基于进化算法的多目标优化阵列天线方向图形成方法专利检索-粒子群优化人工智能专利检索查询-专利查询网

基于进化 算法的多目标优化阵列天线方向图形成方法

阅读：978发布：2022-10-10

专利汇可以提供基于进化算法的多目标优化阵列天线方向图形成方法专利检索，专利查询，专利分析的服务。并且一种基于进化算法的多目标优化阵列天线方向图形成方法，属于通信技术领域。步骤为：1)对粒子和相关量做初始化；2)对粒子排序并分组：分组时采取最优适应度分组原则；3)在采用非一致性学习因子的基础上，生成新的子迭代模型，再对上述学习因子作对偶交叉，形成包含2个子模型的双迭代模型，再分别对上述的两个分组的粒子使用上述的2个子迭代模型作迭代优化；4)迭代完成后，再对上述两个分组的最优粒子的适应度作比较，二者取其优；5)判断适应度和迭代次数；6)重复上述操作，直至结束。本发明大大提高进化算法在阵列天线方向图综合中的收敛速度和最优效果，从而保证多目标条件下的方向图综合的最优化。，下面是基于进化算法的多目标优化阵列天线方向图形成方法专利的具体信息内容。

权利要求

1、一种基于进化算法的多目标优化阵列天线方向图形成方法，其特征在于：步骤如下：
1)对粒子和相关量做初始化；
2)对粒子排序并分组：分组时采取最优适应度分组原则，即在分组时，选出经前一次迭代后适应度最优的粒子，并将其作为分组的边界；
3)在采用非一致性学习因子的基础上，生成新的子迭代模型，再对上述学习因子作对偶交叉，形成包含2个子模型的双迭代模型，再分别对上述的两个分组的粒子使用上述的2个子迭代模型作迭代优化；
4)迭代完成后，再对上述两个分组的最优粒子的适应度作比较，二者取其优；
5)判断适应度和迭代次数，如果均未达到预设的适应度和迭代次数两个值，则进行新一轮的迭代；
6)重复上述操作，直至结束。
2、根据权利要求1所述的基于进化算法的多目标优化阵列天线方向图形成方法，其特征是，所述步骤1)，具体为：首先对粒子作初始化，以part(i，j)表示第i组第j个粒子，令i＝2，part(i，j)＝0。
3、根据权利要求1所述的基于进化算法的多目标优化阵列天线方向图形成方法，其特征是，所述步骤2)，具体为：对上述粒子做分组，算出每一个粒子的适应度值，再找出其中适应度值最低的粒子最为分组的边界，即Boundary＝Best (part(2，j))。
4、根据权利要求1所述的基于进化算法的多目标优化阵列天线方向图形成方法，其特征是，所述步骤3)，具体实现如下：
按照下述的双迭代模型分别对上述的两个粒子分组作例子群优化，具体的迭代算式如下所示：
子模型1
$v_{id}^{k + 1} = ω \cdot v_{id}^{k} + {(c_{1} (rand))}^{k} \cdot ({pbest}_{id}^{k} - x_{id}^{k}) + {(c_{2} (rand))}^{k} \cdot ({gbest}_{d}^{k} - x_{id}^{k})$
$x_{id}^{k + 1} = x_{id}^{k} + v_{id}^{k + 1}$
子模型2
${(v_{id}^{k + 1})}^{*} = ω \cdot v_{id}^{k} + {(c_{2} (rand))}^{k} \cdot ({pbest}_{id}^{k} - x_{id}^{k}) + {(c_{1} (rand))}^{k} \cdot ({gbest}_{d}^{k} - x_{id}^{k})$
$x_{id}^{k + 1} = x_{id}^{k} + {(v_{id}^{k + 1})}^{*}$
c1(rand)＝1.49·rand；c2(rand)＝1.49·rand2
其中，vid k是群中粒子i在第k次迭代中第d维的速度向量；c1，c2是加速系数或称学习因子，分别用于调节向全局最好粒子和个体最好粒子方向飞行的最大步长； rand是[0，1]之间的随机数；xid k是粒子i在第k次迭代中第d维的当前位置； pbestid是粒子i在第d维的个体极值点的位置；gbestd是整个群体在第d维的全局极值点的位置。
5、根据权利要求1所述的基于进化算法的多目标优化阵列天线方向图形成方法，其特征是，所述步骤4)，迭代完成后，再对上述两个分组的最优粒子的适应度作比较，二者取其优，将最优的适应度值记为V(best)。
6、根据权利要求1所述的基于进化算法的多目标优化阵列天线方向图形成方法，其特征是，所述步骤5)，具体为：以V(s)和G(s)分别代表预设的适应度阈值和最大迭代次数，在步骤4)的基础上，判断V(best)和V(s)的大小关系，如果V(best)≤V(s)或当前迭代次数等于G(s)，则停止迭代。
7、根据权利要求1所述的基于进化算法的多目标优化阵列天线方向图形成方法，其特征是：所述步骤6)，具体为：如果当前的迭代未达到预设的适应度和迭代次数两个值，就自动重新迭代，从步骤2)重新开始新一轮迭代优化。

