CN116933542A - 基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统 - Google Patents
基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统 Download PDFInfo
- Publication number
- CN116933542A CN116933542A CN202310925173.3A CN202310925173A CN116933542A CN 116933542 A CN116933542 A CN 116933542A CN 202310925173 A CN202310925173 A CN 202310925173A CN 116933542 A CN116933542 A CN 116933542A
- Authority
- CN
- China
- Prior art keywords
- weed
- weeds
- linear array
- sparse linear
- algorithm
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 244
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 67
- 238000001308 synthesis method Methods 0.000 title claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 230000000739 chaotic effect Effects 0.000 claims abstract description 22
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000009792 diffusion process Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 238000012804 iterative process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 56
- 238000013461 design Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 241001247900 Marsdenia Species 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统,包括:以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果。该基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统,首先,在入侵杂草优化算法基础上引入混沌映射的概念,提高初始解的质量,可有效地避免算法早熟的缺点;其次,提出动态调整父代杂草规模策略及基于马氏距离的聚类策略、融入自适应正态分布变异算子,从而使算法跳出局部最优值,使得寻优精度进一步提高。
Description
技术领域
本发明属于天线阵列方向图综合技术领域,特别是指一种基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统。
背景技术
近年来,随着计算机算力的不断进步,促使各种算法在计算机上得以实现,人们可以对非均匀阵列天线综合这一非线性优化问题的研究朝着严格约束条件且大规模的方向发展。现有的具有复杂约束的非均匀阵列天线设计方法主要采用全局优化算法,此类算法具有较好的寻优结果,在稀疏阵列、稀布阵列设计中被广泛使用。《一种非均匀抛物线阵列天线设计方法》(申请(专利)号:CN202011246386.6)公开了一种非均匀抛物线阵列天线设计方法,此发明能够有效降低方向图最大副瓣电平,对相邻阵列单元的最小间距进行约束,避免互耦效应对于系统的影响,并有效减少阵列天线的尺寸和单元的数目,专利转化过程中可有效降低馈电网络工程化的实现难度。
与其他进化算法类似,在处理高维度的阵列天线综合这类非线性优化问题时,标准入侵杂草算法也存在着早熟收敛,搜索范围不大,易于陷入局部最优,进化后期算法收敛速度明显下降等固有缺点。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统,首先,在入侵杂草优化算法基础上引入混沌映射的概念,提高初始解的质量,可有效地避免算法早熟的缺点;其次,提出动态调整父代杂草规模策略及基于马氏距离的聚类策略、融入自适应正态分布变异算子,从而使算法跳出局部最优值,使得寻优精度进一步提高。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,包括以下步骤:
