浏览77次
时间：2022年2月22日 08:48
（050200 同辉电子科技股份有限公司 河北 石家庄）
【摘 要】遗传算法本身就是一种高效的搜索算法，本文以遗传算法为最基本的运算方式，对阵列天线的方向图进行了综合优化，使得该项技术能更好地应用在通信工程之中，为我国通信行业的发展建设提供参考。
【关键词】遗传算法；阵列天线；方向图
遗传算法的中心思想来自于达尔文的进化论，是一种模拟生物自然选择的进化过程，并在这种进化选择的过程中寻求出最优的解决办法。所以也就是说遗传算法是用来对潜在解集进行的一种追溯，这种解集的数量并不是无限的而是依据基因进行编码，形成一定数量的群体。根据自然法则优胜劣汰，一代一代的进行演化逐渐接近最优解，在演化的过程中，每一代的个体选择都根据问题域中的个体适应度进行选择，并依据遗传算子对这些个体进行交叉组合，从而产生新的解集群体。整个演化的过程就像是一个族群经过自然环境的选择，逐渐进化使个体更加适应自然环境，进行演化的代数越多，这个解就越接近这个问题的最优解。
一、优化目标和参量
（一）优化目标方向
用X轴表示辐射角度，其单位为度，Y轴表示归一化方向性系数，其单位为dB。目标的优化方向图主要在0°到180°之间的空间内，在45°到104°之间的空间范围就可以满足目标方向性的需求，而其他范内的数值设定通常为-30dB。
（二）优化参量
本文从天线阵列中选取40个天线相位值进行优化，通过分析这些天线的方向图能够计算出天线阵元的数量、相位、幅度、间距等参量。阵元的数量并不会受到算法的影响，主要是与系统的整体参数息息相关。假如天线阵元中的天线间距保持一致，那么这个阵元的参量是可以进行优化的，这是因为 这种阵元的结构相对简单，优化难度较低。如果其他参数在优化过程中不能达到理想的优化状态，也可以采用这种优化方式。另外，在天线阵列作为接收天线图时，对其幅度参量进行优化是没有任何问题的。但天线阵列作为发射方向图时，由于受到天线功率的影响，会降低天线的控制功能，从经济角度出发这么做的性价比是非常低的。因此，这种情况下就不需要对幅度参量进行优化，只需要对相位参量进行优化即可。本文的样本数量范围在10000到20000之间，样本的数量越大其优化的计算量也就越大，因为不对幅度参量进行优化只对相位参量进行优化，所以样本的数量可以在减少一半的情况下，增加探索空间从而更轻松的计算出问题的最优解。
（三）编码形式
本文采用二进制的编码形式，这是因为二进制编码更方便进行计算，同时当数据信息进行二进制编码后，天线阵列的相位信息能被展开，其包含的信息会更加清晰。因此，本文将相位参量进行9位二进制进行重新编码，其编码原则是数据高位放置前面，数据低位放置后面。
（四）方位图计算以及样本选择
通过上述步骤完成对天线阵列的数量、幅度、相位以及间距等参量的优化计算后，可以绘制出天线的方向图。利用遗传算法，在样本空间区域内，选取出最优的样本进行基因保持，同时为后续的基因变异和交叉组合提供数据支持。
本文的样本选择方法如下：一是完成样本的方向图；二是将0°到180°之间样本空间与目标方向图进行比对计算差值；三是通过差值对样本进行筛选，差值越小就越接近目标方向图。但需要注意的是，方向图45°到104°之间的空间范围较为特殊存在增益情况，这时就需要对这个区域进行优化，在进行差值计算时，由于优化区域的权重较大，可以通过计算机程序对二者的比值进行适当的调整。
（五）变异和交叉
为了避免遗传算法在未完成整体计算的情况下，就在局部获得了最优解，这时需要对最优解的低位进行变异处理，也就是在相位与交叉变异阶段，清除上一次计算出来的最优解。其变异的方法主要有以下几种：一是后二位变异；二是后三位变异；三是中间几位变异；四是低位随机变异。在交叉阶段其交叉算法主要有三种：一是分段算法；二是不同位数算法；三是高低位算法。其中不同样本与同一样本中的交叉变异是随机的。
（六）局部最优解的处理
虽然经过变异和交叉阶段的处理，局部最优解的情况已经得到了有效解决，但是仍然还有概率出现这种情况，这会严重影响算法的工作效率，为了解决这一问题，目前主要的解决方法是：在同一个样本空间内，如果前N个样本与差值的差异较小，那么就保留这N个样本，剩余样本重新进入下一轮遗传运算。这种方式在保留了优秀基因的基础上，又为整个算法提供了新的遗传基因，使得样本空间的基因呈现多样性。通过实践，上述的处理方法能够有效解决局部最优解的问题。
二、方向图优化的结果
本文利用VC6.0程序，绘制出了目标方向图与优化方向图的对比图，其中副瓣电平取值为-43dB，本文主要对45°到104°之间的空间进行了优化，优化后的方向图与目标方向图的增益情况基本一致，在低增益区的优化上方向系数略低于目标方向图，但是这些差异均控制在3dB以内，而出现这种情况的主要原因是遗传算法只对相位参量进行了优化，参量减少了一半，如果对幅度参量进行优化那么最终的优化结果会更好一些。
三、结语
本文对遗传算法在阵列天线方向图中的应用进行了分析，通过VC6.0程序对优化前和优化后的方向图进行了对比分析，程序结果表明在约束变量较少的情况下能够实现本文的优化目标。
参考文献：
[1]李铭琦.遗传算法在阵列天线方向图综合中的应用[J].中国新通信,2018,v.20(09):121-122[2]李明.基于线极化单元旋转及可重构的阵列方向图控制技术研究[D].2018
