使用遗传算法解决“天线阵稀疏问题”

文摘

薄涉及减少活性元素的总数和天线阵没有引起系统性能的主要退化。动态变薄是在实时条件下实现这一目标的过程。应找到一个战略的天线子集元素变薄,有其最佳性能。从数学的角度来看这是一个非线性、多目标和多约束多维问题。解决这样的问题不能通过古典分析技术。它需要使用某种类型的搜索算法,可以导致一个最优的一个实际的解决方案。本文讨论了利用遗传算法对稀疏阵列的方法。讨论涉及天线阵的基本概念后,数组变薄,动态变薄,和应用方法,仿真结果应用技术的线性和平面阵列。

1。介绍

天线阵列是指两个或两个以上的天线元素空间安排和电互连产生定向辐射模式。的电特性、方向和偏振的数组的元素组成部分以及阵列的几何布置和它们之间的联系确定数组的整体性能。

天线阵列包含大量的元素通常用于雷达、通信、天文学和其他系统。为了减少元件数量、成本、重量、功耗,和热耗散在这些系统中,稀疏的有时是由删除数组元素的比例根据合适的策略。固定天线尺寸,减少生产天线阵列比完全填充数组,便宜的硬件和控制的复杂性。此外,尽管通过稀释主瓣宽度可能保持大约不变的,一般会有减少天线增益和损失控制主声束外的辐射模式。

变薄可以被视为一种工具减少有源天线元素天线阵列总数当主光束窄和需求主要在控制之外的辐射光束是适度的。

这样减少阵列的设计过程中主要关心的是寻找一组最优的元素间距满足规范基于数组的元素之间天线电流分布。自的阵列因子减少元素的数组是一个非线性函数的间距有无限的组合元素位置,优化阵列模式的问题对元素的位置成为非线性和复杂。因此,它是不容易变薄阵列优化设计。进一步优化稀疏变得更加困难“离位”扫描或数组需要特殊辐射的需要。

在过去,许多方法已经提出了变薄。已经提出各种方法模式合成的非均匀间隔的数组,其中包括泊松和公式(1),迭代最小二乘法(2),扰动(3),动态规划(4],极大极小[5)技术,等等。近年来,变薄已被视为一个组合的问题。然而,对于更大的数组,所有可能的组合的数量过大而增加指数增加的数组元素的数量。因此检查找到每一个可能的组合最优一个几乎是不可能的。一个需要一个更快和更可靠的方法找到最优解。因为没有确定的方法可以找到这样的大数组,数组变薄的概率方法已经尝试。这些关注“on”元素的密度的不同部分数组及其对远场的影响模式(6]。近年来,nongradient-based优化方法,如遗传算法、蚁群和粒子群优化技术(7- - - - - -10)发现了有用的解决这些问题。本文的目的是研究使用遗传算法进行最优稀疏在大型阵列包括那些需要扫描或会议具体的辐射模式的要求。研究还包括的方法实现稀疏过程动态地在一个大数组。

变薄的细节作为一个优化问题中讨论部分2和3处理某些基本特性的遗传算法。数组问题的稀疏优化利用SGA是部分制定4。SGA申请不同的线性变薄和后仿真结果给出了平面阵列5。挑战在使用遗传算法对于较大的数组和不断变化的条件下讨论了部分6。这一节还提出了分区技术,大部分数组计算方法,可接受的解决方案的概念,和动态稀疏的程序员以及一些仿真结果。部分7有一些结论。

2。薄作为一个优化问题

数组将主要是变薄,以满足一个目标。目标可能降低旁瓣水平主要梁或满足特定辐射外的要求。在这两种情况下,成为一个优化问题减少旁瓣水平或成本函数定义基于实际所需的辐射和辐射的区别。任何优化方法,尤其是当数组大小增加可能不得不面临以下挑战。