以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;其中利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,包括:
步骤1:基于改进Chebyshev混沌映射确定初始杂草种群;
步骤2:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代步骤直至达到最大迭代次数;
其中所述循环迭代步骤包括:
步骤3:计算所有杂草的适应度函数值、排序并择优;
步骤4:基于自适应控制惯性权重策略确立父代杂草种群规模;
步骤5:基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
步骤6:基于正态分布变异策略进行空间扩散;
步骤7:更新杂草种群。
进一步的,构建稀疏线性阵列方向图适应度函数,包括:
阵列模型的远场方向图表示为:
(1)式中,设置阵列单元为理想点源,单元间距均为Δl,k=2π/λ,λ为自由空间波长,u=sinθ(∈[-1,1]),zd是第d个天线单元的幅度,d=1,2,…,D。
所述设立的适应度函数为:
FITNESS=φ|LMSL-LTPS|+β|max|F(u0)|-LTPS|+γ|BW-BD| (2)
(2)式中,LTPS为预设副瓣电平门限,LMSL为综合结果中最大副瓣电平,BW为预设主瓣宽度、BD为综合结果中主瓣宽度、u0为方位角,即主瓣指向位置,φ、β和γ定义为适应度函数权重系数,FITNESS代表适应度函数值。
进一步的,步骤1所述设立最大迭代次数为GMAX、设置种群规模大小为N、基于改进Chebyshev混沌映射确定初始杂草种群,包括:
(Zn、d)g+1=(cos(karccos(Zn、d)g)+1)/2 (3)
k为阶次,(3)式中,初值由随机序列产生,g为迭代次数,第n个杂草Zn由D个元素组成,表示为[zn、1,...,zn、d,...,zn、D]。
进一步的,步骤2所述判断算法是否达到最大迭代次数,包括:判断g是否达到最大迭代次数GMAX。
进一步的,步骤3所述输出最优杂草中,待输出的最优杂草对应的适应度函数值需最小。
进一步的,步骤4所述计算所有杂草的适应度函数值、排序并择优,包括:将N个杂草按适应度值从小到大进行排序,将排序前50%的杂草作为父代杂草的选择范围。
进一步的,步骤5所述基于自适应控制惯性权重策略确立父代杂草种群规模,包括:
Q表示父代杂草种群数量,则父代杂草种群表示为[Z1,...,Zq,...,ZQ],rand(0,0.25)为得到一个0到0.25之间的随机数,ceil(·)返回一个大于或等于函数值的最小整数。
进一步的,步骤6基于马氏距离的聚类策略寻找父代杂草,包括:
计算父代杂草选择范围内每个杂草与其余所有杂草之间的马氏距离,杂草Zi与Zj之间的马氏距离计算步骤如下:
式中,d=1,2,…,D。
杂草Zi与Zj之间的马氏距离表示如下:
式中,T表示转置,S为协方差矩阵,表示如下:
式中,cov表示协方差计算函数。
杂草Zi的马氏距离合集表示如下:
将所有杂草的马氏距离合集从小到大排序后等分为Q个区间,每个区间随机选择一个解作为父代杂草,剩余杂草解数量为N-Q,作剔除处理。将每个杂草向量中幅度小于门限H的值做置零处理。
进一步的,步骤7基于正态分布变异策略进行空间扩散,包括:
式中,Fmax和Fmin为迭代过程中获得的最大、最小适应度值,smax和smin为经典入侵杂草算法中设置的父代杂草可产生的最大子代杂草数和最小子代杂草数,f(Zq)为第q个杂草的适应度值,Ageaverage为父代杂草群体的平均存活代数,Zq、Age为父代杂草个体的存活代数。Ffloor(·)表示函数值向下取整。
产生的子代杂草以自适应正态分布变异算子的形式随机分散在父代杂草附近。迭代过程中第q个杂草产生的第s个子代杂草表示为:
Zq,s=Zq+Zq·α·N(0,σ2),s∈[1,...,Sq] (10)
其中,N(0,σ2)表示正态分布,σ为标准差.随着进化代数的增加,σ逐渐减小,其变化规律表示为:
σ=σfinal+((GMAX-g)/GMAX)ω(σinitial-σfinal) (11)
其中,σinitial、σfinal表示为初始和最终标准差,ω为非线性调节因子。
(10)式中,α为收敛因子,具体如下式:
其中,τ表示曲线光滑因子。
进一步的,步骤8所述重新初始化杂草种群,包括:
若则随机保留N个杂草并删除剩余杂草;若/>则基于父代杂草依序经改进Chebyshev混沌映射产生/>个杂草。将保留的杂草作为更新后的杂草种群。
第二方面,本发明提供了一种基于改进入侵杂草算法的稀疏线性阵列方向图综合系统,包括:
适应度函数构建模块:用于以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
方向图优化模块:用于利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;
其中,方向图优化模块包括:
初始化模块:基于改进Chebyshev混沌映射确定初始杂草种群;
最优杂草输出模块:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代模块直至达到最大迭代次数;
其中所述循环迭代模块包括:
第一迭代模块:用于计算所有杂草的适应度函数值、排序并择优;
第二迭代模块:用于基于自适应控制惯性权重策略确立父代杂草种群规模;
第三迭代模块:用于基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
第四迭代模块:用于基于正态分布变异策略进行空间扩散;
第五迭代模块:用于更新杂草种群。
第三方面,本发明提供了一种基于改进入侵杂草算法的稀疏线性阵列方向图综合设备,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
该基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统,改进入侵杂草算法在入侵杂草算法基础上引入改进Chebyshev混沌映射的概念,提高初始解的质量,可有效地避免算法早熟的缺点;提出动态调整父代杂草规模策略及基于马氏距离的聚类策略、融入自适应正态分布变异算子,从而使算法跳出局部最优值,使得寻优精度进一步提高。利用改进入侵杂草算法对阵列天线进行稀疏设计,在有效控制方向图预设区域内的最大副瓣电平、使得波束无展宽且无栅瓣出现前提下,短时间内快速实现阵列天线的设计,有效减少阵列天线的尺寸和单元的数目,因此本发明的设计有利于降低阵列工程化的实现难度。
附图说明
图1是本发明的方法流程图;
图2是本发明实施例中的方向图;
图3是本发明实施例中方向图主瓣放大图;
图4是本发明实施例中阵元位置及权值分布。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符"/",一般表示前后关联对象是一种“或”的关系。
实施例一:
图1是本发明实施例一中的一种基于改进入侵杂草算法的稀疏线性阵列方向图综合方法的流程图。本实施例提供的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法可应用于终端,可以由一种基于改进入侵杂草算法的稀疏线性阵列方向图综合系统来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在终端中,例如:任一具备通信功能的智能手机,平板电脑或计算机设备。参见图1,本实施的方法具体包括如下步骤:
步骤A:以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
步骤B:利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;其中利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,包括:
步骤C:设立最大迭代次数,设置杂草种群规模,基于改进Chebyshev混沌映射确定初始杂草种群;
步骤D:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代步骤直至达到最大迭代次数;
其中所述循环迭代步骤包括:
步骤E:计算所有杂草的适应度函数值、排序并择优;
步骤F:基于自适应控制惯性权重策略确立父代杂草种群规模;
步骤G:基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
步骤H:基于正态分布变异策略进行空间扩散;
步骤J:更新杂草种群。
步骤Aa:阵列模型的远场方向图表示为:
(1)式中,设置阵列单元为理想点源,单元间距均为Δl,k=2π/λ,λ为自由空间波长,u=sinθ(∈[-1,1]),zd是第d个天线单元的幅度,d=1,2,…,D。
所述设立的适应度函数为:
FITNESS=φ|LMSL-LTPS|+β|max|F(u0)|-LTPS|+γ|BW-BD| (2)
(2)式中,LTPS为预设副瓣电平门限,LMSL为综合结果中最大副瓣电平,BW为预设主瓣宽度、BD为综合结果中主瓣宽度、u0为方位角,即主瓣指向位置,φ、β和γ定义为适应度函数权重系数,FITNESS代表适应度函数值。
步骤Ab:所述设立最大迭代次数为GMAX,需满足GMAX>2、设置种群规模大小为N、基于改进Chebyshev混沌映射初始化杂草种群,具体如下式:
k为阶次,(3)式中,初值由随机序列产生,g为迭代次数,第n个杂草Zn由D个元素组成,表示为
步骤Ca:所述判断算法是否达到最大迭代次数具体操作为:判断g是否达到最大迭代次数GMAX,并更新迭代次数g=g+1。
步骤Db:所述输出最优杂草具体操作为:待输出的最优杂草对应的适应度函数值需最小。
步骤Ea:所述计算所有杂草的适应度函数值、排序并择优具体操作为:将N个杂草按适应度值从小到大进行排序,将排序前50%的杂草作为父代杂草的选择范围。
步骤Fa:所述基于自适应控制惯性权重策略确立父代杂草种群规模的具体操作由下式进行:
Q表示父代杂草种群数量,则父代杂草种群表示为[Z1,...,Zq,...,ZQ],rand(0,0.25)为得到一个0到0.25之间的随机数,ceil(·)返回一个大于或等于函数值的最小整数。
步骤Ga:所述基于马氏距离的聚类策略寻找父代杂草的具体操作包括以下步骤:
计算父代杂草选择范围内每个杂草与其余所有杂草之间的马氏距离,杂草Zi与Zj之间的马氏距离计算步骤如下:
式中,d=1,2,…,D。
杂草Zi与Zj之间的马氏距离表示如下:
式中,T表示转置,S为协方差矩阵,表示如下:
式中,cov表示协方差计算函数。
杂草Zi的马氏距离合集表示如下:
将所有杂草的马氏距离合集从小到大排序后等分为Q个区间,每个区间随机选择一个解作为父代杂草,剩余杂草解数量为N-Q,作剔除处理。将每个杂草向量中幅度小于门限H的值做置零处理。
步骤Ha:所述基于正态分布变异策略进行空间扩散的具体操作包括以下步骤:
式中,Fmax和Fmin为迭代过程中获得的最大、最小适应度值,smax和smin为经典入侵杂草算法中设置的父代杂草可产生的最大子代杂草数和最小子代杂草数,f(Zq)为第q个杂草的适应度值,Ageaverage为父代杂草群体的平均存活代数,Zq、Age为父代杂草个体的存活代数。Ffloor(·)表示函数值向下取整。
产生的子代杂草以自适应正态分布变异算子的形式随机分散在父代杂草附近。迭代过程中第q个杂草产生的第s个子代杂草表示为:
Zq,s=Zq+Zq·α·N(0,σ2),s∈[1,...,Sq] (10)
其中,N(0,σ2)表示正态分布,σ为标准差.随着进化代数的增加,σ逐渐减小,其变化规律表示为:
σ=σfinal+((GMAX-g)/GMAX)ω(σinitial-σfinal) (11)
其中,σinitial、σfinal表示为初始和最终标准差,ω为非线性调节因子。
(10)式中,α为收敛因子,具体如下式:
其中,τ表示曲线光滑因子。
步骤Ia:所述重新初始化杂草种群的具体操作为:
若则随机保留N个杂草并删除剩余杂草;若/>则基于父代杂草依序经改进Chebyshev混沌映射产生/>个杂草。将保留的杂草作为重新初始化的杂草种群。
下面结合整体的流程对本实施例进行具体说明:
S10:设立适应度函数
阵列模型的远场方向图表示为:
(1)式中,设置阵列单元为理想点源,单元间距均为Δl,k=2π/λ,λ为自由空间波长,u=sinθ(∈[-1,1]),zd是第d个天线单元的幅度,d=1,2,…,D,w(u)=[ejk Δlu,...,ejkDΔlu]表示为导向矢量。迭代过程中每个杂草对应一组阵列激励,表示为Z=[z1,z2,…,zD]T。
确定需要优化的方向图目标函数,优化目标包括限定主瓣宽度、使峰值副瓣电平最小。本专利模拟的远场方向图中,只对限制区域内的副瓣电平有要求。
所述设立的适应度函数为:
FITNESS=φ|LMSL-LTPS|+β|max|F(u0)|-LTPS|+γ|BW-BD| (2)
(2)式中,LTPS为预设副瓣电平门限,LMSL为综合结果中最大副瓣电平,BW为预设主瓣宽度、BD为综合结果中主瓣宽度、u0为方位角,即主瓣指向位置,φ、β和γ定义为适应度函数权重系数,FITNESS代表适应度函数值。
S11:设立最大迭代次数、设置种群规模
设立最大迭代次数GMAX,需满足GMAX>2,设置种群规模大小为N。
S12:基于混沌映射初始化杂草种群
利用改进Chebyshev混沌映射初始化种群,以提高初始解的质量。经典Chebyshev混沌映射迭代范围为[-1,1],与阵元激励幅度的要求范围[0,1]不相符,因此做改进处理如下式:
(Zn、d)g+1=(cos(karccos(Zn、d)g)+1)/2 (3)
k为阶次,(3)式中,初值由随机序列产生,g为迭代次数,第n个杂草Zn由D个元素组成,表示为[zn、1,...,zn、d,...,zn、D]。利用改进Chebyshev混沌关系映射(3)产生N个D维且各自分量均在[0,1]间的向量,其中第n个向量表示为Zn=[zn1,...,znd,...,znD]T,n=1,2,…,N。每个杂草维度均为D,其等同为阵列初始单元数量。
S13:判断算法是否达到最大迭代次数
判断g是否达到最大迭代次数GMAX,若g=GMAX执行S14;若g<GMAX执行S15,并更新迭代次数g=g+1。
S14:输出最优杂草
待输出的最优杂草对应的适应度函数值需最小。
S15:计算所有杂草个体适应度值、排序
将N个杂草按适应度值从小到大进行排序,将排序前50%的杂草作为父代杂草的选择范围。
S16:基于自适应控制惯性权重策略确立父代杂草种群规模
具体操作由下式进行:
Q表示父代杂草种群数量,则父代杂草种群表示为[Z1,...,Zq,...,ZQ],rand(0,0.25)为得到一个0到0.25之间的随机数,ceil(·)返回一个大于或等于函数值的最小整数。
S17:基于马氏距离的聚类策略寻找父代杂草
获得全局最优解与父代杂草的选择密切相关,为了种群中保有足够多的非相似性杂草用于在下一步迭代过程中对未知区域进行有效搜索,通过加强博弈杂草的多样性与活力以改善算法存在的早熟现象。结合在一定区域分布较密集的杂草及稀疏分布的杂草均有可能繁衍全局最优解这一机制,计算种群中每个杂草和其余杂草的马氏距离,依据马氏距离大小等概率的选择父代杂草逼近非线性问题的全局最优解。
基于马氏距离的聚类策略寻找父代杂草的具体操作包括以下步骤:
计算父代杂草选择范围内每个杂草与其余所有杂草之间的马氏距离,杂草Zi与Zj之间的马氏距离计算步骤如下:
式中,d=1,2,…,D。
杂草Zi与Zj之间的马氏距离表示如下:
式中,T表示转置,S为协方差矩阵,表示如下:
式中,cov表示协方差计算函数。
杂草Zi的马氏距离合集表示如下:
将种群中所有杂草按(8)式计算,从小到大排序后等分为Q个区间,每个区间随机选择一个解作为父代杂草,剩余杂草解数量为N-Q,作剔除处理。将每个杂草向量中幅度小于门限H的值做置零处理,完成上述操作后,保留的杂草作为父代杂草进行后代繁殖。
S18:基于正态分布变异策略进行空间扩散
基于正态分布变异策略进行空间扩散的具体操作包括以下步骤:
式中,Fmax和Fmin为迭代过程中获得的最大、最小适应度值,smax和smin为经典入侵杂草算法中设置的父代杂草可产生的最大子代杂草数和最小子代杂草数,f(Zq)为第q个杂草的适应度值,Ageaverage为父代杂草群体的平均存活代数,Zq、Age为父代杂草个体的存活代数,通过计算平均存活代数属性,优势杂草所能繁殖的子代数目与适应度函数值相关的同时,又随着群体的衰老化而不断减少。Ffloor(·)表示函数值向下取整。
产生的子代杂草以自适应正态分布变异算子的形式随机分散在父代杂草附近。迭代过程中第q个杂草产生的第s个子代杂草表示为:
Zq,s=Zq+Zq·α·N(0,σ2),s∈[1,...,Sq] (10)
其中,N(0,σ2)表示正态分布,σ为标准差.随着进化代数的增加,σ逐渐减小,其变化规律表示为:
σ=σfinal+((GMAX-g)/GMAX)ω(σinitial-σfinal) (11)
其中,σinitial、σfinal表示为初始和最终标准差,ω为非线性调节因子。
(10)式中,α为收敛因子,具体如下式:
其中,τ表示曲线光滑因子。
S19:判断杂草规模是否大于N
判断是否大于N,若/>执行S20;若/>执行S21。
S20:混沌映射补齐种群规模
基于父代杂草依序经改进Chebyshev混沌映射产生个杂草。
S21:随机选择N个杂草
随机保留N个杂草并删除剩余杂草。
实验:阵列孔径为L=200λ,其副瓣电平不高于-20dB(|θ|≥0.28°),主瓣指向0°。对相邻阵列单元的最小间距进行约束,初始阵元间隔设为0.9901λ,此设定可避免互耦效应对于天线系统的影响。初始化参数如表1所示,优化得到的阵列方向图和阵元位置及权值分布如图1-3所示,图2中实线为满足图4中阵元位置分布的阵列所形成的方向图,图3为图2主瓣区域局部放大结果,图4为阵元位置及权值分布。
表1本发明中改进入侵杂草算法的参数设置
变量 | 意义 | 初值 |
N | 初始种群 | 200 |
k | 混沌映射阶次 | 2 |
τ | 曲线光滑因子 | 0.3 |
Smax | 可产生最大种子数 | 10 |
Smin | 可产生最小种子数 | 3 |
σinitial | 初始标准差 | 0.012 |
σfinal | 最终标准差 | 0.00015 |
ω | 非线性调节因子 | 3 |
φ | 适应度函数权重系数 | 0.51 |
β | 适应度函数权重系数 | 0.22 |
γ | 适应度函数权重系数 | 0.27 |
H | 置零门限 | 0.1 |
GMAX | 算法最大迭代次数 | 500 |
作为对比,参考文献[1]张燕、程先宬、陈伯孝、周志刚.大孔径超稀疏阵列综合算法研究与应用[J].雷达科学与技术,2020,18(4):5中仿真一的结果,本发明中算法综合得到的预设区域内的副瓣电平符合希望约束值,如图2和3,波束无展宽且没有出现栅瓣,且所得的优化结果(阵元数为122)与文献[1]中的仿真一结果(阵元数为129)相比,在阵元总数上减少了7个,充分证明了本发明的有效性。
实施例二:
一种基于改进入侵杂草算法的稀疏线性阵列方向图综合系统,包括:
适应度函数构建模块:用于以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
方向图优化模块:用于利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;
其中,方向图优化模块包括:
初始化模块:基于改进Chebyshev混沌映射确定初始杂草种群;
最优杂草输出模块:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代模块直至达到最大迭代次数;
其中所述循环迭代模块包括:
第一迭代模块:用于计算所有杂草的适应度函数值、排序并择优;
第二迭代模块:用于基于自适应控制惯性权重策略确立父代杂草种群规模;
