CN116227590A - 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置 - Google Patents

基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置 Download PDF

Info

Publication number
CN116227590A
CN116227590A CN202211529855.4A CN202211529855A CN116227590A CN 116227590 A CN116227590 A CN 116227590A CN 202211529855 A CN202211529855 A CN 202211529855A CN 116227590 A CN116227590 A CN 116227590A
Authority
CN
China
Prior art keywords
sub
population
populations
phased array
individuals
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
CN202211529855.4A
Other languages
English (en)
Inventor
游小龙
赵涤燹
童好娉
尤肖虎
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.)
Southeast University
Network Communication and Security Zijinshan Laboratory
Original Assignee
Southeast University
Network Communication and Security Zijinshan Laboratory
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 Southeast University, Network Communication and Security Zijinshan Laboratory filed Critical Southeast University
Priority to CN202211529855.4A priority Critical patent/CN116227590A/zh
Publication of CN116227590A publication Critical patent/CN116227590A/zh
Pending legal-status Critical Current

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
    • 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]
    • 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)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置，该方法包括：初始化第一种群；循环执行以下步骤：将第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造多个第一子种群的适应度函数；对多个子种群的个体进行选择、融合、交叉和变异得到第三种群；将第三种群划分为多个第二子种群，并构造多个第二子种群的适应度函数；对多个第二子种群的个体分别进行选择操作；将经选择操作后的多个第二子种群中的个体插入到第一种群中；在迭代次数达到最大迭代次数时，从同时满足多个太赫兹相控阵旁瓣抑制优化目标的多个个体中输出目标个体所对应的子阵间距组合。本发明可以取得全局最优解，并提升优化效率。

Description

基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置
技术领域
本发明涉及太赫兹无线通信技术领域，尤其涉及一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置。
背景技术
目前，随着微波与毫米波频段无线设备的增加，有限的频谱资源变得愈发拥挤，各无线设备分配的带宽较窄，从而限制了无线通信的传输速率。然而，太赫兹频段频谱资源丰富且有待开发利用，为高速率无线通信提供支持。
在太赫兹通信场景中，动态扫描太赫兹波束，能够实现将多个高传输速率的无线通信设备同时连接到通信网络。一种可行的技术方案是太赫兹相控阵天线单元与芯片相连，通过实时调整芯片给每个天线单元提供的馈电相位，从而实时控制太赫兹波束的指向。然而，受加工工艺的影响，与芯片相连的太赫兹相控阵天线子阵边缘间距通常大于半个波长，导致了太赫兹波束的旁瓣电平高，而主瓣能量不集中，降低了相控阵天线的增益和效率。此外，由于太赫兹信号源功率较低，且太赫兹波在空气中传播时经历的传输损耗、路径损耗较大，因而在太赫兹通信领域抑制太赫兹波束的旁瓣，使得能量集中于主瓣对于提高无线通信的传输范围、抗干扰能力以及传输速率变得尤为重要。
大规模太赫兹相控阵分布式子阵旁瓣电平抑制复杂属于非线性优化问题，其具有计算量庞大、且约束条件复杂的特性，使得常规的解析方法难以针对该类问题求得全局最优解。遗传算法适用于该类非线性问题的求解，其在阵列天线设计中取得广泛的应用。然而，标准遗传算法在解决多目标优化时需要人为反复调整各优化目标的权重系数，导致优化效率低，且若权重系数分配不当，易于陷入局部最优解。
发明内容
本发明提供一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置，用以解决现有技术中标准遗传算法在解决多目标优化时需要人为反复调整各优化目标的权重系数，导致优化效率低，且若权重系数分配不当，易于陷入局部最优解的缺陷，本发明可以在确定子阵优化间距排列后，且在不涉及阵列单元构造优化的前提下，取得全局最优解，并提升优化效率，从而将辐射能量主要集中于主瓣，提高太赫兹无线通信系统的传输距离、抗干扰能力以及传输速率。
本发明提供一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，包括：
初始化第一种群；
