CN111985145A - 一种大间距相控阵天线栅瓣抑制方法及抑制系统 - Google Patents

一种大间距相控阵天线栅瓣抑制方法及抑制系统 Download PDF

Info

Publication number
CN111985145A
CN111985145A CN201910423768.2A CN201910423768A CN111985145A CN 111985145 A CN111985145 A CN 111985145A CN 201910423768 A CN201910423768 A CN 201910423768A CN 111985145 A CN111985145 A CN 111985145A
Authority
CN
China
Prior art keywords
array
individuals
population
proportion
new generation
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.)
Granted
Application number
CN201910423768.2A
Other languages
English (en)
Other versions
CN111985145B (zh
Inventor
桂文静
邓庆勇
桂万如
林福江
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.)
Hefei Rhosoon Intelligent Technology Co ltd
Original Assignee
Hefei Rhosoon Intelligent Technology Co ltd
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 Hefei Rhosoon Intelligent Technology Co ltd filed Critical Hefei Rhosoon Intelligent Technology Co ltd
Priority to CN201910423768.2A priority Critical patent/CN111985145B/zh
Publication of CN111985145A publication Critical patent/CN111985145A/zh
Application granted granted Critical
Publication of CN111985145B publication Critical patent/CN111985145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明提供一种大间距相控阵天线栅瓣抑制方法，先对阵元位置进行约束；构造适应度函数，适应度函数优化模型；选择、交叉：选出排序后前一定比例的个体作为产生新一代种群的父代；然后对本代种群进行交叉运算，得到新一代种群；变异：对于每一个种群的每一个基因，随机产生一个[0,1]之间的数r，如果r<Pm，则用随机生成的值域中的参数代替它，其中Pm为变异概率；最优解计算，利用遗传算法对大间距平面阵列进行位置优化，并把优化结果作为模式搜索算法的初始解，进一步寻优找到当前条件下的最优解。在优化过程中对阵元位置进行约束得到的阵列，不仅易于工程实现，而且栅瓣抑制效果较好，在阵元最小间距为3λ条件下可以将栅瓣抑制到‑8dB以下。