第三迭代模块:用于基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
第四迭代模块:用于基于正态分布变异策略进行空间扩散;
第五迭代模块:用于更新杂草种群。
本发明实施例所提供的基于改进入侵杂草算法的稀疏线性阵列方向图综合系统可执行本发明任意实施例所提供的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,具备执行方法相应的功能模块和有益效果。
实施例三:
本发明实施例还提供了一种一种基于改进入侵杂草算法的稀疏线性阵列方向图综合设备,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行下述方法的步骤:
以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;其中利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,包括:
步骤1:基于改进Chebyshev混沌映射确定初始杂草种群;
步骤2:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代步骤直至达到最大迭代次数;
其中所述循环迭代步骤包括:
步骤3:计算所有杂草的适应度函数值、排序并择优;
步骤4:基于自适应控制惯性权重策略确立父代杂草种群规模;
步骤5:基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
步骤6:基于正态分布变异策略进行空间扩散;
步骤7:更新杂草种群。
对于本实施例中各步骤的详细内容可参见实施例一,在此不作赘述。鉴于本实施例与实施例一采用相同的技术构思,因此也具备诸如实施例一所述的技术效果。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现下述方法的步骤:
以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;其中利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,包括:
步骤1:基于改进Chebyshev混沌映射确定初始杂草种群;
步骤2:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代步骤直至达到最大迭代次数;
其中所述循环迭代步骤包括:
步骤3:计算所有杂草的适应度函数值、排序并择优;
步骤4:基于自适应控制惯性权重策略确立父代杂草种群规模;
步骤5:基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
步骤6:基于正态分布变异策略进行空间扩散;
步骤7:更新杂草种群。
对于本实施例中各步骤的详细内容可参见实施例一,在此不作赘述。鉴于本实施例与实施例一采用相同的技术构思,因此也具备诸如实施例一所述的技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,其特征在于,包括以下步骤:
以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;其中利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,包括:
步骤1:基于改进Chebyshev混沌映射确定初始杂草种群;
步骤2:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代步骤直至达到最大迭代次数;
其中所述循环迭代步骤包括:
步骤3:计算所有杂草的适应度函数值、排序并择优;
步骤4:基于自适应控制惯性权重策略确立父代杂草种群规模;
步骤5:基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
步骤6:基于正态分布变异策略进行空间扩散;
步骤7:更新杂草种群。
2.根据权利要求1所述的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,其特征是,构建稀疏线性阵列方向图适应度函数,包括:
阵列模型的远场方向图表示为:
(1)式中,设置阵列单元为理想点源,单元间距均为Δl,k=2π/λ,λ为自由空间波长,u=sinθ(∈[-1,1]),zd是第d个天线单元的幅度,d=1,2,…,D;
设立的适应度函数为:
FITNESS=φ|LMSL-LTPS|+β|max|F(u0)|-LTPS|+γ|BW-BD| (2)
(2)式中,LTPS为预设副瓣电平门限,LMSL为综合结果中最大副瓣电平,BW为预设主瓣宽度、BD为综合结果中主瓣宽度、u0为方位角,即主瓣指向位置,φ、β和γ定义为适应度函数权重系数,FITNESS代表适应度函数值。
