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.     

基于改进粒子群算法的天线方向图综合技术

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。     

基于改进粒子群算法的天线方向图综合技术

提出一种基于改进黑洞算法的阵列天线方向图综合方法, 在可控吸收率的基础上实施后向学习机制, 增加种群多样性以避免早熟收敛.针对基本黑洞算法在局部搜索方面的不足引入爬山搜索算子, 增加个体搜索深度以提高寻优效率.将所提算法应用于稀疏天线阵和等距非均匀天线阵的方向图综合, 仿真结果验证了所提算法解决该类问题的有效性.     

基于一种新的遗传算法的天线方向图综合技术

给出了一种基于实数编码遗传算法的天线方向图综合方法.在遗传算法模型中采用了向下、向上外推和非一致杂交算子等交叉技术,并结合内插、交换等多种技术形成综合交叉方式.该算法克服了已有算法早熟、对初始群体依赖性等缺陷的同时,较大幅度地提高了算法的收敛速度和可靠性;通过在目标函数中加入零陷方差项克服了现有算法零陷不均衡的缺陷.计算机仿真结果表明,与现有算法相比,该方法用于天线方向图综合具有收敛速度快、零陷均衡、可靠等优势.     

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.     

基于遗传算法的阵列天线方向图综合技术

提出了一种改进的遗传算法,该算法采用了简单灵活的十进制编码,并对遗传参数进行了一些改进,使搜索效率有了较大的提高,有效地避免了早期收敛。应用这种方法,成功地实现了阵列天线的方向图综合。良好的计算结果表明遗传算法是目前求解此类问题的有效方法。     

基于自适应遗传算法的星载SAR天线方向图与模糊综合

该文针对改善星载合成孔径雷达(SAR)的模糊特性,提出了一种自适应遗传算法。该算法同时对模糊和方向图进行优化。首先确定模糊区域,然后以天线方向图的主瓣宽度和副瓣电平(包括星载SAR模糊区域的副瓣电平)为目标函数,应用自适应遗传算法对天线方向图进行综合。为了避免早熟的现象,在该算法中,交叉概率、变异概率和变异范围同时进行了自适应的变化。和非自适应遗传算法相比较,该算法迭代步骤少,收敛速度快。仿真结果表明,模糊度得到了很好的抑制,对星载SAR系统设计具有实际意义。     

应用遗传算法进行阵列天线综合

该文采用了两种基于遗传算法的方法对线阵列天线进行了综合。仿真结果表明,这两种方法均能够逼近Chebyshev综合的结果。与Chebyshev法相比,具有灵活性强,不受天线工作频率限制等优点。其中第二种方法将遗传算法与Schelkunoff法结合起来,能够方便精确地在指定位置得到零点并满足其它的优化条件。     

粒子群算法的最小值边界变异策略

提出一种新的粒子群算法(PSO)边界变异策略--最小值边界变异.当粒子某一维或若干维上的位置和速度到达边界时,现有的边界变异方法都是通过不同的方式限制了粒子在该维上的位置或速度的幅值,使粒子返回搜索空间,但是这样同时也改变了粒子原先的飞行方向,降低了粒子在边界附近的寻优能力.而最小值边界变异既能有效地限制了粒子位置或速度的幅值,同时可以保持粒子的飞行方向.经4个通用测试函数验证,表明最小值边界变异优于其他方法.     

稀疏阵列天线综合的遗传算法优化

通过遗传算法优化选择常规满阵中一定比例的工作单元,使阵列在欠饱和状态下达到窄波束低副瓣的要求。以单元的工作状态和激励幅度为优化参量,波束宽度和副瓣电平为适值函数,通过适值缩放和多种群进化竞争使遗传进化稳定地收敛到全局最优。详细分析了稀疏阵的单元布局、稀疏率及单元激励对优化阵列特性的影响。     

一种综合赋形波束天线阵的组合算法

提出一种新的组合优化方法。先通过遗传算法得到一个初步的优化结果,再用直接搜索算法进行二次优化,这样既突出了遗传算法全局寻优的特点,又避免了它在接近最优解时出现的小幅度随机波动。以低副瓣平方余割波束天线阵的综合为例,在主瓣达到要求的前提下,组合算法得到的天线阵方向图副瓣比直接搜索算法和遗传算法的副瓣低4dB以上。     

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。     

基于混沌自适应变异粒子群优化的解相干算法

针对相干信源波达方向估计的需要,结合粒子群优化算法,论文提出了一种基于混沌自适应变异粒子群优化的广义极大似然算法(CAMPSOGML),算法对阵列的几何结构没有任何约束,分辨的信源数可大于阵元数,算法把混沌初始化和自适应变异策略引进粒子群算法中,有效地提高了收敛速度,克服了粒子群算法容易陷入局部最优值的缺点。计算机仿真表明：与基于实数遗传算法和粒子群算法的广义极大似然估计方法相比,CAMPSOGML算法在收敛速度和估计精度上都有优势,是一种新颖的有效的解相干算法。     

基于 PSO 算法的加速度计快速标定方法

为减少惯性测量组合标定对转台的依赖,降低标定对转台控制精度的要求,在分析传统加速度计模观测迭代标定方法的基础上,提出一种基于粒子群优化算法（PSO）的加速度计快速标定方法。首先,基于模观测思想设计构造目标优化函数,并将其作为 PSO 算法中的适应度函数,实现了标定方法与 PSO 算法的连接;其次,设计了基于最大化观测信息相对于待估计参数的敏感度函数的加速度计标定编排方案;最后,对所提方法与牛顿迭代标定方法进行了对比仿真。仿真实验结果表明,基于 PSO 算法的加速度计快速标定方法具有可行性、有效性,与传统牛顿迭代标定方法相比更具有优越性。