一种基于混合自适应粒子群算法的面多波束赋形方法技术

本发明专利技术属于雷达信号处理技术领域，具体涉及一种基于混合自适应粒子群算法的面多波束赋形方法，包括：由解析法得到赋形参考波束的相关参数；选取合适的适应度函数和代价函数；初始化粒子群、个体最优、全局最优粒子和非劣解集；用混合自适应粒子群算法更新得到3倍于原规模的新种群；取最优的1倍于原规模粒子作为新一代种群；更新个体最优粒子、全局最优粒子和非劣解集；更新迭代过程中的相关参数；判断得到最优结果或迭代终止；输出非劣解集和相关结果图。

A method of multi beam shaping based on Hybrid Adaptive Particle Swarm Optimization

【技术实现步骤摘要】
一种基于混合自适应粒子群算法的面多波束赋形方法
本专利技术属于雷达信号处理
，具体涉及一种基于混合自适应粒子群算法的面多波束赋形方法。
技术介绍
多波束形成是指雷达天线系统同时发射多个并行波束，通过调整天线阵列的加权值来控制每个波束的两维指向和主瓣形状，多波束形成与传统的单波束形成相比，具有覆盖范围广和波束参数可进行控制等优点。传统的多波束形成大多采用多波束赋形的方法，也就是阵列天线的方向图综合，其基本原理是通过迭代优化阵列天线单元的幅度激励和相位加权，来补偿每个波束指向下的相位差，最终在所需要的多个方向并行形成多个波束主瓣，由此实现同时覆盖多个目标区域，赋形天线方向图的多个波束指向，波束宽度及主瓣形状均可进行约束；因此，基于优化算法的多波束赋形方法在雷达、通信等多个领域都得到了广泛应用。现在公认且有用的波束赋形方法大概分为4类。第一类是据已给出的主瓣和副瓣电平的要求、或指定方向图零点位置进行波束赋形，具有代表性的是1946年DolphC.L.采用Chebyshev多项式法来赋形得到等旁瓣的方向图，在给定主瓣宽度的情况下，能优化得到最低的旁瓣，在给定旁瓣电平的情况下，能形成最窄的主瓣宽度；此后，1955年，TaylorT.T.对Dolph-chebyshev多项式进行适当的修正，提出了Taylor综合法；这两种方法多用于离散阵的波束赋形。第二类是要求达到预先设定的方向图形状，代表方法是1948年由Woodward和Lawson共同提出的Woodward-Lawson综合法。第三类是从已知方向图出发，通过微变逼近指定的方向图指标，代表方法是1988年吕善伟提出的微扰法。第四类是阵列天线参数的最优化设计，经常采用数值分析法。以上几类方法一般针对某些特定的环境，且约束条件较为严苛，因此应用场景比较受限。后来，能在复杂空间进行搜索寻优且适用范围更广的智能优化算法逐渐被应用到波束赋形中，如遗传算法和粒子群算法等。1994年，TennantA.，DawoudM.M.等人将遗传算法应用于波束赋形，控制方向图在干扰方向形成零陷；1995年和1997年，MarcanoD.等人用遗传算法分别对线阵和平面阵列进行波束赋形；此后，基于遗传算法的阵列天线激励权值优化(包括幅度和相位)和天线单元位置优化的文章相继出现。粒子群算法是继遗传算法后产生的全新智能优化方法，适用于解决大量非线性、不可微和多峰值的复杂问题，1995年开始，将粒子群算法应用到天线方向图综合中的文章也陆续出现，并针对其出现的后期易陷入局部收敛的情况提出了很多改进算法。传统的粒子群算法是利用种群中的个体对信息的共享，整个搜索更新过程都是跟随当前全局和个体最优解完成从无序到有序的演化过程，但是存在变化能力不足，过早进入局部收敛的情况。遗传算法直接根据反映目标函数值的适应度函数来评估种群中个体的优劣，确定总体搜索方向，但是存在过于随机，记忆能力不足的问题。由于对平面阵列进行同时多波束综合时，要同时优化阵列天线单元的幅度激励和相位，为了控制多个主瓣波束形状，需要选取多个适应度函数，这些都使得优化搜索空间范围变得更广更复杂。