说明书全文

技术领域

本发明涉及一种通信技术领域的方法，具体涉及一种基于进化算法的多目标优化阵列天线方向图形成方法。

背景技术

阵列天线方向图综合，从本质上说就是根据所需要的空间辐射方向图或给定性能参数要求来选择一组合适的阵元激励权值或优化天线的空间分布形式。通常可有三种方式：调节阵元激励大小和激励相位，以及调整阵元空间分布。这三者可以单独使用也可以同时使用。其中阵列激励大小和相位的调整由于使用起来较为灵活，是目前比较常见的方式。
而随着大规模集成电路技术和相关计算机技术的发展，基于智能计算的天线方向图综合问题受到越来越多的重视。而其中遗传算法和近年来兴起的粒子群算法就是人们在总结自然界进化规律和鸟类、蜜蜂等生物在觅食过程中的群体智慧基础上得出的演化算法。遗传算法和粒子群算法在解决大空间、非线性、全局寻优等复杂问题时具有一些传统方法所不具备的独特优越性。
经对现有技术的文献发现，Khodier M.M and Christodoulou发表的“Linear Array Geometry Synthesis With Minimum Sidelobe Level and Null Control Using Particle Swarm Optimization”(IEEE Transactions Antennas and Propagation，2005)(一种粒子群优化算法及其在线性阵元优化实现旁瓣抑制和零陷控制中的应用，IEEE天线与传播汇刊)，采用粒子群算法对线性阵列方向图进行优化，有效地实现了旁瓣抑制和零陷生成控制。但上述的遗传算法和粒子群算法在应用到阵列天线的方向图综合中时，主要的不足在以下两个方面：1)遗传算法在多目标优化中往往收敛速度不够快。需要占用较多系统资源，相比粒子群算法效率较低。2)而线性权重递减的粒子群算法和基本型的粒子群算法都存在易于陷入局部极值和最优化结果仍不够理想的缺陷。

发明内容

本发明是针对现有粒子群算法和遗传算法在阵列天线方向图综合中效率和收敛效果不理想的缺陷，提出一种基于进化算法的多目标优化阵列天线方向图形成方法。本发明通过改进线性权重递减的粒子群算法迭代算法表达式，并且在每一步进化过程中，总是以当前最优值的粒子为边界来对粒子群作划分，大大提高进化算法在阵列天线方向图综合中的收敛速度和最优效果，从而保证多目标条件下的方向图综合的最优化。
本发明是通过以下技术方案实现的，方法步骤如下：
1)对粒子和相关量做初始化。这一步与通常的粒子群算法相同。
2)对粒子排序并分组。分组时采取最优适应度分组原则，即在分组时，选出经前一次迭代后适应度最优的粒子，并将其作为分组的边界。
3)在采用非一致性学习因子的基础上，生成新的子迭代模型。再对上述学习因子作对偶交叉，形成包含2个子模型的双迭代模型。再分别对上述的两个分组的粒子使用上述的2个子迭代模型作迭代优化。
4)迭代完成后，再对上述两个分组的最优粒子的适应度作比较，二者取其优。
5)判断适应度和迭代次数，如果均未达到预设的适应度和迭代次数两个值，则进行新一轮的迭代。
6)重复上述操作，直至结束。
所述步骤1)，具体为：首先对粒子作初始化。以part(i，j)表示第i组第j 个粒子。通常可令i＝2，part(i，j)＝0。这一步与通常的粒子群算法相同。
所述步骤2)，具体为：对上述粒子做分组。算出每一个粒子的适应度值，再找出其中适应度最高，即适应度值最低的粒子最为分组的边界，即Boundary＝ Best(part(2，j))。
所述步骤3)，具体实现如下：
按照下述的双迭代模型分别对上述的两个粒子分组作例子群优化。具体的迭代算式如下所示：
子模型1

v_{id}^{k + 1} = ω \cdot v_{id}^{k} + {(c_{1} (rand))}^{k} \cdot ({pbest}_{id}^{k} - x_{id}^{k}) - - - (1 - 1)

x_{id}^{k + 1} = x_{id}^{k} + v_{id}^{k + 1} - - - (1 - 2)

