CN106357316A - 阵列天线的波束赋形方法和装置 - Google Patents

Abstract

本发明涉及一种阵列天线的波束赋形方法和装置，该方法包括：根据预先设置种群规模产生粒子群，并初始化粒子群的各参数；根据预先设置的根据所需波束确定的适应度函数计算粒子群中各粒子的适应度值，适应度函数的问题的最优解为波束所需的幅度和相位值；将粒子群作为父代粒子群，根据粒子的适应度值，对父代粒子群采用免疫算法，得到父代粒子群的下一代粒子群；根据预设规则更新粒子的最优值和问题的最优解；判断是否到达预设的最大迭代次数；若是，则根据问题的最优解确定各阵元的相位和信号幅度，赋形得到所需阵列天线的波束。结合粒子群算法和免疫算法能够有效提高搜索速度，效率高，使天线赋形波束满足要求。

Description

阵列天线的波束赋形方法和装置

技术领域

本发明涉及通信技术领域，特别是涉及一种阵列天线的波束赋形方法和装置。

背景技术

在雷达、无线通信等众多领域中，波束赋形是一种基于天线阵列的信号预处理技术，波束赋形通过调整天线阵列中每个阵元的加权系数产生具有指向性的波束，从而能够获得明显的阵列增益。通过波束赋形器控制各阵元的相位和信号幅度，得到所需的波束。

这是个多维非线性优化问题。基于群体智慧的演化算法很适合于解决此类复杂的非线性优化问题，并且这些算法具有概念清晰、程序简单等特点。常用的群体智慧的演化算法有粒子群算法。粒子群算法中，每个优化问题的潜在解都是搜索空间中一个“粒子”，而粒子的位置就是所求问题的解。所有的粒子都有一个由被优化的函数决定的适应度值，并且每个粒子还有一个速度决定它们飞翔的方向和距离。粒子群算法首先初始化一群随机粒子(随机解)，在搜索空间中以一定的速度飞行，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，另一个极值是整个种群目前找到的最优解。

粒子群算法具有算法简单、容易实现、搜索速度快、所含参数较少的特点。但基本的粒子群算法有着收敛过快、早熟收敛、搜索范围不大、容易收敛到局部极值等问题，因此，采用粒子群算法确定阵列天线的波束的相位和信号幅度等参数所需的时间长，效率低。

发明内容

基于此，有必要提供一种阵列天线的波束赋形方法和装置，能够快速确定阵列天线的波束的相位和信号幅度。

一种阵列天线的波束赋形方法，包括：

根据预先设置种群规模产生粒子群，并初始化粒子群的各参数；所述参数包括：粒子的起始位置和初始速度；

根据预先设置的根据所需波束确定的适应度函数计算所述粒子群中各粒子的适应度值；所述适应度函数的问题的最优解为合成目标波束所需的幅度和相位值；

将所述粒子群作为父代粒子群，根据所述粒子的适应度值，对所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群；所述免疫算法包括克隆、高频变异和选择操作；

根据预设规则更新粒子的最优值和问题的最优解，其中，粒子的最优值和问题的最优解根据粒子的位置确定，所述预设规则为：

若则令

若则

其中，f_i(t)为粒子的适应度值；为粒子的最优值，即粒子群中第i个粒子经历的最好位置，为其对应的适应值度；为问题的最优解，即粒子群中所有粒子经历过的最好位置，为其对应的适应度值；x_i(t)为第i个粒子在第t次迭代时的位置，t为迭代次数；

判断是否到达预设的最大迭代次数；

若是，则根据问题的最优解确定各阵元的相位和信号幅度，赋形得到所需阵列天线的波束。

在一个实施例中，所述将所述粒子群作为父代粒子群，根据所述粒子的适应度值，对所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群的步骤包括：

根据所述粒子的适应度值，对粒子进行克隆操作得到所述粒子的子代粒子；所述粒子被克隆的数目与所述粒子的适应度值呈正相关；

对所述子代粒子进行高频变异操作得到变异子代粒子；

根据所述适应度函数计算所述变异粒子的适应度值，并从父代和变异子代组成的集合中选择n1个适应值较大的粒子，与随机产生的n-n1个新粒子组成下一代粒子群。

在一个实施例中，若判断未到达预设的最大迭代次数，则更新粒子的速度和位置；并根据适应度函数和更新的粒子的速度、位置计算下一代粒子群中各粒子的适应度值。

在一个实施例中，对所述粒子进行克隆操作得到粒子的子代粒子的数目为：

$m_i=\[\frac{f_i\left(t\right)}{{\mathrm{\Σ}}_{i=1}^n{f}_i\left(t\right)}*n\]$

其中，m_i为第i个粒子被克隆的数目；n是种群中粒子总数；f_i(t)为粒子的适应度值。

在一个实施例中，更新粒子的速度的公式为：

$\begin{array}{c}{v}_{id}(t+1)={\mathrm{wv}}_{id}\left(t\right)+c_1{r}_1\left(p_{best,d}^i\right(t)-x_{id}(t\left)\right)+c_2{r}_2\left(p_{best,d}^g\right(t)-\\ x_{id}\left(t\right));\end{array}$

更新粒子的位置的公式为：x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，i＝1，2，…，m表示第i个粒子，d＝1，2，…，n表示粒子的第d维，w为惯性权重，c1和c2为加速常数，r1、r2是均匀分布在(0，1)区间中的随机函数，t为迭代次数的步长。

一种阵列天线的波束赋形装置，包括：初始化模块、适应度计算模块、免疫计算模块、更新模块、判断模块和赋形模块；

所述初始化模块，用于根据预先设置种群规模产生粒子群，并初始化粒子群的各参数；所述参数包括：粒子的起始位置和初始速度；

所述适应度计算模块，用于根据预先设置的根据所需波束确定的适应度函数计算所述粒子群中各粒子的适应度值；所述适应度函数的问题的最优解为合成目标波束所需的幅度和相位值；

所述免疫计算模块，用于将所述粒子群作为父代粒子群，根据所述粒子的适应度值，对所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群；所述免疫算法包括克隆、高频变异和选择操作；

所述更新模块，用于根据预设规则更新粒子的最优值和种群的最优值，其中，预设规则为：

若则令

若则

其中，f_i(t)为粒子的适应度值；为粒子的最优值，即粒子群中第i个粒子经历的最好位置，为其对应的适应值度；为问题的最优解，即粒子群中所有粒子经历过的最好位置，为其对应的适应度值；x_i(t)为第i个粒子在第t次迭代时的位置，t为迭代次数；

所述判断模块，用于判断是否到达预设的最大迭代次数；

所述赋形模块，用于在所述判断模块的判断结果为是时，根据问题的最优解确定各阵元的相位和信号幅度，赋形得到所需阵列天线的波束。

在一个实施例中，所述免疫计算模块包括：克隆操作模块、变异操作模块和选择操作模块；

所述克隆操作模块，用于根据所述粒子的适应度值，对粒子进行克隆操作得到所述粒子的子代粒子；所述粒子被克隆的数目与所述粒子的适应度值呈正相关；

所述变异操作模块，用于对所述子代粒子进行高频变异操作得到变异子代粒子；

所述选择操作模块，用于根据所述适应度函数计算所述变异粒子的适应度值，并从父代和变异子代组成的集合中选择n1个适应值较大的粒子，与随机产生的n-n1个新粒子组成下一代粒子群。

在一个实施例中，阵列天线的波束赋形装置还包括参数更新模块，所述参数更新模块，用于在所述判断模块的判断结果为否时，更新粒子的速度和位置，所述适应度计算模块根据适应度函数和更新的粒子的速度、位置计算下一代粒子群中各粒子的适应度值。

在一个实施例中，对所述粒子进行克隆操作得到粒子的子代粒子的数目为：

$m_i=\[\frac{f_i\left(t\right)}{{\mathrm{\Σ}}_{i=1}^n{f}_i\left(t\right)}*n\]$

其中，m_i为第i个粒子被克隆的数目；n是种群中粒子总数；f_i(t)为粒子的适应度值。

在一个实施例中，更新粒子的速度的公式为：

$\begin{array}{c}{v}_{id}(t+1)={\mathrm{wv}}_{id}\left(t\right)+c_1{r}_1\left(p_{best,d}^i\right(t)-x_{id}(t\left)\right)+c_2{r}_2\left(p_{best,d}^g\right(t)-\\ x_{id}\left(t\right));\end{array}$

更新粒子的位置的公式为：

x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，i＝1，2，…，m表示第i个粒子，d＝1，2，…，n表示粒子的第d维，w为惯性权重，c1和c2为加速常数，r1、r2是均匀分布在(0，1)区间中的随机函数，t为迭代次数的步长。

上述的阵列天线的波束赋形方法，通过采用粒子群算法和免疫算法求解适应度函数的问题的最优解，以粒子群算法为基础，在其中融入免疫算法，利用入免疫算法的克隆复制、高频变异、克隆选择等操作来改善粒子群多样性和算法的收敛速度，有效提高了特征选择效率，使天线赋形波束满足要求。

附图说明

图1为一个实施例的阵列天线的波束赋形方法的流程图；

图2为一个实施例的阵列天线示意图；

图3为图2所示的阵列天线采用本发明的阵列天线的波束赋形方法得到的波束的方向图；

图4为表1所示的波束的幅相激励数据添加到仿真软件中得到波束的仿真方向图；

图5为一个实施例的阵列天线的波束赋形装置的功能模块示意图。

具体实施方式

如图1所示，一种阵列天线的波束赋形方法，包括以下步骤：

S102：根据预先设置种群规模产生粒子群，并初始化粒子群的各参数。

粒子群的种群规模预先设置，产生对应规模的粒子群，并初始化粒子群的各参数。粒子群的各参数包括：粒子的起始位置x_i(t)＝(x_i1，x_i2，……，x_id)、初始速度v_i(t)＝(v_i1，v_i2，……，v_id)。其中，每一个x_i(t)都代表了一种可能的解，在本发明中，将优化变量抽象为粒子的位置向量。

S104：根据预先设置的根据所需波束确定的适应度函数计算粒子群中各粒子的适应度值。

预先根据所需的波束确定适应度函数。适应度函数与赋形波束的参数相关。不同波束要求的适应度函数可以有所不同。根据适应度函数计算粒子群中各粒子的适应度值。适应度函数的问题的最优解为合成目标波束所需的幅度和相位值。映射到粒子群算法中是粒子的最好位置。

S106：将粒子群作为父代粒子群，根据粒子的适应度值，对父代粒子群采用免疫算法，得到父代粒子群的下一代粒子群；免疫算法包括克隆、高频变异和选择操作。

本实施例的阵列天线的波束赋形方法将免疫算法与粒子群算法进行融合，将粒子群算法中引入免疫算法的克隆、高频变异和选择操作。其中，克隆操作使种群中的优秀粒子得以保存，高频变异操作产生新的个体，有效的增加种群多样性，选择操作选出最优个体，避免算法退化。

S108：根据预设规则更新粒子的最优值和问题的最优解，其中，粒子的最优值和问题的最优解根据粒子的位置确定，预设规则为：

若则令

若则

其中，f_i(t)为粒子的适应度值；为粒子的最优值，即粒子群中第i个粒子经历的最好位置，为其对应的适应值度；为问题的最优解，即粒子群中所有粒子经历过的最好位置，为其对应的适应度值；x_i(t)为第i个粒子在第t次迭代时的位置，t为迭代次数。其中，问题的最优解和粒子的最优值根据位置计算得到。

S110：判断是否到达预设的最大迭代次数。若是，则执行步骤S112，若否，则执行步骤S113。

S112：根据问题的最优解确定各阵元的相位和信号幅度，赋形得到所需阵列天线的波束。

上述的阵列天线的波束赋形方法，通过采用粒子群算法和免疫算法求解适应度函数的问题的最优解，以粒子群算法为基础，在其中融入免疫算法，利用入免疫算法的克隆复制、高频变异、克隆选择等操作来改善粒子群多样性和算法的收敛速度，有效提高了特征选择效率，使天线赋形波束满足要求。

在另一个实施例中，步骤S106包括以下步骤1至步骤3：

步骤1：根据粒子的适应度值，对粒子进行克隆操作得到粒子的子代粒子；粒子被克隆的数目与粒子的适应度值呈正相关。

具体的，对粒子进行克隆操作得到粒子的子代粒子的数目为：

$m_i=\[\frac{f_i\left(t\right)}{{\mathrm{\Σ}}_{i=1}^n{f}_i\left(t\right)}*n\]$

其中，m_i为第i个粒子被克隆的数目；n是种群中粒子总数；f_i(t)为粒子的适应度值。

通过对粒子进行克隆操作使父代粒子群中优秀粒子得到保存。

步骤2：对子代粒子进行高频变异操作得到变异子代粒子。

其中，变异概率满足高斯分布N(0，1)。通过变异操作产生新的个体，有效的增加种群多样性。

步骤3：根据适应度函数计算变异粒子的适应度值，并从父代和变异子代组成的集合中选择n1个适应值较大的粒子，与随机产生的n-n1个新粒子组成下一代粒子群。

通过选择操作，选择出最优个体，避免算法退化。

在另一个实施例中，若步骤S110的判断结果为否，即未达到预设的最大迭代次数，则执行步骤：

S113：更新粒子的速度和位置。并在步骤S113的步骤之后，返回步骤S114，根据适应度函数和更新的粒子的速度、位置计算下一代粒子群中各粒子的适应度值。

更新粒子的速度的公式为：

$\begin{array}{c}{v}_{id}(t+1)={\mathrm{wv}}_{id}\left(t\right)+c_1{r}_1\left(p_{best,d}^i\right(t)-x_{id}(t\left)\right)+c_2{r}_2\left(p_{best,d}^g\right(t)-\\ x_{id}\left(t\right));\end{array}$

更新粒子的位置的公式为：

x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，i＝1，2，…，m表示第i个粒子，d＝1，2，…，n表示粒子的第d维，w为惯性权重，c1和c2为加速常数，r1、r2是均匀分布在(0，1)区间中的随机函数，t为迭代次数的步长。

上述的阵列天线的波束赋形方法，通过采用粒子群算法和免疫算法求解适应度函数的问题的最优解，免疫算法包括克隆、高频变异和选择操作，克隆操作使种群中的优秀粒子得以保存，高频变异操作产生新的个体，有效的增加种群多样性，选择操作选出最优个体，避免算法退化。适应度函数的问题的最优解为波束所需的幅度和相位值，结合粒子群算法和免疫算法能够克服现有技术中阵列天线波束综合时拟合度低，不易找到全局最优解的问题，能够有效提高搜索速度，效率高，使天线赋形波束满足要求。

下面，结合具体的案例对本发明的阵列天线的波束赋形方法进行说明。

本实施例中，一个十单元移动通信基站的天线示意图如图2所示，十个半波振子组成一个等间距线阵结构，振子间距为0.8λ，振子距反射板高度0.25λ，其中λ为工作频率的波长。通过改变每个振子馈电电流的幅度和相位，使得垂直面方向图上副瓣抑制小于-20dB，下第一零点填充大于-15dB，以抑制邻区干扰及避免塔下黑的状况。

采用阵列天线的波束赋形方法，对2.2GHz中心频点的方向图进行综合，计算出阵列天线赋形成目标波束所需的幅度和相位值。

本实例中，设置粒子群大小为40，迭代次数30，惯性权重w为0.5，加速常数c1和c2取为2。适应度函数定义为：

Fitness＝α∣USL-G1SL∣+β∣DNF-GNF∣+γ∣DSL-G2SL∣

其中：USL为上副瓣最大电平，DNF为下第一零陷深度，DSL为下副瓣最大电平，G1SL及G2SL是期望副瓣电平，GNF是期望零陷深度，α、β、γ为权重因子。

赋形得到的阵列天线的波束的方向图如图3所示，从图中可以看到，在形成主瓣的同时，抑制了天线阵的上副瓣电平至-20dB以下，同时在覆盖区域形成了一个-15dB的零点填充区域，综合后的方向图与目标波束的方向图一致，赋形的波束的幅相激励数据如表1所示。

表1赋形的波束的幅相激励数据

单元	1	2	3	4	5	6	7	8	9	10
											幅度(w)	1	1.1	1.4	1.4	1.8	2.7	3	3	1.5	1.6
相位(°)	25	4.6	5.3	14.8	24	25	23.8	18.6	0	0

将幅相激励代入到高频结构仿真软件三维高频电磁场仿真工具中进行确认，得到天线阵的辐射方向图如图4所示。比较图3及图4可以看出，仿真结果与算法得到的结果吻合度非常高，从而验证了本发明的阵列天线的波束赋形方法的有效性。

一种阵列天线的波束赋形装置，如图5所示，包括：初始化模块501、适应度计算模块502、免疫计算模块503、更新模块504、判断模块505和赋形模块506。

初始化模块501，用于根据预先设置种群规模产生粒子群，并初始化粒子群的各参数；参数包括：粒子的起始位置和初始速度。

适应度计算模块502，用于根据预先设置的根据所需波束确定的适应度函数计算粒子群中各粒子的适应度值；适应度函数的问题的最优解为合成目标波束所需的幅度和相位值；

免疫计算模块503，用于将粒子群作为父代粒子群，根据粒子的适应度值，对父代粒子群采用免疫算法，得到父代粒子群的下一代粒子群；免疫算法包括克隆、高频变异和选择操作。

更新模块504，用于根据预设规则更新粒子的最优值和种群的最优值，其中，预设规则为：

若则令

若则

其中，f_i(t)为粒子的适应度值；为粒子的最优值，即粒子群中第i个粒子经历的最好位置，为其对应的适应值度；为问题的最优解，即粒子群中所有粒子经历过的最好位置，为其对应的适应度值；x_i(t)为第i个粒子在第t次迭代时的位置，t为迭代次数。

判断模块505，用于判断是否到达预设的最大迭代次数。

赋形模块506，用于在判断模块的判断结果为是时，根据问题的最优解确定各阵元的相位和信号幅度，赋形得到所需阵列天线的波束。

本实施例的阵列天线的波束赋形装置将免疫算法与粒子群算法进行融合，将粒子群算法中引入免疫算法的克隆、高频变异和选择操作。其中，克隆操作使种群中的优秀粒子得以保存，高频变异操作产生新的个体，有效的增加种群多样性，选择操作选出最优个体，避免算法退化。

在另一个实施例中，免疫计算模块503包括：克隆操作模块、变异操作模块和选择操作模块；

克隆操作模块，用于根据粒子的适应度值，对粒子进行克隆操作得到粒子的子代粒子；粒子被克隆的数目与粒子的适应度值呈正相关。

具体的，对粒子进行克隆操作得到粒子的子代粒子的数目为：

$m_i=\[\frac{f_i\left(t\right)}{{\mathrm{\Σ}}_{i=1}^n{f}_i\left(t\right)}*n\]$

其中，m_i为第i个粒子被克隆的数目；n是种群中粒子总数；f_i(t)为粒子的适应度值。

变异操作模块，用于对子代粒子进行高频变异操作得到变异子代粒子；

选择操作模块，用于根据适应度函数计算变异粒子的适应度值，并从父代和变异子代组成的集合中选择n1个适应值较大的粒子，与随机产生的n-n1个新粒子组成下一代粒子群。

上述的阵列天线的波束赋形装置，通过采用粒子群算法和免疫算法求解适应度函数的问题的最优解，以粒子群算法为基础，在其中融入免疫算法，利用入免疫算法的克隆复制、高频变异、克隆选择等操作来改善粒子群多样性和算法的收敛速度，有效提高了特征选择效率，使天线赋形波束满足要求。

在又一个实施例中，阵列天线的波束赋形装置，还包括参数更新模块，参数更新模块，用于在判断模块的判断结果为否时，更新粒子的速度和位置，适应度计算模块根据适应度函数和更新的粒子的速度、位置计算下一代粒子群中各粒子的适应度值。

更新粒子的速度的公式为：

$\begin{array}{c}{v}_{id}(t+1)={\mathrm{wv}}_{id}\left(t\right)+c_1{r}_1\left(p_{best,d}^i\right(t)-x_{id}(t\left)\right)+c_2{r}_2\left(p_{best,d}^g\right(t)-\\ x_{id}\left(t\right));\end{array}$

更新粒子的位置的公式为：

x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，i＝1，2，…，m表示第i个粒子，d＝1，2，…，n表示粒子的第d维，w为惯性权重，c1和c2为加速常数，r1、r2是均匀分布在(0，1)区间中的随机函数，t为迭代次数的步长。上述的阵列天线的波束赋形装置，通过采用粒子群算法和免疫算法求解适应度函数的问题的最优解，免疫算法包括克隆、高频变异和选择操作，克隆操作使种群中的优秀粒子得以保存，高频变异操作产生新的个体，有效的增加种群多样性，选择操作选出最优个体，避免算法退化。适应度函数的问题的最优解为波束所需的幅度和相位值，结合粒子群算法和免疫算法能够克服现有技术中阵列天线波束综合时拟合度低，不易找到全局最优解的问题，能够有效提高搜索速度，效率高，使天线赋形波束满足要求。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种阵列天线的波束赋形方法，其特征在于，包括：

根据预先设置种群规模产生粒子群，并初始化粒子群的各参数；所述参数包括：粒子的起始位置和初始速度；

根据预先设置的根据所需波束确定的适应度函数计算所述粒子群中各粒子的适应度值；所述适应度函数的问题的最优解为合成目标波束所需的幅度和相位值；

将所述粒子群作为父代粒子群，根据所述粒子的适应度值，对所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群；所述免疫算法包括克隆、高频变异和选择操作；

根据预设规则更新粒子的最优值和问题的最优解，其中，粒子的最优值和问题的最优解根据粒子的位置确定，所述预设规则为：

若则令

若则

其中，f_i(t)为粒子的适应度值；为粒子的最优值，即粒子群中第i个粒子经历的最好位置，为其对应的适应值度；为问题的最优解，即粒子群中所有粒子经历过的最好位置，为其对应的适应度值；x_i(t)为第i个粒子在第t次迭代时的位置，t为迭代次数；

判断是否到达预设的最大迭代次数；

若是，则根据问题的最优解确定各阵元的相位和信号幅度，赋形得到所需阵列天线的波束。

2.根据权利要求1所述的方法，其特征在于，所述将所述粒子群作为父代粒子群，根据所述粒子的适应度值，对所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群的步骤包括：

根据所述粒子的适应度值，对粒子进行克隆操作得到所述粒子的子代粒子；所述粒子被克隆的数目与所述粒子的适应度值呈正相关；

对所述子代粒子进行高频变异操作得到变异子代粒子；

根据所述适应度函数计算所述变异粒子的适应度值，并从父代和变异子代组成的集合中选择n1个适应值较大的粒子，与随机产生的n-n1个新粒子组成下一代粒子群。

3.根据权利要求2所述的方法，其特征在于，若判断未到达预设的最大迭代次数，则更新粒子的速度和位置；并根据适应度函数和更新的粒子的速度、位置计算下一代粒子群中各粒子的适应度值。

4.根据权利要求2所述的方法，其特征在于，对所述粒子进行克隆操作得到粒子的子代粒子的数目为：

$m_i=\[\frac{f_i\left(t\right)}{{\mathrm{\Σ}}_{i=1}^n{f}_i\left(t\right)}*n\]$

其中，m_i为第i个粒子被克隆的数目；n是种群中粒子总数；f_i(t)为粒子的适应度值。

5.根据权利要求3所述的方法，其特征在于，更新粒子的速度的公式为：

$\begin{array}{c}{v}_{id}(t+1)={\mathrm{wv}}_{id}\left(t\right)+c_1{r}_1\left(p_{best,d}^i\right(t)-x_{id}(t\left)\right)+c_2{r}_2\left(p_{best,d}^g\right(t)-\\ x_{id}\left(t\right));\end{array}$

更新粒子的位置的公式为：x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，i＝1，2，…，m表示第i个粒子，d＝1，2，…，n表示粒子的第d维，w为惯性权重，c1和c2为加速常数，r1、r2是均匀分布在(0，1)区间中的随机函数，t为迭代次数的步长。

6.一种阵列天线的波束赋形装置，其特征在于，包括：初始化模块、适应度计算模块、免疫计算模块、更新模块、判断模块和赋形模块；

所述初始化模块，用于根据预先设置种群规模产生粒子群，并初始化粒子群的各参数；所述参数包括：粒子的起始位置和初始速度；

所述适应度计算模块，用于根据预先设置的根据所需波束确定的适应度函数计算所述粒子群中各粒子的适应度值；所述适应度函数的问题的最优解为合成目标波束所需的幅度和相位值；

所述免疫计算模块，用于将所述粒子群作为父代粒子群，根据所述粒子的适应度值，对所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群；所述免疫算法包括克隆、高频变异和选择操作；

所述更新模块，用于根据预设规则更新粒子的最优值和种群的最优值，其中，预设规则为：

若则令

若则

其中，f_i(t)为粒子的适应度值；为粒子的最优值，即粒子群中第i个粒子经历的最好位置，为其对应的适应值度；为问题的最优解，即粒子群中所有粒子经历过的最好位置，为其对应的适应度值；x_i(t)为第i个粒子在第t次迭代时的位置，t为迭代次数；

所述判断模块，用于判断是否到达预设的最大迭代次数；

所述赋形模块，用于在所述判断模块的判断结果为是时，根据问题的最优解确定各阵元的相位和信号幅度，赋形得到所需阵列天线的波束。

7.根据权利要求6所述的装置，其特征在于，所述免疫计算模块包括：克隆操作模块、变异操作模块和选择操作模块；

所述克隆操作模块，用于根据所述粒子的适应度值，对粒子进行克隆操作得到所述粒子的子代粒子；所述粒子被克隆的数目与所述粒子的适应度值呈正相关；

所述变异操作模块，用于对所述子代粒子进行高频变异操作得到变异子代粒子；

所述选择操作模块，用于根据所述适应度函数计算所述变异粒子的适应度值，并从父代和变异子代组成的集合中选择n1个适应值较大的粒子，与随机产生的n-n1个新粒子组成下一代粒子群。

8.根据权利要求7所述的装置，其特征在于，还包括参数更新模块，所述参数更新模块，用于在所述判断模块的判断结果为否时，更新粒子的速度和位置，所述适应度计算模块根据适应度函数和更新的粒子的速度、位置计算下一代粒子群中各粒子的适应度值。

9.根据权利要求7所述的装置，其特征在于，对所述粒子进行克隆操作得到粒子的子代粒子的数目为：

$m_i=\[\frac{f_i\left(t\right)}{{\mathrm{\Σ}}_{i=1}^n{f}_i\left(t\right)}*n\]$

其中，m_i为第i个粒子被克隆的数目；n是种群中粒子总数；f_i(t)为粒子的适应度值。

10.根据权利要求8所述的装置，其特征在于，更新粒子的速度的公式为：

$\begin{array}{c}{v}_{id}(t+1)={\mathrm{wv}}_{id}\left(t\right)+c_1{r}_1\left(p_{best,d}^i\right(t)-x_{id}(t\left)\right)+c_2{r}_2\left(p_{best,d}^g\right(t)-\\ x_{id}\left(t\right));\end{array}$

更新粒子的位置的公式为：

x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，i＝1，2，…，m表示第i个粒子，d＝1，2，…，n表示粒子的第d维，w为惯性权重，c1和c2为加速常数，r1、r2是均匀分布在(0，1)区间中的随机函数，t为迭代次数的步长。