运用遗传算法综合稀疏阵列..doc

运用遗传算法综合稀疏阵列 Randy L.Haupt IEEE高级会员 摘要：大的天线阵列很难被稀疏用来获得较低的旁瓣。对于非周期阵列的综合问题，传统的统计学方法远远达不到最优配置的要求。传统的优化方法不适合用来优化多参数或离散参数的问题。本文将介绍如何利用遗传算法来优化一个稀疏阵列，并在一个周期阵列上利用遗传算法来决定哪一个阵元被稀疏从而抑制阵列的最大相对旁瓣电平。本文将呈现200个阵元的线阵和200个阵元的面阵的仿真结果，要求稀疏阵列的旁瓣电平低于-20dB，对于线阵，同时在扫描角和带宽上进行了优化。 Ⅰ 简介 周期性阵列通过有目的的放置相同权值的阵元来产生幅度锥削的低旁瓣，在给定旁瓣要求的前提下利用简单的分析方法推出阵元的位置是不可能的[1]。事实上，大部分周期阵列的分析方法都是试图将阵列区域内的阵元密度与幅度锥削的低旁瓣的振幅密度相联系起来，同时保持阵列孔径不变[2]。阵元密度在阵列中心达到最大并逐渐向边缘稀疏，通常情况下，旁瓣电平在主瓣附近减小，而在远离主瓣的位置上增大[3]（这个通常是可接受的）。非周期阵列的综合方法是在给定条件下达到均方旁瓣电平或是最大相对旁瓣电平的要求。 稀疏一个阵列意味着从均匀间隔阵列或者是周期阵列中抽去部分阵元从而在给定孔径的范围内产生所期望的幅值密度。连接在馈电网络上的阵元的状态是“开”，而连接在匹配负载或虚负载上的阵元的状态就是“关”。用稀疏阵来产生低旁瓣比稀布阵要简单的多，稀布阵的阵元位置不确定的，有无限多的取值可能。稀疏阵有2Q种组合，其中Q是阵元数目，如果阵列是对称结构，那么阵元位置的组合数将显著减少。稀疏也可以看作是振幅锥度的量化，其中每一个阵元的振幅用一个比特来表示。 稀疏一个大的阵列从而产生低旁瓣涉及到检查相当多的阵元位置组合，目的是找到最好的稀疏方式。只有当阵列较小时无遗漏的检查所有的组合才是可行的[5]。大部分的优化方法（例如单纯形法、Powell方法、共轭梯度法等）不适合于稀疏阵列优化，他们只能优化一些连续变量而且会陷入局部最小值[6]，此外，这些方法是专们用来处理连续参数问题的，而稀疏阵列所处理的是离散参数问题。动态编程法可以优化大型参数组（有很多阵元），但是极易陷入局部最小值。 模拟退火算法和遗传算法是非常适合于稀疏阵列的优化方法，它们不受所要优化的变量个数的限制，尽管处理速度比较慢，但是这些算法可以处理大型阵列。它们是全局性的优化方法，拥有能够探测到当前最小值之外的解决方案的随机因子，同时该算法是收敛的。由于模拟退火算法与遗传算法的全局特性同时缺乏辅助信息，这使得它们较其他的非全局性方法有较慢的收敛速度。 Ruf利用模拟退火算法优化了低冗余线性阵列[8]，这些天线被应用到射电天文学中评估场景的光芒。天文学家喜欢设计能够采样他们所观测到的空间分布的天线阵列。Ruf的方法能优化比以往任何时候都要大的线性阵列。 本文的目的是寻找到一个稀疏阵，使其最大相对旁瓣电平最小（rsll）。本文将介绍一种遗传算法，用来在数值上优化一个线阵和面阵[9]。遗传算法是模仿基因重组与进化，将优化参数编码为称作基因的二进制串，并执行复制、交叉、自然选择和变异等遗传操作来得到最优解。对于阵列，这些算法得到了较先前优化尝试或是统计尝试更好的稀疏结构。其他的优化方法不适合于大型阵列，而且统计方法也找不到最优解。本文利用遗传算法对200个阵元的线阵和面阵分别进行了优化，并且得到了最优解。线性阵列通过优化，使其在一系列的扫描角和频率上的最大相对旁瓣电平低于了-20dB。 Ⅱ 遗传算法 遗传算法的目的是寻找一组参数使得函数的输出结果最小，遗传算法不同于大部分的优化方法，因为它有如下的一些特点[10]。 遗传算法的处理对象是经过编码的参数，而不是参数本身。 遗传算法采用多点搜索来代替单点搜索。 遗传算法不需要辅助信息。 遗传算法采用概率的变迁规则，而不是确定性规则。 图1 遗传算法的流程图 图1是遗传算法的流程图，接下来的段落将详细介绍遗传算法的每一个步骤，为了便于查询，我们用A-F对每一步都进行了标记。 所有参数的数值都经过了二进制编码（步骤A），每一个被编码的参数按顺序放置，从而形成一个被称作基因的二进制长串，每一个基因对应于其量化参数所计算的函数结果，因此遗传算法需要检查有限的，但却是有很多的参数组合方式形成的大量基因。假设一个大的基因有N串，每一串有B位参数，那么一共就有2NB种基因。如果参数是连续的，那么由于进行二进制编码时会产生量化误差，这将会限制遗传算法的性能。从积极的方面来看，遗传算法理论上更适合于离散参数的优化问题。 稀疏阵就是一个离散参数问题，参数的每一位代表着阵元的状态，例如“on”代表1，“off”代表0。举个例子来看，一个