子模型2

{(v_{id}^{k + 1})}^{*} = ω \cdot v_{id}^{k} + {(c_{2} (rand))}^{k} \cdot ({pbest}_{id}^{k} - x_{id}^{k}) + {(c_{1} (rand))}^{k} \cdot ({gbest}_{d}^{k} - x_{id}^{k}) - - - (2 - 1)

x_{id}^{k + 1} = x_{id}^{k} + {(v_{id}^{k + 1})}^{*} - - - (2 - 2)

c1(rand)＝1.49·rand；c2(rand)＝1.49·rand2 (3)
其中，
vid k是群中粒子i在第k次迭代中第d维的速度向量；c1，c2是加速系数(或称学习因子)，分别用于调节向全局最好粒子和个体最好粒子方向飞行的最大步长。 rand是[0，1]之间的随机数；xid k是粒子i在第k次迭代中第d维的当前位置； pbestid是粒子i在第d维的个体极值点的位置；gbestd是整个群体在第d维的全局极值点的位置。
所述步骤4)，具体实现如下：
迭代完成后，再对上述两个分组的最优粒子的适应度作比较，二者取其优。将最优的适应度值记为V(best)。这一步确保了本发明的高效率。实际上此步在算法上相当于在每一次迭代中做了两次分类优化。
所述步骤5)，具体实现如下：
以V(s)和G(s)分别代表预设的适应度阈值和最大迭代次数。在4)的基础上，判断V(best)和V(s)的大小关系，如果V(best)≤V(s)或当前迭代次数等于G(s)，则停止迭代。
所述步骤6)，具体实现如下：
如果当前的迭代未达到预设的适应度和迭代次数两个值，就自动重新迭代，从步骤2)重新开始新一轮迭代优化。
附图说明
图1为本发明方法流程图。
图2为相关算法在收敛性能上的比较。
图3为采用本发明的仿真结果1。
图4为采用本发明的仿真结果2。

具体实施方式

如图1、图2所示，为更好地理解本发明，以下结合附图对本发明的优势做详细的阐述。在图1中，图中阐述了新算法的具体流程，详细说明如前所述。在图2中，图中曲线针对图3中多目标优化，并选取100个粒子的情形下得到的。其中实线所示为本发明提出的混合算法对应的适应度进化曲线，而虚线为LDW- PSO对应的适应度进化曲线。从图上可以看出，新的算法在60代左右就已经接近最优解，而原有的算法在迭代100次后仍未收敛于最优解。很明显，新的算法无论在收敛效果和收敛速度都较原算法有显著提高。
而图3中，针对一个等间距的16元线性阵列，设天线阵工作频率为1.308GHz，单元间距为0.45λ，采用本发明提出的算法进行优化，得到的方向图如图2所示：
本发明得到的最高旁瓣电平大约在-33.5dB。这比现有的采用遗传算法的结果要优，旁瓣要低3dB左右。可参考董涛和徐晓文发表的“遗传算法在低副瓣天线阵综合中的应用”(北京理工大学学报，2001.6)。
在图4中，由N＝11个天线阵元形成均匀直线阵，阵元间距为λ/2，激励电流的相位均为0(边射阵)，电流幅值对称，对电流幅值进行优化。
最终使得旁瓣电平在处于-20dB左右，并在40°到60°的范围内形成5个连续的-100dB的零陷。相比现有的文献中的结果，本发明在旁瓣抑制和零陷生成的难度上的实现上均有较大改进。
应用本发明可灵活地实现在多目标优化背景下的优化目标要求。特别是在阵列天线方向图综合中，应用本发明可同时实现连续和非连续深零陷以及最高旁瓣电平的抑制，这一点可从现有的仿真结果中得到证实。另外，将本发明方法的核心算法移植到相关的优化问题中，亦会取得好的效果。
而将本发明应用于无线通讯领域的方向图波束形成中，将会比现有的基于遗传算法的形成方法效率上有较大优势，并会在零陷生成和旁瓣抑制上取得更好的效果。且由于本发明方法构架简洁，具有极强的通用性，合适电子通讯产品模块化的需要。

标题	发布/更新时间	阅读量
改进的基于分解的多目标粒子群规划螺旋线抛光轨迹方法	2020-05-08	635
一种基于风光储联合发电系统的发用电一体化调度方法	2020-05-12	920
适用于不同进水锥管的轴流泵辐条优化设计方法	2020-05-11	755
一种基于稀疏BP神经网络的实时交通预测方法及装置	2020-05-12	662
一种基于粒子群算法的知识图谱优化方法及装置	2020-05-11	38
一种基于自适应粒子群的无功优化方法	2020-05-12	131
一种信用风险评估方法与装置	2020-05-08	991
基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法	2020-05-12	617
一种软件易用性全面测试方法及系统	2020-05-12	826
一种葡萄霜霉病预测方法及系统	2020-05-11	888

基于进化算法的多目标优化阵列天线方向图形成方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：