CN107658573B - 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 - Google Patents
一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 Download PDFInfo
- Publication number
- CN107658573B CN107658573B CN201710725355.0A CN201710725355A CN107658573B CN 107658573 B CN107658573 B CN 107658573B CN 201710725355 A CN201710725355 A CN 201710725355A CN 107658573 B CN107658573 B CN 107658573B
- Authority
- CN
- China
- Prior art keywords
- quantum
- searcher
- nth
- generation
- array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q21/00—Antenna arrays or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供的是一种基于量子搜寻者搜索机制的圆环阵方向图综合方法。实现步骤为:建立圆环阵模型;初始化量子搜寻者群;计算量子搜寻者所在位置和量子位置的适应度值;更新量子搜寻者搜索机制的搜索步长和搜素方向;根据演化规则更新量子位置;计算量子搜寻者新位置下的适应度值,确定个体历史最优量子位置,并确定全局最优量子位置;如果达到最大迭代次数,输出全局最优量子位置;把全局最优量子位置映射为圆环阵的参数,带入方向图函数,得到其对应的归一化方向图。该方法结合了量子计算与搜寻者搜索机制的优势,具有搜索速度快、全局搜索能力强的优点。
Description
技术领域
本发明涉及的上一种圆环阵方向图综合方法,具体地说是一种基于量子搜寻者搜索机制的圆环阵方向图综合方法。
背景技术
阵列天线因其易实现高增益、低副瓣和窄波束的方向图,易于获得多波束和实现波束扫描以及特定复杂波束的赋形等优势,已广泛应用于卫星通信、声呐、雷达、广播电视、导航、射电天文、生物医学成像和电子对抗等领域。阵列天线一般按照阵元的排列方式进行分类,线阵是阵列天线的基本构形,但线阵的扫描范围有限,且随着扫描角度的改变会展宽主波束,而圆环阵能够进行360°方位角扫描,可以实现360°方位均匀覆盖,并且保持主波束宽度不被展宽,其结构的对称性使阵元之间的互耦效应相互平衡,对整个阵列的影响相对较小,因此,对圆环阵的研究受到学者的广泛关注。
阵列天线主要研究两个方面:阵列分析和阵列综合,其中阵列综合问题一直是阵列天线研究中的核心问题和难点问题。圆环阵的方向图综合是利用某种方法来调整并确定圆环阵的圆环半径、阵元位置以及相应阵元的激励幅度和相位这四个参数,使阵列方向图满足设计要求,随着技术的进步,无论是雷达***还是通信***都对圆环阵的方向图要求越来越高,需要探索更为有效的方法来寻找到上述四个参数的合理组合。
