限和下限。同理可得矩阵E的初始化参数。
S130为加快算法收敛速度,在更新灰狼位置的过程中提出一种动态权值的策略,更新后灰狼位置可表示为
S140令X=ψ1(G),Y=ψ2(E),以稀布后矩形阵列的峰值旁边电平最低为优化目标,该优化问题的数学模型可表示为
其中,AF(θ,φ)为矩形阵列的阵因子,阵因子模的最大值为AFmax,且(θmin,π/2]为该阵因子的旁瓣在θ方向上的分布。
令输入阵元数分别为4N=108和4N=100,重复上述步骤,经过优化得到最优峰值旁瓣电平和阵元位置。图3为4N=108,适应度函数为S141时和平面最优峰值旁瓣电平图,其阵元位置分布如图4所示;图5和图6分别为4N=100,适应度函数为S142时3-D远场方向图和阵元位置分布。为了说明该方法的优越性,在4N=100,适应度函数为S142的条件下,将其与改进遗传算法(Modified Genetic Algorithm,MGA),差分进化矩阵映射算法(Matrix Mapping Method,MMM)和非对称映射方法(Asymmetric Mapping Method,AMM)进行对比,结果如图7所示。可以发现本发明所提方法所获峰值旁瓣电平更低,所以本发明方法能够保证多约束条件下稀布矩形平面阵列性能最优。
综上,本实施例的方法能够根据矩形平面阵列旁瓣电平抑制特性,提出一种基于面积归一化策略的多约束矩形阵列稀布优化方法。所申请方法通过采用佳点集方法对参数进行初始化,计算归一化面积系数、优化阵列结构,采用动态加权策略对阵元位置进行更新,利用适应度函数进行评估,完成矩形平面阵列优化。所申请方法可以简化矩形阵列结构,降低运算复杂度,提高算法寻优能力,降低峰值旁瓣电平。
本领域技术人员可以理解,在本申请具体实施方式的上述方法中,各步骤的序号大小并不意味着执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本申请具体实施方式的实施过程构成任何限定。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其他的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (3)
1.一种基于面积归一化策略的多约束矩形阵列稀布优化方法,其特征在于:针对一种具有阵列孔径、最小阵元间距和环上阵元数目约束的矩形稀布阵列旁瓣电平抑制问题;步骤如下:
步骤一:采用佳点集对阵列参数初始化,建立阵列天线的稀布矩形平面阵列模型;
步骤二:计算阵元面积归一化系数μi,j;
步骤三:利用动态加权策略对灰狼位置进行更新,采用灰狼优化算法对矩形平面阵列进行优化;
假设在搜索空间随机生成N个灰狼,搜索空间维数为D维,将矩阵G中第i,j只灰狼在D维空间的位置表示为gi,j=[gij,1,gij,2,…,gij,D];在[0,1]之间随机生成N个随机数[r1,r2,...,rN],令佳点集中的佳点将佳点集映射到所求优化问题的可行域中,G中第i,j个灰狼的第k维可表示为:
其中,uk,lk分别为第k维和第l维的上限和下限;为加快算法收敛速度,在更新灰狼位置的过程中提出一种动态权值的策略,更新后灰狼位置可表示为:
步骤四:计算适应度函数;
步骤五:判断是否满足运算结束条件或者达到最大循环次数,若是,算法结束;否则,重复步骤二至步骤四。
3.根据权利要求2所述的一种基于面积归一化策略的多约束矩形阵列稀布优化方法,其特征在于:步骤二具体为:
用P行Q列的矩阵X和Y表示阵元位置坐标为:
式中,P≤L/d,Q≤H/d,且P,Q∈Z+;当P×Q=N时,矩阵X和Y为满阵;当P×Q>N时,令μ为面积归一化系数矩阵,μi,j为每个阵元位置的面积归一化系数,其表达式为
将各个阵元的面积归一化系数按降序排列,取前N个较大的面积归一化系数;最小阵元间隔d满足:
将各个阵元的面积归一化系数按降序排列,取前N个较大的面积归一化系数,简化矩形平面阵列;将每个阵元位置拆分为固定部分和浮动部分,只对x方向的浮动区间[0,Fx]和y方向的浮动区间[0,Fy]进行优化,且
Fx=L-(P-1)d-0.5d=L-(P-0.5d)
Fy=H-(Q-1)d-0.5d=H-(Q-0.5d)
其中,第N个阵元的位置为(L,H);P≤L/d,Q≤H/d,且P,Q∈Z+;
在[0,Fx]区间产生P行Q列的随机数矩阵并将矩阵中的每行元素按从小到大的顺序排列得到矩阵G;在[0,Fy]区间产生P行Q列的随机数并将矩阵中的每列元素按从大到小的顺序排列得到矩阵E。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797171.7A CN111914427B (zh) | 2020-08-10 | 2020-08-10 | 一种基于面积归一化策略的多约束矩形阵列稀布优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797171.7A CN111914427B (zh) | 2020-08-10 | 2020-08-10 | 一种基于面积归一化策略的多约束矩形阵列稀布优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914427A CN111914427A (zh) | 2020-11-10 |
CN111914427B true CN111914427B (zh) | 2022-08-02 |
Family
ID=73283619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010797171.7A Active CN111914427B (zh) | 2020-08-10 | 2020-08-10 | 一种基于面积归一化策略的多约束矩形阵列稀布优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914427B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239380B (zh) * | 2021-11-17 | 2024-05-17 | 电子科技大学 | 基于自调整映射法则的矩形稀布阵列优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484026A (zh) * | 2016-11-15 | 2017-03-08 | 北京信息科技大学 | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 |
CN107896129A (zh) * | 2017-11-16 | 2018-04-10 | 哈尔滨工程大学 | 一种稀布同心圆环阵的降维优化算法 |
