遗传算法在阵列天线方向图综合中的应用,该文是有关遗传算法毕业论文模板范文与方向和遗传算法和阵列类毕业论文提纲范文.
遗传算法论文参考文献：
【摘 要】 运用遗传算法的基本思想和方法,使用VC6.0,对阵列天线的方向图进行了综合优化,得到了与目标方向图较为接近的结果,可以很好的应用于工程实践.
【关键词】 遗传算法 天线方向图综合 波束赋形
The application of genetic algorithm in the synthesis of array antenna pattern
Abstract: Based on the basic idea and method of genetic algorithm, we use VC6.0 to optimize the pattern of array antenna, and getthe result which is close to the target pattern. It can be applied to engineering practice very well.
Key words: genetic algorithm; antenna pattern synthesis; beamforming.
一、引言
遗传算法的基本思想是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程,是一种通过模拟自然进化过程搜索最优解的方法.遗传算法是从代表问题可能潜在的解集的一个种群开始的,而一个种群则由经过基因编码的一定数目的个体组成.按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解,在每一代,根据问题域中个体的适应度大小选择个体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群.这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码,可以作为问题近似最优解.
随着各种电子设备对阵列天线的要求日趋复杂,阵列天线同相位激励形成的单波束笔状方向图已经不能满足要求,需要形成各种复杂可以覆盖特殊范围的天线方向图.阵列天线形成方向图由单元个数,单元间距,激励功率和相位等变量来决定.当单元个数较多时,变量增多,需要一种合适的优化算法来完成方向图的求解.根据上述遗传算法原理的介绍可以表明此算法可以满足阵列方向图综合的需要.
二、优化目标和基本参量
2.1 优化目标方向图
优化目标方向图为在0°至+180°的空间内的天线方向性系数,在45°至+104°范围内满足方向性系数曲线的要求,在其余范围内设定副瓣小于某个较小的值,一般取小于-30dB.下图中X 轴代表辐射角度值,单位°,Y 轴代表归一化方向性系数,单位dB.
2.2 优化的参量
拟对40 个天线单元的相位值进行优化.根据天线基本理论,天线的方向图决定于天线阵元的个数,间距,单元幅度和相位.
个数跟系统整体要求有关,而且不影响算法的主体实现.间距拟采用等间距放置,这个参量可以被优化,但是等间距放置在结构上更加简单合理,如果其他优化参数不能满足要求,可对其优化.
幅度在天线阵列作为接收方向图时作为优化参数没有问题,在作为发射方向图时,在功率已经激励的情况下再对其进行衰减控制,显然经济上是不划算的.所以只对单元相位进行优化.
样本数拟取的较大10000 至20000 之间,样本数的扩大会增加计算的时间,但带来的益处是增加了搜索空间,考虑到算法只对相位进行优化不对幅度进行优化,相当于减少了一半的优化参数,增加搜索空间可以更容易得出最优解.
2.3 编码形式
拟采用二进制编码,主要考虑到二进制编码方便于交叉和变异的运算,同时二进制编码后,天线单元的相位信息相应的被展宽,更加丰富.本算法将相位值进行9 位二进制编码,高位在前,低位在后.
2.4 方向图计算和优秀的样本选择
在确定天线阵列的个数,间距,幅度和相位等信息后即可计算出天线的方向图,方法无须赘述.根据遗传算法的基本原理,需要在确定的样本空间内,选取相对优秀（即接近目标方向图）的样本进行基因保存,变异和交叉.
本文选取相对优秀的样本的方法为：计算样本的方向图后,在0°至+180°的范围内与目标方向图的同样范围内幅度进行差值,以差值的大小作为优秀样本的标准,差值较小者认为接近目标方向图.
其中需要考虑的一点是对于目标方向图45°至+104°
范围内的增益曲线是我们主要需要优化的目标,而对副瓣的要求相对较弱,所以在做差值计算时,在主要优化的区间内权重值应该相对较大,两者的比值需要在程序计算中根据结果进行调整优化.
2.5 变异
为了减少算法在局部获得最优解,在相位变异和交叉阶段,不保留上一次样本计算的最优解,即在最优解上进行二进制的低位变异.
下图给出变异算法的示例图解,其中中间几位变异的位数是随机的,变异值也是随机的.随机的低位变异变异位数和变异值都是随机的.算法中在不同的样本之间和同一样本中不同的单元异也是随机的.
2.6 交叉
算法采用三种交叉算法：1 分段交叉；2 不同位数交叉；3 高低位交叉,其中算法中在不同的样本之间和同一样本中不同的单元中交叉是随机的.
2.7 避免局部最优解的处理
遗传算法在进行方向图的优化过程中,变异和交叉的概率需要根据计算结果仔细的调整,但即使这样处理仍然会出现在局部获得最优解的问题,只能重新运行程序计算,增加了人工干预的工作量,影响了工作效率,本文为了尽量克服算法在获得局部最优解的情况下无法继续交叉和变异的问题,采用了以下两种处理方法；
1、在一个样本空间内,如果前N 个优秀的样本的和值A 相差较小,则只保留此样本空间内的前n 个（n<N）样本,其余样本重新随机赋值,再次进行遗传运算.这样即保留了优秀的样本数,又为样本空间提供了新的遗传基因,保留了样本空间的进化特性.
2、在第一种方法的基础上,即第一种方法也获得了局部最优解已无法进行遗传运算,算法收敛获得局部最优解,则保存此样本空间的最优解后重新开始对样本空间随机赋值计算,待计算若干次后,比较所有保存结果得出最优解后即终止计算.
实践证明这样处理后可以得出比较满意的结果.
三、方向图优化的结果
通过以上算法编写了基于VC6.0 的程序,下 图给出了目标方向图和优化后的方向图,其中目标方向图副瓣电平取为-43dB,以虚线表示.
从计算结果可以看出,在主要的优化区间内（45°至+104°）,优化方向图与目标方向图在高增益区基本吻合,在低增益区在优化方向图的一些点的方向性系数低于目标方向图,但均可控制在3dB 以内,产生这种缺陷的主要原因是算法中只对相位进行了优化,变量少了一半,如果可以对幅度进行优化效果可以更好.
四、总结
本文根据天线阵综合和遗传算法的基本原理设计了一种算法,编写了相应的程序.程序运行的结果表明可以在约束变量较少的情况下实现预想的优化目标,可以应用于工程实践.
参 考 文 献
[1] 林昌禄 . 天线工程手册[M] . 电子工业出版社, 2002 p429-p462
[2] 玄光南. 遗传算法与工程优化 . 清华大学出版社 , 2004
上文结束语：此文是关于对写作方向和遗传算法和阵列论文范文与课题研究的大学硕士、遗传算法本科毕业论文遗传算法论文开题报告范文和相关文献综述及职称论文参考文献资料有帮助.
基于仅相位加权的阵列天线波束赋形优化方法阐述
阵列天线方向图经过多年来的不断发展,已经成为许多行业经常使用的一种方向图,利用其来达到预定的要求 比如在处理卫星通讯天线的时候,需要通过阵列天线方向图来构建赋球波束,部分相控阵雷达天线其俯仰面也需要通.
基于遗传算法的智能组卷考试系统设计
摘要本文中首先对智能组卷考试系统的需求性、功能性进行分析,并结合遗传算法的独特优势,设计出基于遗传算法的高校在线考试系统 经过实际应用后发现,该在线考试系统具有组卷效果好、系统易于维护以及操作界面友好.
基于遗传算法优化和BP神经网络的中长期负荷联合预测
摘 要 传统的BP 神经网络负荷预测存在学习速度慢、局部极小……缺陷,已无法满足现代电力负荷预测的精度要求 基于此,本文首先在分析了BP 神经网络的预测原理和不足的基础上,阐述了遗传算法的原理及优化步.
基于遗传算法的智能组卷考试系统
摘 要 近年来,计算机技术飞速发展,在各个领域广泛应用,尤其在考试中的应用可提高组卷的灵活性及评卷效率 本文探讨基于遗传算法的智能组卷系统,以供参考 关键词 遗传算法；智能组卷；考试系统研究中图分类号.