Description

一种大间距相控阵天线栅瓣抑制方法及抑制系统
技术领域
本发明涉及卫星通信技术领域，具体来说是一种大间距相控阵天线栅瓣抑制方法及抑制系统。
背景技术
随着卫星通信系统的不断发展，地面终端天线的需求越来越多，天线增益的要求也越来越高。提高有源相控阵天线的增益，意味着增加阵面口径、增加通道数，这会增加工程成本，所以通过较低的造价设计高增益相控阵天线在工程上具有很高的价值。一般情况下，合理减少阵元数、适当增大阵元间距是降低天线成本的有效方法。当阵元间距高于半个波长时势必产生高的栅瓣。因此合理降低和规避栅瓣是在设计大间距相控阵天线时必须要考虑的问题。
针对大间距相控阵天线产生的高栅瓣问题，一般会通过打破单元排列的周期性来抑制栅瓣。
国内外很多学者对大间距单元非周期性布阵进行了研究，文献Günes F,Tokan F.Pattern search optimization with applications on synthesis of linear antennaarrays[J].Expert Systems with Applications,2010,37:4698-4705中用模式搜索算法和遗传算法对线阵进行综合优化，实现了在指定角度降低副瓣和在指定角度形成零陷。文献Toyama N.Optimization of aperiodic array patterns using GA and SDA[A].2005IEEE Antennas and Propagation Society International Symposium[C].IEEE,2005.69-72 中用遗传算法和最速下降法对16个子阵进行优化。首先用遗传算法找到一个初始值，然后用最速下降法找到精确值。文献王玲玲,方大纲.运用遗传算法综合稀疏阵列[J].电子学报,2003(S1):2135-2138中利用遗传算法结合快速傅立叶变换的方法优化一个稀疏阵列，首先将天线单元位置作为优化变量降低稀布阵的副瓣电平，再将其单元的激励作为优化变量进一步降低副瓣电平，从而大大节省了计算时间,提高了优化效率。文献马静,王乃志. 子阵非周期排布对天线栅瓣抑制的研究[J].现代雷达,2018,40(04):61-64+72中对平移、错位、平移错位、二次平移错位、子阵随机五种非周期排布后的天线波束进行仿真计算，研究了不同方法对栅瓣的抑制效果和副瓣电平的影响。文献罗天光,王建,任永丽,郑俊, 史维光.采用DFP-BFGS优化大间距子阵级非周期八角阵[J].现代雷达,2014,36(03): 62-64+69中采用DFB-BFGS优化算法优化八角阵子阵中心位置，可以最大限度的抑制栅瓣
电平，提高天线阵列的辐射性能。文献鲁加国,汪伟,齐美清.星载SAR相控阵天线栅瓣抑制技术[J].微波学报,2013,29(z1):135-138中针对有源相控阵天线方位向扫描出现较大栅瓣问题进行了分析，采用子块错位分布方式抑制天线阵栅瓣最大电平值。
目前的文献中，大多是解决阵元数目较多的、阵元间距为1λ～2λ的线阵或子阵级阵列产生的高栅瓣问题。针对阵元数目较少、阵元间距相对较大的相控阵的高栅瓣问题的研究较少。
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。最早由美国的J.H.Holland教授提出。一个种群代表问题的一组解，通过对当前种群施加交叉、变异等遗传操作产生新一代的种群，在每一代，根据问题域中种群的适应度大小选择种群，逐步使种群进化到趋于最优解。
遗传算法作为一种新的全局优化方法，它的内在机理使得它适用于求解非线性优化问题，而天线方向图的综合是一个非常复杂的非线性优化问题。近年来国内外许多学者都对应用遗传算法优化天线方向图进行了研究。Randy L.Haupt和J.Wang，H.Israelsson等人提出了利用遗传算法进行优化构建稀疏阵列的方法。国内的学者在利用遗传算法进行天线阵方向图优化也做出了许多贡献。李东风、龚中麟、董涛等人将遗传算法应用于超低副瓣线阵天线，针对任意位置稀布阵问题具有较高的副瓣，提出了一种新的编码方法，得到了较低的副瓣，满足了工程上的需要。算法本身具有局限性，遗传算法全局搜索能力强，能够跳出局部最优，但是局部搜索能力较弱，得到的最优解不一定是全局最优解。
发明内容
本发明要解决的技术问题是提供一种大间距相控阵天线栅瓣抑制方法，在限定口径内降低阵元数目较少、阵元间距较大的相控阵产生的高栅瓣，提高阵列天线性能。
本发明通过以下技术方案来解决上述技术问题：
一种大间距相控阵天线栅瓣抑制方法，包括以下步骤：