CN110046399A (zh) * | 2019-03-22 | 2019-07-23 | 云南师范大学 | 一种基于动态协作灰狼优化算法的阵列天线方向图综合设计方法 |
CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7904848B2 (en) * | 2006-03-14 | 2011-03-08 | Imec | System and method for runtime placement and routing of a processing array |
-
2020
- 2020-08-10 CN CN202010797171.7A patent/CN111914427B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484026A (zh) * | 2016-11-15 | 2017-03-08 | 北京信息科技大学 | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 |
CN107896129A (zh) * | 2017-11-16 | 2018-04-10 | 哈尔滨工程大学 | 一种稀布同心圆环阵的降维优化算法 |
CN110046399A (zh) * | 2019-03-22 | 2019-07-23 | 云南师范大学 | 一种基于动态协作灰狼优化算法的阵列天线方向图综合设计方法 |
CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
Non-Patent Citations (5)
Title |
---|
Optimization of Sparse Concentric Ring Arrays Based on Multiple Constraints;Qiang Guo等;《IEEE Antennas and Wireless Propagation Letters》;20200312;第19卷(第5期);781-785 * |
Pattern Synthesis of Antenna Arrays Using Dynamic Cooperative Grey Wolf Optimizer Algorithm;Yan Liu等;《2020 IEEE 10th International Conference on Electronics Information and Emergency Communication (ICEIEC)》;20200730;186-189 * |
基于灰狼算法的圆形阵列天线优化设计研究;于添铎;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20220315(第3期);I136-57 * |
基于视觉伺服的机械手智能控制算法研究;王俊杰;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190115(第12期);I140-625 * |
改进灰狼算法优化SVM的大坝变形预测;朱军桃等;《桂林理工大学学报》;20190831;第39卷(第3期);669-673 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914427A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108808266B (zh) | 一种用于不规则子阵排列的四维天线阵联合优化方法 | |
CN106981728B (zh) | 一种方向图可重构的稀布直线阵综合方法 | |
CN113032989B (zh) | 一种约束方向性系数的最小化阵元数目的稀布阵优化方法 | |
CN105572658B (zh) | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 | |
CN107302140B (zh) | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 | |
CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
CN107870315B (zh) | 一种利用迭代相位补偿技术估计任意阵列波达方向方法 | |
CN111160556A (zh) | 一种基于自适应遗传算法的阵列稀疏优化方法 | |
CN112016662B (zh) | 基于混合差分进化算法与加权总体最小二乘法的阵列方向图综合法 | |
CN110276086B (zh) | 基于空间映射的隐身超表面雷达散射截面减缩方法 | |
CN111914427B (zh) | 一种基于面积归一化策略的多约束矩形阵列稀布优化方法 | |
CN113311397B (zh) | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 | |
CN102195701A (zh) | 只利用一种模拟加权的平面相控阵和波束与差波束旁瓣抑制方法 | |
CN112329204A (zh) | 考虑载体平台耦合的重复性结构电磁特性特征模快速分析方法 | |
CN107658573A (zh) | 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 | |
CN114371447A (zh) | 基于改进遗传算法的子阵级分布式频控阵旁瓣抑制方法 | |
Miao et al. | Improved algorithm X for subarray partition with acceleration and sidelobe suppression | |
CN109271735B (zh) | 基于量子启发式引力搜索算法的阵列方向图综合方法 | |
CN113792492A (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
CN113691294B (zh) | 一种近场稀疏阵列天线波束建立方法及装置 | |
CN111487594A (zh) | 一种基于粒子群优化的圆阵列波束形成方法 | |
CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
CN115374695A (zh) | 基于麻雀搜索算法与阵列加权的稀布阵列天线优化方法 | |
CN114239380B (zh) | 基于自调整映射法则的矩形稀布阵列优化方法 | |
CN114510879B (zh) | 一种任意间隔直线阵列端射增强的相位配置方法 |
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 |