循环执行以下步骤，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；
基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；
将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群的个体分别进行选择操作；
将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中；
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
根据本发明提供的一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，所述多个太赫兹相控阵旁瓣抑制优化目标包括：相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图的旁瓣电平的同步抑制。
根据本发明提供的一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，所述初始化第一种群，包括：
设置初始化参数，所述初始化参数包括：相控阵的子阵间距集合、相控阵天线中心工作频率、太赫兹波束主瓣最大扫描角、个体数量、单个变量二进制编码位数、最大迭代次数、交叉概率、变异概率以及父代与子代之间的代沟参数；其中，所述子阵间距集合中的子阵间距为两个相邻子阵边缘之间的距离。
根据本发明提供的一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，所述将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数，包括：
将所述第一种群平均划分为四个第一子种群；
将相控阵主波束垂直于阵面时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第一个所述第一子种群的适应度函数；
将相控阵主波束垂直于阵面时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第二个所述第一子种群的适应度函数；
将相控阵主波束指向太赫兹波束主瓣最大扫描角时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第三个所述第一子种群的适应度函数；
将相控阵主波束指向太赫兹波束主瓣最大扫描角时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第四个所述第一子种群的适应度函数。
根据本发明提供的一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，所述基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作，包括：
根据所述父代与子代之间的代沟参数，基于所述多个第一子种群的适应度函数，对所述多个第一子种群中的个体分别进行选择操作；其中，所述多个第一子种群中的个体的适应度与被选中的概率成正比。
根据本发明提供的一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，所述将所述第二种群进行交叉操作和变异操作，得到第三种群，包括：
基于所述交叉概率，将所述第二种群中的不同个体进行随机配对，并单点交叉互换基因序列部分片段；
基于所述变异概率，将经交叉操作后的所述第二种群的个体的部分基因变异为等位基因，得到第三种群。
根据本发明提供的一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，所述将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中，包括：
将经选择操作后的所述多个第二子种群中的个体进行随机排列，并插入到所述第一种群中；
淘汰所述第一种群中适应度低于第一预设值的个体。
根据本发明提供的一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，所述在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，包括：
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定各项适应度均大于第二预设值、且适应度总和最大的目标个体。
本发明还提供一种基于改进遗传算法的太赫兹相控阵旁瓣抑制装置，包括：
初始化模块，用于初始化第一种群；
迭代模块，用于循环执行以下内容，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；
基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；
将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群的个体分别进行选择操作；
将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中；
输出模块，用于在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法的步骤。
本发明提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置，改进了遗传算法的多目标优化策略，首先，将第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标分别构造多个第一子种群的适应度函数；基于多个第一子种群的适应度函数，对多个第一子种群的个体分别进行选择操作；随后，将经选择操作后的多个第一子种群进行融合，且个体随机排列，得到第二种群；将第二种群进行交叉操作和变异操作，得到第三种群；将第三种群划分为多个第二子种群，并基于多个太赫兹相控阵旁瓣抑制优化目标分别构造多个第二子种群的适应度函数；基于多个第二子种群的适应度函数，对多个第二子种群的个体分别进行选择操作；将经选择操作后的多个第二子种群中的个体插入到第一种群中；由于无需反复调整各优化目标的权重系数，可以提升优化效率，也不存在权重系数配置不当的问题，可以避免陷入局部最优解的问题，经多次迭代后在可行解空间可以取得满足多个太赫兹相控阵旁瓣抑制优化目标的全局最优解。因此，本发明在确定子阵优化间距排列后，且在不涉及阵列单元构造优化的前提下，可以取得全局最优解，并提升优化效率，从而将辐射能量主要集中于主瓣，提高太赫兹无线通信系统的传输距离、抗干扰能力以及传输速率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法的流程示意图；
图2是本发明实施例提供的太赫兹相控阵天线模型示意图；
图3a是本发明实施例提供的波束指向为
Figure BDA0003974098710000071
时的E面辐射方向图；
图3b是本发明实施例提供的波束指向为
Figure BDA0003974098710000072
时的H面辐射方向图；
图3c是本发明实施例提供的波束指向为
Figure BDA0003974098710000073
时的E面辐射方向图；
图3d是本发明实施例提供的波束指向为
Figure BDA0003974098710000074
时的H面辐射方向图；
图3e是本发明实施例提供的波束指向为
Figure BDA0003974098710000075
时的E面辐射方向图；
图3f是本发明实施例提供的波束指向为
Figure BDA0003974098710000076
时的H面辐射方向图；
图4a是本发明实施例提供的波束指向为
Figure BDA0003974098710000077
时的E面辐射方向图；
图4b是本发明实施例提供的波束指向为
Figure BDA0003974098710000078
时的H面辐射方向图；
图4c是本发明实施例提供的波束指向为
Figure BDA0003974098710000079
时的E面辐射方向图；
图4d是本发明实施例提供的波束指向为(
Figure BDA0003974098710000081
θ＝30°)时的H面辐射方向图；
图4e是本发明实施例提供的波束指向为(
Figure BDA0003974098710000082
θ＝60°)时的E面辐射方向图；
图4f是本发明实施例提供的波束指向为(
Figure BDA0003974098710000083
θ＝60°)时的H面辐射方向图；
图5是本发明实施例提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制装置的结构示意图；
图6是本发明实施例提供的电子设备的结构示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作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。
下面结合图1至图4描述本发明的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法。
请参照图1，图1是本发明实施例提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法的流程示意图。如图1所示，该方法可以包括以下步骤：
步骤101、初始化第一种群；
步骤102、判断迭代次数是否达到最大迭代次数，若是，转入步骤110，若否，转入步骤103；
步骤103、将第一种群划分为多个第一子种群，以相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图的旁瓣电平的同步抑制为多个太赫兹相控阵旁瓣抑制优化目标，基于多个太赫兹相控阵旁瓣抑制优化目标分别构造多个第一子种群的适应度函数；
步骤104、基于多个第一子种群的适应度函数，对多个第一子种群的个体分别进行选择操作；
步骤105、将经选择操作后的多个第一子种群进行融合，且个体随机排列，得到第二种群；
步骤106、将第二种群进行交叉操作和变异操作，得到第三种群；
步骤107、将第三种群划分为多个第二子种群，并基于多个太赫兹相控阵旁瓣抑制优化目标分别构造多个第二子种群的适应度函数；
步骤108、基于多个第二子种群的适应度函数，对多个第二子种群的个体分别进行选择操作；
步骤109、将经选择操作后的多个第二子种群中的个体插入到第一种群中，转入步骤102；
步骤110、在迭代次数达到最大迭代次数时，从同时满足多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出目标个体所对应的子阵间距组合。
在步骤101中，第一种群的初始化过程可以包括：设置初始化参数，初始化参数可以包括以下参数：
1)相控阵的子阵间距集合U，子阵间距是两个相邻子阵边缘之间的距离。例如：λ0＝1mm，U＝{0.5λ0，0.5625λ0，0.625λ0，0.6875λ0，…，3λ0}＝{0.5mm，0.5625mm，0.625mm，0.6875mm，…，3mm}，本实施例不限于此。
2)相控阵天线中心工作频率，例如：相控阵天线中心工作频率f为300GHz，本实施例不限于此。
3)太赫兹波束主瓣最大扫描角，例如
Figure BDA0003974098710000091
本实施例不限于此。
4)个体数量，例如：第一种群的个体数量NIND＝1000，本实施例不限于此。
5)单个变量二进制编码位数PRECI＝20，本实施例不限于此。
6)最大迭代次数MAXGEN＝200，本实施例不限于此。
7)交叉概率Pc＝0.8，本实施例不限于此，仅需满足0＜Pc＜1即可。
8)变异概率Pm＝0.01，本实施例不限于此，仅需满足0＜Pm＜1即可。
9)父代与子代之间的代沟参数GGAP＝0.9，本实施例不限于此，仅需满足0＜GGAP＜1即可。
关于太赫兹相控阵天线，太赫兹相控阵天线整体包含M×M个子阵(M为≥2的自然数，例如M＝25)，每个子阵包括4×4个天线单元，每个天线单元呈正方形且边长为半个波长λ0/2(例如λ0＝1mm，半个波长λ0/2＝0.5mm)。组成子阵的天线单元紧密相邻无间隔，每个子阵由一个芯片为各天线单元提供馈电，芯片的每个管脚连接一个天线单元。M×M个子阵形成了(M–1)×(M–1)个间隔，这些子阵间隔的大小(即子阵间距)作为优化变量实现太赫兹相控阵天线旁瓣电平抑制。
为了降低计算复杂度，如图2所示，太赫兹相控天线阵列整体布局满足四重旋转对称特性，则优化变量可降低为(M–1)/2个，优化变量分别为G1,G2,G3,…,Gk(k＝(M–1)/2)，且考虑到加工精度与可行性，优化变量的具体数值从子阵间隔集合U中选取而非任意数值。
第一种群中每个个体的染色体由(M–1)/2个优化变量组成，每条染色体的基因由长度为PRECI×(M–1)/2位的二进制编码构成。
关于太赫兹波，太赫兹波通常指频率为0.1–10THz范围内的电磁波，其在电磁频谱中位于微波与红外波段之间。经实验证实，载波频率为300GHz的太赫兹无线通信传输速率可达102.4Gbps。相比之下，经实验证实的载波频率为60GHz的毫米波无线通信传输速率仅为3.5Gbps。
在步骤103中，基于每个太赫兹相控阵旁瓣抑制优化目标构造每个第一子种群的适应度函数。
可选地，多个太赫兹相控阵旁瓣抑制优化目标包括：将第一种群划分为多个第一子种群，并将相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图的旁瓣电平的同步抑制。
以相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图的旁瓣电平的同步抑制为多个太赫兹相控阵旁瓣抑制优化目标，并采用改进的遗传算法进行多次迭代，可以实现相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图旁瓣电平的同步抑制。
具体地，可以通过表达式(1)计算各第一子种群中个体对应的相控阵列的辐射方向图Etotal：
Etotal＝Esingle×AF (1)
其中，Esingle表示单个天线单元的E面或H面辐射方向图，AF表示阵因子，在本实施例中，天线单元可以选取中心工作频率为300GHz的微带天线，本实施例不限于此。
可以通过表达式(2)计算阵因子：
Figure BDA0003974098710000111
其中，Amn表示芯片向第mn个天线单元提供的馈电幅度amn和馈电相位
Figure BDA0003974098710000112
k0表示自由空间波数；(xmn,ymn)表示第mn个天线单元的坐标，θ表示球面坐标系下的俯仰角，/>
Figure BDA0003974098710000113
表示球面坐标系下的方位角。
需要说明的是，每个子阵由一个芯片为其中的各天线单元提供馈电。为了提高相控阵的增益，芯片为各天线单元提供的馈电幅度均为amn＝1。
可以通过表达式(3)计算第mn个天线单元所需的馈电相位：
Figure BDA0003974098710000114
其中，
Figure BDA0003974098710000115
表示太赫兹波束主瓣最大扫描角。
示例性地，芯片提供6比特的馈电相位调控，即将0°-360°的相位空间均分为26个等份，可提供相位分别为n×5.625°(n＝0,1,2,...,63)，设置各天线单元选取与其所需馈电相位最接近的数值作为其实际接收的馈电相位。
优选地，步骤103可以包括以下步骤：
步骤1031、将第一种群平均划分为四个第一子种群，即子种群11、子种群12、子种群13、子种群14；
步骤1032、将相控阵主波束垂直于阵面时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第一个第一子种群(即子种群11)的适应度函数；
步骤1033、将相控阵主波束垂直于阵面时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第二个第一子种群(即子种群12)的适应度函数；
步骤1034、将相控阵主波束指向太赫兹波束主瓣最大扫描角(例如
Figure BDA0003974098710000121
θd＝60°)时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第三个第一子种群(即子种群13)的适应度函数；
步骤1035、将相控阵主波束指向太赫兹波束主瓣最大扫描角(例如
Figure BDA0003974098710000122
θd＝60°)时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第四个第一子种群(即子种群14)的适应度函数。
在本实施例中，将第一种群(即原始种群)平均拆分为四个子种群，并分别基于四个优化目标为四个子种群构造适应度函数。
在步骤104中，基于多个第一子种群的适应度函数，对多个第一子种群的个体分别进行选择操作。
在一实施例中，根据父代与子代之间的代沟参数，基于多个第一子种群的适应度函数，对多个第一子种群中的个体分别进行选择操作；其中，多个第一子种群中的个体的适应度与被选中的概率成正比。可选地，采用轮盘赌法对多个第一子种群中的个体分别进行选择操作，本实施例不限于此，还可以采用其他方法进行个体选择操作。
示例性地，根据代沟参数GGAP(例如GGAP＝0.9)，基于不同的适应度函数利用轮盘赌法对子种群11、子种群12、子种群13和子种群14中的个体分别进行选择操作，个体的适应度数值越大，被选中保留下来的概率越大，且经选择操作后各子种群的个体数量均由NIND/4缩小为NIND×GGAP/4(例如NIND＝1000，GGAP＝0.9，NIND×GGAP/4＝225)。
在本实施例中，由于各子种群分别针对各自的单个优化目标执行选择操作，避免了反复调整各优化目标的权重系数或权重系数配置不当陷入局部最优解的问题，从而提高优化效率并在可行解空间搜索全局最优解。
在步骤105中，举例来说，将执行选择操作后的子种群11、子种群12、子种群13和子种群14融合为一个新种群，即第二种群，个体规模为225×4＝900。
第二种群内部个体随机排列，第二种群的个体规模小于第一种群。第二种群内部个体随机排列确保将该种群再次均分时，各子种群中部分个体来源于原子种群11、子种群12、子种群13、子种群14，进而在多次迭代后进化出优良个体能够同时满足全部优化目标。
在步骤106中，将第二种群进行交叉操作和变异操作，得到一个新种群，即第三种群。
在一实施例中，步骤106可以包括以下子步骤：
步骤1061、基于交叉概率，将第二种群中的不同个体进行随机配对，并单点交叉互换基因序列部分片段；
步骤1062、基于变异概率，将经交叉操作后的第二种群的个体的部分基因变异为等位基因，得到第三种群。
在步骤1061中，基于交叉概率Pc(例如Pc＝0.8)，新融合的第二种群中不同个体实现随机配对，并单点交叉互换基因序列部分片段，形成新的个体，即实现组成个体的(M–1)/2个子阵间距优化变量的重新组合，M可以为25。
在步骤1062中，基于变异概率Pm(例如Pm＝0.01)，新融合的第二种群中个体执行变异操作，个体基因中的部分基因变异其为等位基因，从而形成新的个体，即改变变量的取值。
在本实施例中，可以实现对第二种群的交叉操作和变异操作。
在步骤107中，将第三种群划分为多个第二子种群(例如子种群21、子种群22、子种群23和子种群24)，并基于多个太赫兹相控阵旁瓣抑制优化目标分别构造多个第二子种群的适应度函数。
优选地，步骤107可以包括以下步骤：
步骤1071、将第三种群平均划分为四个第二子种群，即子种群21、子种群22、子种群23、子种群24；每个子种群的个体规模可以为225，计算各个体对应的相控阵列的辐射方向图；
步骤1072、将相控阵主波束垂直于阵面时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第一个第二子种群(即子种群21)的适应度函数；
步骤1073、将相控阵主波束垂直于阵面时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第二个第二子种群(即子种群22)的适应度函数；
步骤1074、将相控阵主波束指向太赫兹波束主瓣最大扫描角(例如
Figure BDA0003974098710000141
θd＝60°)时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第三个第二子种群(即子种群23)的适应度函数；
步骤1035、将相控阵主波束指向太赫兹波束主瓣最大扫描角(例如
Figure BDA0003974098710000142
θd＝60°)时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第四个第二子种群(即子种群24)的适应度函数。
在本实施例中，将第三种群(即经交叉与变异操作后的新种群)平均拆分为四个子种群，并分别基于四个优化目标为四个子种群构造适应度函数。
在步骤108中，根据代沟参数GGAP(例如GGAP＝0.9)，基于各自不同的适应度函数利用轮盘赌法对子种群21、子种群22、子种群23和子种群24中的个体执行选择操作，个体的适应度越大，被选中保留下来的概率越大，经选择操作后各子种群中个体规模可以缩小至202。
在步骤109中，将经选择操作后的多个第二子种群中的个体插入到第一种群中，从而更新第一种群。
在一实施例中，步骤109可以包括：将经选择操作后的多个第二子种群中的个体进行随机排列，并插入到第一种群中；淘汰第一种群中适应度低于第一预设值的个体。
需要说明的是，适应度低于第一预设值，表示适应度值低，第一预设值可根据实际应用具体设置。
具体地，将经选择操作后的子种群21、子种群22、子种群23和子种群24进行随机排列，并插入到第一种群中，且为了保持第一种群的规模不变，其内部适应度值低的个体被淘汰。
在步骤109执行完成后，跳转至步骤102，每迭代一次，迭代次数加1。若当前迭代次数小于最大迭代次数(例如MAXGEN＝200)，则继续执行步骤103-步骤109。
在步骤110中，在迭代次数达到最大迭代次数时，首先筛选出同时满足多个太赫兹相控阵旁瓣抑制优化目标的多个个体，然后再从中筛选出适应度符合预设条件的目标个体，最后输出目标个体所对应的子阵间距组合。
在一实施例中，步骤110可以包括：在迭代次数达到最大迭代次数时，从同时满足多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定各项适应度均大于第二预设值、且适应度总和最大的目标个体。
具体地，第二预设值可以为10dB。在迭代次数达到最大迭代次数(例如MAXGEN＝200)时，从同时满足多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定各项适应度均大于10dB、且适应度总和最大的目标个体，最后输出目标个体所对应的子阵间距组合，例如：{G1＝0.5λ0,G2＝0.5625λ0,G3＝1.0625λ0,G4＝2.6875λ0,G5＝0.5λ0,G6＝0.75λ0,G7＝2.125λ0,G8＝0.5625λ0,G9＝1.125λ0,G10＝2.75λ0,G11＝1.5λ0,G12＝1.5625λ0}，本实施例不限于此。
如图3a-3f所示，在应用本实施例的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法后，相控阵实现二维波束扫描时
Figure BDA0003974098710000161
在俯仰角θ＝0°–60°范围内主瓣电平峰值与旁瓣电平峰值之差始终高度11dB。
如图4a-4f所示，在应用本实施例的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法后，相控阵实现二维波束扫描时
Figure BDA0003974098710000162
在俯仰角θ＝0°–60°范围内主瓣电平峰值与旁瓣电平峰值之差始终高度22.5dB。
显然，在应用本实施例的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法后，相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图的旁瓣电平均得到有效抑制。
本实施例提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，改进了遗传算法的多目标优化策略，首先，将第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标分别构造多个第一子种群的适应度函数；基于多个第一子种群的适应度函数，对多个第一子种群的个体分别进行选择操作；随后，将经选择操作后的多个第一子种群进行融合，且个体随机排列，得到第二种群；将第二种群进行交叉操作和变异操作，得到第三种群；将第三种群划分为多个第二子种群，并基于多个太赫兹相控阵旁瓣抑制优化目标分别构造多个第二子种群的适应度函数；基于多个第二子种群的适应度函数，对多个第二子种群的个体分别进行选择操作；将经选择操作后的多个第二子种群中的个体插入到第一种群中；由于无需反复调整各优化目标的权重系数，可以提升优化效率，也不存在权重系数配置不当的问题，可以避免陷入局部最优解的问题，经多次迭代后在可行解空间可以取得满足多个太赫兹相控阵旁瓣抑制优化目标的全局最优解。因此，本发明在确定子阵优化间距排列后，且在不涉及阵列单元构造优化的前提下，可以取得全局最优解，并提升优化效率，从而将辐射能量主要集中于主瓣，提高太赫兹无线通信系统的传输距离、抗干扰能力以及传输速率。
