基于免疫粒子群算法的交叉天线阵列优化方法.docxVIP

基于免疫粒子群算法的交叉天线阵列优化方法 摘要：针对平面多臂交叉天线阵列,提出了一种获得低最大副瓣高度(MSLL)、窄半功率波束宽度(HPBW)和较少阵元数量的阵列稀布优化方法。并提出了一种基于旋转对称特性的交叉阵列优化模型,应用粒子群优化(PSO)算法对阵列进行优化,引入改进的免疫过程提高个体多样性,从而达到更好的全局搜索效果。仿真结果表明:相比于粒子群算法,改进的免疫粒子群算法优化后的阵列具有较窄HPBW,较低MSLL,较少的阵元数量。 0 引 言在实际的无线电系统中,天线的辐射特性对系统的性能有着很重要的影响。单支天线的辐射特性往往无法很好满足各种不同的应用需求,而通过对多支天线进行不同的几何排布组成天线阵列,可以更加灵活地实现各种复杂的辐射特性,但是,当阵列天线数量过多又会增加成本。如何在保证天线阵列的良好辐射特性的同时降低成本,一直是阵列方向图综合领域需要研究的问题。阵列方向图综合是一种典型的非线性优化问题,粒子群算法作为一种基于群体智能的全局搜索算法被广泛应用于非线性优化问题。粒子群优化本文受CLOVAR启发,提出了一种多臂非均匀排布的交叉天线阵列结构,并以此为基础,对稀布优化模型进行设计,将粒子群算法和免疫算法结合,对阵列天线进行稀布优化,从而得到具有窄HPBW,低MSLL和较少辐射单元的平面交叉天线阵列。1 非均匀多臂交叉天线阵列通过对均匀交叉阵列每条臂上的单元数目和相邻单元间距做出扰动,均匀交叉阵列可以转换为非均匀形式。图1为一个有19个阵元5条臂的非均匀交叉阵列。相位参考点为阵列中心阵元,总阵元数为(式中 2 多臂交叉阵列优化模型2.1 决策变量设计为了更方便地应用免疫粒子群算法,本文的优化模型所采用的决策变量需要满足:固定的决策变量的维度;决策变量定义域为连续空间。这里引入有效范围的概念,每一条臂对应变量 式中 2.2 目标函数设计本文的优化目标是得到窄的HPBW,低的MSLL和低阵元个数 式中  可以看出,当MSLL越大,HPBW和 式中 3 改进的免疫粒子群算法3.1 改进算法流程关于免疫算法和几种典型的混合算法可以参考文献3.2 适应度函数设计根据式(8)中转化函数,适应度函数可以写成fitness(式中 3.3 粒子速度和位置更新算法迭代过程中通过个体历史最优=×式中  式中 =当违反约束时将粒子位置映射到违反的边界,并且使粒子速度反向,使得粒子保持在约束范围以内。3.4 改进的免疫过程根据免疫算法思想,期望繁殖概率=式中 =相应的适应度概率 为了与适应度概率=e式中  (15)其中 式中 求出期望繁殖概率以后,根据个体适应度值来对算法的收敛程度进行判断,在必要时免疫过程介入粒子群算法的流程中,然后根据适应度和期望繁殖概率,在当前的种群中去保留4 仿真实例由于采取了阵列分块的策略,这里指定交叉阵列的总臂数设置为图4为具有最高的适应度值时的阵列构型,此时单元数目应用标准粒子群算法,在相同的参数设置下进行对比,标准粒子群优化后的阵列间距分布如表2所示。通过免疫粒子群算法和标准粒子群算法的到的阵列阵因子归一化取dB值后的对比方向图如图5所示,应用本文中所改进的免疫粒子群算法得到的优化阵列,在阵元数为148的情况下,MSLL为-14.70 dB,HPBW为1.47°,而利用粒子群算法得到的阵列,阵元数为172,MSLL为-14.59 dB,HPBW为1.74°。可以看到,应用免疫粒子群算法优化的交叉阵列,在MSLL和HPBW均优于应用标准粒子群算法的结果,并且能够保持较低的阵元数5 结 论本文提出了一种平面交叉天线阵列结构,随后针对优化目标提出了一种交叉阵列阵列稀布优化模型,利用有效范围的概念解决了决策变量维度的不确定的问题,然后引入旋转对称的性质,对模型进行了简化。针对粒子群算法容易陷入局部最优的问题,引入了改进的免疫过程,在保留精英个体的同时增加种群多样性从使算法不容易过早陷入局部最优。仿真结果表明:本文所给出的基于免疫粒子群算法的多臂交叉阵列优化设计方法相比于传统粒子群方法,能够在较少的阵元数目下达到较低的MSL