CN115510733A - 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法 - Google Patents

一种基于改进交叉遗传算法的阵列天线旁瓣优化方法 Download PDF

Info

Publication number
CN115510733A
CN115510733A CN202210933965.0A CN202210933965A CN115510733A CN 115510733 A CN115510733 A CN 115510733A CN 202210933965 A CN202210933965 A CN 202210933965A CN 115510733 A CN115510733 A CN 115510733A
Authority
CN
China
Prior art keywords
circular array
array
genetic algorithm
antenna
array 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.)
Pending
Application number
CN202210933965.0A
Other languages
English (en)
Inventor
张华美
姜文琦
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210933965.0A priority Critical patent/CN115510733A/zh
Publication of CN115510733A publication Critical patent/CN115510733A/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
    • G06N3/12—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
    • G06F2111/08—Probabilistic or stochastic CAD

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)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (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交叉遗传算法的阵列天线旁瓣优化方法，属于计算机技术与应用领域。为了实现低旁瓣的优化目标，天线阵列的排布选择圆形阵列并使用改进的遗传算法对其进行优化，同时，增加了阵列半径大小固定、放置阵元总数不变的约束。当采用改进交叉的遗传算法时，增加了对初始种群的测量过程和根据对比设定值选择两种不同交叉方式以减小重复率的方法，通过迭代得到最优峰值旁瓣电平和稀布圆形阵列的最优半径，与传统方法相比可以有效降低峰值旁瓣电平。本发明具有不易陷入局部最优、搜索精度高、收敛速度快等特点，在5G通信技术及雷达抗干扰系统中有广泛的应用前景。