种群初始化，在三维坐标系内，位于yoz平面上的阵列有M×N个阵元；将个体基因在y轴和z轴方向的距离间隔dymn、dzmn转化为了ymn、zmn，可以将搜索空间从[0,L]、 [0,H]减少到[0,L-(m-1)d]、[0,H-(n-1)d]，其中d为阵元间的最小距离，阵列口径为L×H；第(m,n)个阵元的坐标表示为(dymn,dzmn)；将这M个阵元位置用一个 M行N列的二维复数矩阵C表示；C的内容为：dy+i*dz，dy为沿y轴即方位向的阵元间距， dz为沿z轴即方位向的阵元间距；
构造适应度函数，适应度函数优化模型如下：
min{MSLLdy,dz}
MSLL是除主瓣之外的波瓣的最大电平值，(dy,dz)表示每个阵元在yoz平面上的位置信息；
选择、交叉、变异操作
选择、交叉：对种群中所有个体的适应度由大到小进行排序，选出排序靠前的一定比例的个体作为产生新一代种群的父代的个体作为产生新一代种群的父代；然后对本代种群进行交叉运算，得到新一代种群；
变异：对新一代种群中，对于每一个个体的每一个基因，随机产生一个[0,1]之间的数 r，如果r＜Pm，则用随机生成的值域中的参数代替它，其中Pm为变异概率；
最优解计算，利用遗传算法对大间距平面阵列进行位置优化，并把优化结果作为模式搜索算法的初始解，进一步寻优找到当前条件下的最优解。
优选的，所述种群初始化步骤中，在y方向上，为了保持阵列口径不变，限定阵列的4 个角上阵元的位置坐标：
Figure RE-GDA0002109355900000031
将dymn拆分为ymn+(m-1)d两部分，可以得到
Figure RE-GDA0002109355900000041
通过上述操作，将个体基因y方向的距离间隔dymn转化为了ymn；
z方向的推导过程同y方向，将个体基因z方向的距离间隔dzmn转化为了zmn；
这样，得出了初始种群p：
p＝dyj+i·dzj(j＝1,2,…,NP,NP为种群数量)。
优选的，对于选择、交叉、变异操作步骤中，新一代种群由本代适应度排在前第一比例的个体、由差分进化方式产生的第二比例的个体和采用传统遗传算法中的单点基因交换的方法产生的第三比例的个体组合形成，其中，第一比例+第二比例+第三比例＝100％。
优选的，新一代种群中第三比例的个体采用传统遗传算法中的单点基因交换的方法产生，将父本中的奇数个体作为父亲，偶数个体作为母亲。假设每条染色体上的基因总数为k，随机产生一个[1,k-1]之间的数r，将父母染色体的[1,r]中的基因以交叉概率Pc实施交叉操作，形成一对新的个体；
新一代种群中第二比例的个体采用差分进化方式产生，按照下式的规则进行交叉：
Xi＝Xr1+W(Xr2-Xr3) (9)
其中Xr1，Xr2，Xr3是随机选择3个父代染色体，Xi是产生的新染色体，W是[0,1] 的实数，用于控制差分项的幅度。
新一代种群中剩余第一比例的个体选取本代中适应度排在前第三比例的个体。
优选的，所述叉概率Pc为0.8，变异概率Pm为0.01。
本发明还提供一种大间距相控阵天线栅瓣抑制系统，包括
种群初始化模块，在三维坐标系内，位于yoz平面上的阵列有M×N个阵元；将个体基因在y轴和z轴方向的距离间隔dymn、dzmn间接转化为了ymn、zmn，可以将搜索空间从[0,L]、[0,H]减少到[0,L-(m-1)d]、[0,H-(n-1)d]，其中d为阵元间的最小距离，阵列口径为L×H；第(m,n)个阵元的坐标表示为(dymn,dzmn)；将这M个阵元位置用一个M行N列的二维复数矩阵C表示；C的内容为：dy+i*dz，dy为沿y轴即方位向的阵元间距，dz为沿z轴即方位向的阵元间距；
构造适应度函数模块，适应度函数优化模型如下：
min{MSLLdy,dz}
MSLL是除主瓣之外的波瓣的最大电平值，(dy,dz)表示每个阵元在yoz平面上的位置信息；
选择、交叉、变异操作模块
选择、交叉：对种群中所有个体的适应度由大到小进行排序，选出排序靠前的一定比例的个体作为产生新一代种群的父代的个体作为产生新一代种群的父代；然后对本代种群进行交叉运算，得到新一代种群；
变异：对新一代种群中，对于每一个种群的每一个基因，随机产生一个[0,1]之间的数 r，如果r＜Pm，则用随机生成的值域中的参数代替它，其中Pm为变异概率；
最优解计算模块，利用遗传算法对大间距平面阵列进行位置优化，并把优化结果作为模式搜索算法的初始解，进一步寻优找到当前条件下的最优解。
优选的，所述种群初始化模块中，在y方向上，为了保持阵列口径不变，限定阵列的4 个角上阵元的位置坐标：
