CN117406191A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117406191A CN117406191A CN202311374802.4A CN202311374802A CN117406191A CN 117406191 A CN117406191 A CN 117406191A CN 202311374802 A CN202311374802 A CN 202311374802A CN 117406191 A CN117406191 A CN 117406191A
- Authority
- CN
- China
- Prior art keywords
- node
- particle
- value
- array
- nodes
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 87
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000010187 selection method Methods 0.000 title claims abstract description 18
- 239000003016 pheromone Substances 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,涉及雷达信号处理领域。其包括以下步骤:种群初始化,计算种群中每个粒子对应的适应度函数,寻找个体极值和群体极值,初始化各节点的信息素,粒子速度和位置更新,判断粒子位置更新后遴选节点数量是否满足固定节点数约束,更新粒子适应度值、个体极值以及种群极值,更新节点信息素值,迭代完成输出优化结果。本发明与现有传统二进制粒子群节点遴选方法相比,增加了信息素选择策略,在全局寻优和局部区域探索间取得平衡,在固定节点数量约束条件下具有更好的优化效果。
Description
技术领域
本发明涉及雷达信号处理领域,特别涉及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。
背景技术
广域随机稀布阵列通过分布式子节点的广域随机分布,在不增加单站雷达孔径的条件下获得了雷达探测威力的提升。同时,由于收发节点采用去中心的分散布置方式,收发视角得以拓展,具备抗干扰和反隐身能力强的特点。但是,广域随机稀布阵列也面临着资源优化问题,在节点数量和最大化主旁瓣比的约束条件下进行最优节点遴选至关重要。
当前,针对广域随机稀布阵列以及传感器网络等场景的节点遴选方法的主要包括基于群体智能算法和基于机器学习算法两种。
申请号为202310018283.1的中国发明专利公开了一种基于迁移强化学习的快速节点遴选方法,首先对蒙特卡洛树进行训练,保存结果参数用于实时调用,提高了优化遴选速度,可实现快速非固定节点数目的遴选。
文献“改进二进制粒子群优化的节点选择算法”对传统二进制优化遴选方法进行改进,在粒子速度和位置更新环节增加了带引导因子的搜索策略,并提出一种带有惩罚因子的适应度函数,相比传统二进制粒子群方法寻优效果更好。
现有方法均是针对非固定数目的节点遴选,在固定数目节点遴选中面临迭代过程中不满足约束条件的问题。
发明内容
本发明的目的在于针对现有技术中存在的问题,提供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。本方法对传统二进制粒子群算法进行改进,提出了基于信息素的二进制粒子群优化算法,在固定节点数限定条件下,当粒子位置更新后基于节点信息素对每个粒子的解进行调整,确保满足限定节点数量要求,同时令粒子向最优解靠近,在全局寻优和局部区域探索间取得平衡,具有更好的旁瓣优化效果。
为了实现上述目的,本发明采用的技术方案如下:
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,用于从已布置的N个节点中选出P个节点以组成广域稀布阵列,P<N,从而在满足探测能力的前提下节省资源,包括以下步骤:
步骤1,构造粒子群,并随机生成每个粒子的初始位置和速度;具体方式为:
对于每个粒子,构造一个长度为N的全零向量,向量的N个位置与N个已布置的节点一一对应;然后对1至N的整数进行随机排列,取前P个数作为被选中的节点标号,将全零向量中对应位置的0置1,作为粒子的初始位置X0;此外,随机生成一个长度为N的向量作为粒子的初始速度V0;
步骤2,计算粒子群中每个粒子对应的适应度函数值,即最高旁瓣值,寻找个体极值Pi k和群体极值
步骤3,初始化各节点的信息素:依次检索每个粒子中被选中的节点,将该粒子对应的适应度函数值作为被选中节点的信息素值,若节点被多个粒子选中,则将其中最大的适应度函数值作为该节点的信息素值;
步骤4,粒子速度和位置更新:按照如下速度更新公式计算每个粒子的速度值:
式中,ω、c1、c2分别表示粒子速度受到当前速度、个体极值和种群极值的影响权重,c1、c2是常数,ω是动态惯性权重,r1和r2为分布于[0,1]区间的随机数,Vi k、Xi k分别表示第i个粒子第k次迭代中的粒子速度、粒子位置以及个体最优位置,表示第k次迭代中的群体最优位置;
然后,按照如下的二进制粒子群位置计算公式更新个体位置:
