CN115481569A - 基于改进的cpa算法的阵列天线方向图综合设计方法 - Google Patents

基于改进的cpa算法的阵列天线方向图综合设计方法 Download PDF

Info

Publication number
CN115481569A
CN115481569A CN202211123728.4A CN202211123728A CN115481569A CN 115481569 A CN115481569 A CN 115481569A CN 202211123728 A CN202211123728 A CN 202211123728A CN 115481569 A CN115481569 A CN 115481569A
Authority
CN
China
Prior art keywords
individual
algorithm
design
location
array
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
Application number
CN202211123728.4A
Other languages
English (en)
Inventor
刘燕
胡奎
张亚明
赵昆霞
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.)
Yunnan Normal University
Original Assignee
Yunnan Normal University
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 Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202211123728.4A priority Critical patent/CN115481569A/zh
Publication of CN115481569A publication Critical patent/CN115481569A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/004—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]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q3/00—Arrangements for changing or varying the orientation or the shape of the directional pattern of the waves radiated from an antenna or antenna system
    • H01Q3/26—Arrangements for changing or varying the orientation or the shape of the directional pattern of the waves radiated from an antenna or antenna system varying the relative phase or relative amplitude of energisation between two or more active radiating elements; varying the distribution of energy across a radiating aperture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种基于改进的CPA算法的阵列天线方向图综合设计方法，其包括：通过改进的CPA算法获得阵列天线方向图综合设计模型在设计目标下的最优解决方案，其中，所述改进的CPA算法采用对数式递减的位置参数a值控制猎物力量位置S，使猎物力量位置S随a值递减，由此可避免算法在迭代前期陷入局部最优，并能使算法在后期快速收敛，实现了算法在整个收敛过程的动态控制和平衡。本发明的设计方法可在天线阵列主瓣宽度不展宽的前提下，有效抑制其副瓣电平，形成低于指标要求的副瓣电平和波束，并在多个指定位置形成深零陷。

Description

基于改进的CPA算法的阵列天线方向图综合设计方法
技术领域
本发明属于移动通信天线设计的技术领域，具体涉及阵列天线方向图综合设计方法的技术领域。
背景技术
由于单个天线的增益不足，所以其在远距离通信上存在明显的增益不足的缺点，而阵列天线的高增益的特点又刚好弥补了这一缺点，所以阵列天线在无线通信系统中发挥着重要的作用。