如果将遗传算法中的选择、交叉和变异等整个种群更新过程融入粒子群算法中可以极大的增大粒子的多样性，降低过早进入局部收敛的概率。当进行同时多波束赋形优化时，适应度函数存在多项加权，加权方式会影响各波束的优化是否同步，根据每次优化结果对适应度各项根据需求进行动态加权，可以有效改善各波束优化不同步的问题。但是目前还没有出现将采用了自适应惯性权重的粒子群算法和根据收敛度控制交叉变异概率的遗传算法以及对适应度进行动态加权的方法相结合的算法应用于平面阵列同时多波束赋形方面的相关研究。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于混合自适应粒子群算法的面多波束赋形方法。本专利技术要解决的技术问题通过以下技术方案实现：一种基于混合自适应粒子群算法的面多波束赋形方法，包括：(1)确定面阵多波束两维指向，对面阵采用解析法得到赋形参考波束的相关参数；(2)对面阵多波束赋形优化问题得到适应度函数和代价函数；(3)确定面阵多波束赋形优化问题中的粒子，在粒子的取值范围内随机初始化当前一代粒子群和个体最优粒子群，由赋形方向图综合方法得到初始每个粒子对应的面阵方向图，对各方向图计算适应度函数和代价函数，根据性能对当前一代全局最优粒子和非劣解集进行初始化；(4)在得到了当前一代粒子群的基础上，用混合自适应粒子群算法更新得到3倍于原规模的新粒子群；(5)对得到的3倍于原规模的粒子群中各粒子分别计算中的适应度函数和代价函数，取性能最优的1倍规模粒子作为下一代粒子群；(6)更新个体最优粒子群、全局最优粒子和非劣解集；(7)由当前一代粒子群的相关信息对迭代过程中的相关参数进行更新；(8)判断本次优化得到的方向图函数及各个适应度函数是否得到最优结果，或者迭代是否终止，是则记录得到的非劣解集，输出方向图和各类参数变化图，否则返回第(4)步继续迭代。在本专利技术的一个实施例中，所述步骤(1)包括：(1a)指定待优化的目标平面阵列赋形需要的多个波束的两维指向后，对其采用解析法分别进行单个波束形成，得到各波束指向下的方向图函数；(1b)利用(1a)中得到的各波束指向下的方向图函数，进一步得到与各波束指向对应的赋形参考波束所需要的方向性增益和两维波束宽度等信息。在本专利技术的一个实施例中，所述步骤(2)包括：(2a)根据所需要的优化目标，即要得到约束了波束指向和主瓣形状的多个并行发射的波束方向图，选取了3个合适的适应度函数，分别对方向图的最大相对旁瓣电平、方向性增益和主瓣波束宽度进行约束，最大相对旁瓣电平约束的参考值为指定值，方向性增益和主瓣波束宽度约束的参考值为(1)中得到的赋形参考波束对应的参数值；(2b)对(2a)中得到的3个适应度函数根据重要性进行适当的加权得到代价函数，由代价函数值可确定优化性能。在本专利技术的一个实施例中，所述步骤(3)包括：(3a)以待优化的目标平面阵列各天线单元的幅度和相位为优化对象，即粒子群算法中所说的粒子，确定粒子群总数，即目标平面阵列天线单元的总数，在给定的幅度和相位的取值范围内对当前一代粒子群进行初始化；(3b)用(3a)中初始化得到的粒子群中的每个粒子分别采用赋形方向图综合方法进行平面阵列的方向图综合，得到对应的方向图；(3c)初始当前一代个体最优粒子群即为当前一代粒子群，对(3b)中得到的方向图分别计算(2)中所述的适应度函数和代价函数，选取性能最优的代价函数对应的粒子作为初始的当前一代全局最优粒子，选取前5个性能最优的代价函数对应的粒子作为初始的当前一代非劣解集。在本专利技术的一个实施例中，所述步骤(4)包括：(4a)首先用改进的自适应粒子群算法对当前一代粒子进行迭代更新操作，产生1倍于原规模的新一代粒子群；(4b)对截止到当前一代的个体最优粒子群用轮盘赌选择的方式随机选择1倍于原规模本文档来自技高网...

【技术保护点】
1.一种基于混合自适应粒子群算法的面阵多波束赋形方法，其特征在于，包括：/n(1)确定面阵多波束两维指向，对面阵采用解析法得到赋形参考波束的相关参数；/n(2)对面阵多波束赋形优化问题得到适应度函数和代价函数；/n(3)确定面阵多波束赋形优化问题中的粒子，在粒子的取值范围内随机初始化当前一代粒子群和个体最优粒子群，由赋形方向图综合方法得到初始每个粒子对应的面阵方向图，对各方向图计算适应度函数和代价函数，根据性能对当前一代全局最优粒子和非劣解集进行初始化；/n(4)在得到了当前一代粒子群的基础上，用混合自适应粒子群算法更新得到3倍于原规模的新粒子群；/n(5)对得到的3倍于原规模的粒子群中各粒子分别计算中的适应度函数和代价函数，取性能最优的1倍规模粒子作为下一代粒子群；/n(6)更新个体最优粒子群、全局最优粒子和非劣解集；/n(7)由当前一代粒子群的相关信息对迭代过程中的相关参数进行更新；/n(8)判断本次优化得到的方向图函数及各个适应度函数是否得到最优结果，或者迭代是否终止，是则记录得到的非劣解集，输出方向图和各类参数变化图，否则返回第(4)步继续迭代。/n

【技术特征摘要】
1.一种基于混合自适应粒子群算法的面阵多波束赋形方法，其特征在于，包括：
(1)确定面阵多波束两维指向，对面阵采用解析法得到赋形参考波束的相关参数；
(2)对面阵多波束赋形优化问题得到适应度函数和代价函数；
(3)确定面阵多波束赋形优化问题中的粒子，在粒子的取值范围内随机初始化当前一代粒子群和个体最优粒子群，由赋形方向图综合方法得到初始每个粒子对应的面阵方向图，对各方向图计算适应度函数和代价函数，根据性能对当前一代全局最优粒子和非劣解集进行初始化；
(4)在得到了当前一代粒子群的基础上，用混合自适应粒子群算法更新得到3倍于原规模的新粒子群；
(5)对得到的3倍于原规模的粒子群中各粒子分别计算中的适应度函数和代价函数，取性能最优的1倍规模粒子作为下一代粒子群；
(6)更新个体最优粒子群、全局最优粒子和非劣解集；
(7)由当前一代粒子群的相关信息对迭代过程中的相关参数进行更新；
(8)判断本次优化得到的方向图函数及各个适应度函数是否得到最优结果，或者迭代是否终止，是则记录得到的非劣解集，输出方向图和各类参数变化图，否则返回第(4)步继续迭代。


2.根据权利要求1所述的基于混合自适应粒子群算法的面阵多波束赋形方法，其特征在于，所述步骤(1)包括：
(1a)指定待优化的目标平面阵列赋形需要的多个波束的两维指向后，对其采用解析法分别进行单个波束形成，得到各波束指向下的方向图函数；
(1b)利用(1a)中得到的各波束指向下的方向图函数，进一步得到与各波束指向对应的赋形参考波束所需要的方向性增益和两维波束宽度等信息。


3.根据权利要求1所述的基于混合自适应粒子群算法的面阵多波束赋形方法，其特征在于，所述步骤(2)包括：
(2a)根据所需要的优化目标，即要得到约束了波束指向和主瓣形状的多个并行发射的波束方向图，选取了3个合适的适应度函数，分别对方向图的最大相对旁瓣电平、方向性增益和主瓣波束宽度进行约束，最大相对旁瓣电平约束的参考值为指定值，方向性增益和主瓣波束宽度约束的参考值为(1)中得到的赋形参考波束对应的参数值；
(2b)对(2a)中得到的3个适应度函数根据重要性进行适当的加权得到代价函数，由代价函数值可确定优化性能。


4.根据权利要求3所述的基于混合自适应粒子群算法的面阵多波束赋形方法，其特征在于，所述步骤(3)包括：
(3a)以待优化的目标平面阵列各天线单元的幅度和相位为优化对象，即粒子群算法中所说的粒子，确定粒子群总数，即目标平面阵列天线单元的总数，在给定的幅度和相位的取值范围内对当前一代粒子群进行初始化；
(...

【专利技术属性】
技术研发人员：杨明磊，何小静，陈伯孝，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61