步骤5,判断粒子位置更新后遴选节点数量是否满足约束数量P,若此时遴选节点数量小于约束数量P,则从未选中节点中选择信息素值最大的节点以补足遴选节点数量,若此时遴选节点数量大于约束数量P,则从已选中节点中删除信息素值最低的节点;
步骤6,计算各粒子的适应度函数值,更新个体极值以及群体极值;
步骤7,更新各节点的信息素值;
步骤8,判断是否达到设定的迭代次数,若迭代完成则输出最终的遴选结果,否则返回步骤4继续执行。
进一步地,步骤2中,计算粒子群中每个粒子对应的适应度函数值,具体方式为:
步骤201,计算当目标处于直角坐标posgoal=[0,0,r]T时的阵列导向矢量,r为目标到坐标原点的距离,将第p个被选中节点的坐标记为posnode_p=[xp,yp,zp]T,p=1,2,...P,计算被选中节点与目标的间距:
dgoal_node_p=||posgoal-posnode_p||
得到阵列导向向量为:
w=[exp(2πfdgoal_node_1/c),exp(2πfdgoal_node_2/c),...,exp(2πfdgoal_node_P/c)]
其中,f为频率,c为光速,exp表示自然常数e的指数函数;
步骤202,对搜索空域划分为L个搜索网格,计算每个搜索网格对应的阵列流型,具体方式为:
第l个搜索网格的极坐标表示为poswg=[al,θl,r]T,将其转换成直角坐标为pos=[xl,yl,zl]T,节点与网格的间距为dwg_node_p=||pos-posnode_p||,第l个网格的导向矢量记为a(αl,θl)=[exp(2πfdl_node_1/c),exp(2πfdl_node_2/c),...,exp(2πfdl_node_P/c)],从而得到阵列流型为A=[a(α1,θ1),a(α2,θ2),...,a(aL,θL)];
步骤203,将阵列导向矢量与阵列流型共轭相乘,得到阵列方向图:
E=wHA
将方向图E转换为功率形式:
EdB=20lg(abs(E)./max(abs(E)))
式中,E表示阵列方向图的幅度数据,EdB表示对幅度归一化后计算得到的阵列方向图功率数据;
得到阵列功率谱;
步骤204,将主瓣区域内的值置零,找到置零后功率谱最大值,得到最高旁瓣值。
进一步地,步骤4中,ω是递减惯性权重,随着迭代次数增加逐渐减小,第k次迭代的ω值为:
其中,T为总迭代次数。
本发明相比背景技术有如下有益效果:
1、本发明与现有传统二进制粒子群节点遴选方法相比,增加了信息素选择方法,在固定节点数量约束条件下具有更好的优化效果。
2、在20*20m2的场景中随机分布200个节点,遴选数量设为100,执行蒙特卡洛实验,相比传统二进制粒子群方法,本方法旁瓣优化结果有1dB的优势。
附图说明
图1是本发明实施例中广域随机稀布阵列节点遴选的流程图。
图2是本发明实施例中基于改进二进制粒子群旁瓣优化结果图。
图3是本发明实施例中节点遴选后的阵列方向图。
图4是本发明实施例中节点遴选后的节点位置分布图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细描述。
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,如图1所示,包括以下步骤:
步骤1,种群初始化:对种群中的每个粒子初始化,随机生成每个粒子的初始位置和速度,首先构造一个长度为N的全零向量,然后对1-N的整数进行随机排列,取前P个数作为被选中的节点标号,将全零向量中对应位置的0置1,作为粒子的初始位置X0,随机生成一个长度为N的向量作为粒子的初始速度V0,完成粒子群初始化。其中N表示总得节点数量,P表示限定的节点遴选数量;
步骤2,计算种群中每个粒子对应的适应度函数,即最高旁瓣值,寻找个体极值Pi k和群体极值
首先,计算当目标处于直角坐标posgoal=[0,0,r]T时的阵列导向矢量。将粒子位置中被选中的节点,即值为1的第p=1,2,...,P个节点的坐标记为posnode_p=[xp,yp,zp]T,计算被选中节点与目标的间距为dgoal_node_p=||posgoal-posnode_p||,得到阵列导向向量为:w=[exp(2πfdgoal_node_1/c),exp(2πfdgoal_node_2/c),...,exp(2πfdgoal_node_P/c)]。
然后,对搜索空域进行网格划分,计算每个搜索网格对应的阵列流型。共L个网格中第l网格点极坐标可以表示为poswg=[αl,θl,r]T,将其转换成直角坐标为pos=[xl,yl,zl]T,节点与网格点的间距为dwg_node_p=||pos-posnode_p||,第l个网格的导向矢量记为a(αl,θl)=[exp(2πfdl_node_1/c),exp(2πfdl_node_2/c),...,exp(2πfdl_node_P/c)],可得到阵列流型为A=[a(α1,θ1),a(a2,θ2),...,a(aL,θL)]。
接下来,将阵列导向矢量与阵列流型共轭相乘,得到阵列方向图E=wHA。将方向图E转换为功率形式EdB=20lg(abs(E)./max(abs(E))),得到阵列功率谱。
最后,将主瓣区域内的值置零后,找到置零后功率谱最大值,得到最大旁瓣值。
步骤3,初始化各节点的信息素:依次检索此时每个粒子中被选中的节点,将此时该粒子对应的适应度函数值作为被选中节点的信息素值,若节点被多个粒子选中,将其中最大的适应度函数值作为该节点信息素保留;