阵列天线方向图综合可通过确定某些必要参数，尽可能满足所需的天线阵的辐射特性。在天线阵列的辐射特性中，高副瓣电平会造成功率的浪费和影响相临近的系统，而深零陷的放置会影响通信系统的抗干扰能力，因此在对应的阵列天线方向图综合设计中，尽量降低副瓣电平和在所需的辐射方向图方向上设置深零陷是非常重要的两个问题。
在使用灰狼算法和花授粉算法等进化算法来求解天线方向图综合问题时，如果希望在特定目标方向形成深零陷，则副瓣电平会相应的升高或者主瓣的宽度会出现展宽，无法满足副瓣电平和深零陷都达到理想的要求。对于灰狼优化算法和花授粉算法等进化算法在求解天线方向图综合问题时，算法优化的中后期缺乏探索，容易陷入局部最优，使得出现目标的副瓣电平增高或者深零陷电平增高和主瓣展宽的情况。
另一方面，现有技术中的群体捕食算法(The Colony Predation Algorithm，CPA)是一种基于自然界动物的群体捕食行为开发出的算法，其使用的数学映射遵循动物狩猎团体使用的策略，例如驱散猎物、包围猎物、支持最有可能成功的猎食者以及寻找另一个目标，并可使用成功率来调整策略并模拟狩猎动物的选择性遗弃行为，所用选择性遗弃行为可在消耗大于收获时会放弃原有目标，转而追寻下一个更有价值的目标。该算法同时还提出了一种处理跨界情况的新方法，将跨界情况的最优位置值替换为跨界值，以提高算法的利用能力。是一种可较好解决天线方向图综合问题的算法。
但与其他进化类算法类似的，由于其进化特性和随机性，CPA算法也存在计算时间长、收敛速度慢的问题。
发明内容
针对现有技术的缺陷，本发明的目的在于提出一种改进的CPA算法，并将其成果用于阵列天线方向图综合问题，由此得到最佳设计方案，该方法可通过对阵列天线各个阵元的激励幅度和相位进行的优化，在主瓣宽度不展宽的前提下，形成低于指标要求的副瓣电平和在指定位置形成深零陷，并显著提高计算精度和效率。
本发明的技术方案如下：
基于改进的CPA算法的阵列天线方向图综合设计方法，其包括：
设置含有设计目标的阵列天线方向图综合设计模型；
通过改进的CPA算法获得所述设计模型在所述设计目标下的最优解决方案；
其中，所述设计目标为：在保证天线阵列主瓣宽度不变的情况下，在其副瓣区形成低于期望值的副瓣电平，并在指定位置形成深零陷；
所述改进的CPA算法含有以下进行猎物力量位置更新的迭代模型：
Figure RE-GDA0003939297520000021
S＝2·S0·r2-S0 (4)
Figure RE-GDA0003939297520000022
其中，S0为随进化代数的增加、从a减少到0的位置函数；a为与进化代数相关的位置函数；t表示进化代数，N表示捕食者种群数量，S表示猎物力量的更新位置，r2∈(0,1)之间的随机数，MaxFEs表示最大函数评价次数。
根据本发明的一些具体实施方式，所述设计模型设置如下：
该模型为由2N个理想点源构成的等间距直线阵，且该直线阵中激励电流幅度中心对称且激励相位均为零，其阵列天线方向图表达式如下：
Figure RE-GDA0003939297520000031
其中，F(θ)表示所述阵列天线方向图表达式，In为第n个阵元的激励幅度， k＝2π/λ表示波数，d为阵元间的间距，λ为自由空间波长，θ为射线方向与阵列轴线之间的夹角。
根据本发明的一些具体实施方式，所述改进的CPA算法中，每个个体的适应度函数值通过以下适应度函数计算得到：
Figure RE-GDA0003939297520000032
其中，fit为个体适应度函数值，PSL为峰值副瓣电平(Peak Sidelobe Level，简称PSL)，TPSL为目标峰值副瓣电平(Target Peak Sidelobe Level,简称TPSL)， NSLL为深零陷电平(Nulling Sidelobe Level简称NSLL)，α和β为权重系数，且α+β＝1，F(θi)表示阵列天线方向图分布函数，i表示当前的第i个深零陷，N0为深零陷的个数。
根据本发明的一些具体实施方式，所述权重系数的选取方式为：根据各设计区域的方向图接近设计目标的程度，进化慢的区域加大权重系数，经过反复实验，确定α和β的值。
根据本发明的一些具体实施方式，所述设计方法包括：
S1：基于所述设计模型，对其设计目标的解空间进行CPA算法初始化；
S2：在初始化后，设置迭代计算中的超出边界位置时的替换模型，如下：
Figure RE-GDA0003939297520000033
其中，j表示维度数，j∈1,2,…,dim，dim表示所述设计目标的问题维数；
Figure RE-GDA0003939297520000034
表示超过边界上限位置ub或边界下限位置lb的个体的位置，
Figure RE-GDA0003939297520000035
表示最近一次迭代中获得的个体的最优位置，即用该最优的位置替换超出边界的位置；
S3：在当前迭代中，计算所有个体的适应度；
S4：在当前迭代中，通过所述迭代模型进行猎物力量位置更新；
S5：在当前迭代中，通过以下个体位置更新模型进行个体位置更新：
