CN110705680B - 一种分布式阵列的子阵列位置优化方法及*** - Google Patents

Abstract

本发明公开了一种分布式阵列的子阵列位置优化方法及***，属于分布式阵列天线技术领域，包括以下步骤：S1：设定优化参数及初始化种群；S2：进行交叉操作；S3：进行变异操作；S4：结束优化过程。本发明通过对待交叉的两个个体进行相似度检测工作，可以及时有效地判断两个个体的相似度，从而有效地减少相似或相同个体进行交叉的可能性，可以使优化效果得到提升；并根据种群中个体的适应度情况，对变异概率进行动态的自适应调整，可以有效地提高分布式阵列中子阵列位置优化结果，从而使分布式阵列天线的旁瓣电平得到更好的抑制，提高了分布式天线的使用性能，值得被推广使用。

Description

一种分布式阵列的子阵列位置优化方法及***

技术领域

本发明涉及分布式阵列天线技术领域，具体涉及一种分布式阵列的子阵列位置优化方法及***。

背景技术

现如今是信息化的时代，人类广泛的利用电磁波的形式，实现信息的传递与交流。雷达的工作方式就是将电磁波发射到探测目标上，然后对目标反射回来的回波进行相应的处理，以获取照射目标的参数等所需信息。雷达本身是一种适应性强并且具有远距离探测能力的现代化电子设备，因其优良的特性，自从诞生之初，无论是在军用还是在民用领域都得到了广泛的发展和应用。随着社会的不断发展和进步，人类不断地追求更高的分辨率以及更大的空间辐射功率，以满足更加精确的目标定位和更远的探测距离等需求。

在子阵列的阵元数以及个数相同的前提下，非等间距阵列相比等间距阵列有相同的阵元数，但减小了模糊的影响，从而拥有更高的分辨率，使得阵列***在进行DOA估计时，可以得到更小的误差。因此，许多学者对非等间距阵列进行了大量的研究。中国电子科技集团公司第二十研究所的安政帅首先建立了分布式阵列天线的拓扑结构，然后在传统遗传算法的基础上，提出了改进的遗传算法，特别是在该算法中加入扰动策略，提高了算法的收敛性，最后利用改进的遗传算法对子阵级分布式阵列的位置进行优化，仿真实验表明，栅瓣在一定程度上得到了抑制，证明了该算法的有效性以及可行性。电子科技大学的何向翎提出了一种将离网格技术与粒子群算法相结合的阵列综合算法，此算法首先使用粒子群算法，进行位置的初次寻优，再结合离网格技术，在网格单元中实现梯度寻优，即二次寻优，从而找到阵元的最佳位置，并通过仿真实验验证了算法的可行性以及准确性。西安电子科技大学的高龙超首先以两个线阵构成的分布式阵列为模型，推导了其阵列方向图的数学表达式，然后通过仿真对波束宽度以及分辨率进行了分析与研究，然后采用遗传算法，在分布式阵列主瓣宽度在一定范围的前提下，以子阵列位置以及阵元幅值为优化变量，以旁瓣电平最小化为优化目标，实现对分布式阵列天线的栅瓣进行抑制。迄今为止，对子阵级分布式阵列的研究较少。为此，提出一种分布式阵列的子阵列位置优化方法及***。

发明内容

本发明所要解决的技术问题在于：如何有效地提高分布式阵列中子阵列位置优化效果，提供了一种分布式阵列的子阵列位置优化方法，该方法可以及时有效地判断两个个体的相似度，从而有效地减少相似或相同个体进行交叉的可能性，可以使优化效果得到提升；并对变异概率进行动态的自适应调整，有效地提高了分布式阵列中子阵列位置优化结果，从而使分布式阵列天线的旁瓣电平得到更好的抑制，提高了分布式天线的使用性能。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：设定优化参数及初始化种群

