改进遗传算法收敛初始群体选择的困难.docxVIP

改进遗传算法收敛初始群体选择的困难 1 基于遗传算法的天线单元激励电流在不同保 遗传算法是通过模拟自然进化过程来模拟隐藏和检索问题的最佳解决方案的优化方法。它包括了整个信息平台的函数。第一种保证了遗传计算方法的有效性，而第二种使传统计算法具有很强的鲁棒性。这些特点使传统计算方法适合处理传统优化方法带来的复杂和非线性问题。 近几年来, 遗传算法在微波技术和天线设计领域获得了广泛的应用发展.而且,在应用过程中,遗传算法自身也在不断地发展.文献使用二进制遗传算法以降低天线副瓣为目的对线天线阵和天线单元矩形分布的平面天线阵进行了稀疏优化处理;文献使用十进制遗传算法以降低天线副瓣为目的对线天线阵和圆环形天线阵的天线单元激励电流进行了优化处理;文献使用符号遗传算法对包含有一个有源单元的线天线阵结构进行了优化处理.在这三项应用中, 我们可以清楚地看到遗传算法自身的发展,染色体中的遗传材料由文献中的二进制编码发展为文献中的十进制数,后又发展为文献中的结构符号.但是, 他们的算法都没有脱离标准遗传算法的单一交叉和单一变异模式,使得算法的有效性和应用范围受到限制.为提高遗传算法的实用性和有效性,本文提出了对标准遗传算法所作的改进,并将其应用于超低副瓣线阵天线方向图综合问题. 在第2节中给出了对遗传算法收敛困难的分析.第3节叙述了在超低副瓣线阵天线方向图综合问题中改进的遗传算法的具体执行方案,第4节给出了一个40单元超低副瓣线阵天线方向图综合的优化结果. 2 遗传算法的改进 标准遗传算法的基本过程为:首先对需要优化的参数进行编码以生成染色体的初始群体,执行遗传繁殖操作以生成下一代群体,设计适应度函数并根据适应度函数对下代群体作选择,设置控制参数形成繁殖加检测的迭代搜索过程.文献已对此进行了详细的论述. 如引言中所述,遗传算法在应用推广过程中已获得一定的改进和发展.对于等单元间距的线阵和圆阵天线,以降低最大副瓣电平为目的,文献用遗传算法进行阵单元激励电流的优化处理时,使用由优化参数构成的10进数表示染色体,免去了用2进制数表示染色体所需的编码及解码运算过程.文献也采用算术运算对10进数染色体作遗传繁殖操作.但是,这种单一的遗传繁殖操作使子代染色体完全继承了父代染色体的特征,失去了进行组合创建具有新特征染色体的能力,导致收敛对初始群体的选择有较强的依赖性,而且容易收敛于局部最优解.文献对于10进数染色体采用交叉运算实现繁殖操作,由两个父代染色体互换部分遗传材料生成两个子代染色体.这种交叉繁殖也仅限于对原有遗传材料重新组合,没有创建新的遗传材料.在标准遗传算法中,新遗传材料的产生完全依靠变异操作,但若提高变异操作的概率会使遗传算法变得完全随机,便会失去优化功效,这种只使用交叉运算的遗传算法也遇到同样的收敛困难.因此,需要在遗传算法中作进一步的改进以克服收敛困难. 3 传统遗传算法 在现有的超低副瓣线阵天线方向图综合技术中,Dolph-Chebyshev分布和Taylor分布均可实现超低副瓣方向图,但它们的实际应用也受到相当的限制.使用改进的遗传算法容易实现线阵天线的超低副瓣方向图综合,并可在一定程度上克服上述方法受到的限制.下面我们给出遗传算法应用于不等间距不等幅激励的线阵天线的超低副瓣方向图综合的模型,以具体说明对遗传算法所作的改进. 考虑由N个各向同性辐射单元组成的不等间距排列的线阵天线,单元排列的直线取作z轴,阵中心取为坐标原点.对于阵元不等幅激励的普遍情况,由天线阵理论,该线阵天线的远场方向图为 F(θ)=Ν∑i=1Ιiejkzisinθ(1) 式中,θ为从线阵中心的法线开始测量的空间角,λ为工作波长,k=2π/λ为波数,Ii为第i个阵元激励电流的幅值,zi为第i个阵元的坐标. 由于阵几何结构和激励电流实际上关于阵中心是对称的,式(1)可改写为 F(θ)={Ι0+(Ν-1)/2∑i=12Ιicos(k|zi|sinθ)Ν为奇数Ν/2∑i=12Ιicos(k|zi|sinθ)Ν为偶数 其中Io是坐标原点处阵单元激励电流的幅值.式(2)表明线阵天线的副瓣电平是阵单元位置矢量{zi}和激励电流幅值矢量{Ii}的函数.设di-1为第i-1个阵元与第i个阵元的间距,第i个阵元的坐标zi可写作 zi=zi-1+di-1(3) 因此,阵单元位置矢量{zi}可改用阵元间距矢量{di}表示.由决定副瓣电平的两种参数,激励电流和阵单元间距,可如下构成遗传算法的染色体C: C={[Ι0,d0,Ι1,d1,?,Ι(Ν-1)/2-1,d(Ν-1)/2-1,Ι(Ν-1)/2],Ν为奇数[z1,Ι1,d1,Ι2,d2,?,Ι(Ν-1)/2-1,d(Ν-1)/2-1,Ι(Ν-1)/2],Ν为偶数(4) 以{di}代替{zi}可使计算简化;利用对称性使变量减少了一半. 为克服收