淺析基于遺傳算法的智能天線波束形成

《淺析基于遺傳算法的智能天線波束形成》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、淺析基于遺傳算法的智能天線波束形成　摘要:為降低智能天線方向圖旁瓣電平,加深干擾方向零點深度,提出一種改進的實數(shù)編碼遺傳算法。該算法基于人類的繁殖現(xiàn)象,改進了標準遺傳算法的交叉算子,從而克服了標準遺傳算法收斂速度慢,易陷入局部最優(yōu)等問題,提高了優(yōu)化效率。在仿真實驗中,以均勻直線陣為例,用改進的遺傳算法對陣元激勵的幅度進行優(yōu)化,形成的方向圖獲得了更好的結(jié)果?！　￡P(guān)鍵詞:智能天線;波束形成;方向圖;遺傳算法;人類繁殖現(xiàn)象　　　　　　Beam-formingofSmartAntennaBasedonGeicAlgorithm　　entofE

2、lectronicEngineering,Northartantennapatterns,animprovedreal-codedgeicalgorithmisproposed.Thealgorithmimprovesthecrossoveroperatorofstandardgeicalgorithmbasedonhumanreproductionphenomenon(HRGA).So,thesloumofstandardgeicalgorithmareresolvedandtheconvergencespeedisenhanc

3、ed.Takinganexampleofuniformlineararrayinsimulationexperiment,amplitudeoftheelementexcitedcurrentisoptimizedthroughimprovedGA,thepatternisbetter.　　Keyartantenna;beam-forming;pattern;geicalgorithm;humanreproductionphenomenon　　　　0引言　　智能天線波束形成是通過優(yōu)化陣元的電流幅度或相位或陣元間距,使天線主波束對準期望

4、信號,旁瓣和零陷對準干擾信號,從而接收有用信號,抑制干擾信號。由于天線優(yōu)化問題中的目標函數(shù)或約束條件呈多參數(shù)、非線性、不可微甚至不連續(xù),因而基于梯度尋優(yōu)技術(shù)的傳統(tǒng)數(shù)值優(yōu)化方法無法有效求得工程上滿意的結(jié)果。而遺傳算法是模仿自然界生物進化機制發(fā)展起來的隨機全局搜索和優(yōu)化方法,是一種高效、并行、全局搜索的方法,能自適應(yīng)地控制搜索過程以求得最優(yōu)解[1]?！　〉窃谥悄芴炀€應(yīng)用領(lǐng)域中,標準遺傳算法存在早熟,后期收斂速度慢、計算復(fù)雜等問題,于是提出了一些改進的遺傳算法?！?.3線陣模型　　考慮由2N個各向同性輻射單元組成的均勻直線陣天線,則天線波

5、束(方向圖)為:　　F(θ)=∑2Ni=1Iiejβiejk(i-1)dcosθ　　(3)　　式中:Ii和βi分別是第i個陣元激勵的幅度和相位;k=2π/λ為波數(shù);λ為波長;d為陣元間距;θ為信號方向入射角。　　利用方向圖的對稱性,可以減少待優(yōu)化變量的數(shù)目,加快收斂[7]。若陣元激勵幅度關(guān)于陣中心對稱,相位相等且均為0,則線陣天線的歸一化方向圖為:　　F(θ)=20log[∑Ni=1Iicoski-12dcosθ/∑Ni=1Ii]　　(4)2實驗結(jié)果與分析　　天線方向圖由陣元數(shù)目、分布形式、陣元間距、陣元的激勵決定,控

6、制這幾個因素可以改變波束特征,如主瓣形狀、副瓣電平、形成零陷等。其中,最大相對旁瓣電平和零點深度是評價天線性能的重要參數(shù),在陣元數(shù)目、陣元間距一定的情況下,用改進的遺傳算法對陣元激勵的幅度進行優(yōu)化,以降低最大相對旁瓣電平,以及加深干擾方向零點的深度?！　?.1目標函數(shù)　　目標函數(shù)可定義為:　　f=MSLL　　(5)　　式中:MSLL為最大相對旁瓣電平,計算公式為MSLL=maxθ∈S{F(θ)},max為求最大值函數(shù);S為方向圖的旁瓣區(qū)域,如果主瓣的零功率寬度為2θ0,則:　　S={θ

7、0≤θ≤90°-θ0或90°+θ0≤

8、θ≤180°}　　　　一般情況下,希望MSLL滿足期望值外,還應(yīng)使在給定Nn個方向θi(i=1,2,…,Nn)形成一定深度的零點,因此,目標函數(shù)還可定義為:　　f=αMSLL-SLVL+βmaxi=1~Nn{F(θi)}-NLVL　　(6)　　式中:SLVL為MSLL期望值;NLVL為零點深度期望值;α和β為權(quán)系數(shù),本文令α=1,β=0.1。　　2.2遺傳參數(shù)的設(shè)定　　(1)群體規(guī)模M　　群體規(guī)模的大小直接影響到遺傳算法的收斂性或計算效率。規(guī)模過小,容易收斂到局部最優(yōu)解;規(guī)模過大,會造成計算速度降低。群體規(guī)模一般取20～2

9、00?！　?2)交叉概率Pc　　遺傳算法的參數(shù)中,交叉概率的選擇是影響遺傳算法行為和性能的關(guān)鍵,直接影響算法的收斂性。交叉概率越大,新個體產(chǎn)生的速度就越快,然而,交叉概率過大,遺傳模式被破壞的可能性也越大,這將使具有高適