CN114547817A - 基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 - Google Patents
基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 Download PDFInfo
- Publication number
- CN114547817A CN114547817A CN202210080818.3A CN202210080818A CN114547817A CN 114547817 A CN114547817 A CN 114547817A CN 202210080818 A CN202210080818 A CN 202210080818A CN 114547817 A CN114547817 A CN 114547817A
- Authority
- CN
- China
- Prior art keywords
- population
- array
- search
- sensor array
- sparse sensor
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 241000283153 Cetacea Species 0.000 title claims abstract description 36
- 238000013461 design Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000000739 chaotic effect Effects 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000003491 array Methods 0.000 description 5
- 238000005291 chaos (dynamical) Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011295 pitch Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering 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]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06N3/004—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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法。包括:根据阵元个数,最小阵元间距和阵列孔径,对阵列位置进行位置分解确定搜索孔径;在搜索孔径范围内进行混沌初始化,产生鲸鱼优化算法的初代种群;确定并根据目标函数进行最优个体筛选;更新种群位置产生新的子代种群;利用折射学习产生子代种群的反向解,筛选子代种群及其反向解,寻找最优子代中的最优个体;迭代搜索直至满足设计条件,获得最优个体,从而获得稀疏传感器阵列。本发明利用三步增强全局搜索策略,使种群遍历搜索区间,避免漏解现象的发生,避免陷入局部最优解,能有效地提高大型稀疏传感器线性阵列的设计精度和阵列波束性能,具有较强的工程应用价值。
Description
技术领域
本发明属于稀疏阵列设计领域的一种稀疏传感器阵列设计方法,具体涉及了一种基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法。
背景技术
稀疏传感器线性阵列被广泛应用于通信系统之中,比如雷达、声呐和无线系统,其设计的目的是为了利用较少的传感器数目获得较好的阵列性能。实际工程中,其设计目标多为在阵列单元数目和阵列孔径固定的情况下,优化阵列单元的位置以降低波束旁瓣。布放孔径确定,阵列的主瓣宽度相对固定,对阵列进行稀疏设计,可以降低波束峰值旁瓣级,减小干扰的影响,增强对弱目标检测的能力。相较于工程普遍应用的均匀阵列,稀疏阵列可以在满足同等波束主瓣宽度下,同时减少旁瓣的高度和阵元数目,从而可以有效的降低阵列成本。
目前,稀疏阵列设计的方法主要分为两大类:一种是确定性方法,如互质阵、嵌套阵、差分阵等。这类算法设计简单易实现,但是获得的阵列一般是次优阵列。另一种是随机优化方法。此类方法主要是利用智能算法对阵列位置进行求解。虽然对于大型阵列设计,此类方法通常会存在计算量和全局性能下降等问题,但得益于计算能力的提升,此类算法相对确定性算法在性能上较有优势。