经对现有文献检索发现,陈腾博等在《微波学报》(2005,Vol.21,No.1,pp.1-4)上发表的“采用非线性最小二乘法实现圆环天线阵的方向图综合”中采用非线性最小二乘法对影响圆环阵天线方向图的一些参数进行了设计,使阵列方向图向预先给定的理想方向图逼近。Guo Hua等在《Progress in Electromagnetics Research B》(2013,Vol.50,No.50,pp.331-346)上发表的“Pattern Synthesis of Concentric Circular Antenna Array byNonlinear Least-Square Method”中提出了一种改进的非线性最小二乘法,并将其应用于圆环阵的方向图综合,优化了激励幅度和相位。但以上方法需要预先给定一个具体的参考方向图,因而不适用于求解满足方向图包络即主波束宽度和副瓣电平要求的方向图综合问题。已有文献表明,现有圆环阵方向图综合技术主要依据给定具体的参考方向图对方向图的参数进行优化,尽管圆环阵阵列结构简单,但其产生的旁瓣电平较高,所需的阵元数目相对较多,用于解决此类问题的智能算法的计算时间随着天线阵元数以及阵列尺寸的增加而迅速增加,应用这类算法综合大口径阵列是非常耗时的。
发明内容
本发明的目的在于提供一种搜索速度快、全局搜索能力强和能满足多个目标要求,适用于大规模圆环阵的方向图综合的基于量子搜寻者搜索机制的圆环阵方向图综合方法。
本发明的目的是这样实现的:
步骤一,建立圆环阵模型;
对于由M个半径依次递增的单层圆环阵同心排列构成的同心圆环阵,第m个圆环的半径为rm,m=1,2,...,M,第m个圆环上分布的阵元数目为Hm,第m个圆环上第h个阵元的方位角位置为h=1,2,...,Hm,第m个圆环上第h个阵元上的激励幅度与相位分别为Imh和ψmh,接收信号到达角为即θ和分别为信号到达的俯仰角和方位角,则同心圆环阵的阵列方向图表达式为:其中k=2π/λ,j是复数单位,λ是波长,若圆环阵中心存在一个阵元,则I00和ψ00分别为该中心阵元上的激励幅度和相位,令其中max(·)为取最大值函数,则圆环阵的归一化方向图为
步骤二,初始化量子搜寻者群;
由N个量子搜寻者组成的量子搜寻者群在维的搜索空间内进行搜索,每个量子搜寻者的量子位置是一个维的向量,采用实数编码,用t表示迭代次数,则第t代第n个量子搜寻者的量子位置表示为其中,n=1,2,…,N,第t代第n个量子搜寻者的个体历史最优量子位置为 即为第n个量子搜寻者迭代至第t代为止具有最好的适应度函数值的解对应的量子位置,初始时,令t=0,则 为均匀分布在[0,1]间的随机数,把量子搜寻者群分成b个子群,属于同一个子群的所有量子搜寻者组成一个邻域;
步骤三,计算量子搜寻者所在位置和量子位置的适应度值;
把第t代第n个量子搜寻者的位置对应为圆环阵需要优化的参数,即圆环阵的圆环半径、阵元位置以及相应阵元的激励幅度和相位,带入方向图函数,得到对应的方向图,根据方向图,计算出圆环阵的最大旁瓣电平主波束宽度第l对零陷的零陷深度l=1,2,...,L,其中L表示生成L对零陷(若适应度函数选择方案二,则不需要计算零陷深度)等性能指标,则第n个量子搜寻者的适应度函数有以下两种设计方案,方案一:这是一个求解适应度函数最小值的问题,其中ε1,ε2,βl为权重因子,作用是调整每个参数变化对于适应度函数的贡献,表示期望方向图的最大旁瓣电平,表示期望方向图的主波束宽度,表示期望方向图第l对零陷的零陷深度;此方案适用于对期望方向图的各性能指标有明确要求的方向图综合问题。方案二:这同样是一个求解适应度函数最小值的问题,其中ε′1,ε′2为权重因子,作用是调整每个参数变化对于适应度函数的贡献,此方案适用于对期望方向图的各性能指标没有明确要求,而是需要方向图的旁瓣尽可能低,主波束尽可能窄即分辨率尽可能高的方向图综合问题。某一量子搜寻者位置适应度可同时代表该量子搜寻者位置和量子位置的优劣;
步骤四,更新量子搜寻者搜索机制的搜索步长和搜索方向;