Figure RE-GDA0002109355900000051
将dymn拆分为ymn+(m-1)d两部分，可以得到
Figure RE-GDA0002109355900000061
通过上述操作，将个体基因y方向的距离间隔dymn转化为了ymn；
z方向的推导过程同y方向，将个体基因z方向的距离间隔dzmn转化为了zmn；
这样，得出了初始种群p：
p＝dyj+i·dzj(j＝1,2,…,NP,NP为种群数量)。
优选的，对于选择、交叉、变异模块中，新一代种群由本代适应度排在前第一比例的个体、由差分进化方式产生的第二比例的个体和采用传统遗传算法中的单点基因交换的方法产生的第三比例的个体组合形成，其中，第一比例+第二比例+第三比例＝100％。
优选的，新一代种群中第三比例的个体采用传统遗传算法中的单点基因交换的方法产生，将父本中的奇数个体作为父亲，偶数个体作为母亲。假设每条染色体上的基因总数为k，随机产生一个[1,k-1]之间的数r，将父母染色体的[1,r]中的基因以交叉概率Pc实施交叉操作，形成一对新的个体；
新一代种群中第二比例的个体采用差分进化方式产生，按照下式的规则进行交叉：
Xi＝Xr1+W(Xr2-Xr3) (12)
其中Xr1，Xr2，Xr3是随机选择3个父代染色体，Xi是产生的新染色体，W是[0,1] 的实数，用于控制差分项的幅度。
新一代种群中剩余第一比例的个体选取本代中适应度排在前第三比例的个体。
优选的，所述叉概率Pc为0.8，变异概率Pm为0.01。
本发明的优点在于：
在优化过程中对阵元位置进行约束得到的阵列，不仅易于工程实现，而且栅瓣抑制效果较好，在阵元最小间距为3λ条件下可以将栅瓣抑制到-8dB以下。本文研究的大间距相控阵列栅瓣抑制方法，对相控阵天线的布阵设计具有一定的参考价值。
附图说明
图1为本发明实施例1中的平面阵列天线示意图；
图2为本发明实施例1中一种大间距相控阵天线栅瓣抑制方法的结构框图；
图3为本发明实施例2中无约束的阵元位置优化仿真图，图(a)为无优化的5×5三角形栅格排布阵列，图(b)为无优化的5×5三角形栅格排布阵列方向图，图(c)为经模式搜索算法优化后的阵列，图(d)为经模式搜索算法优化后的阵列的方向图；
图4为本发明实施例2中无约束的阵元位置优化仿真图，图(e)为经遗传算法优化后的阵列，图(f)为经遗传算法优化后的阵列的方向图，图(g)为经遗传算法以及模式搜索算法优化后的阵列，图(h)为经遗传算法以及模式搜索算法优化后的阵列的方向图；
图5为本发明实施例2中无约束的阵元位置优化仿真图，图(o)为无优化阵列扫描2°时方向图，图(p)为遗传算法和模式搜索算法优化后阵列扫描2°时方向图，图(q)为无优化阵列扫描10°时方向图，图(d)为遗传算法和模式搜索算法优化后阵列扫描10°时方向图；
图6为本发明实施例2中有约束的阵元位置优化仿真图，图(i)为经模式搜索算法优化后的阵列，图(j)为经模式搜索算法优化后的阵列的方向图；
图7为本发明实施例2中有约束的阵元位置优化仿真图，图(k)为经遗传算法优化后的阵列，图(l)为经遗传算法优化后的阵列的方向图，图(m)为经遗传算法以及模式搜索算法优化后的阵列，图(n)为经遗传算法以及模式搜索算法优化后的阵列的方向图；
图8为本发明实施例2中有约束的阵元位置优化仿真图，图(s)为无优化阵列扫描2°时方向图，图(t)为遗传算法和模式搜索算法优化后阵列扫描2°时方向图，图(u)为无优化阵列扫描10°时方向图，图(v)为遗传算法和模式搜索算法优化后阵列扫描10°时方向图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
实施例1
图1给出了三角形栅格阵列天线结构示意图，共有M×N个的阵元。天线位于yoz平面上，可以看成是两个矩形排列的平面阵之和，两个子平面单元分别用圆形和三角形表示。这两个阵列的阵元间距在水平方向上为2d1，在垂直方向上为2d2。整个阵列的方向图函数为：
Figure RE-GDA0002109355900000081
式中，
Figure RE-GDA0002109355900000082
为两个矩形排列的平面天线阵的综合因子方向图；
Figure RE-GDA0002109355900000083
为天线单元按矩形排列的平面相控阵天线的方向图。
Figure RE-GDA0002109355900000084
为此阵列到目标的方位角，θ为此阵列到目标的俯仰角。阵列主波束最大值指向为
Figure RE-GDA0002109355900000085
在等幅全向条件下
Figure RE-GDA0002109355900000086
