浅析基于遗传算法的智能天线波束形成.docVIP

　　浅析基于遗传算法的智能天线波束形成 　摘 要:为降低智能天线方向图旁瓣电平,加深干扰方向零点深度,提出一种改进的实数编码遗传算法。该算法基于人类的繁殖现象,改进了标准遗传算法的交叉算子,从而克服了标准遗传算法收敛速度慢,易陷入局部最优等问题,提高了优化效率。在仿真实验中,以均匀直线阵为例,用改进的遗传算法对阵元激励的幅度进行优化,形成的方向图获得了更好的结果。 　　关键词:智能天线; 波束形成; 方向图; 遗传算法; 人类繁殖现象 　　　　 　　Beam-forming of Smart Antenna Based on Geic Algorithm 　　ent of Electronic Engineering, Northart antenna patterns, an improved real-coded geic algorithm is proposed. The algorithm improves the crossover operator of standard geic algorithm based on human reproduction phenomenon (HRGA). So, the sloum of standard geic algorithm are resolved and the convergence speed is enhanced. Taking an example of uniform linear array in simulation experiment, amplitude of the element excited current is optimized through improved GA, the pattern is better. 　　Keyart antenna; beam-forming; pattern; geic algorithm; human reproduction phenomenon 　　 　　0 引 言 　　智能天线波束形成是通过优化阵元的电流幅度或相位或阵元间距,使天线主波束对准期望信号,旁瓣和零陷对准干扰信号,从而接收有用信号,抑制干扰信号。由于天线优化问题中的目标函数或约束条件呈多参数、非线性、不可微甚至不连续,因而基于梯度寻优技术的传统数值优化方法无法有效求得工程上满意的结果。而遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,是一种高效、并行、全局搜索的方法,能自适应地控制搜索过程以求得最优解[1]。 　　但是在智能天线应用领域中,标准遗传算法存在早熟,后期收敛速度慢、计算复杂等问题,于是提出了一些改进的遗传算法。　1.3 线阵模型 　　考虑由2N个各向同性辐射单元组成的均匀直线阵天线,则天线波束(方向图)为: 　　F(θ)=∑2Ni=1Iiejβiejk(i-1)dcos θ 　　(3) 　　式中:Ii和βi分别是第i个阵元激励的幅度和相位;k=2π/λ为波数;λ为波长;d为阵元间距;θ为信号方向入射角。 　　利用方向图的对称性,可以减少待优化变量的数目,加快收敛[7]。若阵元激励幅度关于阵中心对称,相位相等且均为0,则线阵天线的归一化方向图为: 　　F(θ)=20log[∑Ni=1Iicoski-12dcos θ/∑Ni=1Ii] 　　(4) 2 实验结果与分析 　　天线方向图由阵元数目、分布形式、阵元间距、阵元的激励决定,控制这几个因素可以改变波束特征,如主瓣形状、副瓣电平、形成零陷等。其中,最大相对旁瓣电平和零点深度是评价天线性能的重要参数,在阵元数目、阵元间距一定的情况下,用改进的遗传算法对阵元激励的幅度进行优化,以降低最大相对旁瓣电平,以及加深干扰方向零点的深度。 　　2.1 目标函数 　　目标函数可定义为: 　　f=MSLL 　　(5) 　　式中:MSLL为最大相对旁瓣电平,计算公式为MSLL=maxθ∈S{F(θ)},max为求最大值函数;S为方向图的旁瓣区域,如果主瓣的零功率宽度为2θ0,则: 　　S={θ|0≤θ≤90°-θ0或90°+θ0≤θ≤180°} 　　 　　一般情况下,希望MSLL满足期望值外,还应使在给定Nn个方向θi(i=1,2,…,Nn)形成一定深度的零点,因此,目标函数还可定义为: 　　f=αMSLL-SLVL+βmaxi=1~Nn{F(θi)}-NLVL 　　(6) 　　式中:SLVL为MSLL期望值;NLVL为零点深度期望值;α和β为权系数,本文令α=1,β=0.1。 　　2.2 遗传参数的设定 　　(1) 群体规模M 　　群体规模的大小直接影响到遗