第t代第n个量子搜寻者的搜索步长为 为第t代第n个量子搜寻者在第维的步长因子,其更新方式为:其中高斯隶属度参数φ′为惯性权值系数,它随进化代数的增加线性递减以便实现由粗到细的搜索,和分别是第n个量子搜寻者所在子群具有的最小和最大适应度函数值的两个量子位置的第维元素;为第t代第n个量子搜寻者在第维的隶属度且其中用来产生上的均匀随机数以模拟人的搜索行为的随机性, 是群体函数值按降序排列后第n个量子搜寻者量子位置的序列编号,μmax为最大隶属度,μmin为最小隶属度,N为量子搜寻者群体中的个体数;
第t代第n个量子搜寻者的搜索方向的更新公式为:其中,sign(·)为符号函数;φ为惯性权值系数,它随进化代数的增加线性递减;ζ1和ζ2为区间[0,1]内的均匀随机数;预动方向当t=0时,和分别为第n个量子搜寻者在第t=0代具有最小适应度函数值和最大适应度函数值的量子位置,当t=1时,和分别为第n个量子搜寻者在第t=0和t=1代中具有最小适应度函数值和最大适应度函数值的量子位置,当t≥2时,和分别为第n个量子搜寻者在第t-2、t-1和t代中具有最小适应度函数值和最大适应度函数值的量子位置;利己方向当第t代第n个量子搜寻者属于邻域b′时,b′∈{1,2,…,b},利他方向为 为属于邻域b′的量子搜寻者迭代至第t代为止的邻域历史最优量子位置;
步骤五,更新量子搜寻者的量子位置;
第t代第n个量子搜寻者的量子旋转角为:其中⊙为两向量对应元素相乘运算,和分别为第t代第n个量子搜寻者的搜索步长和搜索方向,则第t+1代第n个量子搜寻者的量子位置模拟量子旋转门进行更新:即其中abs(·)是对向量的每一维取绝对值;cos(·)是对向量的每一维取余弦函数;sin(·)是对向量的每一维取正弦函数;sqrt(·)是对向量的每一维取算术平方根;y是一个维的全1行向量;
步骤六,计算量子搜寻者新位置和量子位置的适应度值,根据适应度值,确定量子搜寻者个体历史最优量子位置,并确定整个量子搜寻者群体的全局最优量子位置;
把更新后的第n,个量子搜寻者位置对应为圆环阵列需要优化的参数,带入方向图函数,得到相应的方向图,根据方向图,计算出圆环阵的最大旁瓣电平主波束宽度第l个零陷的零陷深度并带入适应度函数,得到量子搜寻者新位置和量子位置的适应度值,并把此适应度值与其上一代个体历史最优量子位置的适应度值进行比较,若优于,则把新量子位置记作第n个量子搜寻者的当前个体历史最优量子位置,否则把上一代个体历史最优量子位置记作第n个量子搜寻者当前个体历史最优量子位置;
量子搜寻者的全局最优量子位置为在整个量子搜寻者群体中当前最优的个体历史最优量子位置,对比整个量子搜寻者群体中个体历史最优量子位置的适应度函数值,适应度函数值最小的个体历史最优量子位置即为量子搜寻者的全局最优量子位置;
步骤七,如果达到最大迭代次数,执行步骤八,否则,迭代次数加1,返回步骤四;
步骤八,输出全局最优量子位置,完成圆环阵的方向图综合;
把全局最优量子位置映射为圆环阵的参数,带入方向图函数,得到其对应的归一化方向图。
本发明提出了一种基于量子搜寻者搜索机制的圆环阵方向图综合方法,该方法利用量子计算与搜寻者搜索机制的优势来解决大规模圆环阵方向图综合连续问题,具有搜索速度快、全局搜索能力强和满足多个目标要求的的优点,适用于大规模圆环阵的方向图综合。
与现有技术相比,本发明充分考虑了大规模圆环阵的最大旁瓣电平、主波束宽度和零陷深度等多个指标,具有以下优点:
(1)本发明提供了两种适应度函数的设计方案,方案一不需要给出具体的期望方向图,仅需给出期望方向图的最大旁瓣电平、主波束宽度和零陷深度等指标中的一个或多个,就能应用量子搜寻者搜索机制搜索到满足设计要求的方向图。方案二能够在方向图的指标要求没有给出,而是希望方向图的旁瓣尽可能低,主波束尽可能窄的情况下,利用量子搜寻者搜索机制获得满足要求的方向图。这种适应度函数的设计方式更能满足不同工程的需要。
(2)本发明可以对圆环阵列的圆环半径、阵元位置以及相应阵元的激励幅度和相位等参数进行高效求解,单独对其中的一个或几个参数进行最优值求解仅是本发明的一个特例,本发明的应用范围更广。