3.根据权利要求1所述的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,其特征是,基于改进Chebyshev混沌映射确定初始杂草种群,包括:
(Zn、d)g+1=(cos(karccos(Zn、d)g)+1)/2 (3)
k为阶次,(3)式中,初值由随机序列产生,g为迭代次数,第n个杂草Zn由D个元素组成,表示为[zn、1,...,zn、d,...,zn、D]。
4.根据权利要求1所述的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,其特征是,步骤4所述基于自适应控制惯性权重策略确立父代杂草种群规模,包括:
Q表示父代杂草种群数量,则父代杂草种群表示为[Z1,...,Zq,...,ZQ],rand(0,0.25)为得到一个0到0.25之间的随机数,ceil(·)返回一个大于或等于函数值的最小整数。
5.根据权利要求4所述的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,其特征是,步骤5基于马氏距离的聚类策略寻找父代杂草,包括:
计算父代杂草选择范围内每个杂草与其余所有杂草之间的马氏距离,杂草Zi与Zj之间的马氏距离计算步骤如下:
式中,d=1,2,…,D;
杂草Zi与Zj之间的马氏距离表示如下:
式中,T表示转置,S为协方差矩阵,表示如下:
式中,cov表示协方差计算函数;
杂草Zi的马氏距离合集表示如下:
将所有杂草的马氏距离合集从小到大排序后等分为Q个区间,每个区间随机选择一个解作为父代杂草,剩余杂草解数量为N-Q,作剔除处理,将每个杂草向量中幅度小于门限H的值做置零处理。
6.根据权利要求5所述的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,其特征是,步骤6基于正态分布变异策略进行空间扩散,包括:
式中,Fmax和Fmin为迭代过程中获得的最大、最小适应度值,smax和smin为经典入侵杂草算法中设置的父代杂草可产生的最大子代杂草数和最小子代杂草数,f(Zq)为第q个杂草的适应度值,Ageaverage为父代杂草群体的平均存活代数,Zq、Age为父代杂草个体的存活代数,Ffloor(·)表示函数值向下取整;
产生的子代杂草以自适应正态分布变异算子的形式随机分散在父代杂草附近,迭代过程中第q个杂草产生的第s个子代杂草表示为:
Zq,s=Zq+Zq·α·N(0,σ2),s∈[1,...,Sq] (10)
其中,N(0,σ2)表示正态分布,σ为标准差.随着进化代数的增加,σ逐渐减小,其变化规律表示为:
σ=σfinal+((GMAX-g)/GMAX)ω(σinitial-σfinal) (11)
其中,σinitial、σfinal表示为初始和最终标准差,ω为非线性调节因子;
(10)式中,α为收敛因子,具体如下式:
其中,τ表示曲线光滑因子。
7.根据权利要求6所述的基于改进入侵杂草算法的稀疏线性阵列方向图综合方法,其特征是,步骤7所述重新初始化杂草种群,包括:
若则随机保留N个杂草并删除剩余杂草;若/>则基于父代杂草依序经改进Chebyshev混沌映射产生/>个杂草,将保留的杂草作为更新后的杂草种群。
8.一种基于改进入侵杂草算法的稀疏线性阵列方向图综合系统,其特征在于,所述系统包括:
适应度函数构建模块:用于以限定主瓣宽度、使峰值副瓣电平最小为目标构建稀疏线性阵列方向图适应度函数;
方向图优化模块:用于利用改进入侵杂草算法对所述稀疏线性阵列方向图适应度函数进行优化求解,得到稀疏线性阵列方向图的优化结果;
其中,方向图优化模块包括:
初始化模块:基于改进Chebyshev混沌映射确定初始杂草种群;
最优杂草输出模块:判断是否达到最大迭代次数,若是,输出最优杂草,并根据所述最优杂草确定稀疏线性阵列方向图的优化结果,否则,执行循环迭代模块直至达到最大迭代次数;
其中所述循环迭代模块包括:
第一迭代模块:用于计算所有杂草的适应度函数值、排序并择优;
第二迭代模块:用于基于自适应控制惯性权重策略确立父代杂草种群规模;
第三迭代模块:用于基于马氏距离的聚类策略寻找父代杂草、引入置零处理;
第四迭代模块:用于基于正态分布变异策略进行空间扩散;
第五迭代模块:用于更新杂草种群。
9.一种基于改进入侵杂草算法的稀疏线性阵列方向图综合设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310925173.3A CN116933542A (zh) | 2023-07-25 | 2023-07-25 | 基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310925173.3A CN116933542A (zh) | 2023-07-25 | 2023-07-25 | 基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933542A true CN116933542A (zh) | 2023-10-24 |
Family