起初,遗传算法、粒子群算法等被应用于稀疏阵列设计,但是这类智能算法收敛性慢,且容易陷入局部最优解。随后为了提高算法性能,一系列全局性能和收敛速度较好的算法被提出并应用到稀疏阵列设计领域。其中鲸鱼算法由于其原理简单、设置参数较少,且收敛速度和问题求解精度上优于其他算法受到学者们关注。现在利用鲸鱼算法进行阵列设计的应用相对较少,虽然现有鲸鱼算法在阵列设计中表现出了很好的性能,但是对于大型阵列的设计其性能也会有所下降。主要原因在于:1)随着搜索范围的扩大,现有指数螺旋策略会出现步长过大而导致搜索精度下降,容易出现早熟现象。2)随机更新策略无法有效跳出局部最优解,容易出现陷入局部最优的情况。
综上所述,现有的鲸鱼算法对于大型传感器阵列的应用较少,且容易出现性能下降的问题。现有的螺旋搜索策略会随着阵列布放范围的扩大,搜索精度降低;同时现有的随机更新策略无法跳出局部最优解。此问题直接影响获得阵列的性能,致使设计阵列性能较差甚至达不到工程需求。
发明内容
为了解决上述问题,本发明提供一种基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法,该方法采用三步增强全局搜索策略改善全局性能。首先将搜索位置进行分解,将离散搜索问题连续化。接下来利用全局增强型鲸鱼优化算法进行阵列设计。在算法初期,利用混沌理论进行初始化,嵌入混沌映射函数初始化种群,使种群遍历搜索区间,增强搜索的遍历性;在算法搜索时,利用阿基米德螺旋搜索策略改善原有螺旋更新位置,避免漏解的现象的发生,避免算法早熟。在算法后期,即子代筛选阶段,用折射学习来产生反向解,优化搜索子群,避免陷入局部最优解。对于大型传感器阵列的设计,全局增强能力的提升可以获得具有更好性能的阵列。
本发明的具体技术方案如下:
本发明的具体步骤如下:
S1:根据稀疏传感器阵列的阵元个数、最小阵元间距和阵列孔径,对稀疏传感器阵列位置进行位置分解确定搜索孔径和阵元间距矩阵;
S2:在搜索孔径范围内进行混沌初始化,产生鲸鱼优化算法的初代种群;
S3:确定目标函数,利用目标函数计算初代种群的峰值旁瓣级,基于峰值旁瓣级对初代种群进行最优个体筛选,获得最优个体;
S4:设置搜索概率和包围系数,基于当前搜索概率和包围系数利用最优个体进行种群位置更新,获得更新的种群位置并产生新的子代种群;
S5:利用折射学习对当前子代种群进行反向求解,获得对应的反向子代种群,利用目标函数计算当前子代种群和对应的反向子代种群的峰值旁瓣级,基于峰值旁瓣级筛选当前子代种群及对应的反向子代种群,筛选获得最优子代,再寻找最优子代中的最优个体;
S6:重复S4-S5,对最优个体进行迭代搜索直至满足设计条件,获得最终的最优个体,基于阵元间距矩阵对最终的最优个体所在位置进行位置合成后,获得稀疏传感器阵列。
所述S1具体为:
S11:由阵元个数N和阵列孔径L确定稀疏传感器阵列中第零阵元位置d0和第N-1阵元位置dN-1,根据最小阵元间距dc对稀疏传感器阵列中剩余阵元位置D*=[d1,d2,...,dN-2]进行位置分解,获得阵元间距矩阵以及搜索位置,具体公式如下;
S12:根据阵列孔径L和最小阵元间距dc对搜索位置X进行条件约束,确定搜索孔径L*,满足L*=L-(N-1)dc。
所述S2具体为:
S21:设置初始混沌值s0和混沌控制参数μ,满足μ∈(0,1),基于初始混沌值s0和混沌控制参数μ利用Kent混沌函数产生[0,1]内的混沌序列S,满足S=(s1,s2,...,sN-2),s1表示第一混沌值,sN-2表示第N-2混沌值;
S22:将搜索孔径L*与混沌序列S相乘后获得初始化搜索位置X,并将初始化搜索位置X作为鲸鱼优化算法的初代种群。
所述S3中目标函数的公式如下:
其中,λ表示所需的稀疏传感器阵列工作频率的波长,wn表示稀疏传感器阵列中第n阵元的复激励,θ表示驾驶角度,θ0表示所需的波束方向,PSLL(·)表示当前方向性图的峰值旁瓣级(PSLL),min表示最小值操作,X表示搜索位置,P表示当前稀疏传感器阵列的方向性图;n、i、m均表示阵元的序号,Z表示整数集,N表示稀疏传感器阵列中阵元个数。
所述S4具体为:
S41:确定策略选择概率p、个体选择概率A和包围系数C,由策略选择概率p、个体选择概率A构成搜索概率,其中个体选择概率A和包围系数C的计算公式如下;
A=2a·r-a
C=2r
其中,a为递减控制参数,r为第一随机参数;