Description

一种基于改进交叉遗传算法的阵列天线旁瓣优化方法
技术领域
本发明涉及一种基于改进交叉遗传算法的阵列天线旁瓣优化方法，属于计算机科学技术与应用领域。
背景技术
现代天线设计中，往往对天线有指向性好，旁瓣电平低，天线增益高的指标，单根天线会出现无法满足上述要求的问题。进入5G时代，从均匀阵列中除去一些阵元，同时，使阵元在阵列中随机分布形成稀布阵列天线，这就需要减少阵元个数与降低成本，实现与满阵相同的效果同时兼顾了资源的合理利用。
阵列天线优化是应用于现代天线设计中的研究热点，但一些传统优化方法只能达到降低旁瓣的效果，而不具备收敛速度快，搜索精度高，计算复杂度低的特点。
发明内容
为解决上述问题，本发明提出一种基于改进交叉遗传算法的阵列天线旁瓣优化方法，天线阵列的排布选择圆形阵列并使用改进交叉的遗传算法对其进行优化，同时，增加了阵列半径大小固定、放置阵元总数不变的约束条件。当采用改进交叉的遗传算法时，增加了对初始种群的测量过程和根据对比设定值选择两种不同交叉方式以减小重复率的方法，通过迭代寻优出稀布圆形阵列的最优半径，嵌入函数模型后可以有效降低峰值旁瓣电平。本发明具有不易陷入局部最优、搜索精度高、收敛速度快等特点，在5G通信技术及雷达抗干扰系统中有广泛的应用前景。
本发明为解决上述技术问题采用以下技术方案：
一种基于改进交叉遗传算法的阵列天线旁瓣优化方法，所述阵列天线为圆形阵列天线，所述圆形阵列天线采用改进交叉的遗传算法对其峰值旁瓣电平进行优化，具体步骤如下：
步骤1，构建描述圆形阵列天线的初始种群；
步骤2，基于初始种群进行第一次迭代，并对第一次迭代结果进行一次测量；
步骤3，将步骤2得到的测量结果中不满足设定收敛要求的个体替换为满足设定收敛要求的经验值；
步骤4，对步骤3得到的种群进行选择、交叉和变异操作；
步骤5，重复执行步骤2-4，进行圆环层数寻优，得到最优圆环层数；
步骤6，保持步骤5得到的最优圆环层数，重复执行步骤2-4，输出最优峰值旁瓣电平和圆形阵列的最优半径。
进一步地，未对内部圆环层数寻优前，保持最外层圆环大小不变。
进一步地，所述圆形阵列天线的圆心固定放置一个天线单元。
进一步地，所述圆形阵列天线的天线单元总数固定。
进一步地，所述步骤4中，进行交叉操作前，先计算当前种群与前一次迭代结果的个体相关性，若个体相关性均大于设定阈值，则以对半概率进行交叉操作，否则在基因片段差异超过设定差异值的个体中进行交叉。
进一步地，所述改进交叉的遗传算法的适应度函数为：
Figure RE-GDA0003909394570000021
Figure RE-GDA0003909394570000022
其中MSLL为适应度函数，F(φ)为方向图函数，FdB(φ)表示归一化后的方向图的函数，φ是以 x轴正方向为参考方向的方位角，S表示方向图的旁瓣区间，λ为波长，R为圆形阵列的半径， di表示第i个天线单元的方位角，(φ0,θ0)表示圆形阵列主波束指向方向。
进一步地，所述交叉概率为0.8，变异概率为0.05。
进一步地，所述圆形阵列中每一层级圆环半径大于0且小于等于4.7。
进一步地，所述优化方法选取的目标函数与所述改进交叉的遗传算法的适应度函数相同。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明能够在传统遗传算法基础上进一步改进，测量第一代初始化种群并选取较好解替换，同时，在遗传算法的交叉过程增加预处理。当采用改进交叉的遗传算法时，通过迭代得到最优峰值旁瓣电平和稀布圆形阵列的最优半径，与传统方法相比可以有效降低峰值旁瓣电平。该算法不易陷入局部最优、搜索精度高、收敛速度快等特点，在5G通信技术及雷达抗干扰系统中有广泛的应用前景。
附图说明
图1是本发明未对层数优化时，圆形阵列的阵元排布方式；
图2是本发明未对层数优化时，圆形阵列采用MATLAB软件计算的迭代速度曲线；
图3是本发明未对层数优化时，圆形阵列采用MATLAB软件计算的天线辐射方向图；
图4是本发明未对层数优化时，圆形阵列的三维立体方向图；
图5是本发明一实施例中，圆形阵列的阵元排布方式；
图6是本发明一实施例中，圆形阵列采用MATLAB软件计算的迭代速度曲线；
图7是本发明一实施例中，圆形阵列采用MATLAB软件计算的天线辐射方向图；
图8是本发明一实施例中，圆形阵列采用遗传算法优化的三维立体方向图；
图9是本发明另一实施例中，圆形阵列的阵元排布方式；
图10是本发明另一实施例中，圆形阵列采用MATLAB软件计算的迭代速度曲线；
图11是本发明另一实施例中，圆形阵列采用MATLAB软件计算的天线辐射方向图；
图12是本发明另一实施例中，圆形阵列采用改进交叉遗传算法优化的三维立体方向图；
图13是本发明的方法流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明提出一种基于改进交叉遗传算法的阵列天线旁瓣优化方法，为了实现低旁瓣的优化目标，天线阵列的排布选择圆形阵列并使用改进的遗传算法对其进行优化，同时，增加了阵列半径大小固定、放置阵元总数不变的约束。当采用改进交叉的遗传算法时，通过迭代寻优出稀布圆形阵列的最优半径，嵌入函数模型后可以有效降低峰值旁瓣电平。本发明具有不易陷入局部最优、搜索精度高、收敛速度快等特点，有利于平面阵列天线设计和5G移动通信应用。
