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。     

粒子群优化算法用于阵列天线方向图综合设计

粒子群优化算法是基于一群粒子的智能运动而产生的一类随机进化算法,其优点是算法非常利于理解和应用.本文介绍了粒子群算法的原理和流程,研究了如何将这种方法运用于天线阵的方向图综合上,给出了PSO算法在综合阵列方向图的应用实例,表明粒子群算法在天线阵列综合中具有广泛的应用前景.     

基于混沌粒子群算法的宽零陷方向图综合方法

自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法（CPSO）的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。     

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.     

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。     

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     

基于改进型粒子群算法的阵列天线综合

粒子群优化(PSO)算法是一种通过粒子之间的合作与竞争来实现复杂多维空间的最优区域搜索的优化算法。本文中改进型PSO算法(NPSO),通过增加积分控制项改善了PSO算法全局搜索能力,并将该方法应用于多元环形阵列天线方向图的综合,实现了阵列方向图与预先给定的目标方向图的高度逼近。最后通过数值实例说明这种NPSO方法的有效性。     

基于粒子群算法的阵列波束宽零陷优化设计

作为一种新型的群智能随机优化算法,粒子群优化（PSO ）算法在解决各种非线性复杂问题上得到了广泛的应用。研究了粒子群优化算法在阵列天线方向图零陷加宽技术上的应用,通过实例表明粒子群算法能够在较宽的角度区间上形成满足要求的零陷,在抗干扰应用方面具有较高的应用前景。     

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。     

粒子群阵列天线方向图适应值函数研究

在粒子群算法优化阵列天线方向图时,适应值函数的选取对算法收敛和优化效率都有着至关重要的影响。针对复杂多指标方向图优化容易早熟收敛,提出了一种分步的适应值函数策略,通过分阶段提高优化指标,可以更好地促进算法收敛和提升优化效率。仿真结果表明:将此适应值策略应用于天线方向图综合中,在不改变算法本身的同时,可以在多零点和低旁瓣约束情况下取得更好的优化效果。     

基才一种QPSO算法的阵列天线方向图综合

方向图综合技术是智能天线中的一项关键技术。由于采用普通粒子群算法存在着易于早熟和局部寻优能力不足等缺点．为此本文提出一种基于量子位概率幅编码QPSO算法的阵列天线方向图综合技术,即在方向图综合中,QPSO算法采用量子位对粒子当前位置进行编码,用量子旋转门实现对粒子最优位置的搜索,用量子非门实现粒子位置的变异以避免早熟。实际应用表明基于量子位概率福编码QPSO的方向图综合技术是切实可行的,在多零点和低旁瓣约束情况下均可以取得良好的优化效果,具有很好的推广能力。     

自适应遗传粒子群混合算法用于基站天线综合

常规方向图综合算法由于没有考虑天线本身特性、阵元互耦及周围电磁环境影响,理论综合结果与实际情况相差较大.为了解决这个问题,在有源方向图理论基础上,结合遗传算法和粒子群算法的优势,得到了一种改进算法——自适应遗传粒子群混合算法(Hybrid Adaptive Genetic Particle Swarm Optimization,HAGPSO).利用优化的权值对LTE基站天线波束赋形,仿真情况与综合结果一致.     

风驱动优化的共享孔径方向图综合

针对共享孔径阵列天线,基于一种新型的全局优化算法——风驱动优化,提出了一种新的共享孔径方向图综合方法。首先,设计两阵列相邻阵元的间距约束条件,将两个子阵波束图的最高旁瓣电平作为优化目标。然后,在约束公式条件下,先后确定子阵1和子阵2阵列单元的初始坐标,通过利用风驱动算法优化两子阵单元坐标位置来降低旁瓣电平,实现不同频率的共享孔径阵列天线设计。最后,通过与粒子群算法和传统SMI算法对比,验证了该算法在共享孔径方向图中的可行性和有效性。     

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.     

基于迭代NUFFT的不等距阵列天线低副瓣方向图综合

针对不等间距阵列天线的低副瓣方向图综合问题,提出了一种基于非均匀快速傅立叶变换(NUFFT)的迭代算法.通过严格的数学推导,建立非均匀离散傅立叶变换(NUDFT)与天线阵因子之间的对应关系,利用过采样FFT系数的线性组合来近似表达复指数函数进而实现NUFFT,最后通过插值和反复的迭代有效地抑制了阵列天线的最大副瓣电平.结合等间距阵列和不等间距阵列的算例,对比粒子群算法的优化结果,验证了该算法的有效性和高效性.     

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。     

基于粒子群融合遗传算法的阵列天线方向图综合

<正>基本粒子群算法应用于阵列天线波束赋形时，优化算法容易陷入局部收敛，无法准确获得所需方向图，针对这一问题提出了一种粒子群融合遗传算法的改进优化算法。该算法在基本粒子群算法的基础上，引入了遗传算法中的交叉、变异机制，并结合精英粒子选择策略，增加了粒子种群的多样性，增强了算法的全局寻优能力，有效地提高了算法全局搜索的效率。仿真结果表明，将该方法应用于阵列天线波束赋形时能够得到预期的目标方向图，算法的优化效率高、优化效果好，具有较强的稳健性。     

采用FFT-PSO策略的多约束稀疏阵天线方向图综合

采用稀疏布阵的相控阵测控天线,阵元等幅激励时的阵列峰值副瓣电平无法满足指标要求.在考虑天线增益、半功率波束宽度等指标约束时设计了合适的适应度函数,并基于粒子群算法(PSO)对阵元激励幅度进行优化以降低天线副瓣电平.同时,分析了等间距栅格平面阵列天线方向图与离散傅里叶变换的关系,采用快速傅里叶变换(FFT)降低了阵列方向图计算复杂度.仿真结果表明,该方法可有效降低峰值副瓣电平和计算复杂度.