S42:如果策略选择概率p<0.5并且个体选择概率|A|<1,则根据最优个体进行包围搜索后,获得更新的种群位置并产生新的子代种群;如果策略选择概率p<0.5并且个体选择概率|A|≥1,从当前种群中随机选出一个个体进行包围搜索,获得更新的种群位置并产生新的子代种群;
如果策略选择概率p≥0.5,利用阿基米德螺旋策略对最优个体进行阿基米德螺旋位置更新,获得更新的种群位置并产生新的子代种群,具体公式如下:
X(t+1)=X*(t)+Dpeblcos(2πl)
其中,X(t+1)为第t+1次迭代后的种群位置,X*(t)为第t次迭代后最优个体所在位置,t表示迭代搜索次数,Dp表示第t次迭代后最优个体和当前种群中其他个体之间的距离,b表示对数螺旋常数,l为第二随机参数。
所述S5中,利用折射学习对当前子代种群进行反向求解,获得对应的反向子代种群,具体公式如下:
所述S6中设计条件具体为:
A:峰值旁瓣级小于等于峰值旁瓣级阈值;
或者B:迭代搜索次数超过预设迭代次数。
本发明的有益效果在于:
1)本发明嵌入混沌理论对算法进行初始化。传统的随机产生初值的方法会造成初代鲸鱼位置分布不均,这会导致搜索精度降低。采用混沌理论初始化种群,可以使鲸鱼位置随机分布在整个解空间,具有随机性和遍历性,可以提高全局收敛性。
2)本发明利用阿基米德螺旋策略替代传统的鲸鱼算法的对数螺旋位置更新策略。由于原策略随着搜索空间的增大,会导致搜索精度过低而造成漏解的情况发生,阿基米德螺旋的螺距相等,可以通过调节螺距控制步长,提高全局搜索能力。
3)本发明采用折射学习方法求反向解,通过对子代种群及其反向解的求解,加强全局搜索能力,以防止算法陷入局部最优解。与此同时,折射学习引入了伸缩因子,可以有效的避免反向解陷入局部最优。
附图说明
图1是本发明基于全局增强型鲸鱼算法的稀疏阵列设计流程图。其中,虚线边框内为三步增强全局搜索策略。
图2是本发明中混沌初始化前后鲸鱼算法所得阵列性能对比图。其中,(a)为阵列波束对比图,(b)为阵列迭代精度趋势图。
图3是本发明中阿基米德螺旋策略优化前后鲸鱼算法所得阵列性能对比图。
其中,(a)为阵列波束对比图,(b)为阵列迭代精度趋势图。
图4是本发明中折射学习前后鲸鱼算法所得阵列性能对比图。其中,(a)为阵列波束对比图,(b)为阵列迭代精度趋势图。
具体实施方式
下面以一个大型稀疏传感器线性阵列的设计作为实例对本发明作进一步说明。
本实施例中,大型稀疏传感器线性阵列的设计需求如下:
阵列孔径为200m,阵列单元数为40个,阵列工作频率为300Hz。鲸鱼种群数为30,鲸鱼个体数量为40,最大迭代次数为1000,阵列的最小间距为2m。
实施例的流程图如图1所示,具体步骤如下:
S1:根据稀疏传感器阵列的阵元个数、最小阵元间距和阵列孔径,对稀疏传感器阵列位置进行位置分解确定搜索孔径和阵元间距矩阵;
S1具体为:
S11:由阵元个数N和阵列孔径L确定稀疏传感器阵列中第零阵元位置d0和第N-1阵元位置dN-1,根据最小阵元间距dc对稀疏传感器阵列中剩余阵元位置(即N-2个阵元位置)D*=[d1,d2,...,dN-2]进行位置分解,获得阵元间距矩阵以及搜索位置,具体公式如下;
S12:根据阵列孔径L和最小阵元间距dc对搜索位置X进行条件约束,确定搜索孔径L*,满足L*=L-(N-1)dc。本实施例中,L*=122。
其中X∈L*,X=[x1,x2,...,xN-2]T且有x1≤x2≤...≤xN-2。根据问题描述可知d1≥dc,dN-1≤L-dc,所以N-2个阵元的搜索区间变为L-2dc。又因为这些阵元间距也必须满足最小dc以上,所以要减去(N-3)dc,则搜索孔径变为L*=L-2dc-(N-3)dc=L-(N-1)dc。通过分解即可将非连续问题转换为连续问题对阵元位置进行求解。
S2:在搜索孔径范围内进行混沌初始化,产生鲸鱼优化算法的初代种群;
S2具体为:
S21:设置初始混沌值s0和混沌控制参数μ,满足μ∈(0,1),基于初始混沌值s0和混沌控制参数μ利用Kent混沌函数产生[0,1]内的混沌序列S,满足S=(s1,s2,...,sN-2),s1表示第一混沌值,sN-2表示第N-2混沌值;
具体生成公式如下:
其中,sn+1表示第n+1混沌值;本实施例中,s0=0.45,μ=0.625。
S22:将搜索孔径L*与混沌序列S相乘(即X=S·L*)后获得初始化搜索位置X,并将初始化搜索位置X作为鲸鱼优化算法的初代种群。
S3:确定目标函数,利用目标函数计算初代种群的峰值旁瓣级,基于峰值旁瓣级对初代种群进行最优个体筛选,获得最优个体;
S3中目标函数的公式如下:
