人工智能:遗传算法稀布阵列天线

**

人工智能:遗传算法稀布阵列天线

**
**

1 遗传算法

**
自然界的生物体在遗传、选择和变异等一系列作用下,优胜劣汰,不断地由低级向高级进化和发展,人们将这种“适者生存”的进化规律的实质加以模式化而构成一种优化算法,即进化计算。进化计算是一系列的搜索技术,包括遗传算法、进化规划、进化策略等。它们在函数优化、信号处理、模式识别、机器学习、作业调度、智能控制等众多领域都有着广泛的应用。其中,遗传算法是进化计算中具有普遍影响的模拟进化优化算法。
遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法。它最早由美国的J. H. Holland教授提出,起源于20世纪60年代对自然和人工自适应系统的研究;70年代K. A. De Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算试验;80年代D. J. Goldberg在一系列研究工作的基础上归纳总结而成。
20世纪90年代以后,遗传算法作为一种高效、实用、鲁棒性强的优化技术,发展极为迅速,在机器学习、模式识别、神经网络、控制系统优化及社会科学等不同领域得到广泛应用,引起了许多学者的广泛关注。进入21世纪,以不确定性、非线性、时间不可逆为内涵的复杂性科学成为一个研究热点。遗传算法因能有效地求解NP(Non-deterministic Polynomial)问题以及非线性、多峰函数优化和多目标优化问题,得到了众多学科学者的高度重视,同时这也极大地推动了遗传算法理论研究和实际应用的不断深入与发展。目前,在世界范围内已掀起关于遗传算法的研究与应用热潮。
遗传算法借鉴了达尔文的进化论和孟德尔的遗传学说,本质上是一种并行、高效、全局搜索的方法,它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最优解。遗传算法操作使用“适者生存”的原则,在潜在的解决方案种群中逐次产生一个近似最优的方案。在每一代中,根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择,产生一个新的近似解。这个过程导致种群中个体的进化,得到的新个体比原个体更能适应环境。
同传统的优化算法相比,遗传算法具有对参数的编码进行操作、不需要推导和附加信息、寻优规则非确定性、自组织、自适应和自学习性等特点。当染色体结合时,双亲的遗传基因的结合使得子女保持父母的特征;当染色体结合后,随机的变异会造成子代同父代的不同。

**

2 阵列天线

**

2.1 阵列天线
天线的基本功能是能量转换和电磁波的定向辐射或接收,任何无线电设备都需要用到天线,天线的性能直接影响到无线电设备的使用。理论上,由单个天线阵元构成的天线就可以完成发射和接收电磁波的任务。但在实际应用中,往往要求天线具有强的方向性和很高的增益,有时还要求天线波束可以扫描,并具有一定的形状等,这时就需要利用多个天线阵元按一定方式排列成阵列天线。
阵列天线是根据电磁波在空间相互干涉的原理,把具有相同结构、相同尺寸的某种基本天线按一定规律排列在一起组成的。如果按直线排列,就构成直线阵;如果排列在一个平面内,就为平面阵。若天线阵元排列与载体表面形状一致,称为共形阵,共形阵中的所有天线阵元往往不在一个平面上,所以也可以称为非平面阵。如果各个天线阵元排列成一个圆环,就称之为圆阵,多个圆环平行布置在一个圆柱体上,便可构成圆柱阵。圆阵和圆柱阵是最简单的两种共形阵。

2.2 稀布阵天线
在雷达和通信电子系统中,广泛应用阵列天线,以使波天线束具有高增益、窄波束、低旁瓣、易电扫等特性。因此阵列天线的优化设计成为现代电子系统设计中的一个非常重要的环节。天线阵列的优化布阵技术是在研究天线阵列性能与阵列几何结构关系的基础上,对阵列结构进行优化设计,以获得优良的性能指标。
均匀间隔的阵列由于数学处理的方便和阵列结构装配的简便而得到了广泛的研究和应用。但为了保证在可视区内不出现栅瓣,均匀天线阵列相邻阵元间距不能大于半倍波长。当要求天线阵列具有高增益、高分辨率时,阵列孔径长度必须很大,均匀间隔布阵就需要相当多的天线阵元,这会使得天馈系统的造价十分昂贵。
非均匀间隔的稀布天线阵列能够大量节省成本。采用天线阵元在一定孔径上稀布的方法来实现阵列设计,可以较少的天线阵元数得到较高的增益、达到较高的分辨率,从而简化结构,降低造价,因此成为了一个研究热点。广义上的稀布阵是指阵元不等间隔排列的天线阵列,又分为稀疏阵列和稀布阵列。稀疏阵列是从均匀间隔满阵中稀疏掉部分阵元,这样就形成了阵元间距约束为为某个基本量(通常为半倍波长)的整数倍的非均匀阵列,即稀疏阵列。稀布阵列阵元间隔为任意的,但由于阵元物理尺寸及互耦效应等影响,一般要求阵元间隔不小于半倍波长。

**

3 研究内容

**
首先介绍了遗传算法的基础理论、原理和实现,包括:遗传算法的生物学基础、理论基础、基本算子、实现流程和关键参数说明等。然后并给出了具体的MATLAB数值仿真实例和旅行商(TSP)仿真实例。便于对遗传算法初步理解。
介绍了阵列天线综合方向图的理论知识和优化模型,包括:直线阵列、平面阵列、圆形阵列和圆柱阵列。再通过根据具体问题适应性改进的遗传算法对他们进行稀疏布阵、稀布布阵。达到减少天线阵元,降低成本,同时防止出现栅瓣,得到低旁瓣方向图的目的。
人工智能:遗传算法稀布阵列天线_第1张图片
人工智能:遗传算法稀布阵列天线_第2张图片
人工智能:遗传算法稀布阵列天线_第3张图片
人工智能:遗传算法稀布阵列天线_第4张图片
人工智能:遗传算法稀布阵列天线_第5张图片
人工智能:遗传算法稀布阵列天线_第6张图片
人工智能:遗传算法稀布阵列天线_第7张图片
人工智能:遗传算法稀布阵列天线_第8张图片

**

参考文献

**
《基于MATLAB的遗传算法及其在稀布阵列天线中的应用(第2版)》,包子阳,电子工业出版社。

你可能感兴趣的:(人工智能,机器学习,大数据,算法,信号处理)