CN113792492A - 基于免疫遗传算法的希布阵天线的优化设计方法 - Google Patents
基于免疫遗传算法的希布阵天线的优化设计方法 Download PDFInfo
- Publication number
- CN113792492A CN113792492A CN202111101354.1A CN202111101354A CN113792492A CN 113792492 A CN113792492 A CN 113792492A CN 202111101354 A CN202111101354 A CN 202111101354A CN 113792492 A CN113792492 A CN 113792492A
- Authority
- CN
- China
- Prior art keywords
- population
- array
- individual
- algorithm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 230000002068 genetic effect Effects 0.000 title claims abstract description 23
- 238000013461 design Methods 0.000 title claims abstract description 11
- 210000001320 hippocampus Anatomy 0.000 title claims abstract description 10
- 229960005486 vaccine Drugs 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 4
- 238000006731 degradation reaction Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010353 genetic engineering Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000002998 immunogenetic effect Effects 0.000 claims 1
- 230000001737 promoting effect Effects 0.000 claims 1
- 238000002255 vaccination Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于免疫遗传算法的希布阵天线的优化设计方法，所述方法首先随机产生初始群体，相邻两个阵元距离的差值为个体作为种群个体；通过雷达工作波长λ、阵元间距d等之间的约束关系作为疫苗进行限定；之后计算适应度函数，如果当前种群中有最佳个体，则结束算法，否则对当前种群继续进行选择交叉变异操作，得到子代种群；对子代种群进行接种疫苗操作；为防止种群个体出现退化现象，再种群进行免疫选择操作，得到新一代种群，然后返回到适应度函数的计算这一步骤寻找最优个体，直到找到最佳时结束算法。所述方法能够使天线阵列峰值旁瓣电平显著降低，计算量小、收敛速度快，效率高的基于免疫遗传算法。
Description
技术领域
本发明涉及天线阵列技术领域，尤其涉及一种基于免疫遗传算法的希布阵天线的优化设计方法。
背景技术
当前，天线布阵的设计方法有很多种，传统的方法如穷举法、阵元法、动态规划法、智能算法中的遗传算法、粒子群算法、凸优化算法等，都得到了广泛的应用。近几年来，随着大数据技术的发展，由于其简单、通用性强、鲁棒性强以及适合于并行处理等特点，其应用领域主要有函数优化、组合优化、作业调度、智能控制、机器人学、图像处理、人工生命、机器学习等。该方法采用群体搜索技术，将种群表示一组问题解，通过一系列的遗传操作，如选择、交叉和变异，对当前种群进行选择、交叉和变异，从而产生新一代种群，并逐步使种群处于包含近似最佳解的状态。
稀布天线阵列的优化布阵技术就是天线阵的辐射方向图的优化。天线阵的辐射方向图组成要素是阵列单元数目、分布形式、单元间距、激励幅度和相位，因此我们通常是通过优化算法来优化这些要素的某些方面以得到最逼近的期望方向图。对稀布天线阵列而言，如何设计一组阵元间距的最优解，使得稀布天线阵列的峰值旁瓣电平在整个可见区最小，是天线布阵技术要解决的主要问题。
由于稀布线阵没有稀疏线阵那样具有规则的栅格约束阵元的位置，所以要减小阵元间的互藕又必须约束阵元间距不小于某个值。目前解决的方法主要有两种，第一种方法是约束阵元间距的最小和最大。第二种方法限制最小阵元间距和孔径。阵列孔径决定主瓣的宽度，若给定阵元数之后，方法一布阵结束后才能确定阵列孔径因此相当于不受主瓣宽度的限制。另一种方法已包含在优化目标中对主瓣宽度要求。
发明内容
本发明所要解决的技术问题是如何提供一种能够使天线阵列峰值旁瓣电平显著降低，计算量小、收敛速度快，效率高的基于免疫遗传算法的希布阵天线的优化设计方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于免疫遗传算法的希布阵天线的优化设计方法，其特征在于包括如下步骤：
随机生成初始群体：希布阵天线中阵元数为N，阵列孔径为L，利用随机法对随机赋值一个约束范围内的实数，组成列向量即为一个个体，考虑到每个个体的适应度计算量大，采用取相邻两个阵元距离的差值为个体作为种群个体，d为阵元间距；
抽取疫苗：将
公式作为疫苗，进行归一化方向图计算，其中λ为雷达工作波长，d为阵元间距，θ为波束指向角；θ0为方位与天线法线夹角；
适应度的计算：假设阵列孔径L固定不变，方向图的函数表达式为
其中dn是与第一个阵元的距离；归一化方向图旁瓣电压表达式为
将归一化方向图作为适应度函数；
若满足上述的条件，结束算法，不满足进行如下遗传操作：
遗传操作包括选择、交叉和变异：选择是通过个体的适应度大小决定是否被选择，被选择的概率为
交叉或变异引入的新元素阵元很可能使得新个体不满足最小阵元间距约束，因此在个体作经过一定变化后再进行交叉和变异；遗传操作结束之后，加入免疫算子，提高适应度和防止记忆退化现象的出现；对新生成的种群的个体也就是相邻两个阵元距离的差值重新进行排序。
子代种群完成更新，继续循环此算法过程，直到选出最优的停止。
采用上述技术方案所产生的有益效果在于：所述方法将免疫算法和遗传算法结合进行直线阵列天线稀布阵，不但可以减少天线阵元，大幅降低成本，达到抑制阵列天线方向图旁瓣电平的目的，而且能够克服计算量大，收敛速度较慢的问题，收敛速度显著提升。
附图说明
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1是本发明实施例所述方法的流程图；
图2是本发明实施例所述天线阵列整体结构几何模型图；
具体实施方式
下面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的一部分实施例，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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本发明实施例公开了一种于免疫遗传算法的希布阵天线的优化设计方法，所述方法设计思想是在传统遗传算法的加入免疫算子，使稀布阵列天线形成过程中不仅抑制阵列天线方向图旁瓣电平，还提高了运算效率。
总体的，首先随机产生初始群体，相邻两个阵元距离的差值为个体作为种群个体；通过雷达工作波长λ、阵元间距d等之间的约束关系作为疫苗进行限定；之后计算适应度函数，如果当前种群中有最佳个体，则结束算法，否则对当前种群继续进行选择交叉变异操作，得到子代种群；对子代种群进行接种疫苗操作，使得种群中具有更高的适应度的个体留下来，得到接种疫苗后种群；为防止种群个体出现退化现象，再种群进行免疫选操作，得到新一代种群，然后返回到适应度函数的计算这一步骤寻找最优个体，直到找到最佳时结束算法。
进一步的，如图1所示，本申请所述方法包括如下步骤：
步骤一：种群初始化，建立一个均匀分布的直线阵列模型。如图2所示，阵元数为N，阵列孔径为L，d为阵元间距，采用取相邻两个阵元距离的差值为个体作为种群个体，对每个个体基因进行排序，阵元间距为N-1个，在[0,L]上组成一个(N-1)×1为列向量。表示为：
其中xi满足x1＜x2＜x3…xN-1∈[0,L-(N-2)d]，搜索空间由[0,L]缩小到[0,L-(N-2)d]。
为了防止混叠现象的发生，在孔径一定的情况下，相邻两个阵元距离的差值即阵元间距应该不小于波长的一半，当阵元间距等于波长一半时最优，
该步骤可以减小搜索区域，提高算法的效率。
步骤二：该模型N为阵元个数，λ为雷达工作波长，d为阵元间距，θ为波束指向角；θ0为方位与天线法线夹角：
则归一化方向图函数表示为：
当上式中
(n为整数)方向图函数值为1，此时存在无数个最大值点，其中
(n为整数)时出现栅瓣，这将会与DOA估计产生严重误差，因此为了保证不出现栅瓣，要满足
因此在进行归一化方向图计算时，将
公式作为疫苗。
步骤三：适应度的计算，假设阵列孔径为L固定不变，方向图的函数表达式为
其中dn是与第一个阵元的距离，归一化方向图旁瓣电压表达式为
把归一化方向图作为适应度函数。
步骤四：若满足上述的条件，结束算法，若不满足则进行下面遗传操作。
步骤五：遗传操作包括选择、交叉、变异。采用轮盘赌的选择法，选择是通过个体的适应度大小决定是否被选择，若某个个体的适应度为m，种群大小p，被选择的概率为
上述遗传操作过程中对个体进行适当的变化，遗传操作结束之后，接种疫苗和选则疫苗实际上是加入免疫算子，免疫算子的加入目的是提高适应度和防止记忆退化现象的出现；为了保证个体满足不出现栅瓣和最小约束阵元距离。对新生成的种群的个体也就是相邻两个阵元距离的差值重新进行排序。
步骤六：子代种群完成更新，继续循环步骤一至步骤五过程，直到选出最优停止。
所述算法把免疫算法和遗传算法结合进行直线阵列天线稀布阵，理论层面来说，不但可以减少天线阵元，大幅降低成本，还可以达到抑制阵列天线方向图旁瓣电平的目的，在仿真小规模的天线阵模型中效果有效率明显的提升。