下面对本发明提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制装置进行描述，下文描述的基于改进遗传算法的太赫兹相控阵旁瓣抑制装置与上文描述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法可相互对应参照。
请参照图5，图5是本发明实施例提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制装置的结构示意图。如图5所示，该装置可以包括：
初始化模块10，用于初始化第一种群；
迭代模块20，用于循环执行以下内容，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；
基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；
将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群的个体分别进行选择操作；
将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中；
输出模块30，用于在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
可选地，所述多个太赫兹相控阵旁瓣抑制优化目标包括：相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图的旁瓣电平的同步抑制。
可选地，所述初始化模块10具体用于：设置初始化参数，所述初始化参数包括：相控阵的子阵间距集合、相控阵天线中心工作频率、太赫兹波束主瓣最大扫描角、个体数量、单个变量二进制编码位数、最大迭代次数、交叉概率、变异概率以及父代与子代之间的代沟参数；其中，所述子阵间距集合中的子阵间距为两个相邻子阵边缘之间的距离。
可选地，所述迭代模块20具体用于：
将所述第一种群平均划分为四个第一子种群；
将相控阵主波束垂直于阵面时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第一个所述第一子种群的适应度函数；
将相控阵主波束垂直于阵面时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第二个所述第一子种群的适应度函数；
将相控阵主波束指向太赫兹波束主瓣最大扫描角时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第三个所述第一子种群的适应度函数；
将相控阵主波束指向太赫兹波束主瓣最大扫描角时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第四个所述第一子种群的适应度函数。
可选地，所述迭代模块20具体用于：
根据所述父代与子代之间的代沟参数，基于所述多个第一子种群的适应度函数，对所述多个第一子种群中的个体分别进行选择操作；其中，所述多个第一子种群中的个体的适应度与被选中的概率成正比。
可选地，所述迭代模块20具体用于：
基于所述交叉概率，将所述第二种群中的不同个体进行随机配对，并单点交叉互换基因序列部分片段；
基于所述变异概率，将经交叉操作后的所述第二种群的个体的部分基因变异为等位基因，得到第三种群。
可选地，所述迭代模块20具体用于：
将经选择操作后的所述多个第二子种群中的个体进行随机排列，并插入到所述第一种群中；
淘汰所述第一种群中适应度低于第一预设值的个体。
可选地，所述输出模块30具体用于：
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定各项适应度均大于第二预设值、且适应度总和最大的目标个体。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，该方法包括：
初始化第一种群；
循环执行以下步骤，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；
基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；
将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群的个体分别进行选择操作；
将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中；
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，该方法包括：
初始化第一种群；
循环执行以下步骤，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；
基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；
将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群的个体分别进行选择操作；
将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中；
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上
存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各5提供的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，该方法包括：
初始化第一种群；
循环执行以下步骤，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；0基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；5将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹
相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群
的个体分别进行选择操作；
0将经选择操作后的所述多个第二子种群中的个体插入到所述第
一种群中；
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
5以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部
件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，包括：
初始化第一种群；
循环执行以下步骤，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；
基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；
将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群的个体分别进行选择操作；
将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中；
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
2.根据权利要求1所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，所述多个太赫兹相控阵旁瓣抑制优化目标包括：相控阵波束二维动态扫描时不同扫描角度下E面和H面辐射方向图的旁瓣电平的同步抑制。
3.根据权利要求2所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，所述初始化第一种群，包括：
设置初始化参数，所述初始化参数包括：相控阵的子阵间距集合、相控阵天线中心工作频率、太赫兹波束主瓣最大扫描角、个体数量、单个变量二进制编码位数、最大迭代次数、交叉概率、变异概率以及父代与子代之间的代沟参数；其中，所述子阵间距集合中的子阵间距为两个相邻子阵边缘之间的距离。
4.根据权利要求3所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，所述将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数，包括：
将所述第一种群平均划分为四个第一子种群；
将相控阵主波束垂直于阵面时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第一个所述第一子种群的适应度函数；
将相控阵主波束垂直于阵面时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第二个所述第一子种群的适应度函数；
将相控阵主波束指向太赫兹波束主瓣最大扫描角时的E面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第三个所述第一子种群的适应度函数；
将相控阵主波束指向太赫兹波束主瓣最大扫描角时的H面辐射方向图的主瓣电平峰值与旁瓣电平峰值之差，确定为第四个所述第一子种群的适应度函数。
5.根据权利要求3或4所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，所述基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作，包括：
根据所述父代与子代之间的代沟参数，基于所述多个第一子种群的适应度函数，对所述多个第一子种群中的个体分别进行选择操作；其中，所述多个第一子种群中的个体的适应度与被选中的概率成正比。
6.根据权利要求3或4所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，所述将所述第二种群进行交叉操作和变异操作，得到第三种群，包括：
基于所述交叉概率，将所述第二种群中的不同个体进行随机配对，并单点交叉互换基因序列部分片段；
基于所述变异概率，将经交叉操作后的所述第二种群的个体的部分基因变异为等位基因，得到第三种群。
7.根据权利要求3或4所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，所述将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中，包括：
将经选择操作后的所述多个第二子种群中的个体进行随机排列，并插入到所述第一种群中；
淘汰所述第一种群中适应度低于第一预设值的个体。
8.根据权利要求3或4所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法，其特征在于，所述在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，包括：
在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定各项适应度均大于第二预设值、且适应度总和最大的目标个体。
9.一种基于改进遗传算法的太赫兹相控阵旁瓣抑制装置，其特征在于，包括：
初始化模块，用于初始化第一种群；
迭代模块，用于循环执行以下内容，直至迭代次数达到最大迭代次数：
将所述第一种群划分为多个第一子种群，基于多个太赫兹相控阵旁瓣抑制优化目标，分别构造所述多个第一子种群的适应度函数；
基于所述多个第一子种群的适应度函数，对所述多个第一子种群的个体分别进行选择操作；
将经选择操作后的所述多个第一子种群进行融合，且个体随机排列，得到第二种群；
将所述第二种群进行交叉操作和变异操作，得到第三种群；
将所述第三种群划分为多个第二子种群，并基于所述多个太赫兹相控阵旁瓣抑制优化目标分别构造所述多个第二子种群的适应度函数；
基于所述多个第二子种群的适应度函数，对所述多个第二子种群的个体分别进行选择操作；
将经选择操作后的所述多个第二子种群中的个体插入到所述第一种群中；
输出模块，用于在所述迭代次数达到所述最大迭代次数时，从同时满足所述多个太赫兹相控阵旁瓣抑制优化目标的多个个体中，确定适应度符合预设条件的目标个体，并输出所述目标个体所对应的子阵间距组合。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于改进遗传算法的太赫兹相控阵旁瓣抑制方法的步骤。