Figure RE-GDA0003939297520000041
其中，r为在[0,1]范围内的随机数；
Figure RE-GDA0003939297520000042
为进化到第t代时，寻找食物个体的位置，j∈1,2,…,dim；其中
Figure RE-GDA0003939297520000043
为个体最新更新的位置，即进化到第t+1 代时，寻找食物的个体的位置；
Figure RE-GDA0003939297520000044
为第j维中最接近猎物的两个个体的位置；i表示捕食者种群数，i∈1,2,…,N；
S6：当前迭代中，通过以下种群位置更新模型进行种群位置更新：
当
Figure RE-GDA0003939297520000045
时：
Figure RE-GDA0003939297520000046
Figure RE-GDA0003939297520000047
当
Figure RE-GDA0003939297520000048
时：
Figure RE-GDA0003939297520000049
Figure RE-GDA00039392975200000410
Figure RE-GDA00039392975200000411
Figure RE-GDA00039392975200000412
其中，
Figure RE-GDA00039392975200000413
是捕食者种群的位置；S猎物力量的最新位置；r1、r3、r4、 r5、r7和l均为[0,1]之间的随机数；
Figure RE-GDA00039392975200000414
表示狩猎者的包围曲线；
Figure RE-GDA00039392975200000415
表示分散食物时食物所在的位置；
Figure RE-GDA0003939297520000051
表示包围食物时食物所在的位置；e表示自然指数；D表示当前个体与猎物之间的距离；
Figure RE-GDA0003939297520000052
代表当前的猎人种群；r6为[-2， 2]的随机数；
Figure RE-GDA0003939297520000053
是支援小组中最近的捕食者的位置，在该位置的捕食者会去支援位于离猎物最近的位置
Figure RE-GDA0003939297520000054
处的捕食者；
Figure RE-GDA0003939297520000055
是由个体随机形成的新的个体位置；
Figure RE-GDA0003939297520000056
为第j维上的第i代捕食者个体所在的位置；D1表示寻找食物的随机组成的群体移动的距离；ub和lb分别为个体位置的上限边界位置和下限边界位置。
S7：完成上述更新后，判断算法是否达到最大迭代次数，若是，迭代结束并输出最优解Xbest，以该最优解作为满足所述设计目标的所述设计模型的最优解决方案；否则，增加迭代次数后，返回S2，继续迭代。
根据本发明的一些具体实施方式，所述初始化包括：设置初始进化代数t＝1，设置种群数量N，算法的最大迭代次数itermax，最大函数评价次数MaxFEs、每个函数评价的适应度value、问题的维数dim、个体的位置边界上限ub和下限lb，以及问题的可行解空间，并随机生成一组初始解
Figure RE-GDA0003939297520000057
其中N为种群规模，
Figure RE-GDA0003939297520000058
为个体的位置。
根据本发明的一些具体实施方式，所述权重系数的选取方式为：根据设计区域的方向图接近设计目标的程度，对其中进化速度慢的区域加大权重系数，经过反复实验，获得α和β的值。
本发明具备以下有益效果：
本发明使用改进的CPA算法进行阵列天线方向图综合设计，通过CPA算法的选择性放弃，有助于防止算法陷入局部最优，并且还增强了个体间的合作和交流，增加了进化中后期局部探索能力，进一步有助于避免陷入局部最优，从而能够获得更好的目标副瓣电平和深零陷电平。
本发明采用递减的a值来控制猎物的力量S，S的值又由a递减到0。而原始 CPA中，在算法迭代的初期，a的值过小，在迭代后期，a的值过大，导致猎物前期的力量较小，容易陷入局部最优，后期时，过大的a值又会使算法收敛速度变慢甚至无法寻到最优解。本发明采用递减的a值，猎物的力量S会随a的值递减，带来的益处就是能够在算法迭代前期不易陷入局部最优，而对数式的衰减速度又能够让算法在后期快速收敛，从而很好的平衡了算法在整个收敛过程的动态控制。
本发明将基于改进的CPA算法用于进行阵列天线方向图综合，通过对阵列天线各个阵元的激励幅度和相位进行优化，在主瓣宽度不展宽的前提下，有效抑制了副瓣电平，形成了低于指标要求的副瓣电平并在指定位置形成深零陷，表现出了比原始CPA算法以及灰狼优化算法更优的性能。
本发明首次将CPA算法用于设计阵列天线方向图综合问题，并且针对原始 CPA算法在求解阵列天线方向图综合问题时存在收敛速度慢、容易陷入局部最优等问题，提出了改进的CPA算法。CPA算法是基于动物群体的捕猎方式，而产生的新型群体智能优化算法。
本发明中使用的改进的CPA算法，具有很强的通用性和可移植性，可以应用于相关领域的优化问题中，亦可以嵌入到别的算法中，本发明的设计方法，不仅为阵列天线方向图综合问题提出了新的思路和方法，而且还有效拓展了CPA算法的应用深度和广度。
附图说明
图1为实施例1中灰狼算法得到的方向图。
图2为实施例1中原始CPA算法得到的收敛曲线图。
图3为实施例1中原始CPA算法得到的方向图。
图4为实施例1中改进CPA算法得到的收敛曲线图。
图5为实施例1中改进CPA算法得到的方向图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
根据本发明的技术方法，所述基于改进CPA算法的阵列天线方向图综合方法的一些具体实施方式包括以下步骤：
S0：设置阵列天线方向图综合设计模型，该模型为由2N个理想点源构成的等间距直线阵，且该直线阵中激励电流幅度中心对称且激励相位均为零，其阵列天线方向图表达式如下：
Figure RE-GDA0003939297520000071
其中，F(θ)表示所述阵列天线方向图表达式，In为第n个阵元的激励幅度， k＝2π/λ表示波数，d为阵元间的间距，λ为自由空间波长，θ为射线方向与阵列轴线之间的夹角。
在一些具体实施例中，本发明可取d＝0.5λ。
以上设计模型可充分减少优化变量、降低计算成本，得到优异的设计方案。
S1：基于S0的设计模型，对其设计目标的解空间进行CPA算法初始化。
进一步的，其可包括：设置初始进化代数t＝1，设置种群数量N，算法的最大迭代次数itermax，最大函数评价次数MaxFEs、每个函数评价的适应度value、问题的维数dim、个体的位置边界上限ub和下限lb，以及问题的可行解空间，并随机生成一组初始解
Figure RE-GDA0003939297520000072
其中N为种群规模，
Figure RE-GDA0003939297520000073
为个体的位置。
在所用CPA算法中，狩猎的猎人为捕食者，而捕食者种群(种群)又由独立的捕食者个体(个体)组成，捕食的猎物为食物，捕食者搜索着猎物即食物的位置，发现食物后，先把食物分散开来，再去包围食物，遇到需要支援的捕食者个体，会由离其最近的其他捕食者组成的支援小组进行支援，而种群的维度就是种群的大小，由初始值给出，适应度函数值的大小则是评估个体值优劣的指标，从而决定是否需要优化个体。
S2：在初始化后，进行CPA算法的迭代计算，其中，当代表任一解决方案的个体的位置超过边界上限ub和下限lb时，使用式(1)来替换超出边界的位置：
Figure RE-GDA0003939297520000074
其中，j表示维度数，j∈1,2,…,dim，dim表示所述设计目标的问题维数；
Figure RE-GDA0003939297520000075
表示超过边界上限位置ub或边界下限位置lb的个体的位置，
Figure RE-GDA0003939297520000081
表示最近一次迭代中获得的个体的最优位置，即用该最优的位置替换超出边界的位置；
S3：在迭代计算的过程中，计算所有个体的适应度函数值。
进一步的，可通过式(2)计算每个个体的适应度函数值；
Figure RE-GDA0003939297520000082
其中，fit为个体适应度函数值，PSL为峰值副瓣电平(Peak Sidelobe Level，简称PSL)，TPSL为目标峰值副瓣电平(Target Peak Sidelobe Level,简称TPSL)， NSLL为深零陷电平(Nulling Sidelobe Level简称NSLL)，α和β为权重系数，且α+β＝1，i表示当前的第i个深零陷，N0为深零陷的个数。
进一步的，权重系数的选取方式如：根据各设计区域的方向图接近设计目标的程度，进化慢的区域可适当加大权重系数，经过反复实验，确定α和β的值。
S4：在迭代计算的过程中，计算猎物的力量S的更新位置。
进一步的，通过式(3)和式(4)来计算S的更新位置；
Figure RE-GDA0003939297520000083
S＝2·S0·r2-S0 (4)
式中，S0为随进化代数的增加、从a减少到0的位置函数；a为与进化代数相关的位置函数；t表示进化代数，N表示捕食者种群数量，S表示猎物力量的更新位置，r2∈(0,1)之间的随机数，其中a的值由式(5)计算得到：
Figure RE-GDA0003939297520000084
其中，MaxFEs表示最大函数评价次数；t表示进化代数。
S5：在迭代计算的过程中，计算个体最新更新的位置；
进一步的，通过式(6)计算个体最新更新的位置：
Figure RE-GDA0003939297520000085