ID=88378746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310925173.3A Pending CN116933542A (zh) | 2023-07-25 | 2023-07-25 | 基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933542A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933094A (zh) * | 2024-03-19 | 2024-04-26 | 艾索信息股份有限公司 | 天线阵元的稀疏方法、装置、电子设备和存储介质 |
-
2023
- 2023-07-25 CN CN202310925173.3A patent/CN116933542A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933094A (zh) * | 2024-03-19 | 2024-04-26 | 艾索信息股份有限公司 | 天线阵元的稀疏方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10931027B2 (en) | Method for array elements arrangement of l-shaped array antenna based on inheritance of acquired character | |
CN104901734B (zh) | 一种阵列天线波束赋形方法 | |
CN116933542A (zh) | 基于改进入侵杂草算法的稀疏线性阵列方向图综合方法及系统 | |
CN113094904B (zh) | 一种非凸多约束下的阵列天线波束赋形优化方法 | |
CN105048112B (zh) | 基于qiwo_ift组合算法的阵列天线唯相位变换波束赋形方法 | |
CN108508424B (zh) | 一种基于天线阵列误差的低副瓣复权向量优化方法 | |
CN113032989A (zh) | 一种约束方向性系数的最小化阵元数目的稀布阵优化算法 | |
CN104020448A (zh) | 等阵元约束的雷达子阵级和波束/差波束形成优化方法 | |
CN115329680B (zh) | Vivaldi天线中透镜的优化方法、系统及相关设备 | |
CN111143983A (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 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN114239933A (zh) | 饲料配方的确定方法、装置、电子设备及存储介质 | |
CN113792492A (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
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 | |
CN116738788A (zh) | 基于混沌鲸鱼优化算法的阵列单元失效校正方法 | |
Omar et al. | Null steering beamformer using hybrid algorithm based on Honey Bees Mating Optimisation and Tabu Search in adaptive antenna array | |
CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
CN112615158A (zh) | 超宽带扫描稀疏阵列天线的综合方法及装置 | |
CN114221350B (zh) | 基于bas-iga算法的分布式光伏集群划分方法和系统 | |
CN111191339A (zh) | 求解天线阵列综合问题的约束超多目标智能优化转换方法 | |
CN116205143A (zh) | 一种基于物理信息神经网络实现天线方向图的设计方法 | |
Gomez et al. | Design of low-sidelobe linear arrays with high aperture efficiency and interference nulls | |
CN113609677A (zh) | 一种基于多路径的机器学习辅助天线设计方法 | |
CN117973234B (zh) | 基于自适应差分进化算法的二维车载mimo雷达天线阵列设计方法及装置 | |
Daniel et al. | Phase-only beam broadening of contiguous uniform subarrayed 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 |