遗传算法大规模天线阵列优化(2)
阵列方向图综合指的是为了使所求方向图逼近所规定的方向图，而对天线系统进行的设计，即根据所给的目标方向图，对有关的数据进行设计。振元间距、振元分布形式、各振元激励的相位及幅度、阵列单元数目均可以是方向图优化的参数。
阵列天线方向图的重要意义已经使得它得到了越来越多的关注和研究，更多的优化方法被越来越多的应用到优化方向图上，同时越来越多的成果也在研究中取得，例如优化已达到控制零点生成的目标、优化旁瓣以达到一个比较低的目标值等。尽管如此，但我们在阵列方向图综合中还是要不断寻求更加优秀的优化技术。
1.2研究现状
1.2.1 传统方向图综合方法
1.2.2智能优化方法
1.3论文的内容与安排
本文主要就遗传算法应用于大规模天线阵列优化的内容进行研究。
本文共分为四章，主要内容如下：
第一章，绪论部分首先对课题所研究的背景和目的进行介绍，接着重点对课题的研究现状介绍，最后给出了本文的内容和安排。
第二章，主要介绍了遗传算法基本知识，包括生物学基础，运算流程。重点介绍了算法的实现流程和实现技术。
第三章，主要介绍了阵列天线综合的基本概念，介绍了线阵和面阵两种天线阵，同时也介绍了切比雪夫优化和遗传算法在阵列优化过程中的模型和实现流程。
第四章，优化方向图的副瓣，利用遗传算法对方向图进行了优化。
2. 遗传算法
2.1遗传算法的生物学基础
生物由于其优异的对环境的自适应能力得以在地球上繁衍生存。人们在对生物生存特性进行模仿和研究过程中取得了很多成果，遗传算法便是其中十分引人注目的。遗传算法借鉴生物的遗传以及进化，使得各种人工系统的优化能力和自适应能力大大提高。
遗传是指两代之间或者同代不同个体之间表现出相似性，这种现象表明表现形式可以由上一代传递给下一代。遗传的基本单位是基因，性状是通过基因传递给下一代的。进化是指世代之间遗传性状的变化的这种现象，不断变化的性状对它的生存环境越来越适应，同时它的品质也越来越优秀。自然选择导致了物种的进化，以及优良物种的产生。
2.2遗传算法概述
遗传算法是目前有着最广泛影响的计算方法之一，它可以有效解决复杂的、常规方法无法处理的优化问题。遗传算法模拟遗传和进化当中发生的遗传、变异以及交叉现象，为了取得较优个体，按指定指标在迭代后保留的候选解之中进行选取，为了满足要求的收敛指标，重复的利用选择、交叉、变异这三种遗传算子对种群中的个体进行新的组合，进而产生新的个体。虽然遗传算法中使用的编码是比较简单的，但却可以对复杂的结构进行表示，经过对编码，使用类似自然遗传和自然选择的操作来对目标解进行搜索。遗传算法通常是由四部分构成：编码以及生成初始种群、适应度函数、包括选择、交叉、变异在内的算子、运行参数。
2.2.1遗传算法的运算流程
遗传算法的运算流程：编码、计算适应度、选择、交叉以及变异。下面做简要介绍：
1编码：根据实际问题进行编码，我们用染色体来表示所编的编码符号。编码其实就是性状对基因的映射。目前有实数编码、二进制编码等编码方式。二进制编码虽然应用广泛但也存在着转化时的低效率问题，因此本文我们的编码方案采用十进制编码方式。
2 产生初始种群：初始种群P（0）是具有N个元素的集合，这些元素是随机选取的。种群规模就是初始种群中产生的个体的数目N。该集合也就是遗传算法开始进行迭代的初始点。
下一篇：PCB板级共模噪声抑制结构的研究