CN202211529855.4A 2022-11-30 2022-11-30 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置 Pending CN116227590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211529855.4A CN116227590A (zh) 2022-11-30 2022-11-30 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211529855.4A CN116227590A (zh) 2022-11-30 2022-11-30 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置

Publications (1)

Publication Number Publication Date
CN116227590A true CN116227590A (zh) 2023-06-06

Family

ID=86586075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211529855.4A Pending CN116227590A (zh) 2022-11-30 2022-11-30 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置

Country Status (1)

Country Link
CN (1) CN116227590A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113459A (zh) * 2023-10-23 2023-11-24 成都睿沿芯创科技有限公司 一种天线阵列的旁瓣优化方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113459A (zh) * 2023-10-23 2023-11-24 成都睿沿芯创科技有限公司 一种天线阵列的旁瓣优化方法、装置及电子设备
CN117113459B (zh) * 2023-10-23 2024-01-05 成都睿沿芯创科技有限公司 一种天线阵列的旁瓣优化方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN106654601B (zh) 无栅瓣宽角扫描混合阵列超稀疏布局方法
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
Siakavara Novel fractal antenna arrays for satellite networks: Circular ring Sierpinski carpet arrays optimized by genetic algorithms
CN116227590A (zh) 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置
CN115329680B (zh) Vivaldi天线中透镜的优化方法、系统及相关设备
CN105226393A (zh) 阵列天线、阵列天线方向图的赋形装置及赋形方法
Gregory et al. Ultrawideband aperiodic antenna arrays based on optimized raised power series representations
CN110069896B (zh) 基于稀疏2d线性阵列的涡旋电磁波产生与优化方法
Pumallica-Paro et al. A multiobjective genetic algorithm for analysis, design and optimization of antipodal vivaldi antennas
Fu et al. Optimization of planar thinned antenna array based on genetic and convex hybrid algorithm
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
CN205039261U (zh) 阵列天线及阵列天线方向图的赋形装置
Udina et al. Linear antenna array optimisation by genetic means
Singh et al. Synthesis of thinned planar circular array antennas using biogeography based optimization
CN113114322B (zh) 无线携能通信系统中基于moead的波束赋形方法
CN116632561B (zh) 一种稀布高增益天线阵列设计方法、存储介质
Das et al. Optimization of antenna arrays for SLL reduction towards Pareto objectivity using GA variants
CN115036710B (zh) 一种多级分形子阵平面阵列及其排布方法
Polo-López et al. Contribution of the Evanescent Modes to the Power Radiated by an Aperture
CN114552211B (zh) 一种加载ebg结构的高增益多波束周期阻抗调制表面天线
Yiğit et al. Conformal antenna array synthesis using Taguchi Algorithm
Radiom et al. Optimised small-size tapered monopole antenna for pulsed ultra-wideband applications designed by a genetic algorithm
Jayasinghe et al. Increasing the directivity of a microstrip patch array by genetic optimization
Xie et al. A DE/WD/VM Hybrid Algorithm for Multiple-Constraint Synthesis of Concentric Ring Arrays

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