(3)针对现有圆环阵方向图综合方法的计算时间随着天线阵元数以及阵列尺寸的增加而迅速增加的不足,本发明设计了新颖的用于解决连续问题的量子搜寻者搜索机制,并将其应用于圆环阵参数的求解问题,利用量子计算和搜寻者搜索机制的优势降低了计算时间,获得了更好的性能指标。
(4)仿真结果表明,本发明所提出的一种基于量子搜寻者搜索机制的圆环阵方向图综合方法能够满足期望方向图的更严苛要求。
附图说明
图1基于量子搜寻者搜索机制的圆环阵方向图综合方法流程图。
图2量子搜寻者搜索机制流程图。
图3基于量子搜寻者搜索机制的圆环阵方向图综合方法的三维方向图。
图4基于量子搜寻者搜索机制的圆环阵方向图综合方法和未采用优化方法的圆环阵方向图综合方法的二维方向图。
具体实施方式
下面结合附图举例对本发明做进一步描述,如图1所示,本发明设计的一种基于量子搜寻者搜索机制的圆环阵方向图综合方法包括以下步骤:
步骤一,建立圆环阵模型;
对于由M个半径依次递增的单层圆环阵同心排列构成的同心圆环阵,第m个圆环的半径为rm,m=1,2,...,M,第m个圆环上分布的阵元数目为Hm,第m个圆环上第h个阵元的方位角位置为h=1,2,...,Hm,第m个圆环上第h个阵元上的激励幅度与相位分别为Imh和ψmh,接收信号到达角为(即θ和分别为信号到达的俯仰角和方位角),则同心圆环阵的阵列方向图表达式为:其中k=2π/λ,j是复数单位,λ是波长,若圆环阵中心存在一个阵元,则I00和ψ00分别为该中心阵元上的激励幅度和相位,令其中max(·)为取最大值函数,则圆环阵的归一化方向图为
步骤二,初始化量子搜寻者群;
由N个量子搜寻者组成的量子搜寻者群在维的搜索空间内进行搜索,每个量子搜寻者的量子位置是一个维的向量,采用实数编码。用t表示迭代次数,则第t代第n(n=1,2,…,N)个量子搜寻者的量子位置可以表示为其中, 第t代第n个量子搜寻者个体历史最优量子位置为即为第n个量子搜寻者迭代至第t代为止具有最好的适应度函数值的解对应的量子位置。初始时,令t=0,则为均匀分布在[0,1]间的随机数,邻域的定义可以有无数种,以把群体按量子搜寻者的索引号平均分成3个子群为例,属于同一个子群的所有量子搜寻者组成一个邻域。
步骤三,计算量子搜寻者所在位置和量子位置的适应度值;
把第t代第n个量子搜寻者的位置对应为圆环阵需要优化的参数(即圆环阵的圆环半径、阵元位置以及相应阵元的激励幅度和相位),带入方向图函数,得到对应的方向图,根据方向图,计算出圆环阵的最大旁瓣电平主波束宽度第l(l=1,2,...,L,其中L表示生成L对零陷)对零陷的零陷深度(若适应度函数选择方案二,则不需要计算零陷深度)等性能指标,则第n个量子搜寻者的适应度函数有以下两种设计方案,方案一:这是一个求解适应度函数最小值的问题,其中ε1,ε2,βl为权重因子,作用是调整每个参数变化对于适应度函数的贡献,表示期望方向图的最大旁瓣电平,表示期望方向图的主波束宽度,表示期望方向图第l对零陷的零陷深度,此方案适用于对期望方向图的各性能指标有明确要求的方向图综合问题。方案二:这同样是一个求解适应度函数最小值的问题,其中ε′1,ε′2为权重因子,作用是调整每个参数变化对于适应度函数的贡献,此方案适用于对期望方向图的各性能指标没有明确要求,而是需要方向图的旁瓣尽可能低,主波束尽可能窄即分辨率尽可能高的方向图综合问题。某一量子搜寻者位置适应度可同时代表该量子搜寻者位置和量子位置的优劣。
步骤四,更新量子搜寻者搜索机制的搜索步长和搜索方向;