步骤4,粒子速度和位置更新:按照速度更新公式计算每个粒子的速度值,然后按照二进制粒子群位置计算公式/>更新个体位置;
其中,ω、c1、c2分别表示粒子速度受到当前速度、个体极值和种群极值的影响权重。c1、c2是一个常数,ω通常是动态惯性权重。
本方法中,ω是递减惯性权重,随着迭代次数增加逐渐减小,根据公式由初始惯性权重、总迭代次数以及当前迭代次数决定。
步骤5,粒子值约束。判断粒子位置更新后遴选节点数量是否满足固定节点数约束,若此时遴选数量<约束数量,则从未选中节点中选择信息素值最大的节点补足选中节点数量,若此时遴选数量>约束数量,则从已选中节点中删除部分信息素最低的节点;
步骤6,更新粒子适应度值,个体极值以及种群极值。
步骤7,更新节点信息素值。
步骤8,判断是否迭代完成。迭代完成输出优化结果,否则返回步骤4.
至此,完成了基于改进二进制粒子群算法的固定节点数广域随机稀布阵列节点遴选方法。
图2给出了迭代过程中每一代群体最优粒子的最大旁瓣功率,从初始的-13.2dB优化到了15.2dB,优化效果有2dB。图3是优化后被选中的100个节点的位置,用图3中的100个节点绘制方向图如图4,从图中可以看出最大旁瓣电平约-15.2dB。
总之,本发明与现有传统二进制粒子群节点遴选方法相比,增加了信息素选择策略,在全局寻优和局部区域探索间取得平衡,在固定节点数量约束条件下具有更好的优化效果,解决了雷达信号处理领域中固定节点数限制下的广域随机稀布阵列节点遴选问题。
Claims (3)
1.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,其特征在于,用于从已布置的N个节点中选出P个节点以组成广域稀布阵列,P<N,从而在满足探测能力的前提下节省资源,包括以下步骤:
步骤1,构造粒子群,并随机生成每个粒子的初始位置和速度;具体方式为:
对于每个粒子,构造一个长度为N的全零向量,向量的N个位置与N个已布置的节点一一对应;然后对1至N的整数进行随机排列,取前P个数作为被选中的节点标号,将全零向量中对应位置的0置1,作为粒子的初始位置X0;此外,随机生成一个长度为N的向量作为粒子的初始速度V0;
步骤2,计算粒子群中每个粒子对应的适应度函数值,即最高旁瓣值,寻找个体极值Pi k和群体极值
步骤3,初始化各节点的信息素:依次检索每个粒子中被选中的节点,将该粒子对应的适应度函数值作为被选中节点的信息素值,若节点被多个粒子选中,则将其中最大的适应度函数值作为该节点的信息素值;
步骤4,粒子速度和位置更新:按照如下速度更新公式计算每个粒子的速度值:
式中,ω、c1、c2分别表示粒子速度受到当前速度、个体极值和种群极值的影响权重,c1、c2是常数,ω是动态惯性权重,r1和r2为分布于[0,1]区间的随机数,Vi k、分别表示第i个粒子第k次迭代中的粒子速度、粒子位置以及个体最优位置,/>表示第k次迭代中的群体最优位置;
然后,按照如下的二进制粒子群位置计算公式更新个体位置:
步骤5,判断粒子位置更新后遴选节点数量是否满足约束数量P,若此时遴选节点数量小于约束数量P,则从未选中节点中选择信息素值最大的节点以补足遴选节点数量,若此时遴选节点数量大于约束数量P,则从已选中节点中删除信息素值最低的节点;
步骤6,计算各粒子的适应度函数值,更新个体极值以及群体极值;
步骤7,更新各节点的信息素值;
步骤8,判断是否达到设定的迭代次数,若迭代完成则输出最终的遴选结果,否则返回步骤4继续执行。
2.根据权利要求1所述的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,其特征在于,步骤2中,计算粒子群中每个粒子对应的适应度函数值,具体方式为:
步骤201,计算当目标处于直角坐标posgoal=[0,0,r]T时的阵列导向矢量,r为目标到坐标原点的距离,将第p个被选中节点的坐标记为posnode_p=[xp,yp,zp]T,p=1,2,...P,计算被选中节点与目标的间距:
dgoal_node_p=||posgoal-posnode_p||
得到阵列导向向量为:
w=[exp(2πfdgoal_node_1/c),exp(2πfdgoal_node_2/c),...,exp(2πfdgoal_node_P/c)]
其中,f为频率,c为光速,exp表示自然常数e的指数函数;
步骤202,对搜索空域划分为L个搜索网格,计算每个搜索网格对应的阵列流型,具体方式为:
第l个搜索网格的极坐标表示为poswg=[al,θl,r]T,将其转换成直角坐标为pos=[xl,yl,zl]T,节点与网格的间距为dwg_node_p=||pos-posnode_p||,第l个网格的导向矢量记为a(al,θl)=[[exp(2πfdl_node_1/c),exp(2πfdl_node_2/c),...,exp(2πfdl_node_P/c)]],从而得到阵列流型为A=[a(α1,θ1),a(α2,θ2),...,a(aL,θL)];
步骤203,将阵列导向矢量与阵列流型共轭相乘,得到阵列方向图:
E=wHA
将方向图E转换为功率形式:
EdB=20lg(abs(E)./max(abs(E)))
式中,E表示阵列方向图的幅度数据,EdB表示对幅度归一化后计算得到的阵列方向图功率数据;
得到阵列功率谱;
步骤204,将主瓣区域内的值置零,找到置零后功率谱最大值,得到最高旁瓣值。