可表示为：
Figure RE-GDA0002109355900000087
Figure RE-GDA0002109355900000088
可表示为：
Figure RE-GDA0002109355900000089
一种大间距相控阵天线栅瓣抑制方法具体的实现步骤如图2所示：
步骤1：种群初始化
位于yoz平面上的阵列有M×N个阵元，阵元间最小距离为d，阵列口径为L×H。第(m,n) 个阵元的坐标表示为(dymn,dzmn)。将这M个阵元位置用一个M行N列的二维复数矩阵C表示。C的内容为：dy+i*dz，dy为沿y轴即方位向的阵元间距，dz为沿z轴即方位向的阵元间距。
在y方向上，为了保持阵列口径不变，必须对阵列的边界提出一些限制条件，在这里，限定阵列的4个角上阵元的位置坐标：
Figure RE-GDA00021093559000000810
在这里将dymn拆分为ymn+(m-1)d两部分，可以得到
Figure RE-GDA0002109355900000091
通过上述操作，将个体基因y方向的距离间隔dymn间接转化为了ymn，可以将搜索空间从 [0,L]减少到[0,L-(m-1)d]。
z方向的推导过程同y方向，在此不再叙述。同理，通过上述操作，将个体基因z方向的距离间隔dzmn间接转化为了zmn，可以将搜索空间从[0,H]减少到[0,H-(n-1)d]。这样，得出了初始种群p：
p＝dyj+i·dzj(j＝1,2,…,NP,NP为种群数量)
步骤2：构造适应度函数
适应度函数优化模型如下：
min{MSLLdy,dz}
MSLL是除主瓣之外的波瓣的最大电平值，(dy,dz)表示每个阵元在yoz平面上的位置信息。通过优化dy和dz的取值来优化阵元的位置，使除主瓣之外的波瓣的最大电平值MSLL最小。
步骤3：选择、交叉和变异操作
选择、交叉：对种群中所有个体的适应度由大到小进行排序，选出前30％作为产生新一代种群的父代。
新一代种群中30％的个体采用传统遗传算法中的单点基因交换的方法产生，将父本中的奇数个体作为父亲，偶数个体作为母亲。假设每条染色体上的基因总数为k，随机产生一个 [1,k-1]之间的数r，将父母染色体的[1,r]中的基因以交叉概率Pc实施交叉操作，形成一对新的个体，在这里我们设置交叉概率Pc为0.8。
新一代种群中20％的个体采用差分进化方式产生，按照下式的规则进行交叉：
Xi＝Xr1+W(Xr2-Xr3) (18)
其中Xr1，Xr2，Xr3是随机选择3个父代染色体，Xi是产生的新染色体，W是[0,1]的实数，用于控制差分项的幅度。
新一代种群中剩余50％的个体选取本代中适应度排在前50％的个体。这样，新一代种群由本代适应度排在前50％的个体、由差分进化方式产生的20％的个体和采用传统遗传算法中的单点基因交换的方法产生的30％的个体组合形成。
变异：对交叉后的种群中的每个个体，以变异概率Pm改变染色体上的某一基因，在这里我们设置变异概率Pm为0.01。在经过交叉后的种群中，对于每一个种群的每一个基因，随机产生一个[0,1]之间的数r，如果r＜Pm，则用随机生成的值域中的参数代替它。
步骤4最优解计算
遗传算法全局搜索能力强，局部搜索能力较弱，遗传算法并不一定能获得最优解。因此，本文首先运用遗传算法进行全局搜索，找到一个接近最优解的次优解，然后再用模式搜索算法进一步寻优找到当前条件下的最优解。
模式搜索算法就是寻找x0,x1,x2,…,这样的一系列的点，这些点逐渐在靠近最优值。在这个点的序列中，后一个点相对于前一个点在逐渐减小(轮询成功)或者保持不变(轮询失败)。
MATLAB工具箱里的pattern search函数就是基于模式搜索算法的优化工具箱，本文使用此工具箱来优化。优化对象是阵元的位置，优化的边界条件为X±0.5λ，其中，X是阵元的初始位置信息，在这里为通过遗传算法得到的位置信息，λ是波长。函数值的终止容限和步长容限均设为0.001，迭代次数设为250次。适应度函数的构造同遗传算法的适应度函数。
实施例2
仿真与分析
本文仿真分析的天线阵列模型为5×5三角形栅格排布的矩形口径天线阵列，单元间距约为4个波长，单元幅度分布采用-20dB的泰勒权值，不考虑幅相误差影响。
1、无约束的阵元位置优化仿真
阵元位置无约束优化是指对阵元的水平和俯仰两个方向的位置随机优化。首先用遗传算法对100个种群进行1000次迭代，然后用模式搜索算法对优化后的阵列进行再次优化。两次优化过程中均对阵列口径进行限制。