2.1。增加解决方案空间

随着天线元素的总数增加解决方案空间增加规模更大。表1描述解决方案和空间之间的关系线性天线阵从中心对称稀疏系数= 0.25特遣部队(25%不活跃的元素)。因此穷举搜索的组合是可行的只有小数组。

2.2。解决方案空间的景观

当解决方案空间大,解决方案的景观空间的可能性变得复杂也会增加。尽管确切的类型景观将在很大程度上依赖的参数数组和最大化或最小化目标函数,其广泛的性质通常将如图1。

2.3。NP完备性

尽管数值技术可能提供更好的稀疏阵列设计,计算机运行时解决这个问题将作为数组大小增加呈指数增长。因此数组变薄可以分为离散、组合阻燃剂完整的优化问题。基于分析和梯度方法将提供一个解决方案。随机搜索方法,如模拟退火,遗传算法,粒子群优化器,蚁群优化已被证明是更合适的。这些算法是随机的,具有以下特点:(我)梯度自由(不使用导数信息);(2)有效的多目标函数;(3)强劲导致实际可接受的解决方案而不是最佳的解决方案;(iv)很大程度上独立于初始设计/解决方案域;(v)全球技术是有用的在处理新的问题解决方案的区域空间是未知的。

3所示。遗传算法对稀疏阵列天线

遗传算法的概念最初是由荷兰[正式11由戈德堡[]和扩展功能优化12戴维斯],[13],德容(14]。它涉及到优化搜索策略的使用后的达尔文的自然选择与进化的概念。

GA的主要特性直接使用编码、搜索从人口,失明辅助信息和随机运营商为其鲁棒性和结果优于其他更常用的技术。

特别是,为解决电磁问题和数组稀疏问题[15)遗传算法在传统数值优化方法有许多优点,包括事实(我)可以使用连续或离散参数优化;(2)不需要导数信息;(3)同时搜索从一个广泛的抽样成本表面;(iv)可以处理大量的变量;(v)提供了最优参数的列表,而不只是一个单一的解决方案;(vi)可以编码参数和优化是完成了编码参数;(七)使用数值生成数据,实验数据或分析功能。

3.1。GA解剖

有很多版本的遗传算法,一个不同于另一个在某些细节。简而言之,所有的遗传算法有两个基本步骤:在选择步骤中,决定由谁在人群中可以产生后代,并在更换步骤中另一个决定是哪一代的成员被迫灭亡为了腾出空间竞争的后代。

3.1.1。简单遗传算法(SGA)

简单遗传算法(SGA)随机生成一个人口的开始个人,也就是说,个人的解决方案。这些人身体健康。个人得分较高的健身选择,更换,创建一个交配池的大小。调用这个方法的选择是健身比例复制(玻璃钢)。交叉和变异的遗传算子应用在这个阶段以概率的方式导致一些人的繁殖交配池。这里的假设是,每一对父母只能产生一个对后代通过交叉操作。现在人口池包含了一些人从未有机会繁殖,后代的人有机会繁殖。继续这个过程,直到合适的终止条件满足。所有其他版本的气体都是基于这个简单的遗传算法或SGA。

3.1.2。伪代码和流程图

基本步骤参与实施SGA是简单和直接。讨论这些列出如下,在随后的段落:(一)基因、染色体和编码参数设置;(b)创建一个初始种群;(c)评估每个群体成员的健康;(d)调用自然选择;(e)选择人口成员交配;(f)生成子嗣之后;变异选择成员的人口;(g)终止或去步骤b。

SGA的简单流程图如图2。

基因、染色体和编码参数设置
使用SGA的第一步是代码或手问题的参数映射到基因。一般一个参数是相当于一个基因。编码是一个映射参数空间的染色体空间变换的参数集有限长度的字符串的编码基因。可以完全用二进制编码染色体,浮点,或混合二进制浮点。

创建初始种群
初始种群开始矩阵的染色体。一般矩阵的每一行表示一组变量形成解决方案的一部分。一个初始值的设置通常是作为一个随机设置范围内适用于变量。根据参数集的编码,如前所述开始矩阵的元素可能在二进制、浮点或混合二进制和浮点。