本发明的一种基于改进交叉遗传算法的阵列天线旁瓣优化方法，所述阵列天线包括由天线单元组成的圆阵结构；圆形阵列中的天线单元逐层放置。该优化方法先对圆面内层数取最优后，再由改进交叉的遗传算法优化圆面内每一层阵元个数与相邻层级之间的间隔，是全向天线单元组成的圆形阵列结构；天线阵元在圆面内逐层放置，圆心阵元固定放置，同一层级上的相邻阵元之间的间隔相同，不同层级之间的间隔不同，最外层阵列半径固定。如图13所示，采用改进交叉的遗传算法对峰值旁瓣电平进行优化，具体步骤如下：
步骤1，构建描述圆形阵列天线的初始种群；
步骤2，基于初始种群进行第一次迭代，并对第一次迭代结果进行一次测量；
步骤3，将步骤2得到的测量结果中不满足设定收敛要求的个体替换为满足设定收敛要求的经验值；
步骤4，对步骤3得到的种群进行选择、交叉和变异操作；
步骤5，对种群进行内部圆环层数的寻优，重复执行步骤2-4操作，得到最优圆环数；
步骤6，保持步骤5得到的最优圆环数，重复执行步骤2-4操作优化种群，迭代输出峰值旁瓣电平最优值和圆形阵列的最优半径。
其中，未对圆环层数寻优前保持最外层圆环大小不变。具体调用函数为Population_Init。
其中，所述优化方法改进了遗传算法的交叉过程，对第二代之后的种群进行交叉前，为了减小重复概率，先给出一个设定值，与前一代个体结果进行对比，若大于该值则对半概率进行交叉操作，若小于等于设定值则在基因片段差异较大的个体中进行筛选交叉，该方法加快了算法收敛速度，提高了稳定性。
其中，所述优化方法选取适应度函数为峰值旁瓣电平，具体函数如下：
Figure RE-GDA0003909394570000041
Figure RE-GDA0003909394570000042
其中F(φ)为方向图函数，λ为波长，R为圆形阵列半径，φ是以x轴正方向为参考方向的方位角，di表示第i个阵元的方位角，主波束指向方向为(φ0,θ0)，MSLL为适应度函数，FdB(φ) 表示归一化后的方向图的函数，S表示方向图的旁瓣区间。
其中，所述优化方法选取的目标函数与适应度函数相同。
在一个实施例中，如图1所示，在未对层数优化时，阵列天线由120个阵元在平面中组成圆形阵列。整个圆形阵列共4层阵元组成，第1层圆心处固定放置一个阵元，其余3层逐级分布，相邻圆环之间距离进行稀布。每个阵元均为理想全向天线单元。计算得到未优化圆形阵列的峰值旁瓣电平，但是仿真计算的复杂度较高，速度较慢，容易陷入局部解。
本实施例中未对圆形阵列进行优化，圆形阵列最大半径为4.7，以圆心为基准，圆面上4 层圆环到圆心的距离分别为0，1.9896，2.9487，4.7000；每层上阵元个数分别为1，25，31， 63；利用MATLAB软件仿真计算得到的阵列天线各项特性。
图2是采用MATLAB软件计算的阵列天线旁瓣电平适应度函数的迭代速度曲线，设置最大迭代次数为200，种群大小为50，可以看出通过迭代后得到的峰值旁瓣电平为-16.3092dB。
图3是采用MATLAB软件计算的圆形阵列天线的辐射方向图，横轴表示归一化后天线单元相位，纵轴表示旁瓣电平。选取目标函数与适应度函数相同，相位范围在-180°与180°之间，旁瓣电平范围在0与-40dB之间。可以看出峰值旁瓣电平与迭代后得到的值大小相同为-16.3092dB。
图4是圆形阵列天线的三维辐射方向图。
在一个实施例中，如图5所示，优化的阵列天线由120个阵元在平面中组成圆形阵列。整个圆形阵列共7层阵元组成，第1层圆心处固定放置一个阵元，其余6层逐级分布，相邻圆环之间距离进行稀布。每个阵元均为理想全向天线单元。采用一般的遗传算法对该圆形阵列进行优化，可以降低峰值旁瓣电平，但是仿真计算的复杂度较高，速度较慢，需要针对性的进一步作出改进。
本实施例中采用遗传算法对整个圆形阵列每个圆环上阵元个数及不同层级距离进行优化，圆形阵列最大半径为4.7，以圆心为基准，圆面上7层圆环到圆心的距离分别为0，0.5803， 1.1377，2.0203，2.9215，3.7532，4.7000；每层上阵元个数分别为1，7，14，25，31，31， 11；利用MATLAB软件仿真计算得到的阵列天线各项特性。
图6是采用MATLAB软件计算的阵列天线旁瓣电平优化方法适应度函数的迭代速度曲线，该优化算法设置最大迭代次数为200，种群大小为50，可以看出该优化方法在135代附近趋于稳定，通过迭代后得到的最优峰值旁瓣电平为-23.6739dB。
图7是采用MATLAB软件计算的优化后圆形阵列天线的辐射方向图，实线表示方位角φ＝0°时的方位向方向图；虚线表示方位角φ＝90°时的俯仰向方向图；横轴表示归一化后天线单元相位，纵轴表示旁瓣电平。选取目标函数与适应度函数相同，相位范围在-180°与180°之间，旁瓣电平范围在0与-40dB之间。可以看出经优化后峰值旁瓣电平与迭代得到的最优值大小相同为-23.6739dB。
图8是优化后圆形阵列天线的三维辐射方向图。
在一个实施例中，如图9所示，，优化的阵列天线由120个阵元在平面中组成圆形阵列。整个圆形阵列共7层阵元组成，第1层圆心处固定放置一个阵元，其余6层逐级分布，相邻圆环之间距离进行稀布。每个阵元均为理想全向天线单元。采用改进种群初始化及改进交叉的遗传算法对该圆形阵列进行优化，不仅可以进一步降低峰值旁瓣电平，而且加快了收敛速度，降低了仿真计算的复杂度，仿真过程也不易陷入局部最优解。