其中,λ表示所需的稀疏传感器阵列工作频率的波长,本实施例中λ=5m,wn表示稀疏传感器阵列中第n阵元的复激励,本实施例中设置wn=1。θ表示驾驶角度,本实施例中θ∈[-90,90],θ0表示所需的波束方向,本实施例中θ0=0,PSLL(·)表示当前方向性图的峰值旁瓣级,min表示最小值操作,X表示搜索位置,P表示当前稀疏传感器阵列的方向性图;n、i、m均表示阵元的序号,Z表示整数集,N表示稀疏传感器阵列中阵元个数。
S4:设置搜索概率和包围系数,基于当前搜索概率和包围系数利用最优个体进行种群位置更新,获得更新的种群位置并产生新的子代种群;
S4具体为:
S41:确定策略选择概率p、个体选择概率A和包围系数C,用以控制搜索策略,由策略选择概率p、个体选择概率A构成搜索概率,策略选择概率是在[0,1]中随机生成的数,其中个体选择概率A和包围系数C的计算公式如下;
A=2a·r-a
C=2r
其中,a为递减控制参数,r为第一随机参数;a的值是从2线性减小到0,r为(0,1)中的随机数。
S42:如果策略选择概率p<0.5并且个体选择概率|A|<1,则根据最优个体进行包围搜索后,获得更新的种群位置并产生新的子代种群;如果策略选择概率p<0.5并且个体选择概率|A|≥1,从当前种群中随机选出一个个体进行包围搜索,获得更新的种群位置并产生新的子代种群;
具体公式如下:
Q=∣CX*(t)-X(t)∣
X(t+1)=X*(t)-A·Q
其中,Q为位置调整矩阵,X*(t)为第t次迭代后最优个体所在位置,X(t)表示第t次迭代后的种群位置,X(t+1)为第t+1次迭代后的种群位置;
如果策略选择概率p≥0.5,利用阿基米德螺旋策略对最优个体进行阿基米德螺旋位置更新,获得更新的种群位置并产生新的子代种群,具体公式如下:
X(t+1)=X*(t)+Dpeblcos(2πl)
其中,X(t+1)为第t+1次迭代后的种群位置,X*(t)为第t次迭代后最优个体所在位置,t表示迭代搜索次数,Dp表示第t次迭代后最优个体和当前种群中其他个体之间的距离,b表示对数螺旋常数,是用于限定数螺旋形状的常数,l为第二随机参数,l为[-1,1]之间的随机数。
S5:利用折射学习对当前子代种群进行反向求解,获得对应的反向子代种群,利用目标函数计算当前子代种群和对应的反向子代种群的峰值旁瓣级,基于峰值旁瓣级筛选当前子代种群及对应的反向子代种群,筛选获得最优子代,再寻找最优子代中的最优个体;
S5中,利用折射学习对当前子代种群进行反向求解,获得对应的反向子代种群,具体公式如下:
S6:重复S4-S5,对最优个体进行迭代搜索直至满足设计条件,获得最终的最优个体,基于阵元间距矩阵对最终的最优个体所在位置进行位置合成后,即将最终的最优个体所在位置作为S11中的搜索位置,获得稀疏传感器阵列。
S6中设计条件具体为:
A:峰值旁瓣级小于等于峰值旁瓣级阈值;
或者B:迭代搜索次数超过预设迭代次数。
图2是本发明中混沌初始化前后鲸鱼算法所得阵列性能对比图。其中,图2的(a)为阵列波束对比图,图2的(b)为阵列迭代精度趋势图。
混沌初始化前后的峰值旁瓣级如表1所示,可以看出混沌初始化可以提高搜索精度,优化后的PSLL减小了1.3092dB。
表1为混沌初始化前后的峰值旁瓣级表
波束性能 | 混沌初始化前 | 混沌初始化后 |
PSLL(dB) | -18.6525 | -19.9617 |
图3是本发明中阿基米德螺旋策略优化前后鲸鱼算法所得阵列性能对比图。
其中,图3的(a)为阵列波束对比图,图3的(b)为阵列迭代精度趋势图。在混沌初始化的基础上进行阿基米德螺旋策略的改进,优化前后的PSLL如表2所示,可以看出阿基米德螺旋策略优于对原有螺旋策略,优化后的PSLL减小了1.0573dB。
表2为阿基米德螺旋策略优化前后的峰值旁瓣级表
波束性能 | 阿基米德螺旋策略优化前 | 阿基米德螺旋策略优化后 |
PSLL(dB) | -19.9617 | -21.0190 |
图4是本发明中折射学习前后鲸鱼算法所得阵列性能对比图。其中,图4的(a)为阵列波束对比图,图4的(b)为阵列迭代精度趋势图。经过混沌初始化和阿基米德螺旋策略两步优化后进行第三步折射学习优化,优化前后的峰值旁瓣级如表3所示,可以看优化后的PSLL减小了1.4463dB。三步增强全局搜索策略被应用后,性能有了明显的提升,其PSLL值相较原方案降低了3.8128dB。
表3为折射学习优化前后的峰值旁瓣级表
波束性能 | 折射学习优化前 | 折射学习优化前 | 原方案 |
PSLL(dB) | -21.0190 | -22.4653 | -18.6525 |