第t代第n个量子搜寻者的搜索步长为为第t代第n个量子搜寻者在第维的步长因子,其更新方式为:其中高斯隶属度参数φ′为惯性权值系数,它随进化代数的增加线性递减以便实现由粗到细的搜索,和分别是第n个量子搜寻者所在子群具有的最小和最大适应度函数值的两个量子位置的第维元素;为第t代第n个量子搜寻者在第维的隶属度且其中用来产生上的均匀随机数以模拟人的搜索行为的随机性, 是群体函数值按降序排列后第n个量子搜寻者量子位置的序列编号,μmax为最大隶属度,μmin为最小隶属度,N为量子搜寻者群体中的个体数。
第t代第n(n=1,2,…,N)个量子搜寻者的搜索方向的更新公式为:其中,sign(·)为符号函数;φ为惯性权值系数,它随进化代数的增加线性递减;ζ1和ζ2为区间[0,1]内的均匀随机数;预动方向当t=0时,和分别为第n个量子搜寻者在第t=0代具有最小适应度函数值和最大适应度函数值的量子位置,当t=1时,和分别为第n个量子搜寻者在第t=0和t=1代中具有最小适应度函数值和最大适应度函数值的量子位置,当t≥2时,和分别为第n个量子搜寻者在第t-2、t-1和t代中具有最小适应度函数值和最大适应度函数值的量子位置;利己方向当第t代第n个量子搜寻者属于邻域i∈{1,2,3}时,利他方向为 为属于邻域i的量子搜寻者迭代至第t代的邻域历史最优量子位置。
步骤五,更新量子搜寻者的量子位置;
第t代第n个量子搜寻者的量子旋转角为:其中⊙为两向量对应元素相乘运算,和分别为第t代第n个量子搜寻者的搜索步长和搜索方向。则第t+1代第n个量子搜寻者的量子位置可以模拟量子旋转门进行更新:即其中abs(·)是对向量的每一维取绝对值;cos(·)是对向量的每一维取余弦函数;sin(·)是对向量的每一维取正弦函数;sqrt(·)是对向量的每一维取算术平方根;y是一个维的全1行向量。
步骤六,计算量子搜寻者新位置和量子位置的适应度值,根据适应度值,确定量子搜寻者个体历史最优量子位置,并确定整个量子搜寻者群体的全局最优量子位置;
把更新后的第n,个量子搜寻者位置对应为圆环阵列需要优化的参数,带入方向图函数,得到相应的方向图,根据方向图,计算出圆环阵的最大旁瓣电平主波束宽度第l个零陷的零陷深度并带入适应度函数,得到量子搜寻者新位置和量子位置的适应度值,并把此适应度值与其上一代个体历史最优量子位置的适应度值进行比较,若优于,则把新量子位置记作第n个量子搜寻者的当前个体历史最优量子位置,否则把上一代个体历史最优量子位置记作第n个量子搜寻者当前个体历史最优量子位置。
量子搜寻者的全局最优量子位置为在整个量子搜寻者群体中当前最优的个体历史最优量子位置,对比整个量子搜寻者群体中个体历史最优量子位置的适应度函数值,适应度函数值最小的个体历史最优量子位置即为量子搜寻者的全局最优量子位置。
步骤七,如果达到最大迭代次数,执行步骤八,否则,迭代次数加1,返回步骤四;
步骤八,输出全局最优量子位置,完成圆环阵的方向图综合;
把全局最优量子位置映射为圆环阵的参数,带入方向图函数,得到其对应的归一化方向图。
通过仿真实验进一步说明本发明的有益效果:
对于一个由55个各向同性阵元组成的均匀圆环阵***,阵列中心存在一个阵元,第一层圆环上均匀排列24个阵元且圆环阵半径为1.9λ(λ为波长),第二层圆环上均匀排列30个阵元且圆环阵半径为2.4λ,此时第m个圆环上第h(h=1,2,...,Hm,Hm为第m个圆环上分布的阵元数目)个阵元的方位角位置为当主波束指向(0°,0°)时,令期望方向图最大旁瓣电平期望方向图在v=0,u=±0.4和u=±0.2处形成-50dB的零陷,适应度函数选择方案一,权重因子设置为:ε1=0.7、ε2=0、β1=0.3、β2=0.3。基于量子搜寻者搜索机制的圆环阵方向图综合方法的参数设置如下:惯性权值系数φ′和φ随进化代数的增加从0.9线性递减至0.4,最大隶属度μmax=0.95,最小隶属度μmin=0.0111,量子搜寻者群体中量子搜寻者个体数为60;最大迭代次数为300。未采用优化方法的圆环阵方向图综合方法的幅度激励统一设置为Imh=1.