健康评估
从矩阵的每一行代表一个可能的解决方案,评估其适用性。为此,成本函数是基于选定的问题。制定成本函数是一个重要的任务,因为这是关键算法的有效性和收敛速度。这是选择基于目标(s),需要优化。对于多目标优化,每个成本之前分别归一化和重结合在一起来提供一个标量。

自然选择
算法的本质在于促进健康的人口增长和产量子嗣之后,预计将更健康。要实现这一目标,“适者生存”理论。有两种常见的方式来调用自然选择。第一个方法是保持健康的染色体和丢弃。为此,人口排序根据他们的健康或成本和所需的精英人口保留。基于阈值也可以采用第二种方法,所有染色体有健身高于预定值被保留。阈值方法可以避免排序,它有时可能是一个复杂的过程。生存的染色体形成交配池然后用于创建下一代的人口。

伴侣的选择
最合适的成员之间的交配完成基于概率的人口。“更好的健身、更多的交配机会”的基本原则。为此,两种方法很受欢迎:轮盘赌和锦标赛选择。
轮盘赌选择、人口进行排序和分配的概率选择的基础上的等级排序。染色体与低成本更高的百分比比染色体被选中的机会和更高的成本。这需要每次创建新的人口。
在锦标赛选择方法中,选择两个染色体组的随机交配池。每组染色体最低的成本成为父母。两个这样的父母然后交配产生子嗣之后。比赛举行的数量取决于父母的总数应池。

产生子嗣之后
从弹簧的生成是基于两个基本遗传算子:交叉和变异。
交叉指创建每个父母的后代的部分。典型的方法创建一个交叉的父母之间是通过使用一个面具。交叉的点是在每种情况下随机生成的。也可以使用多个跨界车,不同部位的子嗣之后从两个父母。
突变是产生随机变化。这是由翻转的二进制数字变异的位置。
已经观察到,通过这两种基本遗传算子,可以让健康的夫妇产生健康的子嗣之后,最终可导致目标函数的最小化。

终止条件
生成过程继续,直到满足终止准则。这可以是基于迭代或实现的总成本。
虽然遗传算法是一种简单的和健壮的算法,有很多东西可以实现不同的各种问题。第一个问题是如何创建染色体和什么类型的编码选择。选择遗传算法参数、人口规模、类型和交叉和变异率,选择标准,等等,一个关键的角色在实现结果。所有这些依赖于最终目标,选择成本函数,算法的实现。

GA当今,一般来说,发现健壮、随机搜索方法。强大的启发式遗传算法有效地解决复杂的组合和相关问题。他们特别有效的目标是找到在大尺寸近似全局最大值,多通道功能域算法的方式。在下一节中讨论的SGA获取最优变薄了数组的使用。

4所示。问题公式化

阵因子的变薄阵列可以通过考虑的一些元素从统一关闭兴奋数组。远场强的典型表达模式的天线阵元素的元素是简单的和各向同性可能写成, 在那里,指的是辐射场方向,指的是复杂的weightage天线元素,指的是复杂weightage相关网格阵列。

在哪里要么是零个或统一根据元素在元素时(美联储)或关闭(当元素是被动终止在一个阻抗等于美联储的源阻抗元素)。因为数量只能有0和1的值,我们能说什么 在{}表示元素数据的子集。

通过稀释,较小数量的天线元素参与辐射束的形成相比unthinned数组。稀释因子(TF)被定义为 在这里,和数组中元素的总数和活跃的和不活跃的元素总数减少数组,分别。假设一个对称线性天线阵,问题从而将找到的元素集或一半数组如果图如图所示3对于一个线性阵列和右上象限的平面阵列,如图4。

所有研究相关的研究电磁阵列天线相关(1以某种形式或其他)表达式。它很容易注意到上面的表达式和基于这个表达式的所有进一步的关系往往是复杂和计算量,特别是大的元素数量和几何排列方式不同。也,因为不容易可微函数,优化使用常规分析技术对于大型数组变得极其困难。

5。SGA变薄数组的应用

正如上面所带来的,合成一系列减少成为组合选择一个特定的问题一个可用的设置理想的目标是满足。方法使用SGA进行线性和讨论了平面阵列在以下段落。

5.1。编码和初始种群

SGA的第一步优化过程包括编码的参数。变薄的数组问题,编码的最佳方式需要一个“1”表示一个元素是“上”和“0”代表一个元素是“关闭”。任何二进制字符串的长度将代表一种可能的解决方案。一组随机的二进制字符串作为初始种群。例如,100元素线性对称阵列,随机初始种群将意味着10到100年矩阵的二进制值,数量决定的1和0稀释因子(TF)。

5.2。健康评估

健康评估是基于目标函数的稀疏阵列天线的要求。它可以两种类型。

(a)可以是一个代价函数基于之间的变异信封实际所需的辐射模式和辐射模式的变薄的数组。在这种情况下,设计的目的应当将变化低于设置的极限: 对于一个元素数组,,和分别所需的最小和最大辐射,然后呢是实际的辐射角的方向。

(b)它可以是任何下列因素之一或它们的组合。它也可以基于这些因素的变化: 在这里参考(dB)和旁瓣水平参考光束的宽度和变薄数组,分别。根据类型的,稀疏的过程的目标是最大化或最小化。

成本函数是基于选定的问题。由于一系列变薄的主要问题是其旁瓣水平,自然选择适应性评价应当旁瓣水平。然而,这可以根据需求不同。

本文利用成本函数为某些情况下和峰值旁瓣电平的变化因素,其余病例。

5.3。选择、交配和终止

“适者生存”和“更好的健身,更多的交配机会”的基本原则选择和交配的过程。为此,旁瓣水平对应每个二进制串人口计算,基于人口排序。

精英统治后,上半部分的人口被保留,丢弃。交配后然后由简单的单点交叉技术。突变是基于下一步所需的突变的概率(0.02)。因此创建下一代的人口,每个成员代表一个可能的变薄数组。两个终止条件:(一)限制的迭代的数量或调用计算密集型程序计算旁瓣水平和寻找最好的解决方案;(b)寻找所需的旁瓣水平和相应终止迭代。

5.4。设计研究

以下四个病例被认为是。

案例1。峰值旁瓣水平研究。

例2。角地区研究有限。

例3。角地区研究有限。

例4。优化峰值旁瓣水平的两个主要的飞机平面阵列元素。

100个元素的数组的名义元件间的间距被认为是为例1- - - - - -3。由于遗传算法在本质上是随机的,很多都是在每种情况下运行。每次运行开始一个新的随机集的人口和上面讨论的步骤。为简便起见,讨论和研究结果仅局限于有限数量的运行。

5.4.1之前。情况下1:峰值旁瓣水平研究

这个案例研究的目的是审查的SGA适用性降低峰值旁瓣电平(PSLL)的线性数组。设计运动进行了多次。在所有情况下,终止条件受到限制,旁瓣的总数计算为200。在大约95%的情况下,旁瓣峰值已经从比−−13.2 dB 20 dB在这个限制。大约20%的减少在大多数情况下能够达到的元素数量。统一的数组有半功率波束宽度1.01度;因此波束宽度的变化由于减少从15%到23%不等。null之间均匀阵列的波束宽度2.30度;因此零波束宽度的变化由于稀释从23%到40%不等。图5(一个)显示了一个典型的阵列辐射模式最终变薄的数组。辐射模式没有变薄(均匀照明)也比较的绘制。图5 (b)图的扩展版本吗5(一个)靠近主光束。