设定优化参数，随机生成多个子阵列的位置信息作为初始种群；

S2：进行交叉操作

计算种群中各个体的适应度值，随机选择种群中的两个个体进行相似度检测工作，通过相似度的判别公式来判断是否可以直接交叉操作，判别公式如下：

|AD(X_i)-AD(X_j)|≤γ

其中，X_i和X_j分别代表待交叉的两个个体，AD(X_i)和AD(X_j)分别代表待交叉的两个个体的适应度值，γ表示相似度检测门限值；

若两个个体满足判别公式，则判定个体X_i和X_j具有较高的相似度，就要先进行替换操作，再进行交叉操作；

否则判定个体X_i和X_j具有较低的相似度，直接进行交叉操作，通过对待交叉的两个个体进行相似度检测工作，可以及时有效地判断两个个体的相似度，从而有效地减少相似或相同个体进行交叉的可能性，可以使优化效果得到提升；

S3：进行变异操作

交叉操作完成后对两个个体进行变异操作，在变异操作中变异概率VR的取值根据如下关系式计算得出，关系式为：

其中，AD_max为当代种群中个体适应度值最高的数值，AD_avg为迭代种群中所有个体适应度值的平均数值，根据种群中个体的适应度情况，对变异概率进行动态的自适应调整，可以有效地提高分布式阵列中子阵列位置优化结果，从而使分布式阵列天线的旁瓣电平得到更好的抑制，提高了分布式天线的使用性能，值得被推广使用；

S4：结束优化过程

变异操作完成后，判断是否满足终止条件，是则结束优化过程，输出分布式阵列中各子阵列的位置信息优化结果；

否则继续随机选择种群中的两个个体，重复步骤S2～S4，直至满足终止条件，结束优化过程，输出分布式阵列中各子阵列的位置信息优化结果。

更进一步的，在所述步骤S1中，优化参数为变异概率，该参数直接影响着该算法的搜索能力。

更进一步的，在所述步骤S1中，随机生成多个子阵列的位置信息的过程为随机生成一组数字代表着多个子阵列的位置信息。

更进一步的，在所述步骤S2中，种群中各个体的适应度值通过适应度函数计算而得。

更进一步的，所述适应度函数为分布式阵列方向图的峰值旁瓣电平。

更进一步的，在所述步骤S2中，交叉操作为交换两个个体中的部分染色体，其中一个体的部分染色体成为另一个体的染色体。

更进一步的，在所述步骤S2中，替换操作是将两个个体中适应度值低的个体用新产生的个体代替。

更进一步的，在所述步骤S3中，变异操作为对两个个体中的染色体做出变动，随机生成新的位置信息对之前的位置信息进行替换。

更进一步的，在所述步骤S4中，终止条件为满足峰值旁瓣电平要求或者到达算法迭代次数上限。

本发明还提供了一种分布式阵列的子阵列位置优化***，包括：

初始化模块，用于设定优化参数，随机生成多个子阵列的位置信息作为初始种群；

交叉操作模块，用于计算种群中各个体的适应度值，随机选择种群中的两个个体进行相似度检测工作，通过相似度的判别公式来判断是否可以直接交叉操作并执行交叉操作；

变异操作模块，用于在交叉操作完成后对两个个体进行变异操作；

终止判断模块，用于变异操作完成后，判断是否满足终止条件，是则结束优化过程，否则继续随机选择种群中的两个个体，重复步骤S2～S4，直至满足终止条件；

中央处理模块，用于向其他模块发出指令，完成相关动作；

所述初始化模块、交叉操作模块、变异操作模块、终止判断模块均与中央处理模块电连接。

本发明相比现有技术具有以下优点：该分布式阵列的子阵列位置优化方法及***，通过对待交叉的两个个体进行相似度检测工作，可以及时有效地判断两个个体的相似度，从而有效地减少相似或相同个体进行交叉的可能性，可以使优化效果得到提升；并根据种群中个体的适应度情况，对变异概率进行动态的自适应调整，可以有效地提高分布式阵列中子阵列位置优化结果，从而使分布式阵列天线的旁瓣电平得到更好的抑制，提高了分布式天线的使用性能，值得被推广使用。

附图说明

图1是本发明实施例一中优化方法的总体流程示意图；

图2是本发明实施例二中优化方法的实施流程示意图；

图3是本发明实施例三中峰值旁瓣电平变化曲线对比图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

如图1所示，本实施例提供一种技术方案：一种分布式阵列的子阵列位置优化方法，包括以下步骤：

S1：设定优化参数及初始化种群

设定优化参数，随机生成多个子阵列的位置信息作为初始种群；

S2：进行交叉操作

计算种群中各个体的适应度值，随机选择种群中的两个个体进行相似度检测工作，通过相似度的判别公式来判断是否可以直接交叉操作，判别公式如下：

|AD(X_i)-AD(X_j)|≤γ

其中，X_i和X_j分别代表待交叉的两个个体，AD(X_i)和AD(X_j)分别代表待交叉的两个个体的适应度值，γ表示相似度检测门限值；

若两个个体满足判别公式，则判定个体X_i和X_j具有较高的相似度，就要先进行替换操作，再进行交叉操作；

否则判定个体X_i和X_j具有较低的相似度，直接进行交叉操作，通过对待交叉的两个个体进行相似度检测工作，可以及时有效地判断两个个体的相似度，从而有效地减少相似或相同个体进行交叉的可能性，可以使优化效果得到提升；

S3：进行变异操作

交叉操作完成后对两个个体进行变异操作，在变异操作中变异概率VR的取值根据如下关系式计算得出，关系式为：

其中，AD_max为当代种群中个体适应度值最高的数值，AD_avg为迭代种群中所有个体适应度值的平均数值，根据种群中个体的适应度情况，对变异概率进行动态的自适应调整，可以有效地提高分布式阵列中子阵列位置优化结果，从而使分布式阵列天线的旁瓣电平得到更好的抑制，提高了分布式天线的使用性能，值得被推广使用；

S4：结束优化过程

变异操作完成后，判断是否满足终止条件，是则结束优化过程，输出分布式阵列中各子阵列的位置信息优化结果；

否则继续随机选择种群中的两个个体，重复步骤S2～S4，直至满足终止条件，结束优化过程，输出分布式阵列中各子阵列的位置信息优化结果。

在所述步骤S1中，优化参数为变异概率，该参数直接影响着该算法的搜索能力。

在所述步骤S1中，随机生成多个子阵列的位置信息的过程为随机生成一组数字代表着多个子阵列的位置信息。

在所述步骤S2中，种群中各个体的适应度值通过适应度函数计算而得。

所述适应度函数为分布式阵列方向图的峰值旁瓣电平。

在所述步骤S2中，交叉操作为交换两个个体中的部分染色体，其中一个体的部分染色体成为另一个体的染色体。

在所述步骤S2中，替换操作是将两个个体中适应度值低的个体用新产生的个体代替。

在所述步骤S3中，变异操作为对两个个体中的染色体做出变动，随机生成新的位置信息对之前的位置信息进行替换。

在所述步骤S4中，终止条件为满足峰值旁瓣电平要求或者到达算法迭代次数上限。

本实施例还提供了一种分布式阵列的子阵列位置优化***，包括：

初始化模块，用于设定优化参数，随机生成多个子阵列的位置信息作为初始种群；

交叉操作模块，用于计算种群中各个体的适应度值，随机选择种群中的两个个体进行相似度检测工作，通过相似度的判别公式来判断是否可以直接交叉操作并执行交叉操作；

变异操作模块，用于在交叉操作完成后对两个个体进行变异操作；

终止判断模块，用于变异操作完成后，判断是否满足终止条件，是则结束优化过程，否则继续随机选择种群中的两个个体，重复步骤S2～S4，直至满足终止条件；

中央处理模块，用于向其他模块发出指令，完成相关动作；

所述初始化模块、交叉操作模块、变异操作模块、终止判断模块均与中央处理模块电连接。

实施例二

如图2所示，本实施例提供的基于改进的遗传算法的分布式阵列位置优化算法包括以下步骤：

步骤一，在改进算法的交叉操作中，对两个个体进行相似度检测；

步骤二，在改进算法的变异操作中，自适应地改变变异概率VR的值。

在步骤一中，在改进算法的交叉操作中对两个个体进行相似度检测的具体内容如下：

在随机选取两个不同的个体进行交叉操作之前，首先对两个个体的相似度进行检测，判断接下来进行的交叉操作是否为“近亲繁殖”。若待交叉的两个个体相似程度较高，则视为“近亲繁殖”，则需将两个个体中适应度值低的个体用新产生的个体代替后，然后进行交叉操作，即交换部分染色体操作；若待交叉的两个个体相似程度较低，直接将两个体进行交叉操作，即交换部分染色体操作，生成新的个体。

所以，针对交叉操作易出现的问题，提出相应的改进方法，具体步骤如下：

S1：在随机选择将要进行交叉的两个配对个体后，先执行待交叉个体相似度检测，通过检测个体相似度来判断是否可以直接进行染色体交换的操作，如公式(1)所示：

|AD(X_i)-AD(X_j)|≤γ (1)

其中，X_i和X_j分别代表待交叉的两个个体，AD(X_i)和AD(X_j)分别代表待交叉的两个个体的适应度值，γ表示相似度检测门限值。

若两个个体满足公式(1)，则判定个体X_i和X_j具有较高的相似度，就要进行后续的替换操作，执行S2；

若不满足公式(1)，则判定个体X_i和X_j具有较低的相似度，则两个个体可以直接进行染色体交换的操作。

S2：进行个体替换，具体操作是从两个个体中选择适应度值较小的个体，用随机生成的新的个体对它进行替换，来与适应度值较大的个体进行交叉操作，该步骤可以有效地减少相似或相同个体进行交叉的可能性。

在步骤二中，在改进算法的变异操作中，自适应的改变变异概率VR的值的具体内容如下：

改进算法中变异操作的基本思路是采用自适应的想法，根据种群中个体的适应度情况，进行动态的调整变异概率VR的取值，从而获得更好的优化效果。

又因为VR∈[0,1]，所以可以将VR表示为式(2)所示：

其中，AD_max为当代种群中个体适应度值最高的数值，AD_avg为迭代种群中所有个体适应度值的平均数值，由此就可以根据种群的适应度值进行动态的调整变异概率VR。

实施例三

为了评估本发明的性能，本实施例做了下面的仿真实验。

如图3所示，为分布式阵列天线分别使用传统的遗传算法和改进的遗传算法进行优化，从而得到的峰值旁瓣电平变化曲线，分布式阵列总孔径L＝100λ，子阵列个数M＝5，单个子阵列阵元数N＝10，子阵列中相邻阵元的间距d＝λ/2，波长λ＝1。种群大小NP＝100，最大迭代次数G_max＝500，交叉概率CR＝0.9，变异概率VR＝0.1，交叉操作中使用单点交叉方式以及相似度检测门限值γ＝0.5。接下来本发明的优化方法对分布式阵列的子阵列位置进行优化求解。

综上所述，上述三组实施例中的分布式阵列的子阵列位置优化方法及***，通过对待交叉的两个个体进行相似度检测工作，可以及时有效地判断两个个体的相似度，从而有效地减少相似或相同个体进行交叉的可能性，可以使优化效果得到提升；并根据种群中个体的适应度情况，对变异概率进行动态的自适应调整，可以有效地提高分布式阵列中子阵列位置优化结果，从而使分布式阵列天线的旁瓣电平得到更好的抑制，提高了分布式天线的使用性能，值得被推广使用。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种分布式阵列的子阵列位置优化方法，其特征在于，包括以下步骤：

S1：设定优化参数及初始化种群

设定优化参数，随机生成多个子阵列的位置信息作为初始的种群；

S2：进行交叉操作

计算种群中各个体的适应度值，随机选择种群中的两个个体进行相似度检测工作，通过相似度的判别公式来判断是否可以直接交叉操作，判别公式如下：

|AD(X_i)-AD(X_j)|≤γ

其中，X_i和X_j分别代表待交叉的两个个体，AD(X_i)和AD(X_j)分别代表待交叉的两个个体的适应度值，γ表示相似度检测门限值；

若两个个体满足判别公式，则判定个体X_i和X_j具有较高的相似度，就要先进行替换操作，再进行交叉操作；

否则判定个体X_i和X_j具有较低的相似度，直接进行交叉操作；

在所述步骤S2中，种群中各个体的适应度值通过适应度函数计算而得，所述适应度函数为分布式阵列方向图的峰值旁瓣电平；

S3：进行变异操作

交叉操作完成后对两个个体进行变异操作，在变异操作中变异概率VR的取值根据如下关系式计算得出，关系式为：

其中，AD_max为当代种群中个体适应度值最高的数值，AD_avg为迭代种群中所有个体适应度值的平均数值；

S4：结束优化过程

变异操作完成后，判断是否满足终止条件，是则结束优化过程，输出分布式阵列中各子阵列的位置信息优化结果；

否则继续随机选择种群中的两个个体，重复步骤S2～S4，直至满足终止条件，结束优化过程，输出分布式阵列中各子阵列的位置信息优化结果。

2.根据权利要求1所述的一种分布式阵列的子阵列位置优化方法，其特征在于：在所述步骤S1中，优化参数为变异概率。

3.根据权利要求1所述的一种分布式阵列的子阵列位置优化方法，其特征在于：在所述步骤S1中，随机生成多个子阵列的位置信息的过程为随机生成一组数字代表着多个子阵列的位置信息。

4.根据权利要求1所述的一种分布式阵列的子阵列位置优化方法，其特征在于：在所述步骤S2中，交叉操作为交换两个个体中的部分染色体，其中一个体的部分染色体成为另一个体的染色体。

5.根据权利要求1所述的一种分布式阵列的子阵列位置优化方法，其特征在于：在所述步骤S2中，替换操作是将两个个体中适应度值低的个体用新产生的个体代替。

6.根据权利要求1所述的一种分布式阵列的子阵列位置优化方法，其特征在于：在所述步骤S3中，变异操作为对两个个体中的染色体做出变动，随机生成新的位置信息对之前的位置信息进行替换。

7.根据权利要求1所述的一种分布式阵列的子阵列位置优化方法，其特征在于：在所述步骤S4中，终止条件为满足峰值旁瓣电平要求或者到达算法迭代次数上限。

8.一种分布式阵列的子阵列位置优化***，使用如权利要求1～7任一项所述的子阵列位置优化方法完成分布式阵列的子阵列位置优化工作，其特征在于，包括：

初始化模块，用于设定优化参数，随机生成多个子阵列的位置信息作为初始种群；

交叉操作模块，用于计算种群中各个体的适应度值，随机选择种群中的两个个体进行相似度检测工作，通过相似度的判别公式来判断是否可以直接交叉操作并执行交叉操作；

变异操作模块，用于在交叉操作完成后对两个个体进行变异操作；

终止判断模块，用于变异操作完成后，判断是否满足终止条件，是则结束优化过程，否则继续随机选择种群中的两个个体，重复步骤S2～S4，直至满足终止条件；

中央处理模块，用于向其他模块发出指令，完成相关动作；

所述初始化模块、交叉操作模块、变异操作模块、终止判断模块均与中央处理模块电连接。

Images