【优化布局】基于遗传算法优化10元稀疏天线阵列的单位间距附matlab代码

1 内容介绍

随着现代通信技术的不断发展，无线电技术已经成为生活中的重要的一部分，天

线作为无线通信技术中重要的组成部分，起到了至关重要的作用。在社会不断发展的过程中，我们对天线的要求也越来越高。作为天线的重要组成部分，阵列天线通过控制各个阵元的激励和分布来产生所需的辐射方向图，具有波束可控的优越特性[1]。但是同时会产生不必要的栅瓣影响辐射方向图的预期特性以及信号的发送与接受。为了更好的发挥阵列天线的优势，设计者既希望可以减少辐射损耗和降低信号干扰，又能进行信号正常的发送与接收，实现阵列天线的高性能、低副瓣、和便于设计实现等要求。因此，阵列天线的合成研究与阵列结构设计成为天线研究领域一个重要的研究课题，受到越来越多的关注。

阵列天线合成是指按照一定的要求，通过对阵元的数量、间距、激励幅度和相位

等参数进行优化。通过对阵列天线系统的重新设计和使用不同的方法来实现现实需

要。阵列天线主要分为两类，一类是整个阵列每个阵元间距、激励、相位都相同的均匀阵列天线[2]。另一类则是非均匀阵列天线。由于均匀阵列天线随着阵元间距的增大会出现栅瓣问题，间距过小又会产生互耦效应，影响信号的发送与接受[3]。而非均匀阵列天线可以很好的解决这些问题[4]。非均匀阵列天线可以分为稀疏阵和稀布阵。稀疏阵是从均匀的等间隔阵列中去除一定数目的阵元后形成的阵列；稀布阵是指在孔径一定下，对阵元重新分布形成的阵列天线。在一定程度上，稀布阵列能够达到更低的峰值旁瓣电平，实现更好的阵列天线性能。

阵列天线合成有诸多方向图合成方法，诸如综合算法，数值算法，和智能优化算

法等，对于其中的方向图综合方法又有 Dolph-Chebyshev  综合法[5]、Taylor  综合法等传统方法。对于这类解析方法虽然计算简单、易于实现，但应用范围相对较窄。虽然可以实现比较简单的波束形状方向图综合，却很难获得很好的优化结果。相对传统的解析方法，数值算法可以实现解析方法不能实现的复杂方向图。与此同时，其在提升方向图的整体性能上也有较大优势，因此利用该方法进行方向图综合在实际中得到普遍应用。而实际工程应用中，稀布阵列天线优化问题往往需要在多种约束条件下寻找最优解。随着计算机硬件能力的不断提升，群体智能优化算法逐渐出现在人们视线中。如何对稀布阵列天线进行高效的优化，成为阵列天线研究方向中的重要课题。在计算机技术不断发展成熟的保障下，在稀布阵列天线综合中，利用优化算法来实现最优化处理，逐渐成为研究的热点。而在阵列天线综合中，如何根据现实需要合理的选择或者改进合适的优化算法成为关键的一步。进入 20 世纪以来，如遗传算法[8]、差分进化算法[4]、粒子群算法[9]、蚁群算法[10]、生物地理学算法[11]和免疫算法[12]等方法，均被用在了稀布阵列天线的优化问题中。单独采用一种智能优化算法有时容易使得寻优过程陷入局部最优解，同时优化速度也会被限制。为了提升优化效率，出现了将几种算法综合起来的混合优化算法。因此，对算法进行高效优化，使其能在最短时间内找到全局最优解，成为了阵列天线优化算法研究的热点。​

2 仿真代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%遗传算法稀布线阵%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%初始化参数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%clear all;                       %清变量close all;                       %清图clc;                             %清屏NP=50;                           %种群数量Pc=0.80;                          %交叉率Pm=0.05;                         %变异率lamda=0.02;                      %波长seta0=0*pi/180;                  %波束指向G=200;                           %最大遗传代数d=0.01;                          %半倍波长dd=0.1;                         %阵列口径，可算出满阵个数为101L=10;                             %阵元个数NN=1800;                         %扫描角度间隔，根据阵元数确定Xx=0;Xs=dd-d*(L-1);%%%%%%%%%%%%%%%%%%%%%%%%%%%生成初始种群%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%D=d*ones(L,NP);D(1,:)=zeros(1,NP);D=cumsum(D,1);f=rand(L,NP)*(Xs-Xx)+Xx;         %赋初值​    ff(end,:)=ones(1,NP)*dd;    ff(:,1)=fBest;                          %保留最优个体在新种群中    trace(k)=maxFit;                        %历代最优适应度值endfigureplot(trace)xlabel('迭代次数')ylabel('目标函数值')title('适应度进化曲线')grid onsave fBest.mat fBest                        %存储最优结果​%%%%%%%%%%%%%%%%%%%%%计算最大旁瓣%%%%%%%%%%%%%%%%%%%%%%​

3 运行结果

4 参考文献

[1]张浩斌,杜建春,聂在平. "稀疏阵列天线综合的遗传算法优化." 微波学报 6:48-51,62.

[2]李淳, and 王艳温. "基于微遗传算法的稀疏天线阵列优化方法." 计算机与网络 13(2010):4.

[3]李会勇, 刘畅, 谢菊兰,等. 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法:, CN106099393A[P]. 2016.

[4]邢振华, 梁作宾, 吴斌,等. 一种基于粒子群与遗传算法联合的天线阵列布置优化方法:. 

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。