基于粒子群优化算法的阵列天线方向图综合

粒子群优化算法（PSO）是一种基于群智能的随机优化算法,其理论简单,参数少,易于实现,可用于解决大量非线性、不可微和多峰值的复杂问题。本文介绍了粒子群算法的基本原理和基本流程,研究了如何将这种方法应用于阵列天线的方向图综合上,给出了PSO 算法在阵列天线方向图综合的应用实例,结果表明粒子群算法在阵列天线方向图综合上有很好的应用前景。     

基于停滞检测粒子群算法的阵列天线方向图综合

在线性递减权重粒子群算法的基础上提出了一种改进的粒子群优化算法.新算法采用了合适的邻域结构,通过停滞检测以及对全局最佳粒子的微扰改善了算法的优化速度和收敛特性.仿真结果表明:将此算法应用于天线方向图综合中,在多零点和低旁瓣约束情况下可以取得良好的优化效果.     

基于近邻粒子群优化的阵列天线方向图综合

阵列信号处理是近40年来迅速发展的技术,方向图综合的优化是其重要的问题,粒子群优化技术通过简单的算法可以达到很好的方向图综合效果。近邻粒子群优化算法除了利用粒子本身历史最优位置与全体最优位置外,还利用邻居粒子历史最优位置更新本粒子位置,测试函数测试结果表明,这在一定程度上消除了标准粒子群算法容易收敛到局部最优值的缺点。使用这种改进算法的阵列天线的方向图综合也得到了很好的结果     

基于改进粒子群算法的共形阵列天线综合

共形阵列天线的赋形方向图综合涉及大量的运算,成为现在研究的一大难点,目前对共形阵方向图综合的研究比较少,且所用算法存在理论复杂、耗时长的缺点。文中运用改进粒子群算法对圆环阵、圆柱阵方向图的综合进行了研究,仿真结果表明,改进粒子群算法能够较快地形成期望方向图,证明了该方法的有效性和实用性。     

基于改进的粒子群算法的二维阵列天线方向图综合技术

该文运用一种改进的粒子群优化算法对不等幅激励的矩形平面阵列天线的最大旁瓣电平进行了优化,采用对全局最优粒子微扰和跳变的惯性权重策略,并使用粒子群算法本身对参数组合进行了优化选择。新算法大大改善了优化速度和收敛精度。对二维阵列天线旁瓣电平优化和稀疏阵列方向图综合的良好结果也证明了该方法的有效性。     

基于改进粒子群算法的天线方面图综合技术

针对基本粒子群算法的早熟收敛、易收敛于局部极值的特点,提出一种改进的粒子群优化算法,采用对全局最佳微扰和惯性权重跳变阈值的设置改善了算法的优化速度和收敛精度.经过对一系列测试函数的计算,证明该方法具有良好的优化效果.最后,给出了该方法应用于阵列天线方向图综合中的模型和仿真实例.     

改进适应度函数的阵列综合粒子群算法

针对标准粒子群算法在阵列综合应用中收敛所需的迭代次数较多、收敛速度较慢等问题,提出了一种基于改进适应度函数计算的粒子群改进算法。根据阵列在采用标准粒子群算法时的收敛趋势,提出在适应度函数计算中,对适当角度范围内的适应度函数进行加权计算,使影响收敛速度因素的计算权值得到提高、并得到优先处理,从而降低平均计算时间。通过对线阵天线的仿真实验,结果表明该方法效果明显,可以在满足方向图要求的前提下,大大减少收敛所需迭代的次数,加快收敛速度。     

改进的粒子群优化算法用于方向图阵列综合

为了克服粒子群优化算法早熟收敛,本文提出了一种改进的小波变异粒子群优化算法,由于该算法每次迭代时以一定的概率选中粒子进行小波变异扰动,能够克服算法后期易发生早熟收敛和陷入局部最优的缺点。同时将改进的算法应用于天线阵列方向图综合问题中,综合效果好于现有文献。     

基于改进型蚁群算法的阵列天线综合

将蚁群算法应用于优化阵元电流幅度,以实现对阵列天线方向图的综合。并针对传统蚁群算法难以解决电流激励幅度这样的连续变量优化和早熟收敛的问题,提出了一种改进型蚁群算法。该改进型蚁群算法对变量采用不整编码并在寻优过程中采用邻域优化方法,使其既可以对连续变量寻优,又同时改善了算法的优化速度和收敛精度。计算结果表明:该改进型蚁群算法在改变阵元激励幅度的方向图综合问题上取得比相关文献更好的结果。     

基于一种新的粒子群算法的天线方向图综合技术

该文在线性递减权重粒子群算法的基础上提出了一种新的准粒子群优化算法。新算法借鉴了遗传算法中交叉的思想并采用了对偶算法模型改善了算法的优化速度和收敛特性。仿真表明,将此算法应用在天线方向图综合中,取得了良好的优化效果。     

基于改进QPSO算法的阵列天线方向图综合

 针对传统智能方法在方向图综合中易于早熟和局部寻优能力不足等缺陷,在基于量子位概率幅编码的量子粒子群优化算法(QPSO)的基础上,设计一种进行收敛停滞检测,并对粒子选择性变异的新量子粒子群算法,然后将其应用于阵列天线方向图综合.仿真结果表明,在多零点和低旁瓣约束情况下新算法均可以取得良好的优化效果,而且该算法相对于近邻粒子群算法(NPSO)和免疫克隆选择算法(ICSA)来说,在方向图综合中精度更高,速度更快,具有很好的推广能力.     

Synthesis of Thinned Multiple Concentric Circular Ring Array Antennas using Particle Swarm Optimization

In this paper, we propose an optimization method based on Particle Swarm Optimization (PSO) algorithm for thinning a large multiple concentric circular ring array of uniformly excited isotropic antennas and generate a pencil beam in the vertical plane with minimum relative side lobe level (SLL). The half-power beam width of the pattern is attempted to make equal to that of a fully populated array of same size and shape. The synthesis is performed with a standard particle swarm optimization technique as well as with an improved version of standard PSO. Simulation results of the proposed thinned array are compared with a fully populated array to illustrate the effectiveness of our proposed method.     

基于粒子群算法的天线阵方向图优化

雷达阵列天线常涉及方向图综合,而天线阵综合常常是利用优化算法优化单元幅相及间距等参数的过程。粒子群算法具有理论简单、参数少和易于实现等特点,文中基于这一简单易行的优化算法,给出一种阵列天线赋形波束综合方法。通过优化阵列天线中各单元的馈电幅度和相位同时实现主瓣的赋形和副瓣电平的抑制,或通过仅相位加权实现主瓣波束赋形,得到优良的余割平方赋形。通过实例设计验证了粒子群算法优化天线阵方向图的有效性。     

一种新混合粒子群算法及其在阵列天线方向图综合中的应用

针对传统粒子群算法(PSO)中存在的易陷入局部最优解和后期收敛速度慢的问题,首次提出一种新混合粒子群算法(NHPSO),采用杂交粒子群算法和固定惯性权重策略,并把简化的二次插值法融入杂交粒子群算法中。实验证明新算法大大提高了收敛速度,改善了解的质量。对阵列天线特殊主瓣形式的波束赋形和旁瓣电平优化结果取得了非常好的效果,计算机仿真证实该新算法应用于此类问题非常有效。     

自适应动态Meta粒子群优化算法综合多方向图共形阵列

基于全波仿真得到的广义阵元有源方向图,该文提出一种用于综合多方向图共形阵列的新方法：自适应动态Meta粒子群优化(ADMPSO)算法。在传统Meta粒子群优化(MPSO)算法基础上,定义了优势子群和非优子群的概念,并通过植入非优子群裁减、优势子群规模膨胀以及惯性权重自适应更新等机制,实现了优化过程中多子群的自适应动态调整,全面提高了算法性能。ADMPSO成功用于12元微带锥面共形阵列非赤道面的多方向图综合,综合过程考虑了由共形载体导致的阵元极化指向各异特征,在公共激励存在约束情况下,使阵列同时实现了笔形、平顶,以及余割平方波束总功率方向图,其与该阵列全波数值仿真完全吻合,优化结果和收敛速度相比于其他算法均有显著改善。     

采用近邻粒子群算法设计非规则曲面微带共形阵

采用近邻粒子群算法设计了一个安装于非规则曲面上的微带共形阵。通过测量安装于非规则曲面上的天线单元的方法，将载体对共形阵的影响计入天线设计中。采用近邻粒子群算法对单元进行了优化，根据优化结果制作了微带共形阵，给出了非规则微带共形阵的驻波曲线和远场方向图。实验结果表明，近邻粒子群算法能够有效地对复杂曲面上安装的共形阵进行设计。     

Enhancement of Particle Swarm Optimization by Stabilizing Particle Movement

We propose an improvement of particle swarm optimization (PSO) based on the stabilization of particle movement (PM). PSO uses a stochastic variable to avoid an unfortunate state in which every particle quickly settles into a unanimous, unchanging direction, which leads to overshoot around the optimum position, resulting in a slow convergence. This study shows that randomly located particles may converge at a fast speed and lower overshoot by using the proportional‐integralderivative approach, which is a widely used feedback control mechanism. A benchmark consisting of representative training datasets in the domains of function approximations and pattern recognitions is used to evaluate the performance of the proposed PSO. The final outcome confirms the improved performance of the PSO through facilitating the stabilization of PM.