一种基于混合差分果蝇优化算法的天线阵列综合方法与流程

本发明属于射频天线方向中的天线阵列优化，特别是指一种基于混合差分果蝇优化算法的天线阵列综合方法，可以对指定指标的天线阵列做出稀疏与幅度加权的优化。

背景技术：

1、阵列天线是一种由若干个相同的天线部件按照一定的规律排列的天线组，又称为天线阵，其可以通过改变一些参数来调整天线的辐射特性。随着现代通信技术的发展，阵列天线辐射特性的需求越来越高，几个甚至几十个天线单元组成的较小阵列已经难以满足实际应用中的需求，阵列天线的规模随之越来越大，导致系统成本、算法复杂度、阵列重量以及工程实现难度急剧增大，继续通过对传统的、分布在均匀栅格上的阵列天线进行阵元级的信号处理几乎是不可能的。于是就诞生了一些新型的阵列天线形式，例如稀疏阵列天线、稀布阵列天线与子阵级阵列天线。

2、在新型的阵列天线的设计中，除去天线单元的设计之外，天线阵列的参数对阵列的性能也有着非常大的影响。天线阵列中比较重要的参数有阵列之中的天线单元(简称阵元)之间的间距、阵元数量、阵元的激励电流与相位大小，调整这些参数，便可以调整阵列天线的辐射性能，衡量辐射性能的指标包括方向图、方向性系数、增益、阻抗等。传统的天线阵列设计往往伴随着大量的计算，并存在陷入局部最优的情况，算法效率较低。

技术实现思路

1、本发明针对天线阵列综合问题的复杂性，结合果蝇优化算法的高优化性能，提供了一种基于混合差分果蝇优化算法的天线阵列综合方法。该方法对原始果蝇优化算法做出改进，以方向图中多方向峰值旁瓣加权值为适应度函数，既保证了算法的可靠性，避免了算法陷入局部最优的情况，也提高了算法的性能，大大节省了优化时间。

2、本发明采用的技术方案为：

3、一种基于混合差分果蝇优化算法的天线阵列综合方法，包括以下步骤：

4、步骤1，建立天线阵列模型，初始化模型参数，包括天线阵列的阵元数目、阵元间距、阵元位置、阵列口径、阵列综合方式，其中，阵列综合方式为稀疏或幅度加权；

5、步骤2，初始化混合差分果蝇优化算法的参数，包括最大迭代次数、种群规模、差分因子、差分个体数量、搜索半径、变量边界；其中，种群表示为一个矩阵，对于稀疏形式的阵列天线综合方式，矩阵由数字0与1构成，矩阵中的数字对应于阵列天线中相应位置是否放置天线单元，对于幅度加权形式的阵列天线综合方式，矩阵由[0,1]范围内的数字构成，矩阵中的数字对应于阵列天线中相应位置的天线的激励权值；

6、步骤3，根据种群规模随机生成初始种群；

7、步骤4，对种群进行迭代，直至达到最大迭代次数，或是已经满足阵列天线方向图中旁瓣峰值、增益、主瓣带宽的性能指标，得到优化结果；每次迭代时，依据差分个体数量，将种群划分为两部分；对于划分出的第一部分，使用差分计算方式计算下一代种群个体；对于划分出的第二部分，使用带自适应搜索半径的果蝇优化算法计算下一代种群个体。

8、进一步地，步骤4中，每次迭代的具体方式为：

9、步骤401，利用天线阵列模型，计算当前种群中各个体的适应度值；

10、步骤402，从当前种群中筛选出适应度值最大的个体，作为当前最优个体，记为xbest；

11、步骤403，依据差分个体数量，将种群划分为两部分；

12、步骤404，对于划分出的第一部分，使用差分计算方式计算下一代个体；每一个下一代个体的计算方式为：

13、xnew＝xr1+f×(xr2-xr3)

14、其中，xnew是下一代个体，xr1、xr2、xr3是从第一部分中随机选出的三个个体，f是差分因子；

15、步骤405，对于划分出的第二部分，使用带自适应搜索半径的果蝇优化算法计算下一代个体；每一个下一代个体的计算方式为：

16、xnew＝xbest+ω×pr

17、其中，xnew是下一代个体，xbest为当前最优个体，pr是随机生成的[-1,1]范围内的数值，ω是自适应搜索半径，其表达式如下：

18、

19、其中，ω0是搜索半径初始值，λ和n是与函数收敛点相关的参数，k是当前迭代次数，maxgen是最大迭代次数；

20、步骤406，对于每个下一代个体，如果个体中某个数值超出设定的变量边界值，则利用边界控制算法，将越界的数值纠正至合理范围；

21、步骤407，执行完步骤406后，对每个下一代个体，随机选择其中的某几个数值，在合理范围内改变其数值，产生随机变异；随机变异后得到的所有个体即为下一代种群；

22、初次迭代的当前种群为初始种群，初次迭代后每次迭代的当前种群为前一次迭代所生成的下一代种群。

23、进一步地，步骤401中适应度值的计算方式为：

24、根据天线阵列模型的阵因子计算公式计算阵因子方向图中不同角度截面对应的旁瓣峰值、增益、主瓣带宽；阵因子计算公式为：

25、

26、其中，k＝2π/λ，λ代表波长，θ、分别是俯仰角和方位角，xi和yi代表第i个单元的位置，ii是第i个单元的激励振幅，其具体形式是x×y的矩阵，即为用于表示种群的阵列；

27、根据下式计算当前种群中各个体的适应度值：

28、

29、其中，fitness表示适应度，msll为方向图中的旁瓣峰值，msll的下标分别表示天线阵列方向图中0°、30°、45°、60°、90°五个方向，m、n为加权系数。

30、进一步地，步骤406中的边界控制算法为：

31、通过乘以一个[0,1]范围内的随机值，将越界数值拉回合理区间中。

32、进一步地，步骤407中，使用自适应变异率作为变异概率，表达式为：

33、

34、其中，mutaterate为变异率，pm0为初始变异率，maxgen为最大迭代次数，k为当前迭代次数，sep为自适应因子；

35、对于稀疏综合，变异方式为，对个体中的某些数值做取反操作，即将0变为1，1变为0；

36、对于幅度加权综合，变异方式为，对个体中的某些数乘以某一[0,1]范围内的随机值。

37、本发明与现有技术相比包含如下优点：

38、1、本发明对原始果蝇优化算法做出改进，以方向图中多方向峰值旁瓣加权值为适应度函数，既保证了算法的可靠性，避免了算法陷入局部最优的情况，也提高了算法的性能，大大节省了优化时间。

39、2、本发明利用改进的果蝇优化算法进行稀疏或幅度加权的天线阵列综合，在保证性能指标的同时通过减少阵元数目获得成本与功耗的降低，在一定程度上也降低了天线系统的复杂程度。

40、3、本发明在更新果蝇种群值时选择了多策略融合的形式，并在生成种群后加入自适应变异环节，使得算法在每次迭代过程中搜索的范围更广泛，使其在性能不降低的情况下避免了局部最优解的问题，且并未引入过多复杂参数，保证了算法的稳定性，使算法运行的结果趋于稳定情况。

41、4、本发明在进行天线阵列综合时选择的方式包含稀疏与幅度加权，两种综合方式可以通过同一算法完成，既可以选择满足性能指标的最优稀疏阵列布局，也可以对其进行幅度加权，降低旁瓣。