基于遺傳算法的陣列天線賦形波束綜合
1 引 言
本文引用地址:http://m.ptau.cn/article/87729.htm陣列天線的綜合問題大多呈現(xiàn)多參數、不可微甚至不連續(xù)的特性,其方向圖參數的最優(yōu)化是一種非線性優(yōu)化問題。傳統(tǒng)的最優(yōu)化技術大多是基于梯度尋優(yōu)或隨機搜索方法。共軛梯度法收斂速度較快,但是要求目標函數可微、連續(xù),而且優(yōu)化參數數目有限;隨機搜索無需計算梯度,但是效率太低,而且容易陷入局部極小值。而遺傳算法只要求待解問題是可計算的,并無可微性等條件的限制,同時,該算法是一種基于概率的隨機化全局搜索技術,其搜索過程具有一定的方向性,能夠有效克服未成熟收斂。
在移動通信系統(tǒng)中,為了有效地進行頻率復用,要求基站天線對周圍蜂窩小區(qū)輻射盡可能低的電平,而在本服務區(qū)內輻射盡可能高的電平。此時,蜂窩系統(tǒng)的效能顯著地依賴于基站天線的輻射方向圖形狀。如今,波束賦形技術已成為高性能基站天線設計的關鍵因素之一,他可以通過改變陣列的饋電方式來優(yōu)化俯仰面內的波瓣形狀以達到某種要求。本文用遺傳算法得到了8單元陣列天線的賦形波束。
2 遺傳算法
本節(jié)將對遺傳算法作扼要的介紹,關于遺傳算法的詳細介紹可以參考文獻[2-4]?;蚴沁z傳算法最基本組成部分。某一待優(yōu)化的參數經過編碼后構成的編碼串就組成了一個基因,一系列這樣的基因構成一個染色體(個體),大量的染色體就可以構成一個群體。在計算過程中,對每一個染色體而言,都有一個適應度函數與之對應,以此來衡量染色體的優(yōu)劣。在算法的運算過程中,首先要隨機生成一系列染色體,即生成初始群體。通過適應度函數來評價初始化群體中的每一個體,根據他們相對適應度的大小判斷個體的優(yōu)劣,優(yōu)質的個體被保留,劣質的個體被淘汰,這就是選擇過程。選擇操作中幸存的任意兩個個體作為父代將交換他們的部分基因,即進行交叉操作,生成兩個新個體。當交叉操作生成的新個體的數量等于被淘汰的個體數量時,新一代群體產生??梢?,經過一次進化操作后的個體總數保持不變。在交叉操作之后的變異操作僅僅是對染色體的小幅度的隨機改變,目的在于增加群體的多樣性。遺傳算法的具體運算過程見圖1。
對經過交叉、變異后得到的新一代群體中的個體再次進行適應度評價,如此循環(huán)。當算法運算到一定的代數,或者輸出的解滿足某種要求時算法即會停止。
3 賦形波束綜合
評論