Claims (3)
1.一种基于免疫遗传算法的希布阵天线的优化设计方法，其特征在于包括如下步骤：
随机生成初始群体：假设希布阵天线中阵元个数为N，阵列孔径为L，利用随机法对随机赋值一个约束范围内的实数，组成列向量即为一个个体，考虑到每个个体的适应度计算量大，采用取相邻两个阵元距离的差值为个体作为种群个体，d为阵元间距；
抽取疫苗：将
公式作为疫苗，进行归一化方向图计算，其中λ为雷达工作波长，d为阵元间距，θ为波束指向角；θ0为方位与天线法线夹角；
适应度的计算：假设阵列孔径L固定不变，方向图的函数表达式为
其中dn是与第一个阵元的距离；归一化方向图旁瓣电压表达式为
将归一化方向图作为适应度函数；
若满足上述的条件，结束算法，不满足进行如下遗传操作：
遗传操作包括选择、交叉和变异：选择是通过个体的适应度大小决定是否被选择，被选择的概率为
交叉或变异引入的新元素阵元很可能使得新个体不满足最小阵元间距约束，因此在个体作经过一定变化后再进行交叉和变异；遗传操作结束之后，加入免疫算子，提高适应度和防止记忆退化现象的出现；对新生成的种群的个体也就是相邻两个阵元距离的差值重新进行排序。
子代种群完成更新，继续循环此算法过程，直到选出最优的停止。
2.如权利要求1所述的基于免疫遗传算法的希布阵天线的优化设计方法，其特征在于，所述随机生成初始群体的具体方法如下：
采取相邻两个阵元距离的差值为个体作为种群个体，阵元数为N，阵元间距为N-1个，在[0,L]上组成一个(N-1)×1为列向量，表示为：
上式中相邻两个阵元距离的差值的大小是按顺序排列的，其中xi满足x1＜x2＜x3…xN-1∈[0,L-(N-2)d]，搜索空间由[0,L]缩小到[0,L-(N-2)d]。
3.如权利要求1所述的基于免疫遗传算法的希布阵天线的优化设计方法，其特征在于，所述抽取疫苗过程中：
归一化方向图函数表示为：
当上式中
(n为整数)方向图函数值为1，此时存在无数个最大值点，其中
(n为整数)时出现栅瓣，这将会与DOA估计产生严重误差，因此为了保证上述归一化方向图函数不出现栅瓣，要满足
所述方法中疫苗的正确提取和选择会对群体的优化产生推动作用，理论上效率会高于经典传统的遗传算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111101354.1A CN113792492B (zh) | 2021-09-18 | 2021-09-18 | 基于免疫遗传算法的希布阵天线的优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111101354.1A CN113792492B (zh) | 2021-09-18 | 2021-09-18 | 基于免疫遗传算法的希布阵天线的优化设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113792492A true CN113792492A (zh) | 2021-12-14 |
| CN113792492B CN113792492B (zh) | 2024-02-02 |
Family
ID=79184199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111101354.1A Active CN113792492B (zh) | 2021-09-18 | 2021-09-18 | 基于免疫遗传算法的希布阵天线的优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113792492B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572369A (zh) * | 2024-01-19 | 2024-02-20 | 中国科学院空天信息创新研究院 | 星载sar有源相控阵天线距离向在轨形变误差计算方法 |
| CN117829003A (zh) * | 2024-03-05 | 2024-04-05 | 西安电子科技大学 | 一种多策略优化的mimo阵列设计方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018210010A1 (zh) * | 2017-05-16 | 2018-11-22 | 东莞理工学院 | 一种基于获得性遗传的l型阵列天线的阵元排布方法 |
| CN111985145A (zh) * | 2019-05-21 | 2020-11-24 | 合肥若森智能科技有限公司 | 一种大间距相控阵天线栅瓣抑制方法及抑制系统 |
-
2021
- 2021-09-18 CN CN202111101354.1A patent/CN113792492B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018210010A1 (zh) * | 2017-05-16 | 2018-11-22 | 东莞理工学院 | 一种基于获得性遗传的l型阵列天线的阵元排布方法 |