5.4.2。情况下2:有限角区学习

这个案例研究的目的是检查是否可以申请减少SGA PSLL有限角区。角地区选择±30度的两侧梁最大。很明显的结果,算法有效甚至窄角地区工作。在所有情况下,旁瓣水平提高比−−13.2 db 21 db在指定±30度。也有趣的算法集中在特定的区域利益无关的旁瓣水平以外的地区。在某些情况下,域外PSLL仍然相当糟糕。一个典型的辐射模式如图6(一)。

5.4.3。情况下3:扫描阵列研究

在这种情况下,适用性检查SGA的线性扫描阵列。数组一样认为早些时候情况下现在在其孔径扫描通过提供一个线性相移,所有其他条件相同。两个扫描角度30和45度被认为是。30度的典型结果扫描角如图6(b)。

5.4.4。情况下4:20×10平面阵列元素

这一平面选择200个元素的数组。

配置:矩形网格元素:长方形的。

不。的元素设在:。

不。的元素设在:。

元素的总数是200。

规范化的间距以及设在:。

规范化的间距以及设在:。

解决方案减少四分之一的位置和另一个完整的阵列如图7(一)和7(b)。

图8200年是一个典型的辐射模式元素平面阵列的两个主要的飞机。这里的目标也是降低峰值旁瓣电平低于−20 dB价值在其主要的飞机。

上面讨论的四个设计的研究给了我们一个信心的计划应用SGA薄约4096元素的大型平面阵列在不同扫描条件下动态变薄并探索可能的挑战。所面临的挑战和方法用于解决这些挑战的团队讨论了部分6。

6。动态变薄

“动态变薄”是指反应稀释过程的动态情况。这可以视为在线或实时优化的过程。两个典型的例子,动态情况下的天线阵列的情况是:(1)引入一个切口角部门辐射模式的定义;(2)需要扫描天线阵的主光束到一个不同的角度

优化过程应该能够快速响应新的需求。有时后的新需求也可能出现优化过程已经启动。这意味着需求或约束优化的过程开始时不同的时间终于获得解决方案优化。在这种情况下,解决环境变化的敏感性将决定整个过程的有效性。

6.1。影响因素动态变薄

动态数组变薄是指实时基础上不同的稀疏模式以适应不同的条件。尽管SGA数组是一个适合的工具,用于解决稀疏问题,两个因素明显地出现在应用该算法有效地动态变薄。(我)计算复杂性参与减少阵列设计许多大尺寸天线阵列太耗时,因此不得直接适用于在线实现涉及动态变薄。(2)一般来说,稀释过程的目的是最大化或最小化目标函数(的)。但对于一个动态的情况下,它可能经常不够,如果能满足指定的级别由运营性需求。这就意味着设计必须针对获得“一个可接受的解决方案”,而不是寻找“最优解”。

6.2。目标函数()的要求

这是讨论的部分5.2。根据类型的,稀疏的过程旨在最小化代价函数或获得一个预定义的值目标函数的参数。

6.3。解决动态稀疏问题

主要问题与计算复杂性以来,努力减少计算时间和复杂性是主要问题。下面的方法进行了研究(1)数组对称;(2)大部分数组计算;(3)分区技术;(4)稀疏的简单遗传算法(TSGA);(5)动态稀疏的程序员。

6.3.1。数组对称

幸运的是几种类型的对称是常见的在实践中在实际天线阵列(16]。这些对称性因此可以用来获得减少计算复杂度和解决方案空间。在目前的调查研究线性数组从数组的中心被认为是对称的,即数组的元素励磁的下半年将镜像的励磁的上半年的元素。使用同样的平面阵列正交对称。

再。大部分数组计算

遗传算法的实现需要评价的每一个成员的人口在每个迭代中。评估是基于数组的每个因素计算(所1)的线性阵列相同的元素。类似的方程在二维平面阵列需要评估。这些方程是高度非线性和涉及冗长的过程。因此,对于大型数组,要求目标函数评价将远远超过计算机资源SGA的功能需求。

对于动态变薄,需要特别注意的评价。这里的建议方法称为“批量计算数组”(bank of america)。这涉及到辐射的第一存储的数据字段的所有元素在所有的方向。“不活动元素”是聚合的影响辐射场的存储数据的数组。在此基础上,减少阵列的辐射模式对应于每个成员的人口是然后计算[17]。

计算的主要步骤(1)生成数据创建“元素表”,所有细节元素位置和其复杂的激励系数;(2)生成数据创建“角表”包含的细节,每个角方向(θ,φ)坐标;(3)计算和存储辐射场由于数组的每个元素在每个方向的兴趣;(4)“不活动元素”的初始种群生成;(5)效果“不活动元素”然后合并存储数据的数组的辐射场;辐射模式的变薄数组对应每个成员的人口超过所需的角部门然后计算;(6)反馈参数提取的辐射模式减少使用数组和以迭代的方式生成连续的人群,使用遗传算法过程;(7)这是继续迭代,直到终止准则。

BAC的流图如图9。

6.3.3。分区技术

分区是指天线阵划分成方便的区域,这样可以有效地探索解空间。尽管没有限制区域的总数,每个区预计将包括至少2元素。是指没有分区的数组。图10显示了典型的线性分区和平面阵列。

一般来说,预计中央部分的不活跃的元素数量(区域1,如图所示10)变薄的数组将远低于在其他区域。这样一个数组的先验知识可以帮助划分成区域和更好的解决方案的开发空间。一般来说,分区是根据股息或返回可能屈服而利用区(18,19]。虽然可以划分成任意数量的区域,它可能不是明智的考虑超过2或3区,如图所示。

分区可以帮助提高收敛速度,因为总解决方案的探索太空空间的比例大幅降低大数组。

适应这种技术目前研究包括生成初始种群根据这些标准。后来SGA进行与前面的研究。

分区技术提供了充足的空间使用任何先验或直观的天线阵的相关信息。通过这种方法减少解决方案空间相当大的发生,导致快速收敛在下一小节。

6.3.4。稀疏的简单遗传算法(TSGA)

解决这些问题的计算复杂度,增加解决方案空间,分区,对称性的考虑,成本函数的概念,和体积计算方法结合SGA数组。这里的综合方法称为“变薄简单遗传算法”(TSGA)。这涉及到第一个接受数组细节,域细节,GA-related细节。标准SGA程序涉及到目标函数评价、排序、自然选择,使用交叉和变异和繁殖,人口可以细化迭代直到满足所需的目标。一个典型的流图,TSGA如图11。

6.3.5。动态稀疏的程序员

BAC和分区技术被发现有助于减少总的计算时间和帮助实现快速收敛所需的动态变薄。SGA可用于实时变薄设计通过结合这些技术与基于一个可接受的解决方案的标准相关的动态要求,正如前面提出的。

然而,以防更大的数组,时间响应基于上述方法可能不是很充足,由于操作的限制。在这种情况下,提出了一个动态稀疏的程序员(DTP)如图12用于系统集成。DTP由预存储的数据集,一个动态稀疏的逻辑单元(DTLU)和动态控制电路(DCC)。

预存储的数据集包含的信息元素的集合相关的各种条件查找表的形式。基于业务需求,适当的触发信号将发送到DTLU,检索相关信息集。例如,对于scanning-phased数组触发信号将扫描方向的信息,这将使DTLU检索信息的开/关需求所需的扫描数组元素相关的条件。这些需求将被转换成适当的控制信号由DCC和发送到射频歧管优化稀疏。通过这一过程可以实现动态稀疏基于预存储数据。

6.4。仿真结果动态稀疏问题

本节涉及的一些使用方法仿真结果提出了动态变薄。在所有情况下,对称阵列与各向同性散热器放置在一个统一的波长间隔的一半。不考虑互耦的影响。以下案例研究讨论以下部分:(我)仿真结果在分区;(2)仿真结果对BAC技巧;(3)仿真结果在扫描数组。

6.4.1。研究影响区域的数量

测试分区的功效进行了以下三个研究(我)研究区域的数量对收敛速度的影响;(2)研究影响区域划分为不同的目标函数;(3)研究不同类型的分区。

影响区域的数量
影响区域的数量在200年这里给出线性变薄数组元素。许多地区被认为是1、2、3、4编号从中心转移到边缘。稀释因子,被认为是这样吗。这是分布在从区域1到区域增加比例,所以Zone1最少的元素。这是确保对称变薄数组中维护。的目标函数,被选为实现−22分贝旁瓣水平部门外的±0.01弧度。最大迭代次数。终止条件来实现或迭代次数=者为准。为了消除任何可能的偏见由于随机算法的性质和获得决定性的结果,100年是在每种情况下运行。显示是图收敛行为13。
它清楚地显示了分区帮助收敛算法最优解尤其是表现更好的2区。

研究区域划分为不同的目标函数的影响
是重新定义实现辐射模式的信封和一束主要部门和一级部门。讨论的结果是线性阵列和。主光束部门为两个数组的弧度。一级部门从弧度,切口深度的36 db /−−40 db两个数组。对称的缺口是由于数组对称。总数量的迭代和总数量的运行作为500年和100年,像以前一样。只有和被认为是。成本函数定义(CF)是基于期望之间的差异和实际辐射模式基础按(4)。
有趣的是,没有明显改善性能可能会注意到这两种情况下的分区和200年。成功率只有0和10%的两种情况。然而,成本降低率为3.6(5.5)从20被平均CF增加到10.4(从60岁提高到5.74)。因此,分区可以帮助提高收敛速度,当数组的大小比较大。此外,它还可以帮助实现一个可接受的解决方案,而不是实现绝对的优化解决方案。

典型的辐射模式当融合200年发生元素数组如图14。

研究不同类型的分区
在这项研究中,一个平面阵列元素。目标是获得−20 dB在飞机旁瓣水平。三种类型的分区被认为是如图(15日)。收敛图给出了分区图15 (b)。对于这个特殊的情况,它可以观察到策略3提供了更好的收敛性。
收敛时,在所有三个案例,从而显示不同类型的分区可以根据需要使用。正如前面所讨论的,先验知识可以帮助选择分区的类型基于需要最合适的。

6.4.2。仿真结果对BAC技术

正如前面所讨论的,大部分数组计算”(bank of america)是基于创建一个表来存储数据的辐射领域的所有元素在各个方向,然后减去的贡献获得“不活跃”元素。有优势的一个因素每个数组的计算因素按照建议的方法。

例如一个对称平面阵列元素变薄系数为0.38,目前需要方法操作评估目标函数相对于普通数组需要的计算方法。角方向考虑的例子人口规模的20和300次迭代算法运行。显然使用BAC的技术更适合大阵也变薄在动态条件下。

6.4.3。仿真结果在扫描角度的研究

上面讨论的技术被用来模拟的变薄元素平面阵列扫描不同的角度在两架飞机。上面讨论的技术能够选择正确的2784个元素的组合在300年在大多数情况下的迭代。典型的结果如图(16日)- - - - - -16 (f)。辐射模式的完整数组(没有变薄)叠加了比较。这是观察到的扫描行为减少阵列在预期的行。变薄的光束最大值和unthinned数组一致,并发生在预期的角度在每种情况下。辐射模式是光滑,没有任何光栅叶尽管减少了约32%。总没有。元素的一个象限是1024;不。在328年一个象限是关闭的元素。

7所示。结论

本文讨论了利用遗传算法优化减少线性和平面天线阵列。它也讨论了面临的挑战而简单的遗传算法应用到动态条件下更大的数组。分区和散装数组计算方法帮助GA收敛更快的一个最优的解决方案。SGA被成功应用于大型平面的优化扫描性能4096个元素的数组。提出了一些设计案例研究证明的概念。

引用

1. 石丸,“unequally-spaced阵列理论”,愤怒在天线和传播事务AP-10卷,第702 - 691页,1962年。视图:谷歌学术搜索
2. x马和b . k . Chang加权最小二乘法的优化减少天线阵列”IEEE天线和传播学会学报》国际学术研讨会1997年7月,页2232 - 2235。视图:谷歌学术搜索
3. m·g·安德瑞森“线性数组变量inter-element间距,”愤怒在天线和传播事务AP-10卷,第143 - 137页,1962年。视图:谷歌学术搜索
4. 麻省理工学院最好,g . Nemhauser和j·w·谢尔曼,“动态规划应用于不均匀地间隔的数组,愤怒在天线和传播事务卷,AP-10 35-43, 1964页。视图:谷歌学术搜索
5. b . k . Chang,马x和h . b . Sequeira”Minimax-maxmini算法:一种新的优化方法减少天线阵列”IEEE天线和传播学报》国际学术研讨会1994年6月,页514 - 517。视图:谷歌学术搜索
6. m . Skolnik j·谢尔曼三世,f . Ogg,“统计density-tapered阵列设计的,”IEEE天线和传播,12卷,不。4、408 - 417年,1964页。视图:出版商的网站|谷歌学术搜索
7. r . l . Haupt“变薄数组使用遗传算法,IEEE天线和传播,42卷,不。7,993 - 999年,1994页。视图:出版商的网站|谷歌学术搜索
8. r . l . Haupt和d·h·沃纳遗传算法在电磁学约翰·威利& Sons,纽约,纽约,美国,2007年。
9. O。Quevedo-Teruel和大肠Rajo-Iglesias蚁群优化减少阵列合成用最小的旁瓣水平,”IEEE天线和无线传播的信,5卷,不。1,第352 - 349页,2006。视图:出版商的网站|谷歌学术搜索
10. m . m . Khodier和c . g . Christodoulou线性阵列几何合成与最小的旁瓣电平和零控制使用粒子群优化,“IEEE天线和传播,53卷,不。8,2674 - 2679年,2005页。视图:出版商的网站|谷歌学术搜索
11. j . h .荷兰,适应在自然和人工系统,密歇根大学出版社,安阿伯市,密歇根州,美国,1975年。
12. d·e·戈德堡遗传算法在搜索、优化和机器学习,朗文出版社,纽约,纽约,美国,1989年。
13. l·戴维斯手册的遗传算法,1991年Van Nostrand Reinhold。
14. k·a·德容分析一类遗传自适应系统的行为[博士。论文)密歇根大学安阿伯市,密歇根州,美国,1975年。
15. y Ramat-Samii和e . Michielssen电磁优化遗传算法约翰·威利& Sons,纽约,纽约,美国,1999年。
16. e·n·吉尔伯特和s . p . Morgan”指令天线阵列的优化设计”,贝尔系统技术杂志34卷,第663 - 637页,1955年。视图:谷歌学术搜索
17. m . Fernandez-Delgado j . a . Rodriguez-Gonzalez r·伊格莱西亚斯巴罗,和f . j . Ares-Pena“快数组稀释使用全局优化方法,”杂志的电磁波和应用程序,24卷,不。16,2259 - 2271年,2010页。视图:出版商的网站|谷歌学术搜索
18. r . Jain和g·s·摩尼”,应用微观遗传算法概念问题大而崎岖的解空间,”IEEE 10地区研讨会论文集(TENCON ' 09),2009年11月。视图:出版商的网站|谷歌学术搜索
19. r . Jain和g·s·摩尼,”动态稀释使用遗传算法的天线阵,”B PIERB:电磁的研究进展,32卷,页1 - 2011。视图:出版商的网站|谷歌学术搜索

版权

版权©2012 Rajashree Jain和g·s·摩尼。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。