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。     

改进小波变异粒子群优化算法用于直线阵综合

为了有效避免粒子群优化(Particle Swarm Optimization,POS)算法早熟收敛和陷入局部最优,提出了一种改进的小波变异粒子群优化(Improved PSO with Wavelet Mutation,IPSOWM)算法,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,将该改进算法应用于直线阵综合问题,结合实际应用中的数字衰减器和数字相移器进行了仿真试验.结果表明:该改进算法的搜索精度及稳定性均优于对比文献中结论,适合于天线阵综合问题.     

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。     

改进粒子群算法综合有间距约束的稀布阵列

提出了一种基于改进粒子群算法的稀布阵综合新方法,用于优化设计有最小阵元间距约束的稀布阵.该方法通过改造适应度函数,有效避免了粒子更新时出现不可行解,通过个体描述方式可使搜索空间减小.在给定阵列孔径和阵元数的条件下,高效地实现了任意最小阵元间距约束下抑制分布式线阵峰值旁瓣电平的阵列综合.文中给出了改进粒子群算法的流程,通过仿真实验证实了该方法的有效性和稳健性,并得到了比文献[2-3]更好的数值结果.     

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。     

改进标准粒子群算法的阵列天线综合

针对标准粒子群（Particle Swarm Optimization, PSO）算法应用于非对称副瓣形状方向图综合时,收敛速度慢和容易早熟的缺陷,提出了一种改进标准粒子群算法。该方法借助于修正Taylor综合法先得到连续口径分布,然后通过对其抽样得到粒子群初始化的基本值,对该基本值添加随机值得到PSO优化的初始粒子种群,将该种群用于PSO迭代时,采用“精英”选择思想,即用较好的粒子替代部分较差的粒子,直到满足停止条件。文中给出了运用该方法综合的两个实例,验证了其可行性,并通过多次重复试验,验证了该方法的高效性。     

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.     

一种基于遗传算法的阵列天线方向图综合

基于排序的实数码遗传算法实现对阵列天线方向图综合,并对遗传参数作了一些改进.该算法使得搜索效率有很大的提高,有效避免了早期收敛.通过计算机仿真实验,该算法成功地实现了阵列天线的方向图综合.通过对阵列天线的阵元电流幅值进行优化,同样可以达到传统方法所能实现的效果.良好的仿真结果体现了遗传算法在阵列天线方向图综合中的优越性能.     

粒子群算法在三维微带阵列优化设计中的应用

采用粒子群算法与微波仿真软件CST联合仿真的方法,针对拓展吸波带宽或降低吸波材料厚度的不同要求,通过设计不同的适应度函数,实现了对三维微带线阵列吸波结构材料的优化设计。设计结果表明,经过优化设计,吸波材料的吸波带宽可以增加30%,或在吸波性基本不变的条件下材料厚度减少15%。调节适应度函数中的权重,还可以有针对性地拓展吸波材料的频率低频段或高频段。所采用的计算流程可以全程自动进行优化处理。     

一种阵列天线赋形波束综合方法

给出一种基于反离散傅里叶变换阵列天线赋形波束的综合算法,综合后的阵列天线波束形状与预给的波束形状吻合较好,从而达到设计要求。该方法具有计算速度快、计算量小、计算数值稳定性好的优点。是一种阵列天线波束赋形的实用方法。     

三元相关性量子行为粒子群优化算法研究

为了提高QPSO算法的收敛性能,在对随机因子进行分析的基础上提出了三元相关性QPSO(TC-QPSO, ternary correlation QPSO)算法。该算法使用正态Copula函数建立了粒子对自身经验信息、群体共享信息以及粒子当前位置与群体平均最好位置的距离信息之间的内在认知和联系,并利用Cholesky平方根公式给出了三元相关因子的生成方法。对测试函数的仿真结果证明,当三元相关因子u与r1或r2之间存在负线性相关关系时,TC-QPSO算法可以获得比标准QPSO算法更好的优化性能。     

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。