图3是基于量子搜寻者搜索机制的圆环阵方向图综合方法的三维方向图,图4是所提基于量子搜寻者搜索机制的圆环阵方向图综合方法和未采用优化方法的圆环阵方向图综合方法的二维方向图对比图,从图中可以看出,相比于未采用优化方法的圆环阵方向图综合方法,本发明所提方法能够获得更低的旁瓣电平,能够获得满足要求的零陷深度,能更好的满足设计要求。
Claims (1)
1.一种基于量子搜寻者搜索机制的圆环阵方向图综合方法,其特征是:
步骤一,建立圆环阵模型;
对于由M个半径依次递增的单层圆环阵同心排列构成的同心圆环阵,第m个圆环的半径为rm,m=1,2,...,M,第m个圆环上分布的阵元数目为Hm,第m个圆环上第h个阵元的方位角位置为第m个圆环上第h个阵元上的激励幅度与相位分别为Imh和ψmh,接收信号到达角为即θ和分别为信号到达的俯仰角和方位角,则同心圆环阵的阵列方向图表达式为:其中k=2π/λ,j是复数单位,λ是波长,若圆环阵中心存在一个阵元,则I00和ψ00分别为该中心阵元上的激励幅度和相位,令其中max(·)为取最大值函数,则圆环阵的归一化方向图为
步骤二,初始化量子搜寻者群;
由N个量子搜寻者组成的量子搜寻者群在维的搜索空间内进行搜索,每个量子搜寻者的量子位置是一个维的向量,采用实数编码,用t表示迭代次数,则第t代第n个量子搜寻者的量子位置表示为其中,n=1,2,…,N,第t代第n个量子搜寻者的个体历史最优量子位置为 即为第n个量子搜寻者迭代至第t代为止具有最好的适应度函数值的解对应的量子位置,初始时,令t=0,则 为均匀分布在[0,1]间的随机数,把量子搜寻者群分成b个子群,属于同一个子群的所有量子搜寻者组成一个邻域;
步骤三,计算量子搜寻者所在位置和量子位置的适应度值;
把第t代第n个量子搜寻者的位置对应为圆环阵需要优化的参数,即圆环阵的圆环半径、阵元位置以及相应阵元的激励幅度和相位,带入方向图函数,得到对应的方向图,根据方向图,计算出圆环阵的最大旁瓣电平主波束宽度第l对零陷的零陷深度 其中L表示生成L对零陷,则第n个量子搜寻者的适应度函数有以下两种设计方案,方案一:其中ε1,ε2,βl为权重因子,作用是调整每个参数变化对于适应度函数的贡献,表示期望方向图的最大旁瓣电平,表示期望方向图的主波束宽度,表示期望方向图第l对零陷的零陷深度;方案二:其中ε′1,ε′2为权重因子,作用是调整每个参数变化对于适应度函数的贡献,某一量子搜寻者位置适应度可同时代表该量子搜寻者位置和量子位置的优劣;
步骤四,更新量子搜寻者搜索机制的搜索步长和搜索方向;
第t代第n个量子搜寻者的搜索步长为 为第t代第n个量子搜寻者在第维的步长因子,其更新方式为:其中高斯隶属度参数φ′为惯性权值系数,它随进化代数的增加线性递减以便实现由粗到细的搜索,和分别是第n个量子搜寻者所在子群具有的最小和最大适应度函数值的两个量子位置的第维元素;为第t代第n个量子搜寻者在第维的隶属度且其中用来产生上的均匀随机数以模拟人的搜索行为的随机性,产生均匀随机数的下界为 是群体函数值按降序排列后第n个量子搜寻者量子位置的序列编号,μmax为最大隶属度,μmin为最小隶属度,N为量子搜寻者群体中的个体数;
第t代第n个量子搜寻者的搜索方向的更新公式为:其中,sign(·)为符号函数;φ为预动方向的惯性权值系数,它随进化代数的增加线性递减;ζ1和ζ2为区间[0,1]内的均匀随机数;预动方向当t=0时,和分别为第n个量子搜寻者在第t=0代具有最小适应度函数值和最大适应度函数值的量子位置,当t=1时,和分别为第n个量子搜寻者在第t=0和t=1代中具有最小适应度函数值和最大适应度函数值的量子位置,当t≥2时,和分别为第n个量子搜寻者在第t-2、t-1和t代中具有最小适应度函数值和最大适应度函数值的量子位置;利己方向当第t代第n个量子搜寻者属于邻域b′时,b′∈{1,2,…,b},利他方向为 为属于邻域b′的量子搜寻者迭代至第t代为止的邻域历史最优量子位置;
步骤五,更新量子搜寻者的量子位置;
第t代第n个量子搜寻者的量子旋转角为:其中⊙为两向量对应元素相乘运算,和分别为第t代第n个量子搜寻者的搜索步长和搜索方向,则第t+1代第n个量子搜寻者的量子位置模拟量子旋转门进行更新:即其中abs(·)是对向量的每一维取绝对值;cos(·)是对向量的每一维取余弦函数;sin(·)是对向量的每一维取正弦函数;sqrt(·)是对向量的每一维取算术平方根;y是一个维的全1行向量;
步骤六,计算量子搜寻者新位置和量子位置的适应度值,根据适应度值,确定量子搜寻者个体历史最优量子位置,并确定整个量子搜寻者群体的全局最优量子位置;
把更新后的第n个量子搜寻者位置对应为圆环阵列需要优化的参数,带入方向图函数,得到相应的方向图,根据方向图,计算出圆环阵的最大旁瓣电平主波束宽度第l个零陷的零陷深度并带入适应度函数,得到量子搜寻者新位置和量子位置的适应度值,并把此适应度值与其上一代个体历史最优量子位置的适应度值进行比较,若优于,则把新量子位置记作第n个量子搜寻者的当前个体历史最优量子位置,否则把上一代个体历史最优量子位置记作第n个量子搜寻者当前个体历史最优量子位置;
量子搜寻者的全局最优量子位置为在整个量子搜寻者群体中当前最优的个体历史最优量子位置,对比整个量子搜寻者群体中个体历史最优量子位置的适应度函数值,适应度函数值最小的个体历史最优量子位置即为量子搜寻者的全局最优量子位置;
步骤七,如果达到最大迭代次数,执行步骤八,否则,迭代次数加1,返回步骤四;
步骤八,输出全局最优量子位置,完成圆环阵的方向图综合;
把全局最优量子位置映射为圆环阵的参数,带入方向图函数,得到其对应的归一化方向图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725355.0A CN107658573B (zh) | 2017-08-22 | 2017-08-22 | 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725355.0A CN107658573B (zh) | 2017-08-22 | 2017-08-22 | 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107658573A CN107658573A (zh) | 2018-02-02 |
CN107658573B true CN107658573B (zh) | 2020-07-28 |
Family
ID=61128499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710725355.0A Active CN107658573B (zh) | 2017-08-22 | 2017-08-22 | 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107658573B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061612B (zh) * | 2018-07-11 | 2022-12-13 | 哈尔滨工程大学 | 一种新型稀疏圆台阵列浅水域组合搜索方法 |
CN111929646A (zh) * | 2020-08-14 | 2020-11-13 | 中国地质大学(北京) | 波束扫描探地雷达***及智能波束扫描探测方法 |
CN113051812B (zh) * | 2021-03-17 | 2022-04-19 | 浙江大学 | 一种同心圆环阵的稀布宽带优化方法 |
CN113111304B (zh) * | 2021-04-01 | 2022-09-27 | 哈尔滨工程大学 | 强冲击噪声下基于量子射线机理的相干分布源测向方法 |
CN114239380B (zh) * | 2021-11-17 | 2024-05-17 | 电子科技大学 | 基于自调整映射法则的矩形稀布阵列优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005089234A3 (en) * | 2004-03-12 | 2009-04-02 | Univ Princeton | Accelerating the discovery of effective photonic reagents |
CN104537185A (zh) * | 2015-01-09 | 2015-04-22 | 哈尔滨工程大学 | 基于量子蝙蝠搜索的天线阵稀疏构建与方向图综合方法 |
CN105787957A (zh) * | 2016-04-05 | 2016-07-20 | 武汉大学 | 一种基于量子粒子群算法的高光谱图像端元提取算法 |
-
2017
- 2017-08-22 CN CN201710725355.0A patent/CN107658573B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005089234A3 (en) * | 2004-03-12 | 2009-04-02 | Univ Princeton | Accelerating the discovery of effective photonic reagents |
CN104537185A (zh) * | 2015-01-09 | 2015-04-22 | 哈尔滨工程大学 | 基于量子蝙蝠搜索的天线阵稀疏构建与方向图综合方法 |
CN105787957A (zh) * | 2016-04-05 | 2016-07-20 | 武汉大学 | 一种基于量子粒子群算法的高光谱图像端元提取算法 |
Non-Patent Citations (3)
Title |
---|
Direction finding based on cat swarm optimization for bistatic MIMO radar;Gao hongyuan等;《2016 IEEE International Conference on Digital Signal Processing (DSP)》;20161018;第58-61页 * |
Direction Tracking of Multiple Moving Targets Using Quantum Particle Swarm Optimization;Gao hongyuan等;《2016 INTERNATIONAL CONFERENCE ON FRONTIERS OF SENSORS TECHNOLOGIES (ICFST 2016)》;20160314;该文全文 * |
基于新量子蜂群算法的鲁棒多用户检测;高洪元等;《计算机工程》;20160930;第42卷(第9期);第48-51,57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107658573A (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107658573B (zh) | 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 | |
Zhang et al. | Synthesis of broadside linear aperiodic arrays with sidelobe suppression and null steering using whale optimization algorithm | |
CN107657098B (zh) | 基于量子鸡群演化机制的环形天线阵列稀疏方法 | |
CN108896954B (zh) | 互质阵中一种基于联合实值子空间的波达角估计方法 | |
CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
Guney et al. | Optimal synthesis of linear antenna arrays using a harmony search algorithm | |
CN107302140B (zh) | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 | |
CN105426578A (zh) | 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法 | |
CN111812597B (zh) | 基于低相关性空时二维随机方向图干扰抑制方法 | |
CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
Yang et al. | Optimization of subarray partition for large planar phased array radar based on weighted K-means clustering method | |
CN109557526B (zh) | 一种基于压缩感知理论的矢量水听器稀疏布阵方法 | |
CN113126087A (zh) | 一种星载干涉成像高度计天线 | |
Wu et al. | Knowledge-guided active-base-element modeling in machine-learning-assisted antenna-array design | |
Li et al. | Hierarchical array design strategy composed of irregular and overlapped subarrays in large-scale planar array | |
ZU et al. | Independent null steering by decoupling complex weights | |
CN114371447A (zh) | 基于改进遗传算法的子阵级分布式频控阵旁瓣抑制方法 | |
Yang et al. | Adaptive gradient search algorithm for displaced subarrays with large element spacing | |
CN114355297B (zh) | 一种基于多窗混合加权型频偏的频控阵设计方法 | |
CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 | |
CN112711852B (zh) | 一种平面波发生器的天线阵列幅相分布设计方法 | |
CN115037352A (zh) | 一种面向卫星波束对准增强的降噪方法 | |
Ma et al. | Computation-efficient 2-D DOA estimation algorithm with array motion strategy | |
Ndaw et al. | Decoupled 2D DOA estimation using LVQ neural networks and UCA arrays | |
Wang et al. | Multiple-constraint synthesis of rotationally symmetric sparse circular arrays using a hybrid algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |