CN117829003A - 一种多策略优化的mimo阵列设计方法 - Google Patents
一种多策略优化的mimo阵列设计方法 Download PDFInfo
- Publication number
- CN117829003A CN117829003A CN202410249364.7A CN202410249364A CN117829003A CN 117829003 A CN117829003 A CN 117829003A CN 202410249364 A CN202410249364 A CN 202410249364A CN 117829003 A CN117829003 A CN 117829003A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- receiving
- array
- transmitting
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013461 design Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000010187 selection method Methods 0.000 claims abstract description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 163
- 230000002068 genetic effect Effects 0.000 claims description 71
- 230000005540 biological transmission Effects 0.000 claims description 59
- 238000012163 sequencing technique Methods 0.000 claims description 40
- 230000035772 mutation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 11
- 230000002411 adverse Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 101150076211 TH gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 108700026220 vif Genes Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多策略优化的MIMO阵列设计方法,包括:创建若干初始种群;对每个初始种群:将MIMO的等效收发方向图的峰值旁瓣作为适应度函数;利用轮盘赌选择法更新初始种群得到第一种群;利用个体适应度优势遗传更新第一种群得到第二种群;计算第二种群的发射阵列权值和接收阵列权值;对第二种群进行交叉得到第三种群;根据发射、接收阵列权值对第三种群进行变异得到第四种群;根据发射、接收阵列权值对第四种群基于阵元数目不变原则更新得到第五种群;计算第五种群的局部最优适应度值;重复上述过程直至最大迭代次数;从所有局部最优适应度值中选择全局最优适应度值,将其对应个体作为MIMO阵列设计结果。本发明提高了阵列性能。
Description
技术领域
本发明属于MIMO(Multiple-Input Multiple-Output,多输入多输出)雷达天线阵列技术领域,具体涉及一种多策略优化的MIMO阵列设计方法。
背景技术
MIMO技术通过利用多个天线进行信号传输和接收,以提高***性能。MIMO阵列设计涉及到如何有效配置这些天线,以获得更好的通信性能。
传统遗传算法是一种基于生物进化过程的搜索和优化算法,被广泛应用于复杂问题的优化。在MIMO阵列设计中,传统遗传算法通常包括以下关键步骤:
1. 个体编码
将MIMO阵列设计问题的参数进行编码,形成一个个体。通常采用二进制编码方式,将天线位置、相位等信息表示成一串二进制串,即染色体。
2. 初始化种群
生成初始的个体群体,即初始种群,每个个体表示一个可能的MIMO阵列设计方案。
3. 适应度函数
定义适应度函数,用于评价每个个体的优劣。适应度函数通常与MIMO***的性能指标相关,如信噪比、误码率等。优秀的个体应该在这些性能指标上取得更好的结果。
4. 选择
通过轮盘赌选择法等方式,按照适应度值选择个体,形成新的种群。适应度值较高的个体具有更大的概率被选择,以保留更优秀的MIMO阵列设计。
5. 交叉
选取一对个体,进行交叉操作。交叉操作通过染色体的部分互换,产生新的后代个体,这有助于保留两个父代的优秀特征。
6. 变异
对新生成的个体进行变异操作,即对染色体的部分位点进行随机变换。变异操作引入了新的个体信息,有助于维持种群的多样性。
7. 更新种群
将新生成的个体加入原种群,形成更新后的种群。
8. 迭代
重复进行选择、交叉和变异等操作,直到满足停止条件,如达到最大迭代次数或满足一定的收敛条件。
可见,传统遗传算法的优点在于其适用于各种问题,并且易于理解和实现。然而,在MIMO阵列设计中,由于问题的复杂性,传统遗传算法存在一些缺点,如容易陷入局部最优解、收敛速度慢、缺乏多样性等。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种多策略优化的MIMO阵列设计方法。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种多策略优化的MIMO阵列设计方法,包括:
创建若干个初始种群;其中,每个初始种群包括若干个体,每个个体包括一对发射个体和接收个体,所述发射个体包括MIMO雷达所有发射阵元的位置,所述接收个体包括MIMO雷达所有接收阵元的位置;
针对每个初始种群,执行以下步骤:计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数;根据所述适应度函数并利用轮盘赌选择法更新初始种群得到第一种群;根据所述适应度函数并利用个体适应度优势遗传方式更新第一种群得到第二种群;利用所述第二种群计算发射阵列权值和接收阵列权值;对所述第二种群进行交叉处理得到第三种群;根据所述发射阵列权值、所述接收阵列权值对所述第三种群进行变异处理得到第四种群;根据所述发射阵列权值、所述接收阵列权值对所述第四种群基于阵元数目不变原则进行更新得到第五种群;计算所述第五种群的局部最优适应度值;将所述第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数步骤,直至满足最大迭代次数,得到该初始种群最终的局部最优适应度值;
从所有最终的局部最优适应度值中选择全局最优适应度值,将所述全局最优适应度值对应个体作为MIMO阵列设计结果。
本发明的有益效果:
本发明提出的多策略优化的MIMO阵列设计方法,包括:创建若干个初始种群;其中,每个初始种群包括若干个体,每个个体包括一对发射个体和接收个体,发射个体包括MIMO雷达所有发射阵元的位置,接收个体包括MIMO雷达所有接收阵元的位置;针对每个初始种群,执行以下步骤:计算MIMO雷达的等效收发方向图,将等效收发方向图的峰值旁瓣作为适应度函数;根据适应度函数并利用轮盘赌选择法更新初始种群得到第一种群;根据适应度函数并利用个体适应度优势遗传方式更新第一种群得到第二种群;计算第二种群的发射阵列权值和接收阵列权值;对第二种群进行交叉处理得到第三种群;根据发射阵列权值、接收阵列权值对第三种群进行变异处理得到第四种群;根据发射阵列权值、接收阵列权值对第四种群基于阵元数目不变原则进行更新得到第五种群;计算第五种群的局部最优适应度值;将第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将等效收发方向图的峰值旁瓣作为适应度函数步骤,直至满足最大迭代次数,得到该初始种群最终的局部最优适应度值;从所有最终的局部最优适应度值中选择全局最优适应度值,将全局最优适应度值对应个体作为MIMO阵列设计结果。可见,相比于传统遗传算法,本发明实施例从多个策略角度出发对传统遗传算法进行改进:选择性筛选轮盘赌后的个体,同时引入当前种群最优秀的个体,增加了种群中优秀个体的比例,使得算法在更短的时间内达到全局最优解,提高了收敛效率,有效克服了传统遗传算法的“早熟”现象,并为后续的权重分配提供更有利的基因分布;采用了基于权重的变异策略,通过权重指导变异,使得变异的过程更加智能化,以及通过权重指导阵元保持不变,有效地引导整个遗传操作,成为改进算法的核心,有助于维持优秀个体的信息,有助于提高优化性能,避免随机变异带来的不良影响,提高算法的收敛性。总体而言,本发明实施例通过创新性地改进了遗传算法,取得了在MIMO阵列设计中更为出色的性能,有效克服了传统遗传算法的不足之处,实验表明:与传统遗传算法相比,本发明所提改进遗传算法在MIMO阵列设计中能够显著降低阵列方向图的旁瓣电平,通过改进遗传算法最大峰值旁瓣进一步降至-20.52dB,相比于传统遗传算法的-17.78dB,取得了更优越的MIMO阵列设计效果。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种多策略优化的MIMO阵列设计方法的流程示意图;
图2是本发明实施例提供的利用个体适应度优势遗传方式更新种群的流程示意图;
图3是本发明实施例提供的计算种群的发射阵列权值和接收阵列权值的流程示意图;
图4是本发明实施例提供的对种群进行交叉处理的流程示意图;
图5是本发明实施例提供的对种群进行交叉处理的一示例图;
图6是本发明实施例提供的对种群进行变异处理的流程示意图;
图7是本发明实施例提供的基于阵元数目不变原则更新种群的流程示意图;
图8(a)~图8(b)是传统遗传算法和本发明所提改进遗传算法在迭代过程中适应度进化曲线示意图;
图9(a)~图9(b)是传统遗传算法和本发明所提改进遗传算法的MIMO雷达等效收发方向图对比示意图;
图10(a)~图10(b)是传统遗传算法和本发明所提改进遗传算法采用不同方式保证阵元数目不变时对应适应度进化曲线示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
请参见图1,本发明实施例提供了一种多策略优化的MIMO阵列设计方法,具体包括以下步骤:
S10、创建若干个初始种群;其中,每个初始种群包括若干个体,每个个体包括一对发射个体和接收个体,发射个体包括MIMO雷达所有发射阵元的位置,接收个体包括MIMO雷达所有接收阵元的位置。
类似传统遗传算法,本发明实施例首先创建N个初始种群,每个初始种群包括M个个体,每个个体包括一对发射个体和接收个体,该对发射个体和接收个体可以表征MIMO雷达的一种天线阵列排布方式。每个发射个体包括MIMO雷达所有发射阵元的位置,即每个发射个体包括P个基因,表征了该位置处是否存在发射阵元,对应接收个体包括MIMO雷达所有接收阵元的位置,每个接收个体包括Q个基因,表征了该位置处是否存在接收阵元。其中,对于发射个体和接收个体均采用二进制编码方式,“1”表示该位置上存在阵元,“0”表示该位置上无阵元。
比如,初始种群的个数N0=5,每个初始种群包括M=100个个体,即每个初始种群包括100个发射个体和100接收个体,每个发射个体包括P=24个基因,每个接收个体包括Q=32个基因。为保证孔径大小,本发明实施例将发射个体和接收个体的第一个基因位置和阵列孔径最大值处对应基因位置都设置为“1” ,剩余发射个体的基因位置和接收个体的基因位置随机设置为“1”或“0”。其中,阵列孔径:,/>表示波长,/>表示角度分辨率;阵列孔径最大值处即为发射个体中第24个基因位置处和接收个体中第32个基因处。
进一步地,针对每个初始种群,执行以下步骤包括:
S20、计算MIMO雷达的等效收发方向图,将等效收发方向图的峰值旁瓣作为适应度函数。
假设MIMO雷达阵列中阵元间距为,其中发射阵列孔径的大小用/>表示,接收阵列孔径的大小用/>表示,MIMO雷达有多个发射阵元,多个接收阵元,发射阵元发出不同的正交信号。此时,分别计算MIMO雷达发射端的等效发射方向图和MIMO雷达接收端的等效接收方向图,具体地:
计算MIMO雷达发射端的等效发射方向图公式表示为:
(1);
其中,N表示扫描范围,表示发射阵列孔径的大小,/>表示第/>次扫描的扫描角,表示初始种群中发射个体,/>表示虚数单位,/>表示波长。其中,加点的运算,比如/>表示点乘运算符,/>表示点除运算符,其它不加点的运算表示正常运算符。
计算MIMO雷达接收端的等效接收方向图公式表示为:
(2);
其中,表示接收阵列孔径的大小,/>表示初始种群中与/>对应的接收个体。
最终,计算MIMO雷达的等效收发方向图公式表示为:
(3);
这里,本发明实施例优选将等效收发方向图的峰值旁瓣作为适应度函数公式表示为:
(4);
其中,表示适应度函数,F表示MIMO雷达的等效收发方向图,/>表示求最大值,/>表示以10为底的对数函数。可见,本发明实施例以MIMO雷达发射阵元的位置和接收阵元的位置作为优化变量,以MIMO雷达等效收发方向图的峰值旁瓣作为优化函数即适应度函数,并用该适应度函数确定每个初始种群中个体的适应度值,使得其在优化过程中尽可能的小。
S30、根据适应度函数并利用轮盘赌选择法更新初始种群得到第一种群。
这里,如何根据适应度函数并利用轮盘赌选择法更新种群的过程可以参见现有技术,在此不再赘述。
S40、根据适应度函数并利用个体适应度优势遗传方式更新第一种群得到第二种群。
为了更好的实现种群的进化,本发明实施例提出利用个体适应度优势遗传方式更新第一种群,具体地根据适应度函数并利用个体适应度优势遗传方式更新第一种群得到第二种群,请参见图2,包括以下步骤:
S401、根据适应度函数计算第一种群中每个个体的适应度值。
本发明实施例利用公式(4)计算第一种群中每个个体的适应度值,在计算过程中,公式(1)中表示第一种群中发射个体,公式(2)中/>表示第一种群中接收个体。
S402、对第一种群中每个个体按适应度值进行降序排列得到排序结果。
本发明实施例在排序过程中,每个个体的适应度值按降序排序,同时该个***置也会发生重新排布,比如,第一种群中存在5个个体,记为{M1、M2、M3、M4、M5},分别计算得到的适应度值为、/>、/>、/>、/>,且/>>/>>/>>/>>/>,同时第一种群中个体由{M1、M2、M3、M4、M5}变为{M5、M3、M2、M1、M4},即排序结果为{M5、M3、M2、M1、M4}。其中,个体M1包括发射个体T1和接收个体R1,个体M2包括发射个体T2和接收个体R2,其他个体类似,即排序结果也为{{T5、R5}、{T3、R3}、{T2、R2}、{T1、R1}、{T4、R4}}。
S403、从排序结果中选择排序最高的个体,从排序结果中选择排序靠后的若干个体,并用排序最高的个体中发射个体替代每个排序靠后的个体中发射个体,以及用排序最高的个体中接收个体替代每个排序靠后的个体中接收个体,以更新第一种群得到第二种群。
继续以S402举例说明,从排序结果{M5、M3、M2、M1、M4}中选择排序最高的个体为M5,这里假设从排序结果{M5、M3、M2、M1、M4}中选择排序低的2个个体为M1、M4,个体M5包括发射个体T5和接收个体R5,M4个体包括发射个体T4和接收个体R4,用排序最高的个体M5中发射个体T5替代每个排序低的个体中发射个体,即用排序最高的个体M5中发射个体T5替代个体M1中发射个体T1、个体M4中发射个体T4,以及用排序最高的个体M5中接收个体R5替代每个排序低的个体中接收个体,即用排序最高的个体M5中接收个体R5替代个体M1中接收个体R1、个体M4中接收个体T4,使得更新的种群为{{T5、R5}、{T3、R3}、{T2、R2}、{T5、R5}、{T5、R5}}。
可见,传统的轮盘赌后有可能出现父代个体比子代个体更优秀,也就是说子代个体的适应度值不一定比父代个体的适应度值更好,这将导致种群的进化方向具有不确定性,因此本发明实施例提出利用个体适应度优势遗传方式进行个体筛选,先对当前适应度值进行排序,剔除适应度值较低的个个体,比例系数k经过验证大致的取值范围为0.01~0.3,再重新加入/>个适应度最大的个体,加大后续权重指导中优秀个体的比例,提高优势种群的权重,有助于提高种群的优化能力,使得算法在更短的时间内达到全局最优解,提高了收敛效率。
S50、计算第二种群的发射阵列权值和接收阵列权值。
本发明实施例在进行交叉、变异之前,首先利用第二种群计算发射阵列权值和接收阵列权值,用于后续的S70、S80。具体地:
本发明实施例计算第二种群的发射阵列权值和接收阵列权值,请参见图3,包括以下步骤:
S501、根据适应度函数计算第二种群中每个个体的适应度值。
类似S401,本发明实施例利用公式(4)计算第二种群中每个个体的适应度值,在计算过程中,公式(1)中表示第二种群中发射个体,公式(2)中/>表示第二种群中接收个体。
S502、根据第二种群中每个个体的适应度值计算第二种群的平均适应度值;公式表示为:
(5);
其中,表示第二种群的平均适应度值,/>表示第二种群中第/>个体的适应度值。
S503、从第二种群中选择适应度值大于平均适应度值的个体。
S504、根据选择的所有个体和第二种群的平均适应度值计算第二种群的发射阵列权值和接收阵列权值;其中,
计算第二种群的发射阵列权值公式表示为:
(6);
其中,表示第二种群的发射阵列权值,/>表示根据S503选择的所有个体中发射个体,/>表示/>对应的适应度值集合,/>表示第二种群的平均适应度值,表示利用/>求第二种群的发射个体中每个基因所占权重。可见,本发明实施例选用大于平均适应度值的个体/>,并利用选用的个体/>对应相乘其适应度值/>得到权重,然后将所有发射个体/>在相同基因位置的权重进行相加得到该基因位置的发射阵列权值。可见,/>更具体表征的是第二种群的发射个体中每个基因所占权重。
计算第二种群的接收阵列权值公式表示为:
(7);
其中,表示第二种群的接收阵列权值,/>表示与/>对应的所有接收个体,/>表示/>对应的适应度值集合,/>表示利用/>求第二种群的接收个体中每个基因所占权重。可见,本发明实施例选用大于平均适应度值的个体/>,并利用选用的个体对应相乘其适应度值/>得到权重,然后将每个发射个体的基因位置上得到的权重进行相加得到发射阵列权值。可见,/>更具体表征的是第二种群的接收个体中每个基因所占权重。
比如:假设第二种群有3个个体的适应度值大于平均适应度值,则这3个个体分别包括发射个体和接收个体,则通过公式(6)计算3个发射个体对应基因位置的权重之和以得到第二种群的发射个体中每个基因所占权重,同理通过公式(7)计算3个接收个体对应基因位置的权重之和以得到第二种群的接收个体中每个基因所占权重。
S60、对第二种群进行交叉处理得到第三种群。
本发明实施例对第二种群进行交叉选择得到第三种群,请参见图4,包括以下步骤:
S601、设定交叉概率,根据交叉概率对第二种群中发射个体的基因进行交叉处理,以及根据交叉概率对第二种群中接收个体的基因进行交叉处理。
类似与传统遗传算法,本发明实施例将第二种群中个体打乱次序,并将第二种群中个体两两结合,以设定的交叉概率对发射个体的基因进行点对点交叉,以及以设定的交叉概率对接收个体的基因进行点对点交叉,增加了种群多样性。
S602、设定缓冲交叉规则,根据缓冲交叉规则对交叉前发射个体的基因和交叉后发射个体的基因进行选择性保留,以及根据缓冲交叉规则对交叉前接收个体的基因和交叉后接收个体的基因进行选择性保留。
为了减少S601随机交叉性带来的不良影响,本发明实施例设定了一种缓冲交叉规则,根据设定的缓冲交叉规则来实现具有缓冲效果的交叉选择,具体地:
针对第二种群中发射个体的每个基因,其对应选择性保留过程,包括:判断该发射个体的基因是否满足缓冲交叉规则,若满足,则保留交叉后发射个体的基因,若不满足,则保留交叉前发射个体的基因;
针对第二种群中接收个体的每个基因,其对应选择性保留过程,包括:判断该接收个体的基因是否满足缓冲交叉规则,若满足,则保留交叉后接收个体的基因,若不满足,则保留交叉前接收个体的基因。
这里,缓冲交叉规则为:设定预设随机数为1,当判断该发射个体或接收个体的基因满足设定的交叉概率的同时,随机产生随机数1或0,当随机产生的随机数1等于预设随机数1时,保留交叉后发射个体或接收个体的基因,当随机产生的随机数0不等于预设随机数1时,保留交叉前发射个体或接收个体的基因,如图5所示,以一发射个体为例,其包含了40个基因,第一个基因和最后一个基因保持为1即存在发射阵元,图5中Pc即为交叉概率,左边一列为在各基因的位置随机产生的40个随机数,中间一列为交叉前的发射个体,右边一列为交叉后的发射个体,由第二个基因和第三个基因可以看出:第二个基因位置,产生的随机数为1,其等于预设随机数1,则保留交叉后发射个体的基因即发生了交叉处理;第三个基因位置,产生的随机数为0,其不等于预设随机数1,则保留交叉前发射个体的基因即不发生交叉处理;其他基因位置进行类似交叉处理。
本发明实施例在满***叉概率的情况下,设定缓冲交叉规则,比如产生的随机数为1时可以交叉、为0时不能交叉,从而确保交叉的随机性和有效性,防止交叉概率过高频繁交叉,导致种群中个体的基因同质化,失去了种群的多样性,通过设定的缓冲交叉规则,使得个体之间均有机会完成基因的交互,以此增加基因相互融合的可能,从而降低频繁交叉操作出现父代和子代相似度高的情况,减少传统遗传算法随机交叉性带来的不良影响。
S70、根据发射阵列权值、接收阵列权值对第三种群进行变异处理得到第四种群。
为了进一步减少S60随机交叉性带来的不良影响,本发明实施例基于S50计算得到发射阵列权值、接收阵列权值,对第三种群进行变异处理得到第四种群,请参见图6,包括以下步骤:
S701、根据发射阵列权值,计算第三种群中每个发射个体的基因的出现发射阵元概率;公式表示为:。
S702、根据接收阵列权值,计算第三种群中每个接收个体的基因的出现接收阵元概率;公式表示为:。
S703、设定随机判断数;
S704、根据随机判断数和第三种群中每个发射个体的基因的出现发射阵元概率,更新第三种群中每个发射个体的基因得到第四种群中每个发射个体;其中,针对第三种群中每个发射个体的基因,其对应更新过程包括:判断该发射个体的基因的出现发射阵元概率是否大于随机判断数,若是,则将该发射个体的基因的位置置为1表征存在发射阵元,若不是,则将该发射个体的基因的位置置为0表征不存在发射阵元;
S705、根据随机判断数和第三种群中每个接收个体的基因的出现接收阵元概率,更新第三种群中每个接收个体的基因得到第四种群中每个接收个体;其中,针对第三种群中每个接收个体的基因,其对应更新过程包括:判断该接收个体的基因的出现接收阵元概率是否大于随机判断数,若是,则将该接收个体的基因的位置置为1表征存在接收阵元,若不是,则将该接收个体的基因的位置置为0表征不存在接收阵元。
由S704和S705可见,本发明实施例为了进一步减少传统遗传算法中随机变异性带来的不良影响,提出利用第二种群的发射阵列权值、接收阵列权值来对第三种群的变异处理,由于第二种群并未受到随机交叉性影响,第二种群中个体更具有可靠性,则:利用第二种群的发射阵列权值,计算第三种群中每个发射个体的基因的出现发射阵元概率,再利用第二种群的接收阵列权值,计算第三种群中每个接收个体的基因的出现接收阵元概率,再类似传统遗传算法,设定随机判断数即变异概率,比较随机判断数和出现发射阵元概率的大小,以及随机判断数和出现接收阵元概率的大小,以确定变异后的第三种群中每个接收个体的基因的位置是置0或1,最终得到第四种群。
S80、根据发射阵列权值、接收阵列权值对第四种群基于阵元数目不变原则进行更新得到第五种群。
由于在S60经过交叉和S70变异后生成的第四种群可能稀疏率发生变化,阵元数目与预先设计的阵元数目不一致,因此需要进行阵元数目不变处理。本发明实施例提出了一种阵元数目不变处理方案,根据发射阵列权值、接收阵列权值,对第四种群基于阵元数目不变原则进行更新得到第五种群,请参见图7,包括以下步骤:
S801、根据发射阵列权值,计算第三种群中每个发射个体的基因的不出现发射阵元概率。
这里,可以直接根据出现发射阵元概率来计算对应不出现发射阵元概率,公式表示为:/>。
S802、根据接收阵列权值,计算第三种群中每个接收个体的基因的不出现接收阵元概率。
同理,这里可以直接根据出现接收阵元概率来计算对应不出现接收阵元概率,公式表示为:/>。
S803、根据出现发射阵元概率对第三种群中每个发射个体的基因进行降序排列,得到第三种群中每个发射个体的出现发射阵元排序结果;记为;出现发射阵元排序结果/>可以用来表征第三种群中每个发射个体的基因位置存在发射阵元的概率,排序越靠前该基因位置存在发射阵元的概率越高。
S804、根据不出现发射阵元概率对第三种群中每个发射个体的基因进行降序排列,得到第三种群中每个发射个体的不出现发射阵元排序结果;记为;不出现发射阵元排序结果/>可以用来表征第三种群中每个发射个体的基因位置不存在发射阵元的概率,排序越靠前该基因位置不存在发射阵元的概率越高。
S805、根据出现接收阵元概率对第三种群中每个接收个体的基因进行降序排列,得到第三种群中每个接收个体的出现接收阵元排序结果;记为;出现接收阵元排序结果/>可以用来表征第三种群中每个接收个体的基因位置存在接收阵元的概率,排序越靠前该基因位置存在接收阵元的概率越高。
S806、根据不出现接收阵元概率对第三种群中每个接收个体的基因进行降序排列,得到第三种群中每个接收个体的不出现接收阵元排序结果;记为,不出现接收阵元排序结果/>可以用来表征第三种群中每个接收个体的基因位置不存在接收阵元的概率,排序越靠前该基因位置不存在接收阵元的概率越高。
S807、针对第四种群中每个发射个体,基于阵元数目不变原则进行更新的过程包括:统计该发射个体的出现发射阵元个数,判断出现发射阵元个数与预设发射阵元数的大小,若出现发射阵元个数等于预设发射阵元数,则将该发射个体作为第五种群中发射个体,若出现发射阵元个数小于预设发射阵元数,则根据该发射个体的出现发射阵元排序结果更新该发射个体,若出现发射阵元个数大于预设发射阵元数,则根据该发射个体的不出现发射阵元排序结果更新该发射个体。
可见,本发明实施例通过实时检测当前发射个体的出现发射阵元个数,来确定是否需要对该发射个体的基因进行阵元数目不变处理,并对当前发射个体的出现发射阵元个数小于预设发射阵元数,以及当前发射个体的出现发射阵元个数大于预设发射阵元数的两种情况,分别又提出了详细的实现方案,具体地:
对于当前发射个体的出现发射阵元个数小于预设发射阵元数的情况,意味着阵元数目不足需要补充,则根据该发射个体的出现发射阵元排序结果更新该发射个体,包括:
从该发射个体的出现发射阵元排序结果的最高位开始,逐个比较该发射个体的出现发射阵元排序结果和该发射个体对应基因,当比较结果为不相同时,将该基因的位置置为1作为补充发射阵元不足的基因,并重新统计该发射个体的出现发射阵元个数,若重新统计的出现发射阵元个数等于预设发射阵元数,则停止比较,若重新统计的出现发射阵元个数小于预设发射阵元数,则返回逐个比较该发射个体的出现发射阵元排序结果和该发射个体对应基因的步骤,直至重新统计的出现发射阵元个数等于预设发射阵元数。可见,本发明实施例以出现发射阵元排序结果作为参考,从其最高位开始与当前发射个体对应基因一一进行比较,当比较结果为相同时,保持当前发射个体对应基因的位置情况,当比较结果为不相同时,则将该比较结果对应基因的位置置为1作为补充发射阵元不足的基因,然后继续往后比较,同样比较结果相同时保持,不相同时将该比较结果对应基因的位置置为1作为补充发射阵元不足的基因,直至统计重新统计的出现发射阵元个数等于预设发射阵元数,完成阵元补充操作。
对应的,对于当前发射个体的出现发射阵元个数大于预设发射阵元数的情况,意味着阵元数目过多需要剔除,则根据该发射个体的不出现发射阵元排序结果更新该发射个体,包括:
从该发射个体的不出现发射阵元排序结果的最高位开始,逐个比较该发射个体的不出现发射阵元排序结果和该发射个体对应基因,当比较结果为不相同时,将该基因的位置置为0作为剔除多余发射阵元的基因,并重新统计该发射个体的出现发射阵元个数,若重新统计的出现发射阵元个数等于预设发射阵元数,则停止比较,若重新统计的出现发射阵元个数大于预设发射阵元数,则返回逐个比较该发射个体的不出现发射阵元排序结果和该发射个体对应基因的步骤,直至重新统计的出现发射阵元个数等于预设发射阵元数。可见,本发明实施例以不出现发射阵元排序结果作为参考,从其最高位开始与当前发射个体对应基因一一进行比较,当比较结果为相同时,保持当前发射个体对应基因的位置情况,当比较结果为不相同时,则将该比较结果对应基因的位置置为0作为剔除发射阵元的基因,然后继续往后比较,同样比较结果相同时保持,不相同时将该比较结果对应基因的位置置为0作为剔除发射阵元的基因,直至统计重新统计的出现发射阵元个数等于预设发射阵元数,完成阵元剔除操作。
S808、针对第四种群中每个接收个体,基于阵元数目不变原则进行更新的过程包括:统计该接收个体的出现接收阵元个数,判断出现接收阵元个数与预设接收阵元数的大小,若出现接收阵元个数等于预设接收阵元数,则将该接收个体作为第五种群中接收个体,若出现接收阵元个数小于预设接收阵元数,则根据该接收个体的出现接收阵元排序结果更新该接收个体,若出现接收阵元个数大于预设接收阵元数,则根据该接收个体的不出现接收阵元排序结果更新该接收个体。
S808与S807处理类似,本发明实施例通过实时检测当前接收个体的出现接收阵元个数,来确定是否需要对该接收个体的基因进行阵元数目不变处理,并对当前接收个体的出现接收阵元个数小于预设接收阵元数,以及当前接收个体的出现接收阵元个数大于预设接收阵元数的两种情况,分别又提出了详细的实现方案,具体地:
对于当前接收个体的出现接收阵元个数小于预设接收阵元数的情况,意味着阵元数目不足需要补充,根据该接收个体的出现接收阵元排序结果更新该接收个体,包括:
从该接收个体的出现接收阵元排序结果的最高位开始,逐个比较该接收个体的出现接收阵元排序结果和该接收个体对应基因,当比较结果为不相同时,将该基因的位置置为1作为补充接收阵元不足的基因,并重新统计该接收个体的出现接收阵元个数,若重新统计的出现接收阵元个数等于预设接收阵元数,则停止比较,若重新统计的出现接收阵元个数小于预设接收阵元数,则返回逐个比较该接收个体的出现接收阵元排序结果和该接收个体对应基因的步骤,直至重新统计的出现接收阵元个数等于预设接收阵元数;
对应的,对于当前接收个体的出现接收阵元个数大于预设接收阵元数的情况,意味着阵元数目过多需要剔除,根据该接收个体的不出现接收阵元排序结果更新该接收个体,包括:根据该接收个体的不出现接收阵元排序结果更新该接收个体,包括:
从该接收个体的不出现接收阵元排序结果的最高位开始,逐个比较该接收个体的不出现接收阵元排序结果和该接收个体对应基因,当比较结果为不相同时,将该基因的位置置为0作为剔除多余接收阵元的基因,并重新统计该接收个体的出现接收阵元个数,若重新统计的出现接收阵元个数等于预设接收阵元数,则停止比较,若重新统计的出现接收阵元个数大于预设接收阵元数,则返回逐个比较该接收个体的不出现接收阵元排序结果和该接收个体对应基因的步骤,直至重新统计的出现接收阵元个数等于预设接收阵元数。
其中,更新的第四种群中每个发射个体和更新的第四种群中每个接收个体构成第五种群。
S90、计算第五种群的局部最优适应度值。
利用公式(4)计算第五种群中每个个体的适应度值,从所有适应度值中选择最大的适应值作为第五种群的局部最优适应度值。
判断当前迭代次数是否满足最大迭代次数,若满足,则:
S100、得到该初始种群最终的局部最优适应度值;完成了当前初始种群的迭代过程。本发明实施例存在若干个初始种群,则接下来的初始种群同样执行S20~S100得到对应最终的局部最优适应度值,假如初始种群数目为N0,这里将得到N0个最终的局部最优适应度值。
若不满足,则将第五种群作为新的初始种群,重复执行S20~S90,直至满足最大迭代次数。
S101、从所有最终的局部最优适应度值中选择全局最优适应度值,将全局最优适应度值对应个体作为MIMO阵列设计结果。
进一步地,为了进一步提高种群搜索效率,本发明实施例引入了检测策略,实现多种群动态复苏进化机制,具体在计算第五种群的局部最优适应度值之后,还包括:
判断当前迭代的局部最优适应度值是否等于上一次迭代的局部最优适应度值:若是,则检测变量值加1,将第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将等效收发方向图的峰值旁瓣作为适应度函数步骤,此时需要重复执行S20~S90,直至满足最大检测次数,将当前迭代的局部最优适应度值对应的个体保留,其他个体恢复为最开始的初始种群中个体,以更新第五种群得到第六种群,将第六种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数步骤,此时需要重复执行S20~S100,直至满足最大迭代次数,得到该初始种群的局部最优适应度值;若不是,则将检测变量值置0,将第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数步骤,此时需要重复执行S20~S100,直至满足最大迭代次数,得到该初始种群的局部最优适应度值。与传统遗传算法不同,该多种群动态复苏进化机制在初始种群的每次迭代后,通过比较当前种群前后迭代计算得到的局部最优适应度值,并判断是否达到相同的最优解,当满足检测条件比如预设次数的相同最优解后,则将已进化的阵列恢复到初始阵列,仅保留适应度值最大的个体,将其余个体恢复为原始状态,随后重新对该种群的随机阵列进行进化,而非从头到尾连续进化,当没有种群达到最优时,将种群的最优个体与初始个体放在一起进化,可以加快种群的收敛速度,对该种群的操作保持了其个体的丰富性,为后续的遗传操作提供更充分的选择空间,且多种群同时进行提高了算法的搜索效率,确保在最大迭代次数内就能找到更优解。
这里,也可以比较当前所有种群的局部最优适应度值,选择出最大的局部最优适应度值,并仅保留该局部最优适应度值对应的个体,将其余个体恢复为原始状态,随后重新对该种群的随机阵列进行进化。
考虑个体适应度的分布,可以使用标准差或分布熵等指标来衡量适应度分布的多样性
(8);
其中,表示个体/>的适应度值,/>是种群的平均适应度值,/>表示种群个体之间的适应度标准差。这里可以看出:传统遗传算法进行时,会使整个种群的适应度值偏大或者偏小,使得/>趋向于平均适应度值/>,导致/>减小,种群中个体的丰富度减小,而本发明所提改进遗传算法进行时,由于动态复苏机制会使得/>处于微弱的变化中,种群中个体丰富度不受改变。
为了验证本发明实施例提供的多策略优化的MIMO阵列设计方法的有效性,进行以下实验进行验证。
在验证阶段,假设MIMO雷达各天线阵元完全相同且为全向天线以简化馈线设计,参数设置包括:载频77GHz,初始种群数目N0为5,每个初始种群个体数目M=100,初始种群中发射个体的基因数目P为24,以及接收个体的基因数目Q为32,最大迭代次数为400,交叉概率Pc为0.8,变异过程中随机产生作为随机判断数的随机数为0.05,阵列孔径为/>,预设发射阵元数为6,预设接收阵元数为8,发射阵列孔径/>为/>,接收阵列孔径/>为/>,相邻阵元间的最小间距/>。设置主瓣的指向为0度,同时为保证阵列孔径的大小,约束第一个和最后一个发射个体和接收个体上存在阵元,将剩下的阵元随机分配给除去第一个和最后一个发射个体和接收个体上。
请参见图8(a)~图8(b),图8(a)为传统遗传算法在迭代过程中适应度进化曲线,图8(b)为本发明所提改进遗传算法在迭代过程中适应度进化曲线,图8(a)和图8(b)的横坐标均表示迭代次数,纵坐标表示目标函数值即适应度值,由图8(a)和图8(b)对比可以看到:本发明所提改进遗传算法适应度值的最大峰值旁瓣得到了下降,出现了更好的结果,传统遗传算法在旁瓣-17.78dB处停止,运行停滞进入早熟,本发明所提改进遗传算法的早熟现象得到了缓解。
请参见图9(a)~图9(b),图9(a)为传统遗传算法的MIMO雷达等效收发方向图,图9(b)为本发明所提改进遗传算法的MIMO雷达等效收发方向图,图9(a)和图9(b)的横坐标均扫描方向角度,纵坐标表示阵列增益,由图9(a)和图9(b)可以看出:当主瓣下降到-3dB的位置时,可以观察到两种算法的主瓣宽度基本相同,这表明两种算法在主瓣的方向性能上有类似的效果,至少在-3dB处主瓣的宽度是可接受的;通过比较传统遗传算法和本发明所提改进遗传算法在峰值旁瓣方向的性能,可以看到本发明所提改进遗传算法的最低峰值旁瓣为-20.52dB,而传统遗传算法的最低峰值旁瓣为-17.78dB,这说明本发明所提改进遗传算法在旁瓣抑制方面更为优越,它在最低旁瓣的衰减上表现更好。最低峰值旁瓣的差异反映了本发明所提改进遗传算法相对于传统遗传算法在抑制旁瓣干扰方面的性能优势;较低的最低峰值旁瓣表明在目标信号主瓣方向之外,本发明所提改进遗传算法对于其他干扰源的响应更小,从而提高了***的抗干扰性。总的来说,通过图9(a)和图9(b)的比较,可以得出:本发明所提改进遗传算法在主瓣宽度相似的情况下,在抑制旁瓣干扰方面表现更好,这对于提高***在复杂信号环境中的性能,尤其是在需要抵御旁瓣干扰的通信、雷达等应用中是非常重要的。
请参见图10(a)~图10(b),针对S70~S80中基于发射阵列权值和接收阵列权值带来的优势,图10(a)为传统遗传算法采用随机保持阵元不变操作时对应适应度进化曲线,图10(b)为本发明所提改进遗传算法采用加入权重指导变异和保持阵元不变操作时对应适应度进化曲线,本发明实施例进行了50次蒙特卡罗试验,得到的最大峰值旁瓣并记录,由图10(a)和图10(b)对比可以看到:本发明所提改进遗传算法的平均旁瓣值为-19.8124dB,传统遗传算法的平均旁瓣值为-17.2493dB,最大峰值旁瓣上有着明显的提升,大大缓解了早熟现象。
综上所述,本发明实施例提出的多策略优化的MIMO阵列设计方法,包括:创建若干个初始种群;其中,每个初始种群包括若干个体,每个个体包括一对发射个体和接收个体,发射个体包括MIMO雷达所有发射阵元的位置,接收个体包括MIMO雷达所有接收阵元的位置;针对每个初始种群,执行以下步骤:计算MIMO雷达的等效收发方向图,将等效收发方向图的峰值旁瓣作为适应度函数;根据适应度函数并利用轮盘赌选择法更新初始种群得到第一种群;根据适应度函数并利用个体适应度优势遗传方式更新第一种群得到第二种群;计算第二种群的发射阵列权值和接收阵列权值;对第二种群进行交叉处理得到第三种群;根据发射阵列权值、接收阵列权值对第三种群进行变异处理得到第四种群;根据发射阵列权值、接收阵列权值对第四种群基于阵元数目不变原则进行更新得到第五种群;计算第五种群的局部最优适应度值;将第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将等效收发方向图的峰值旁瓣作为适应度函数步骤,直至满足最大迭代次数,得到该初始种群最终的局部最优适应度值;从所有最终的局部最优适应度值中选择全局最优适应度值,将全局最优适应度值对应个体作为MIMO阵列设计结果。可见,相比于传统遗传算法,本发明实施例从多个策略角度出发对传统遗传算法进行改进:选择性筛选轮盘赌后的个体,同时引入当前种群最优秀的个体,增加了种群中优秀个体的比例,使得算法在更短的时间内达到全局最优解,提高了收敛效率,有效克服了传统遗传算法的“早熟”现象,并为后续的权重分配提供更有利的基因分布;采用了基于权重的变异策略,通过权重指导变异,使得变异的过程更加智能化,以及通过权重指导阵元保持不变,有效地引导整个遗传操作,成为改进算法的核心,有助于维持优秀个体的信息,有助于提高优化性能,避免随机变异带来的不良影响,提高算法的收敛性。总体而言,本发明实施例通过创新性地改进遗传算法,取得了在MIMO阵列设计中更为出色的性能,有效克服了传统遗传算法的不足之处,实验表明:与传统遗传算法相比,本发明所提改进遗传算法在MIMO阵列设计中能够显著降低阵列方向图的旁瓣电平,通过改进遗传算法最大峰值旁瓣进一步降至-20.52dB,相比于传统遗传算法的-17.78dB,取得了更优越的MIMO阵列设计效果。
在本发明的描述中,需要理解的是,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一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看说明书及其附图,可理解并实现所述公开实施例的其他变化。在说明书中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。相互不同的实施例中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种多策略优化的MIMO阵列设计方法,其特征在于,所述方法包括:
创建若干个初始种群;其中,每个初始种群包括若干个体,每个个体包括一对发射个体和接收个体,所述发射个体包括MIMO雷达所有发射阵元的位置,所述接收个体包括MIMO雷达所有接收阵元的位置;
针对每个初始种群,执行以下步骤:计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数;根据所述适应度函数并利用轮盘赌选择法更新初始种群得到第一种群;根据所述适应度函数并利用个体适应度优势遗传方式更新第一种群得到第二种群;计算所述第二种群的发射阵列权值和接收阵列权值;对所述第二种群进行交叉处理得到第三种群;根据所述发射阵列权值、所述接收阵列权值对所述第三种群进行变异处理得到第四种群;根据所述发射阵列权值、所述接收阵列权值对所述第四种群基于阵元数目不变原则进行更新得到第五种群;计算所述第五种群的局部最优适应度值;将所述第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数步骤,直至满足最大迭代次数,得到该初始种群最终的局部最优适应度值;
从所有最终的局部最优适应度值中选择全局最优适应度值,将所述全局最优适应度值对应个体作为MIMO阵列设计结果。
2.根据权利要求1所述的多策略优化的MIMO阵列设计方法,其特征在于,计算MIMO雷达的等效收发方向图公式表示为:
;
其中,F表示MIMO雷达的等效收发方向图,表示MIMO雷达发射端的等效发射方向图,表示MIMO雷达接收端的等效接收方向图,/>,N表示扫描范围,/>表示虚数单位,/>表示波长,/>表示发射阵列孔径的大小,/>表示第/>次扫描的扫描角,/>表示初始种群中发射个体,/>,/>表示接收阵列孔径的大小,/>表示初始种群中与/>对应的接收个体;
将所述等效收发方向图的峰值旁瓣作为适应度函数公式表示为:
;
其中,表示适应度函数,/>表示求最大值。
3.根据权利要求1所述的多策略优化的MIMO阵列设计方法,其特征在于,根据所述适应度函数并利用个体适应度优势遗传方式更新第一种群得到第二种群,包括:
根据所述适应度函数计算所述第一种群中每个个体的适应度值;
对所述第一种群中每个个体按适应度值进行降序排列得到排序结果;
从所述排序结果中选择排序最高的个体,从所述排序结果中选择排序靠后的若干个体,并用排序最高的个体中的发射个体替代每个排序靠后的个体中的发射个体,以及用排序最高的个体中的接收个体替代每个排序靠后的个体中的接收个体,以更新第一种群得到第二种群。
4.根据权利要求1所述的多策略优化的MIMO阵列设计方法,其特征在于,计算所述第二种群的发射阵列权值和接收阵列权值,包括:
根据所述适应度函数计算所述第二种群中每个个体的适应度值;
根据所述第二种群中每个个体的适应度值计算所述第二种群的平均适应度值;
从所述第二种群中选择适应度值大于平均适应度值的个体;
根据选择的所有个体和所述第二种群的平均适应度值计算所述第二种群的发射阵列权值和接收阵列权值。
5.根据权利要求1所述的多策略优化的MIMO阵列设计方法,其特征在于,对所述第二种群进行交叉选择得到第三种群,包括:
设定交叉概率,根据所述交叉概率对所述第二种群中发射个体的基因进行交叉处理,以及根据所述交叉概率对所述第二种群中接收个体的基因进行交叉处理;
设定缓冲交叉规则,根据所述缓冲交叉规则对交叉前发射个体的基因和交叉后发射个体的基因进行选择性保留,以及根据所述缓冲交叉规则对交叉前接收个体的基因和交叉后接收个体的基因进行选择性保留;其中,
针对所述第二种群中发射个体的每个基因,其对应选择性保留过程,包括:判断该发射个体的基因是否满足缓冲交叉规则,若满足,则保留交叉后发射个体的基因,若不满足,则保留交叉前发射个体的基因;
针对所述第二种群中接收个体的每个基因,其对应选择性保留过程,包括:判断该接收个体的基因是否满足缓冲交叉规则,若满足,则保留交叉后接收个体的基因,若不满足,则保留交叉前接收个体的基因。
6.根据权利要求1所述的多策略优化的MIMO阵列设计方法,其特征在于,根据所述发射阵列权值、所述接收阵列权值对所述第三种群进行变异处理得到第四种群,包括:
根据所述发射阵列权值,计算所述第三种群中每个发射个体的基因的出现发射阵元概率;
根据所述接收阵列权值,计算所述第三种群中每个接收个体的基因的出现接收阵元概率;
设定随机判断数;
根据所述随机判断数和所述第三种群中每个发射个体的基因的出现发射阵元概率,更新第三种群中每个发射个体的基因得到第四种群中每个发射个体;其中,针对所述第三种群中每个发射个体的基因,其对应更新过程包括:判断该发射个体的基因的出现发射阵元概率是否大于所述随机判断数,若是,则将该发射个体的基因的位置置为1表征存在发射阵元,若不是,则将该发射个体的基因的位置置为0表征不存在发射阵元;
根据所述随机判断数和所述第三种群中每个接收个体的基因的出现接收阵元概率,更新第三种群中每个接收个体的基因得到第四种群中每个接收个体;其中,针对所述第三种群中每个接收个体的基因,其对应更新过程包括:判断该接收个体的基因的出现接收阵元概率是否大于所述随机判断数,若是,则将该接收个体的基因的位置置为1表征存在接收阵元,若不是,则将该接收个体的基因的位置置为0表征不存在接收阵元。
7.根据权利要求6所述的多策略优化的MIMO阵列设计方法,其特征在于,根据所述发射阵列权值、所述接收阵列权值,对所述第四种群基于阵元数目不变原则进行更新得到第五种群,包括:
根据所述发射阵列权值,计算所述第三种群中每个发射个体的基因的不出现发射阵元概率;
根据所述接收阵列权值,计算所述第三种群中每个接收个体的基因的不出现接收阵元概率;
根据所述出现发射阵元概率对所述第三种群中每个发射个体的基因进行降序排列,得到所述第三种群中每个发射个体的出现发射阵元排序结果;
根据所述不出现发射阵元概率对所述第三种群中每个发射个体的基因进行降序排列,得到所述第三种群中每个发射个体的不出现发射阵元排序结果;
根据所述出现接收阵元概率对所述第三种群中每个接收个体的基因进行降序排列,得到所述第三种群中每个接收个体的出现接收阵元排序结果;
根据所述不出现接收阵元概率对所述第三种群中每个接收个体的基因进行降序排列,得到所述第三种群中每个接收个体的不出现接收阵元排序结果;
针对所述第四种群中每个发射个体,基于阵元数目不变原则进行更新的过程包括:统计该发射个体的出现发射阵元个数,判断出现发射阵元个数与预设发射阵元数的大小,若出现发射阵元个数等于预设发射阵元数,则将该发射个体作为第五种群中发射个体,若出现发射阵元个数小于预设发射阵元数,则根据该发射个体的出现发射阵元排序结果更新该发射个体,若出现发射阵元个数大于预设发射阵元数,则根据该发射个体的不出现发射阵元排序结果更新该发射个体;
针对所述第四种群中每个接收个体,基于阵元数目不变原则进行更新的过程包括:统计该接收个体的出现接收阵元个数,判断出现接收阵元个数与预设接收阵元数的大小,若出现接收阵元个数等于预设接收阵元数,则将该接收个体作为第五种群中接收个体,若出现接收阵元个数小于预设接收阵元数,则根据该接收个体的出现接收阵元排序结果更新该接收个体,若出现接收阵元个数大于预设接收阵元数,则根据该接收个体的不出现接收阵元排序结果更新该接收个体;
其中,更新的第四种群中每个发射个体和更新的第四种群中每个接收个体构成第五种群。
8.根据权利要求7所述的多策略优化的MIMO阵列设计方法,其特征在于,根据该发射个体的出现发射阵元排序结果更新该发射个体,包括:
从该发射个体的出现发射阵元排序结果的最高位开始,逐个比较该发射个体的出现发射阵元排序结果和该发射个体对应基因,当比较结果为不相同时,将该基因的位置置为1作为补充发射阵元不足的基因,并重新统计该发射个体的出现发射阵元个数,若重新统计的出现发射阵元个数等于预设发射阵元数,则停止比较,若重新统计的出现发射阵元个数小于预设发射阵元数,则返回逐个比较该发射个体的出现发射阵元排序结果和该发射个体对应基因的步骤,直至重新统计的出现发射阵元个数等于预设发射阵元数;
对应的,根据该发射个体的不出现发射阵元排序结果更新该发射个体,包括:
从该发射个体的不出现发射阵元排序结果的最高位开始,逐个比较该发射个体的不出现发射阵元排序结果和该发射个体对应基因,当比较结果为不相同时,将该基因的位置置为0作为剔除多余发射阵元的基因,并重新统计该发射个体的出现发射阵元个数,若重新统计的出现发射阵元个数等于预设发射阵元数,则停止比较,若重新统计的出现发射阵元个数大于预设发射阵元数,则返回逐个比较该发射个体的不出现发射阵元排序结果和该发射个体对应基因的步骤,直至重新统计的出现发射阵元个数等于预设发射阵元数。
9.根据权利要求7所述的多策略优化的MIMO阵列设计方法,其特征在于,根据该接收个体的出现接收阵元排序结果更新该接收个体,包括:
从该接收个体的出现接收阵元排序结果的最高位开始,逐个比较该接收个体的出现接收阵元排序结果和该接收个体对应基因,当比较结果为不相同时,将该基因的位置置为1作为补充接收阵元不足的基因,并重新统计该接收个体的出现接收阵元个数,若重新统计的出现接收阵元个数等于预设接收阵元数,则停止比较,若重新统计的出现接收阵元个数小于预设接收阵元数,则返回逐个比较该接收个体的出现接收阵元排序结果和该接收个体对应基因的步骤,直至重新统计的出现接收阵元个数等于预设接收阵元数;
对应的,根据该接收个体的不出现接收阵元排序结果更新该接收个体,包括:
从该接收个体的不出现接收阵元排序结果的最高位开始,逐个比较该接收个体的不出现接收阵元排序结果和该接收个体对应基因,当比较结果为不相同时,将该基因的位置置为0作为剔除多余接收阵元的基因,并重新统计该接收个体的出现接收阵元个数,若重新统计的出现接收阵元个数等于预设接收阵元数,则停止比较,若重新统计的出现接收阵元个数大于预设接收阵元数,则返回逐个比较该接收个体的不出现接收阵元排序结果和该接收个体对应基因的步骤,直至重新统计的出现接收阵元个数等于预设接收阵元数。
10.根据权利要求1所述的多策略优化的MIMO阵列设计方法,其特征在于,在计算所述第五种群的局部最优适应度值之后,还包括:
判断当前迭代的局部最优适应度值是否等于上一次迭代的局部最优适应度值:若是,则检测变量值加1,将所述第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数步骤,直至满足最大检测次数,将当前迭代的局部最优适应度值对应的个体保留,其他个体恢复为最开始的初始种群中个体,以更新第五种群得到第六种群,将所述第六种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数步骤,直至满足最大迭代次数,得到该初始种群的局部最优适应度值;
若不是,则将检测变量值置0,将所述第五种群作为新的初始种群,返回计算MIMO雷达的等效收发方向图,将所述等效收发方向图的峰值旁瓣作为适应度函数步骤,直至满足最大迭代次数,得到该初始种群的局部最优适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410249364.7A CN117829003B (zh) | 2024-03-05 | 2024-03-05 | 一种多策略优化的mimo阵列设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410249364.7A CN117829003B (zh) | 2024-03-05 | 2024-03-05 | 一种多策略优化的mimo阵列设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829003A true CN117829003A (zh) | 2024-04-05 |
CN117829003B CN117829003B (zh) | 2024-06-04 |
Family
ID=90509969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410249364.7A Active CN117829003B (zh) | 2024-03-05 | 2024-03-05 | 一种多策略优化的mimo阵列设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829003B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018210010A1 (zh) * | 2017-05-16 | 2018-11-22 | 东莞理工学院 | 一种基于获得性遗传的l型阵列天线的阵元排布方法 |
CN112100701A (zh) * | 2020-07-31 | 2020-12-18 | 西安电子科技大学 | 基于遗传算法的二维分布式天线子阵位置优化方法 |
CN112115597A (zh) * | 2020-09-08 | 2020-12-22 | 南京理工大学 | 基于时间调制稀疏阵列的最小阵元数目优化方法 |
CN113691294A (zh) * | 2021-09-27 | 2021-11-23 | 中国人民解放军空军预警学院 | 一种近场稀疏阵列天线波束建立方法及装置 |
CN113792492A (zh) * | 2021-09-18 | 2021-12-14 | 石家庄铁道大学 | 基于免疫遗传算法的希布阵天线的优化设计方法 |
CN114386270A (zh) * | 2022-01-10 | 2022-04-22 | 中国电子科技集团公司第五十四研究所 | 基于改进型遗传算法的多目标优化阵列方向图综合方法 |
US20220299623A1 (en) * | 2021-03-08 | 2022-09-22 | Zhejiang University | Method for conformal array pattern synthesis based on solution space pruning particle swarm optimization algorithm |