3.根据权利要求1所述的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,其特征在于,步骤4中,ω是递减惯性权重,随着迭代次数增加逐渐减小,第k次迭代的ω值为:
其中,T为总迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311374802.4A CN117406191A (zh) | 2023-10-23 | 2023-10-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311374802.4A CN117406191A (zh) | 2023-10-23 | 2023-10-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117406191A true CN117406191A (zh) | 2024-01-16 |
Family
ID=89492128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311374802.4A Pending CN117406191A (zh) | 2023-10-23 | 2023-10-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406191A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688310A (zh) * | 2024-02-01 | 2024-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于多目标粒子群算法的mcpc信号波形优化方法 |
-
2023
- 2023-10-23 CN CN202311374802.4A patent/CN117406191A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688310A (zh) * | 2024-02-01 | 2024-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于多目标粒子群算法的mcpc信号波形优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926139B (zh) | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 | |
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN103675799B (zh) | 一种相控阵声纳系统换能器稀疏面阵优化方法 | |
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 | |
CN113627606A (zh) | 一种基于改进粒子群算法的rbf神经网络优化方法 | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
CN112507622A (zh) | 一种基于强化学习的反无人机任务分配方法 | |
CN111983619B (zh) | 一种基于迁移学习的水声目标前向散射声扰动定位方法 | |
CN108416421B (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
CN110996333A (zh) | 一种基于鲸鱼算法的无线传感器网络节点定位方法 | |
CN112462805B (zh) | 基于改进蚁群算法的5g网联无人机航迹规划方法 | |
CN105005820A (zh) | 一种基于种群爆炸粒子群算法的目标分配优化方法 | |
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 | |
CN113095477B (zh) | 基于de-bp神经网络的风电功率预测方法 | |
CN111709511A (zh) | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 | |
CN115310341B (zh) | 一种深空测控天线组阵布局优化设计方法 | |
CN109709517B (zh) | 基于模拟退火算法的srp-phat声源定位网格搜索方法 | |
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 | |
CN114218849A (zh) | 基于深度强化学习的复杂阵列天线智能设计方法 | |
CN113283181A (zh) | 一种障碍物和海流环境中多auv快速围捕方法 | |
CN115342812A (zh) | 一种基于改进蝴蝶优化算法的无人机三维航迹规划方法 | |
CN108694438A (zh) | 一种结合爆炸策略、反向学习与蝙蝠算法的单目标优化问题方法及系统 | |
CN109299750A (zh) | 分布式模糊c均值数据聚类方法 | |
CN117241376B (zh) | 一种多策略改进bp神经网络的wsn节点定位方法 |
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 |