以上结合附图详细阐述了本发明的基本原理与主要特征,该方法采用三步增强全局搜索策略改善全局性能。三步策略包括嵌入混沌初始化种群、阿基米德螺旋搜索策略和折射学习。该策略增强搜索的遍历性,避免算法早熟,且通过优化搜索子代,避免陷入局部解。对于大型传感器阵列的设计,全局增强能力的提升可以获得具有更好性能的阵列。本发明具有较好的工程实用价值。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (7)
1.一种基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法,其特征在于,具体步骤如下:
S1:根据稀疏传感器阵列的阵元个数、最小阵元间距和阵列孔径,对稀疏传感器阵列位置进行位置分解确定搜索孔径和阵元间距矩阵;
S2:在搜索孔径范围内进行混沌初始化,产生鲸鱼优化算法的初代种群;
S3:确定目标函数,利用目标函数计算初代种群的峰值旁瓣级,基于峰值旁瓣级对初代种群进行最优个体筛选,获得最优个体;
S4:设置搜索概率和包围系数,基于当前搜索概率和包围系数利用最优个体进行种群位置更新,获得更新的种群位置并产生新的子代种群;
S5:利用折射学习对当前子代种群进行反向求解,获得对应的反向子代种群,利用目标函数计算当前子代种群和对应的反向子代种群的峰值旁瓣级,基于峰值旁瓣级筛选当前子代种群及对应的反向子代种群,筛选获得最优子代,再寻找最优子代中的最优个体;
S6:重复S4-S5,对最优个体进行迭代搜索直至满足设计条件,获得最终的最优个体,基于阵元间距矩阵对最终的最优个体所在位置进行位置合成后,获得稀疏传感器阵列。
3.根据权利要求1所述的一种基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法,其特征在于,所述S2具体为:
S21:设置初始混沌值s0和混沌控制参数μ,满足μ∈(0,1),基于初始混沌值s0和混沌控制参数μ利用Kent混沌函数产生[0,1]内的混沌序列S,满足S=(s1,s2,...,sN-2),s1表示第一混沌值,sN-2表示第N-2混沌值;
S22:将搜索孔径L*与混沌序列S相乘后获得初始化搜索位置X,并将初始化搜索位置X作为鲸鱼优化算法的初代种群。
5.根据权利要求1所述的一种基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法,其特征在于,所述S4具体为:
S41:确定策略选择概率p、个体选择概率A和包围系数C,由策略选择概率p、个体选择概率A构成搜索概率,其中个体选择概率A和包围系数C的计算公式如下;
A=2a·r-a
C=2r
其中,a为递减控制参数,r为第一随机参数;
S42:如果策略选择概率p<0.5并且个体选择概率|A|<1,则根据最优个体进行包围搜索后,获得更新的种群位置并产生新的子代种群;如果策略选择概率p<0.5并且个体选择概率|A|≥1,从当前种群中随机选出一个个体进行包围搜索,获得更新的种群位置并产生新的子代种群;
如果策略选择概率p≥0.5,利用阿基米德螺旋策略对最优个体进行阿基米德螺旋位置更新,获得更新的种群位置并产生新的子代种群,具体公式如下:
X(t+1)=X*(t)+Dpeblcos(2πl)
其中,X(t+1)为第t+1次迭代后的种群位置,X*(t)为第t次迭代后最优个体所在位置,t表示迭代搜索次数,Dp表示第t次迭代后最优个体和当前种群中其他个体之间的距离,b表示对数螺旋常数,l为第二随机参数。
7.根据权利要求1所述的一种基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法,其特征在于,所述S6中设计条件具体为:
A:峰值旁瓣级小于等于峰值旁瓣级阈值;
或者B:迭代搜索次数超过预设迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080818.3A CN114547817A (zh) | 2022-01-24 | 2022-01-24 | 基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080818.3A CN114547817A (zh) | 2022-01-24 | 2022-01-24 | 基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114547817A true CN114547817A (zh) | 2022-05-27 |
Family
ID=81672154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210080818.3A Pending CN114547817A (zh) | 2022-01-24 | 2022-01-24 | 基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547817A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599811A (zh) * | 2023-07-18 | 2023-08-15 | 天津师范大学 | 一种时间调制天线阵列的多载波定向调制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160161451A1 (en) * | 2013-11-12 | 2016-06-09 | Woods Hole Oceanographic Institution | Turbine Sensor System For Environmental Impact Monitoring |
CN107422310A (zh) * | 2017-09-05 | 2017-12-01 | 芜湖华创光电科技有限公司 | 一种用于方位与俯仰二维测向的稀疏阵列设计方法 |
WO2018004772A2 (en) * | 2016-04-27 | 2018-01-04 | Proteus Technologies, Llc | Ship-towed hydrophone volumetric array system apparatus |
CN110069896A (zh) * | 2019-05-29 | 2019-07-30 | 重庆邮电大学 | 基于稀疏2d线性阵列的涡旋电磁波产生与优化方法 |
CN113051792A (zh) * | 2021-03-09 | 2021-06-29 | 合肥工业大学 | 一种基于最小互相关原则的稀疏声学阵列设计方法 |
CN116381604A (zh) * | 2023-03-30 | 2023-07-04 | 北京科技大学 | 面向声场测量多目标协同三维传声器阵列优化方法及装置 |
-
2022
- 2022-01-24 CN CN202210080818.3A patent/CN114547817A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160161451A1 (en) * | 2013-11-12 | 2016-06-09 | Woods Hole Oceanographic Institution | Turbine Sensor System For Environmental Impact Monitoring |
WO2018004772A2 (en) * | 2016-04-27 | 2018-01-04 | Proteus Technologies, Llc | Ship-towed hydrophone volumetric array system apparatus |
CN107422310A (zh) * | 2017-09-05 | 2017-12-01 | 芜湖华创光电科技有限公司 | 一种用于方位与俯仰二维测向的稀疏阵列设计方法 |
CN110069896A (zh) * | 2019-05-29 | 2019-07-30 | 重庆邮电大学 | 基于稀疏2d线性阵列的涡旋电磁波产生与优化方法 |
CN113051792A (zh) * | 2021-03-09 | 2021-06-29 | 合肥工业大学 | 一种基于最小互相关原则的稀疏声学阵列设计方法 |
CN116381604A (zh) * | 2023-03-30 | 2023-07-04 | 北京科技大学 | 面向声场测量多目标协同三维传声器阵列优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
WANG L: "Underwater sparse acoustic sensor array design under spacing constraints based on a global enhancement whale optimization algorithm", APPLIED SCIENCES, vol. 12, no. 22, 21 November 2022 (2022-11-21) * |
XU Y: "Application of an Enhanced Whale Optimization Algorithm on Coverage Optimization of Sensor", BIOMIMETICS, vol. 8, no. 4, 1 January 2023 (2023-01-01) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599811A (zh) * | 2023-07-18 | 2023-08-15 | 天津师范大学 | 一种时间调制天线阵列的多载波定向调制方法 |
CN116599811B (zh) * | 2023-07-18 | 2023-09-12 | 天津师范大学 | 一种时间调制天线阵列的多载波定向调制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105842702B (zh) | 多波束成像声呐的旁瓣抑制方法、阵列稀疏方法 | |
CN109241576B (zh) | 基于蚁狮算法的稀疏天线方向图综合方法 | |
US10931027B2 (en) | Method for array elements arrangement of l-shaped array antenna based on inheritance of acquired character | |
CN114547817A (zh) | 基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 | |
CN111143983B (zh) | 基于改进水循环算法的稀布天线阵列低副瓣综合优化方法 | |
CN111353605B (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 | |
CN114218849A (zh) | 基于深度强化学习的复杂阵列天线智能设计方法 | |
CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
CN111724870A (zh) | 一种基于遗传算法的低频多层吸波材料设计方法 | |
CN112763988A (zh) | 基于自适应二进制粒子群遗传算法的混沌序列抗干扰波形设计方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112926271B (zh) | 一种基于混合遗传算法的线性阵列子阵划分方法 | |
CN115374710A (zh) | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 | |
CN111625936B (zh) | 一种非周期平面稀疏相控阵设计方法 | |
CN110705175A (zh) | 一种错位子阵阵面设计方法 | |
CN117406191A (zh) | 基于改进二进制粒子群优化的广域稀布阵列节点遴选方法 | |
CN112615158A (zh) | 超宽带扫描稀疏阵列天线的综合方法及装置 | |
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 | |
CN113447904B (zh) | 基于排列离散差分进化算法的稀疏阵列优化方法 | |
CN112307588B (zh) | 一种非均匀抛物线阵列天线设计方法 | |
Wu et al. | A novel binary butterfly mating optimization algorithm with subarray strategy for thinning of large antenna array | |
CN111291493B (zh) | 一种用于机载预警共形阵俯仰探测波束赋形的设计方法 | |
CN113127943B (zh) | 一种基于遗传和量子粒子群算法的分布式阵列优化方法 | |
CN116341197A (zh) | 一种低峰值旁瓣稀疏阵列综合方法 | |
Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting |
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 |