本实施例中采用改进种群初始化过程和改进交叉的遗传算法对整个圆形阵列每个圆环上阵元个数及不同层级距离进行优化，圆形阵列最大半径为4.7，以圆心为基准，圆面上7层圆环到圆心的距离分别为0，0.6398，1.3636，2.1027，2.9634，3.7954，4.7000；每层上阵元个数分别为1，8，17，25，29，29，11；利用MATLAB软件仿真计算得到的阵列天线各项特性。
图10是采用MATLAB软件计算的阵列天线旁瓣电平优化方法适应度函数的迭代速度曲线，该优化算法设置最大迭代次数为200，种群大小为50，可以看出该优化方法通过迭代后得到的最优峰值旁瓣电平为-25.1338dB，与传统方法相比在100代附近趋于稳定，收敛速度较快。
图11是采用MATLAB软件计算的优化后圆形阵列天线的辐射方向图，实线表示方位角φ＝0°时的方位向方向图；虚线表示方位角φ＝90°时的俯仰向方向图；横轴表示归一化后天线单元相位，纵轴表示旁瓣电平。选取目标函数与适应度函数相同，相位范围在-180°与180°之间，旁瓣电平范围在0与-40dB之间。可以看出经优化后峰值旁瓣电平与迭代得到的最优值大小相同为-25.1338dB，与传统方法相比优化了1.4599dB。
图12是改进交叉的遗传算法优化后圆形阵列天线的三维辐射方向图。
综上所述，本发明公开了一种基于改进交叉遗传算法的阵列天线旁瓣优化方法，属于计算机技术与应用领域。为了实现低旁瓣的优化目标，天线阵列的排布选择圆形阵列并使用改进的遗传算法对其进行优化，同时，增加了阵列孔径、阵元个数、阵元孔径的约束。当采用改进交叉的遗传算法时，通过迭代寻优出稀布圆形阵列的最优半径，嵌入函数模型后可以有效降低峰值旁瓣电平。本发明具有不易陷入局部最优、搜索精度高、收敛速度快等特点，在 5G通信技术及雷达抗干扰系统中有广泛的应用前景。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种基于改进交叉遗传算法的阵列天线旁瓣优化方法，所述阵列天线为圆形阵列天线，其特征在于，所述圆形阵列天线采用改进交叉的遗传算法对其峰值旁瓣电平进行优化，具体步骤如下：
步骤1，构建描述圆形阵列天线的初始种群；
步骤2，基于初始种群进行第一次迭代，并对第一次迭代结果进行一次测量；
步骤3，将步骤2得到的测量结果中不满足设定收敛要求的个体替换为满足设定收敛要求的经验值；
步骤4，对步骤3得到的种群进行选择、交叉和变异操作；
步骤5，重复执行步骤2-4，进行圆环层数寻优，得到最优圆环层数；
步骤6，保持步骤5得到的最优圆环层数，重复执行步骤2-4，输出最优峰值旁瓣电平和圆形阵列的最优半径。
2.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，未对内部圆环层数寻优前，保持最外层圆环大小不变。
3.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，所述圆形阵列天线的圆心固定放置一个天线单元。
4.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，所述圆形阵列天线的天线单元总数固定。
5.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，所述步骤4中，进行交叉操作前，先计算当前种群与前一次迭代结果的个体相关性，若个体相关性均大于设定阈值，则以对半概率进行交叉操作，否则在基因片段差异超过设定差异值的个体中进行交叉。
6.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，所述改进交叉的遗传算法的适应度函数为：
Figure FDA0003782707210000011
Figure FDA0003782707210000012
其中MSLL为适应度函数，F(φ)为方向图函数，FdB(φ)表示归一化后的方向图的函数，φ是以x轴正方向为参考方向的方位角，S表示方向图的旁瓣区间，λ为波长，R为圆形阵列的半径，di表示第i个天线单元的方位角，(φ0,θ0)表示圆形阵列主波束指向方向。
7.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，所述交叉概率为0.8，变异概率为0.05。
8.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，所述圆形阵列中每一层级圆环半径大于0且小于等于4.7。
9.根据权利要求1所述的一种改进交叉的阵列天线旁瓣优化方法，其特征在于，所述优化方法选取的目标函数与所述改进交叉的遗传算法的适应度函数相同。
CN202210933965.0A 2022-08-04 2022-08-04 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法 Pending CN115510733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210933965.0A CN115510733A (zh) 2022-08-04 2022-08-04 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210933965.0A CN115510733A (zh) 2022-08-04 2022-08-04 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法