其中，r为在[0,1]范围内的随机数；
Figure RE-GDA0003939297520000091
为进化到第t代时，寻找食物个体的位置，j∈1,2,…,dim；其中
Figure RE-GDA0003939297520000092
为个体最新更新的位置，即进化到第t+1 代时，寻找食物的个体的位置；
Figure RE-GDA0003939297520000093
为第j维中最接近猎物的两个个体的位置；i表示捕食者种群数，i∈1,2,…,N；
S6：在迭代计算的过程中，计算捕食者种群的位置。
进一步的，通过以下计算模型计算种群位置：
当
Figure RE-GDA0003939297520000094
时，通过式(7)计算种群的位置：
Figure RE-GDA0003939297520000095
其中，
Figure RE-GDA0003939297520000096
是捕食者种群的位置；S为由公式(3)，(4)，(5)共同得到的猎物的力量的最新位置，r1和r7均为[0,1]之间的随机数；j＝dim是种群的维数，ub和lb是边界的上限和下限，l为[0，1]之间的随机数，
Figure RE-GDA0003939297520000097
表示狩猎者的包围曲线，
Figure RE-GDA0003939297520000098
表示分散食物时食物所在的位置；
Figure RE-GDA0003939297520000099
表示包围食物时食物所在的位置；e表示自然指数，D表示当前个体与猎物之间的距离，D在不同个体之间是不同的，可通过下式得到：
Figure RE-GDA00039392975200000910
其中，
Figure RE-GDA00039392975200000911
代表当前的猎人种群；r4为[0，1]之间的随机数；
Figure RE-GDA00039392975200000912
是由个体随机形成的新的个体位置；
当
Figure RE-GDA00039392975200000913
时，通过式(9)计算种群的位置：
Figure RE-GDA0003939297520000101
其中，r6为[-2，2]的随机数；
Figure RE-GDA0003939297520000102
是支援小组中最近的捕食者的位置，在该位置的捕食者会去支援位于离猎物最近的位置
Figure RE-GDA0003939297520000103
处的捕食者；
Figure RE-GDA0003939297520000104
是由个体随机形成的新的个体位置；D1表示寻找食物的随机组成的群体移动的距离；r4是[0， 1]的随机数，且其中：
Figure RE-GDA0003939297520000105
其中，r3为[0,1]的随机数；
Figure RE-GDA0003939297520000106
为第j维上的第i代捕食者个体所在的位置；
Figure RE-GDA0003939297520000107
其中，r5为[0,1]的随机数；ub和lb是个体位置边界的上限和下限。
Figure RE-GDA0003939297520000108
其中，r4是[0，1]的随机数，
Figure RE-GDA0003939297520000109
是由个体随机形成的新的个体位置，
Figure RE-GDA00039392975200001010
代表当前猎人种群。
S7：每次迭代更新后，判断算法是否达到最大迭代次数，即判别是否满足 t≥itermax，若是，算法结束并输出最优解Xbest，以该最优解作为满足所述设计目标的所述设计模型的最佳设计方案；否则，赋值t＝t+1，返回S2，继续迭代。
实施例1
下面结合仿真实验对本发明进行进一步说明。
1、实验条件：
在CPU为12th Gen Intel(R)Core(TM)i5-12500H 2.50GHz，内存为16.0GB DDR4，Win 11操作系统上使用MATLAB 2016进行仿真。仿真中分别使用灰狼优化算法、原始CPA算法及将本发明提出的改进CPA算法用于阵列天线方向图综合问题。
2、实验内容：
对式(13)所描述的电流幅度中心对称的直线阵进行方向图综合设计，采用实例来验证本发明提出的算法用于阵列天线方向图综合问题的效果。
实验:2N＝20，阵元间距d＝0.5λ，与Prerna Saxena和Ashwin Kothari发表的论文《SaxenaP,Kothari A.Optimal pattern synthesis of linear antenna array usinggrey wolf optimization algorithm[J].International Journal of Antennas andPropagation,2016,2016.》中的例7进行比较。其中，主瓣宽度2θ0＝16°，副瓣区域为θ＝[0°,82°]和θ＝[98°,180°]，深零陷设置在64°，76°，104°，116°的位置上，种群数量均为30，迭代次数也均为1000。