图3和图4是在相同的优化条件下，用不同的优化算法优化得到的阵列及其方向图，由图3和图4可以看到，⑴无优化的阵列其栅瓣非常高，为-0.0019dB，与主瓣值接近；⑵对阵列用模式搜索算法优化后，阵列栅瓣降至-1.6945dB；⑶阵列经遗传算法优化后，阵列的栅瓣降低了-4.921dB，在此基础上，再用模式搜索算法继续优化，栅瓣降低至-7.3806dB。仿真结果证明，使用遗传算法和模式搜索算法优化后栅瓣大幅度降低。图4子图(g) 的阵列中阵元最小间距为2.8λ，并且由于适应度函数是除主瓣之外的波瓣的最大电平值，即在优化时，把主瓣除外，所以主瓣增益与主瓣宽度均保持不变。
图3中图(a)为无优化的5×5三角形栅格排布阵列，图(b)为无优化的5×5三角形栅格排布阵列方向图，图(c)为经模式搜索算法优化后的阵列，图(d)为经模式搜索算法优化后的阵列的方向图。
图4中图(e)为经遗传算法优化后的阵列，图(f)为经遗传算法优化后的阵列的方向图，图(g)为经遗传算法以及模式搜索算法优化后的阵列，图(h)为经遗传算法以及模式搜索算法优化后的阵列的方向图。
对图3子图(a)和图4子图(g)所示阵列加馈元扫描分析。由图5可以看到，子图 (a)阵列扫描到2°时，阵列栅瓣最大值为-9.7dB。子图(g)阵列扫描到2°时，阵列栅瓣最大值为-13.8dB，子图(a)阵列扫描到10°时，阵列栅瓣最大值为-0.005dB，子图(g) 阵列扫描到10°时，阵列栅瓣最大值为-6.6dB。结果表明，⑴在阵列扫描时，与未优化的阵列相比，优化后的阵列栅瓣较低；⑵随着扫描角度的增大，阵列方向图的性能逐渐变差。
图5图(o)为无优化阵列扫描2°时方向图，图(p)为遗传算法和模式搜索算法优化后阵列扫描2°时方向图，图(q)为无优化阵列扫描10°时方向图，图(d)为遗传算法和模式搜索算法优化后阵列扫描10°时方向图。
2、有约束的阵元位置优化仿真
阵元位置无约束优化得到的阵列，其阵元位置为随机排布，无规律可循，不适用于工程应用，因此需要优化出一种适用于实际生产的阵列。并且当相控阵天线用于卫星通信时，一般不考虑俯仰向栅瓣电平的影响，因此为了便于实际的工程应用，仅对阵元的轴向位置进行优化，使优化后的阵列中每一行的阵元的位置排布都一致。
首先用遗传算法对100个种群进行500次迭代，然后用模式搜索算法对遗传算法优化后的阵列进行再次优化。由于阵元位置在俯仰向没有移动，所以阵列的俯仰向栅瓣电平不会降低，在此将适应度函数改为求方位向旁瓣电平的最大值的最小值。
图6和图7是在相同的优化条件下，用不同的优化算法优化得到的阵列及其方向图，不考虑俯仰向栅瓣电平值，由图6和图7可以看到，⑴与图3的子图(b)相比，阵列经模式搜索算法优化后，阵列栅瓣降至-4.8638dB；⑵阵列经遗传算法优化后，阵列的栅瓣降低了-6.5326dB，在此基础上，再用模式搜索算法继续优化，栅瓣降低至-8.179dB。仿真结果证明，使用遗传算法和模式搜索算法优化后栅瓣大幅度降低。图7子图图(m)的阵列中阵元最小间距为3λ，并且主瓣增益与主瓣宽度保持不变。
图6图(i)为经模式搜索算法优化后的阵列，图(j)为经模式搜索算法优化后的阵列的方向图。
图7图(k)为经遗传算法优化后的阵列，图(l)为经遗传算法优化后的阵列的方向图，图(m)为经遗传算法以及模式搜索算法优化后的阵列，图(n)为经遗传算法以及模式搜索算法优化后的阵列的方向图。
对图3子图(a)和图7子图(m)所示阵列加馈元扫描分析。由图8可以看到，忽略俯仰方向的栅瓣值，子图(a)阵列扫描到2°时，阵列栅瓣最大值为-11.1dB。子图(m) 阵列扫描到2°时，阵列栅瓣最大值为-14.9dB，子图(a)阵列扫描到10°时，阵列栅瓣最大值为-6.7dB，子图(m)阵列扫描到10°时，阵列栅瓣最大值为-11.5dB。结果表明，⑴在阵列扫描时，与未优化的阵列相比，优化后的阵列栅瓣较低；⑵随着扫描角度的增大，阵列方向图的性能逐渐变差。
图8图(s)为无优化阵列扫描2°时方向图，图(t)为遗传算法和模式搜索算法优化后阵列扫描2°时方向图，图(u)为无优化阵列扫描10°时方向图，图(v)为遗传算法和模式搜索算法优化后阵列扫描10°时方向图。
结论
本文针对5×5三角形栅格排布的大间距相控阵天线阵列产生的高的栅瓣问题进行了研究。由仿真结果可看出，在优化过程中对阵元位置进行约束得到的阵列，不仅易于工程实现，而且栅瓣抑制效果较好，在阵元最小间距为3λ条件下可以将栅瓣抑制到-8dB以下。本文研究的大间距相控阵列栅瓣抑制方法，对相控阵天线的布阵设计具有一定的参考价值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (10)

1.一种大间距相控阵天线栅瓣抑制方法，其特征在于：包括以下步骤：
种群初始化，在三维坐标系内，位于yoz平面上的阵列有M×N个阵元；将个体基因在y轴和z轴方向的距离间隔dymn、dzmn转化为了ymn、zmn，可以将搜索空间从[0，L]、[0，H]减少到[0，L-(m-1)d]、[0，H-(n-1)d]，其中d为阵元间的最小距离，阵列口径为L×H；第(m，n)个阵元的坐标表示为(dymn，dzmn)；将这M个阵元位置用一个M行N列的二维复数矩阵C表示；C的内容为：dy+i*dz，dy为沿y轴即方位向的阵元间距，dz为沿z轴即方位向的阵元间距；
构造适应度函数，适应度函数优化模型如下：
min{MSLLdy，dz}
MSLL是除主瓣之外的波瓣的最大电平值，(dy，dz)表示每个阵元在yoz平面上的位置信息；
选择、交叉、变异操作
选择、交叉：对种群中所有个体的适应度由大到小进行排序，选出排序靠前的一定比例的个体作为产生新一代种群的父代的个体作为产生新一代种群的父代；然后对本代种群进行交叉运算，得到新一代种群；
变异：对新一代种群中，对于每一个个体的每一个基因，随机产生一个[0，1]之间的数r，如果r＜Pm，则用随机生成的值域中的参数代替它，其中Pm为变异概率；
最优解计算，利用遗传算法对大间距平面阵列进行位置优化，并把优化结果作为模式搜索算法的初始解，进一步寻优找到当前条件下的最优解。
2.根据权利要求1所述的一种大间距相控阵天线栅瓣抑制方法，其特征在于：所述种群初始化步骤中，在y方向上，为了保持阵列口径不变，限定阵列的4个角上阵元的位置坐标：
Figure FDA0002066826290000011
将dymn拆分为ymn+(m-1)d两部分，可以得到
Figure FDA0002066826290000021
通过上述操作，将个体基因y方向的距离间隔dymn转化为了ymn；
z方向的推导过程同y方向，将个体基因z方向的距离间隔dzmn转化为了zmn；
这样，得出了初始种群p：
p＝dyj+i·dzj(j＝1，2，…，NP，NP为种群数量)。
3.根据权利要求1所述的一种大间距相控阵天线栅瓣抑制方法，其特征在于：对于选择、交叉、变异操作步骤中，新一代种群由本代适应度排在前第一比例的个体、由差分进化方式产生的第二比例的个体和采用传统遗传算法中的单点基因交换的方法产生的第三比例的个体组合形成，其中，第一比例+第二比例+第三比例＝100％。
4.根据权利要求3所述的一种大间距相控阵天线栅瓣抑制方法，其特征在于：新一代种群中第三比例的个体采用传统遗传算法中的单点基因交换的方法产生，将父本中的奇数个体作为父亲，偶数个体作为母亲。假设每条染色体上的基因总数为k，随机产生一个[1，k-1]之间的数r，将父母染色体的[1，r]中的基因以交叉概率Pc实施交叉操作，形成一对新的个体；
新一代种群中第二比例的个体采用差分进化方式产生，按照下式的规则进行交叉：
Xi＝Xr1+W(Xr2-Xr3) (3)
其中Xr1，Xr2，Xr3是随机选择3个父代染色体，Xi是产生的新染色体，W是[0，1]的实数，用于控制差分项的幅度。
新一代种群中剩余第一比例的个体选取本代中适应度排在前第一比例的个体。
5.根据权利要求4所述的一种大间距相控阵天线栅瓣抑制方法，其特征在于：所述叉概率Pc为0.8，变异概率Pm为0.01。
6.一种大间距相控阵天线栅瓣抑制系统，其特征在于：包括
种群初始化模块，在三维坐标系内，位于yoz平面上的阵列有M×N个阵元；将个体基因在y轴和z轴方向的距离间隔dymn、dzmn间接转化为了ymn、zmn，可以将搜索空间从[0，L]、[0，H]减少到[0，L-(m-1)d]、[0，H-(n-1)d]，其中d为阵元间的最小距离，阵列口径为L×H；第(m，n)个阵元的坐标表示为(dymn，dzmn)；将这M个阵元位置用一个M行N列的二维复数矩阵C表示；C的内容为：dy+i*dz，dy为沿y轴即方位向的阵元间距，dz为沿z轴即方位向的阵元间距；
构造适应度函数模块，适应度函数优化模型如下：
min{MSLLdy，dz}
MSLL是除主瓣之外的波瓣的最大电平值，(dy，dz)表示每个阵元在yoz平面上的位置信息；
选择、交叉、变异操作模块
选择、交叉：对种群中所有个体的适应度由大到小进行排序，选出排序靠前的一定比例的个体作为产生新一代种群的父代的个体作为产生新一代种群的父代；然后对本代种群进行交叉运算，得到新一代种群；
变异：对新一代种群中，对于每一个种群的每一个基因，随机产生一个[0，1]之间的数r，如果r＜Pm，则用随机生成的值域中的参数代替它，其中Pm为变异概率；
最优解计算模块，先利用遗传算法对大间距平面阵列进行位置优化，并把优化结果作为模式搜索算法的初始解，进一步寻优找到当前条件下的最优解。
7.根据权利要求6所述的一种大间距相控阵天线栅瓣抑制系统，其特征在于：所述种群初始化模块中，在y方向上，为了保持阵列口径不变，限定阵列的4个角上阵元的位置坐标：
Figure FDA0002066826290000031
将dymn拆分为ymn+(m-1)d两部分，可以得到
Figure FDA0002066826290000041
通过上述操作，将个体基因y方向的距离间隔dymn转化为了ymn；
z方向的推导过程同y方向，将个体基因z方向的距离间隔dzmn转化为了zmn；
这样，得出了初始种群p：
p＝dyj+i·dzj(j＝1，2，…，NP，NP为种群数量)。
8.根据权利要求6所述的一种大间距相控阵天线栅瓣抑制系统，其特征在于：对于选择、交叉、变异模块中，新一代种群由本代适应度排在前第一比例的个体、由差分进化方式产生的第二比例的个体和采用传统遗传算法中的单点基因交换的方法产生的第三比例的个体组合形成，其中，第一比例+第二比例+第三比例＝100％。
9.根据权利要求8所述的一种大间距相控阵天线栅瓣抑制系统，其特征在于：新一代种群中第三比例的个体采用传统遗传算法中的单点基因交换的方法产生，将父本中的奇数个体作为父亲，偶数个体作为母亲。假设每条染色体上的基因总数为k，随机产生一个[1，k-1]之间的数r，将父母染色体的[1，r]中的基因以交叉概率Pc实施交叉操作，形成一对新的个体；
新一代种群中第二比例的个体采用差分进化方式产生，按照下式的规则进行交叉：
Xi＝Xr1+W(Xr2-Xr3) (6)
其中Xr1，Xr2，Xr3是随机选择3个父代染色体，Xi是产生的新染色体，W是[0，1]的实数，用于控制差分项的幅度。
新一代种群中剩余第一比例的个体选取本代中适应度排在前第三比例的个体。
10.根据权利要求9所述的一种大间距相控阵天线栅瓣抑制系统，其特征在于：所述叉概率Pc为0.8，变异概率Pm为0.01。
CN201910423768.2A 2019-05-21 2019-05-21 一种大间距相控阵天线栅瓣抑制方法及抑制系统 Active CN111985145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910423768.2A CN111985145B (zh) 2019-05-21 2019-05-21 一种大间距相控阵天线栅瓣抑制方法及抑制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910423768.2A CN111985145B (zh) 2019-05-21 2019-05-21 一种大间距相控阵天线栅瓣抑制方法及抑制系统

Publications (2)

Publication Number Publication Date
CN111985145A true CN111985145A (zh) 2020-11-24
CN111985145B CN111985145B (zh) 2023-09-19

Family

ID=73435820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910423768.2A Active CN111985145B (zh) 2019-05-21 2019-05-21 一种大间距相控阵天线栅瓣抑制方法及抑制系统

Country Status (1)

Country Link
CN (1) CN111985145B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221337A (zh) * 2021-04-23 2021-08-06 电子科技大学 一种基于模式搜索的近场稀疏阵设计方法
CN113361053A (zh) * 2021-06-09 2021-09-07 中国电子科技集团公司第三十八研究所 一种分布式天线布局优化设计方法及系统
CN113410657A (zh) * 2021-06-11 2021-09-17 中国电子科技集团公司第三十八研究所 一种非周期天线阵列布阵方法及装置
CN113792492A (zh) * 2021-09-18 2021-12-14 石家庄铁道大学 基于免疫遗传算法的希布阵天线的优化设计方法
WO2022133856A1 (zh) * 2020-12-24 2022-06-30 深圳市大疆创新科技有限公司 超声相控阵列的阵元布局确定方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205253A (zh) * 2015-09-18 2015-12-30 电子科技大学 一种稀布圆形天线阵列的优化方法
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
CN107294589A (zh) * 2017-08-03 2017-10-24 哈尔滨工业大学 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法
CN107729640A (zh) * 2017-10-10 2018-02-23 金陵科技学院 一种使用最少阵元的稀疏天线阵列综合布阵方法
CN107766631A (zh) * 2017-10-10 2018-03-06 金陵科技学院 一种有效控制激励幅度动态范围的阵列天线优化方法
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205253A (zh) * 2015-09-18 2015-12-30 电子科技大学 一种稀布圆形天线阵列的优化方法
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
CN107294589A (zh) * 2017-08-03 2017-10-24 哈尔滨工业大学 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法
CN107729640A (zh) * 2017-10-10 2018-02-23 金陵科技学院 一种使用最少阵元的稀疏天线阵列综合布阵方法
CN107766631A (zh) * 2017-10-10 2018-03-06 金陵科技学院 一种有效控制激励幅度动态范围的阵列天线优化方法
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
SHUTAO FANG 等: "Grating Lobe Suppression of Planar Array with Large Inter-Element Spacing by Using Genetic Algorithm", 《2018 INTERNATIONAL CONFERENCE ON MICROWAVE AND MILLIMETER WAVE TECHNOLOGY (ICMMT)》, pages 1 - 3 *
姜雪伟: "对粒子群算法改进及在稀布阵方向图上的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 140 - 124 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022133856A1 (zh) * 2020-12-24 2022-06-30 深圳市大疆创新科技有限公司 超声相控阵列的阵元布局确定方法、装置及存储介质
CN113221337A (zh) * 2021-04-23 2021-08-06 电子科技大学 一种基于模式搜索的近场稀疏阵设计方法
CN113221337B (zh) * 2021-04-23 2022-09-09 电子科技大学 一种基于模式搜索的近场稀疏阵设计方法
CN113361053A (zh) * 2021-06-09 2021-09-07 中国电子科技集团公司第三十八研究所 一种分布式天线布局优化设计方法及系统
CN113361053B (zh) * 2021-06-09 2022-11-04 中国电子科技集团公司第三十八研究所 一种分布式天线布局优化设计方法及系统
CN113410657A (zh) * 2021-06-11 2021-09-17 中国电子科技集团公司第三十八研究所 一种非周期天线阵列布阵方法及装置
CN113792492A (zh) * 2021-09-18 2021-12-14 石家庄铁道大学 基于免疫遗传算法的希布阵天线的优化设计方法
CN113792492B (zh) * 2021-09-18 2024-02-02 石家庄铁道大学 基于免疫遗传算法的希布阵天线的优化设计方法

Also Published As

Publication number Publication date
CN111985145B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111985145A (zh) 一种大间距相控阵天线栅瓣抑制方法及抑制系统
Krivosheev et al. Grating lobe suppression in aperiodic phased array antennas composed of periodic subarrays with large element spacing
Xu et al. Pattern synthesis of conformal antenna array by the hybrid genetic algorithm
CN111160556B (zh) 一种基于自适应遗传算法的阵列稀疏优化方法
CN106850016B (zh) 基于mift与cp混合算法的仅相位加权阵列天线波束赋形优化方法
CN113131225B (zh) 一种基于子阵阵因子增益最大化的不规则天线阵优化方法
CN112733334B (zh) 一种多频段共口径阵列天线稀疏优化方法及系统
Deb et al. A differential evolution performance comparison: Comparing how various differential evolution algorithms perform in designing microstrip antennas and arrays
CN113792492B (zh) 基于免疫遗传算法的希布阵天线的优化设计方法
CN105024166A (zh) 基于子阵的平面阵列天线方向图综合方法
Rocca et al. Polyomino subarraying through genetic algorithms
CN109711046B (zh) 基于多智能体遗传算法的大型稀疏阵列综合方法
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
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
CN111209670B (zh) 一种可实现高增益的不规则子阵排布优化方法
CN114709616B (zh) 基于幅相调控的超宽带强耦合天线阵边缘效应抑制方法
Jin et al. Array patterns synthesizing using genetic algorithm
CN111211425A (zh) 一种超大扫描角的不规则子阵排布优化方法
CN116632561B (zh) 一种稀布高增益天线阵列设计方法、存储介质
Lakshmi et al. Pattern synthesis using genetic algorithm for low sidelobe levels
Cheng et al. Design of tilted-beam Fabry-Perot antenna with aperiodic partially reflective surface
CN112329223B (zh) 一种阵列天线优化方法
CN115566446B (zh) 一种非规则二元子阵天线阵列的优化方法
CN113468808B (zh) 基于子阵外推与相位优化的变形阵列天线电性能补偿方法
Zhang et al. Design of Thinned Arrays Based on Genetic Algorithm

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Gui Wanru

Inventor after: Deng Qingyong

Inventor after: Gui Wenjing

Inventor after: Lin Fujiang

Inventor before: Gui Wenjing

Inventor before: Deng Qingyong

Inventor before: Gui Wanru

Inventor before: Lin Fujiang

GR01 Patent grant
GR01 Patent grant