Publications (1)

Publication Number Publication Date
CN115510733A true CN115510733A (zh) 2022-12-23

Family

ID=84502590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210933965.0A Pending CN115510733A (zh) 2022-08-04 2022-08-04 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法

Country Status (1)

Country Link
CN (1) CN115510733A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632561A (zh) * 2023-07-19 2023-08-22 南京纳特通信电子有限公司 一种稀布高增益天线阵列设计方法、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632561A (zh) * 2023-07-19 2023-08-22 南京纳特通信电子有限公司 一种稀布高增益天线阵列设计方法、存储介质
CN116632561B (zh) * 2023-07-19 2023-09-19 南京纳特通信电子有限公司 一种稀布高增益天线阵列设计方法、存储介质

Similar Documents

Publication Publication Date Title
CN111160556B (zh) 一种基于自适应遗传算法的阵列稀疏优化方法
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
CN112100701B (zh) 基于遗传算法的二维分布式天线子阵位置优化方法
CN109725294A (zh) 基于改进遗传算法的雷达阵列稀疏优化方法
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
CN111122989A (zh) K聚类智能择取的微波信号多径干扰抑制方法
Chen et al. Multi-target radar imaging based on phased-MIMO technique—Part II: Adaptive resource allocation
CN114399044A (zh) 一种子阵级稀疏阵列发射波束旁瓣电平优化方法
CN110232228B (zh) 一种多联骨牌非规则子阵阵面优选设计方法
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
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
Wang et al. A hybrid method based on the iterative fourier transform and the differential evolution for pattern synthesis of sparse linear arrays
CN113553711B (zh) 一种任意曲面共形阵列天线设计方法
CN115133291A (zh) 非规则天线子阵、相控阵天线及相控阵天线的设计方法
WO2022193528A1 (zh) 一种同心圆环阵的稀布宽带优化方法
CN115566442A (zh) 稀疏布阵方法、装置、电子设备和可读存储介质
CN110705680B (zh) 一种分布式阵列的子阵列位置优化方法及系统
CN112307588A (zh) 一种非均匀抛物线阵列天线设计方法
Al-Qaisi An Improved Real-Coded Genetic Algorithm for Synthesizing a Massive Planar Array.
CN114239380B (zh) 基于自调整映射法则的矩形稀布阵列优化方法
Chen et al. Planar thinned antenna array synthesis using modified brain storm optimization
CN116632561B (zh) 一种稀布高增益天线阵列设计方法、存储介质
Yang et al. The method to integrate species explode and deracinate algorithm with particle swarm optimization algorithm
CN115098903A (zh) 一种低成本可扩展相控阵列稀疏优化方法

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