3、实验结果：
图1是采用灰狼优化算法优化得到的阵列方向图，其中副瓣区的最高电平为 -28.44dB。图3和图5分别为原始CPA算法和改进的CPA算法优化得到的阵列方向图，并且其副瓣区的最高电平分别为-29.10dB和-29.76dB。而灰狼优化算法的深零陷在64°(对称点为116°)对应电平为-92.02dB，在76°(对称点104°)的对应电平为-79.12dB。原始CPA算法的深零陷在64°(对称点为116°)的对应电平为-99.66dB，在76°(对称点为104°)的对应电平为-82.37dB，改进CPA算法的深零陷在64°(对称点为116°)的对应电平为-132.39dB，在76°(对称点为104°) 的对应电平为-115.36dB。由此可以看出，改进的CPA算法优化得到的方向图的峰值副瓣电平比原始CPA算法得到的值低了0.66dB，比灰狼优化算法得到的值低了1.32dB；尤其是在64°位置上的深零陷的值比原始CPA算法得到的值低了 32.73dB，比灰狼优化算法得到的值低40.37dB；在76°位置上的深零陷的值比原始CPA算法得到的值低32.99dB，比灰狼优化算法得到的值低36.24dB。进一步验证了本发明提出的算法的有效性。
三者之间的比较如下表1所示：
表1不同算法的计算结果比较
Figure RE-GDA0003939297520000111
Figure RE-GDA0003939297520000121
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，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的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.基于改进的CPA算法的阵列天线方向图综合设计方法，其特征在于，其包括：引入对数函数对CPA算法的a值进行改进，并把改进的CPA算法用于解决阵列天线方向图综合问题，并具体包括：
设置含有设计目标的阵列天线方向图综合设计模型；
通过改进的CPA算法获得的所述设计模型在所述设计目标下的最优解决方案；
其中，所述设计目标为：在保证天线阵列主瓣宽度不变的情况下，在其副瓣区形成低于期望值的副瓣电平，并在指定位置形成深零陷；
所述改进的CPA算法含有以下进行猎物力量位置更新的迭代模型：
Figure FDA0003847452180000011
S＝2·S0·r2-S0 (4)
Figure FDA0003847452180000012
其中，S0为随进化代数的增加，从a减少到0的位置函数；a为与进化代数相关的位置函数；t表示进化代数，N表示捕食者种群数量，S表示猎物力量的更新位置，r2∈(0,1)之间的随机数，MaxFEs表示最大函数评价次数。
2.根据权利要求1所述的设计方法，其特征在于，所述设计模型设置如下：
该模型为由2N个理想点源构成的等间距直线阵，且该直线阵中激励电流幅度中心对称且激励相位均为零，其阵列天线方向图表达式如下：
Figure FDA0003847452180000013
其中，F(θ)表示所述阵列天线方向图表达式，In为第n个阵元的激励幅度，k＝2π/λ表示波数，d为阵元间的间距，λ为自由空间波长，θ为射线方向与阵列轴线之间的夹角。
3.根据权利要求1所述的设计方法，其特征在于，所述改进的CPA算法中，每个个体的适应度函数值的计算通过以下适应度函数表达式得到：
Figure FDA0003847452180000014
其中，fit为个体适应度函数值，PSL为峰值副瓣电平，TPSL为目标峰值副瓣电平，NSLL为深零陷电平，α和β为权重系数，且α+β＝1，F(θi)表示阵列天线方向图分布函数，i表示当前的第i个深零陷，N0为深零陷的个数。
4.根据权利要求1所述的设计方法，其特征在于，其包括：
S1：基于所述设计模型，对其设计目标的解空间进行CPA算法初始化；
S2：在初始化后，设置迭代计算中的超出边界位置时的替换模型，如下：
Figure FDA0003847452180000021
其中，j表示维度数，j∈1,2,…,dim，dim表示所述设计目标的问题维数；
Figure FDA0003847452180000022
表示超过边界上限位置ub或边界下限位置lb的个体的位置，
Figure FDA0003847452180000023
表示最近一次迭代中获得的个体的最优位置，即用该最优的位置替换超出边界的位置；
S3：在当前迭代中，计算所有个体的适应度；
S4：在当前迭代中，通过所述迭代模型进行猎物力量的位置更新；
S5：在当前迭代中，通过以下个体位置更新模型进行个体位置更新：
Figure FDA0003847452180000024
其中，r为在[0,1]范围内的随机数；
Figure FDA0003847452180000025
为进化到第t代时，寻找食物个体的位置，j∈1,2,…,dim；其中
Figure FDA0003847452180000026
为个体最新更新的位置，即进化到第t+1代时，寻找食物的个体的位置；
Figure FDA0003847452180000027
为第j维中最接近猎物的两个个体的位置；i表示捕食者种群数，i∈1,2,…,N；
S6：当前迭代中，通过以下种群位置更新模型进行种群位置更新：
当
Figure FDA0003847452180000028
时：
Figure FDA0003847452180000029
Figure FDA0003847452180000031
当
Figure FDA0003847452180000032
时：
Figure FDA0003847452180000033
Figure FDA0003847452180000034
Figure FDA0003847452180000035
Figure FDA0003847452180000036
其中，
Figure FDA0003847452180000037
是捕食者种群的位置；S为猎物力量的最新位置；r1、r3、r4、r5、r7和l均为[0,1]之间的随机数；
Figure FDA0003847452180000038
表示狩猎者的包围曲线；
Figure FDA0003847452180000039
表示分散食物时食物所在的位置；
Figure FDA00038474521800000310
表示包围食物时食物所在的位置；e表示自然指数；D表示当前个体与猎物之间的距离；
Figure FDA00038474521800000311
代表当前的猎人种群；r6为[-2，2]的随机数；
Figure FDA00038474521800000312
是支援小组中最近的捕食者的位置，在该位置的捕食者会去支援位于离猎物最近的位置
Figure FDA00038474521800000313
处的捕食者；
Figure FDA00038474521800000314
是由个体随机形成的新的个体位置；
Figure FDA00038474521800000315
为第j维上的第i代捕食者个体所在的位置；D1表示寻找食物的随机组成的群体移动的距离；ub和lb分别为个体位置的上限边界位置和下限边界位置；
S7：完成上述更新后，判断算法是否达到最大迭代次数，若是，迭代结束并输出最优解Xbest，以该最优解作为满足所述设计目标的所述设计模型的最优解决方案；否则，增加迭代次数后，返回S2，继续迭代。
5.根据权利要求4所述的设计方法，其特征在于，所述初始化包括：设置初始进化代数t＝1，设置种群数量N，算法的最大迭代次数itermax，最大函数评价次数MaxFEs、每个评估的适应度value、问题的维数dim、个体的位置边界上限ub和下限lb，以及问题的可行解空间，并随机生成一组初始解
Figure FDA0003847452180000041
其中N为种群规模，
Figure FDA0003847452180000042
为个体的位置。
6.根据权利要求4所述的设计方法，其特征在于，所述个体适应度函数值通过以下计算模型得到：
Figure FDA0003847452180000043
其中，fit为个体适应度函数值，PSL为峰值副瓣电平，TPSL为目标峰值副瓣电平，NSLL为深零陷电平，α和β为权重系数，且α+β＝1，i表示当前的第i个深零陷，N0为深零陷的个数。
7.根据权利要求6所述的设计方法，其特征在于，所述权重系数的选取方式为：根据设计区域的方向图接近设计目标的程度，对其中进化慢的区域加大权重系数，经过实验，获得α和β的值。
CN202211123728.4A 2022-09-15 2022-09-15 基于改进的cpa算法的阵列天线方向图综合设计方法 Pending CN115481569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211123728.4A CN115481569A (zh) 2022-09-15 2022-09-15 基于改进的cpa算法的阵列天线方向图综合设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211123728.4A CN115481569A (zh) 2022-09-15 2022-09-15 基于改进的cpa算法的阵列天线方向图综合设计方法

Publications (1)

Publication Number Publication Date
CN115481569A true CN115481569A (zh) 2022-12-16

Family

ID=84424168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211123728.4A Pending CN115481569A (zh) 2022-09-15 2022-09-15 基于改进的cpa算法的阵列天线方向图综合设计方法

Country Status (1)

Country Link
CN (1) CN115481569A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842846A (zh) * 2023-07-14 2023-10-03 云南师范大学 一种基于改进的do算法的阵列天线方向图综合设计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842846A (zh) * 2023-07-14 2023-10-03 云南师范大学 一种基于改进的do算法的阵列天线方向图综合设计方法
CN116842846B (zh) * 2023-07-14 2024-03-08 云南师范大学 一种基于改进的do算法的阵列天线方向图综合设计方法

Similar Documents

Publication Publication Date Title
CN112329934A (zh) 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN106650058B (zh) 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
CN106779210B (zh) 基于蚁群算法的火力分配方法
CN110728401A (zh) 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法
CN109444832A (zh) 基于多干扰效能值的群智能干扰决策方法
CN115481569A (zh) 基于改进的cpa算法的阵列天线方向图综合设计方法
CN115498423A (zh) 基于改进的灰狼优化算法的阵列天线方向图综合设计方法
CN113240068A (zh) 一种基于改进蚁狮算法的rbf神经网络优化方法
CN114995460B (zh) 一种基于自适应改进蚁群算法的机器人路径规划方法
CN112070418B (zh) 一种多目标鲸鱼优化算法的武器目标分配方法
CN111709511A (zh) 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法
CN115328189B (zh) 多无人机协同博弈决策方法和系统
Liang et al. Transmission power optimization for reducing sidelobe via bat-chicken swarm optimization in distributed collaborative beamforming
Yu et al. WSN node location based on beetle antennae search to improve the gray wolf algorithm
CN112329371A (zh) 一种基于IALO-BP神经网络的Doherty功率放大器逆向建模方法
CN116702633A (zh) 一种基于多目标动态优化的异构弹群任务可靠性规划方法
Durmus Novel metaheuristic optimization algorithms for sidelobe suppression of linear antenna array
CN117421969A (zh) 一种基于bssa算法优化lssvm模型的风速预测方法
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
CN116338599A (zh) 一种面向多功能雷达的干扰样式和工作参数联合优化方法
CN116738788A (zh) 基于混沌鲸鱼优化算法的阵列单元失效校正方法
CN116088572A (zh) 基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法
CN113539511B (zh) 一种基于k近邻约束优化的传染病传播治疗模型优化方法
CN116956728A (zh) 基于改进的who算法的稀布阵列天线低副瓣方向图设计方法
CN116842846B (zh) 一种基于改进的do算法的阵列天线方向图综合设计方法

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