WO2023087418A1 (zh) * | 2021-11-18 | 2023-05-25 | 东北大学 | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 |
-
2024
- 2024-03-05 CN CN202410249364.7A patent/CN117829003B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018210010A1 (zh) * | 2017-05-16 | 2018-11-22 | 东莞理工学院 | 一种基于获得性遗传的l型阵列天线的阵元排布方法 |
CN112100701A (zh) * | 2020-07-31 | 2020-12-18 | 西安电子科技大学 | 基于遗传算法的二维分布式天线子阵位置优化方法 |
CN112115597A (zh) * | 2020-09-08 | 2020-12-22 | 南京理工大学 | 基于时间调制稀疏阵列的最小阵元数目优化方法 |
US20220299623A1 (en) * | 2021-03-08 | 2022-09-22 | Zhejiang University | Method for conformal array pattern synthesis based on solution space pruning particle swarm optimization algorithm |
CN113792492A (zh) * | 2021-09-18 | 2021-12-14 | 石家庄铁道大学 | 基于免疫遗传算法的希布阵天线的优化设计方法 |
CN113691294A (zh) * | 2021-09-27 | 2021-11-23 | 中国人民解放军空军预警学院 | 一种近场稀疏阵列天线波束建立方法及装置 |
WO2023087418A1 (zh) * | 2021-11-18 | 2023-05-25 | 东北大学 | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 |
CN114386270A (zh) * | 2022-01-10 | 2022-04-22 | 中国电子科技集团公司第五十四研究所 | 基于改进型遗传算法的多目标优化阵列方向图综合方法 |
Non-Patent Citations (2)
Title |
---|
R. LEHMENSIEK AND D. I. L. DE VILLIERS,: "Optimization of Log-Periodic Dipole Array Antennas for Wideband Omnidirectional Radiation", 《 IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION》, 18 May 2015 (2015-05-18) * |
赵明浩, 周以国: "相控阵天线波束形成联合优化算法", 《中国科学院大学学报》, vol. 40, no. 6, 31 December 2023 (2023-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN117829003B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10931027B2 (en) | Method for array elements arrangement of l-shaped array antenna based on inheritance of acquired character | |
CN113176540B (zh) | 合成稀疏阵列mimo雷达联合波束方向图的方法及*** | |
CN111353605B (zh) | 基于改进遗传算法的新型平面分子阵天线阵列综合布阵方法 | |
CN111143983B (zh) | 基于改进水循环算法的稀布天线阵列低副瓣综合优化方法 | |
CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
CN113792492B (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
CN117829003B (zh) | 一种多策略优化的mimo阵列设计方法 | |
US7873582B2 (en) | Maze creating method, antenna optimum designing method, program, and antenna, using two-bit/quaternary chromosomes | |
CN110376557B (zh) | 一种基于非均匀嵌套mimo雷达的栅瓣抑制方法 | |
CN115051739B (zh) | 一种基于短码长信息论的非自适应性波束对准方法 | |
He et al. | Diversity improvement in decomposition-based multi-objective evolutionary algorithm for many-objective optimization problems | |
CN115983185A (zh) | 一种触摸屏的红外对管布局优化方法、***和存储介质 | |
CN114070655B (zh) | 网络流量检测规则生成方法及装置、电子设备、存储介质 | |
CN110596700B (zh) | 一种阵元排布和发射信号联合优化方法 | |
Reddy et al. | Synthesis of a thinned planar antenna array with suppressed peak side lobe level using modified binary coded genetic algorithm (MBC-GA) | |
CN111814311B (zh) | 一种人工阻抗表面结构混合优化方法 | |
CN111709547B (zh) | 一种基于多目标粒子群算法的武器-目标分配解决方法 | |
Mukhopadhyay et al. | Analysis of microarray data using multiobjective variable string length genetic fuzzy clustering | |
CN114154403B (zh) | 一种共域多口径混合阵列天线布阵方法及*** | |
CN110705680B (zh) | 一种分布式阵列的子阵列位置优化方法及*** | |
CN116911166A (zh) | 基于混沌映射-遗传算法的分布式阵列优化方法 | |
Sapin et al. | Searching for glider guns in cellular automata: Exploring evolutionary and other techniques | |
CN109784110B (zh) | 一种rfid网络节点部署的优化方法及其优化*** | |
Rengarajan | Wesley O. Williamson | |
CN116738840A (zh) | 一种基于改进遗传算法的稀疏阵列波束综合方法 |
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 |