| CN111985145A (zh) * | 2019-05-21 | 2020-11-24 | 合肥若森智能科技有限公司 | 一种大间距相控阵天线栅瓣抑制方法及抑制系统 |
Non-Patent Citations (2)
| Title |
|---|
| 陈客松;韩春林;何子述;: "一种有阵元间距约束的稀布阵天线综合方法", 电波科学学报, no. 01 * |
| 黄超;张剑云;朱家兵;: "基于改进自适应遗传算法的阵列优化", 火力与指挥控制, no. 03 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572369A (zh) * | 2024-01-19 | 2024-02-20 | 中国科学院空天信息创新研究院 | 星载sar有源相控阵天线距离向在轨形变误差计算方法 |
| CN117572369B (zh) * | 2024-01-19 | 2024-04-09 | 中国科学院空天信息创新研究院 | 星载sar有源相控阵天线距离向在轨形变误差计算方法 |
| CN117829003A (zh) * | 2024-03-05 | 2024-04-05 | 西安电子科技大学 | 一种多策略优化的mimo阵列设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113792492B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10931027B2 (en) | Method for array elements arrangement of l-shaped array antenna based on inheritance of acquired character | |
| CN113792492B (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
| CN105205253B (zh) | 一种稀布圆形天线阵列的优化方法 | |
| CN111313158B (zh) | 对圆形状阵列进行稀疏的方法 | |
| CN111160556B (zh) | 一种基于自适应遗传算法的阵列稀疏优化方法 | |
| CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
| CN111985145B (zh) | 一种大间距相控阵天线栅瓣抑制方法及抑制系统 | |
| CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
| 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 | |
| CN109725294A (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
| CN111695233B (zh) | 一种基于改进鲸鱼优化算法的阵元失效校正方法 | |
| CN110046460B (zh) | 一种基于自适应精英遗传算法的两栖车辆布列优化方法 | |
| CN107909139A (zh) | 一种交叉概率因子可调的差分进化算法 | |
| CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
| CN112163808B (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
| CN111353605A (zh) | 基于改进遗传算法的新型平面分子阵天线阵列综合布阵方法 | |
| 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 | |
| CN115510733A (zh) | 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法 | |
| CN114861446A (zh) | 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 | |
| CN111458698B (zh) | 一种被动声纳稀疏阵位优化方法 | |
| 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 | |
| CN109031216B (zh) | 一种基于改进遗传算法的平面阵稀疏优化方法 | |
| CN109741796B (zh) | 一种并行粒子群合金纳米粒子结构优化方法及系统 | |
| CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
| CN116632561B (zh) | 一种稀布高增益天线阵列设计方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |