劉 豪 ，趙璐璐 ，梁 廣 ，余金培

（1.中科院上海微系統(tǒng)與信息技術(shù)研究所上海200050；2.上海微小衛(wèi)星工程中心上海201203）

在衛(wèi)星或雷達通信中，由于發(fā)射方和接收方的距離較遠，雜波干擾較大，所以對天線低副瓣要求極高。倘若對陣元的激勵電流不作處理，則陣列方向圖第一旁瓣高度理論值約為-13.4 dB，達不到雷達天線對旁瓣的要求。經(jīng)典的旁瓣壓制方法有切比雪夫加權(quán)法、泰勒綜合法等，這些方法雖然有著很好的抑制旁瓣的效果，但都是幅度加權(quán)，在實際工程中大大增加了饋電網(wǎng)絡(luò)的復(fù)雜性，不利于工程實現(xiàn)。而唯相波束形成僅需改變陣元的相位權(quán)值便可對旁瓣有一定的抑制，工程實現(xiàn)時僅需移相器即可。

然而，唯相位加權(quán)實現(xiàn)低副瓣問題在數(shù)學(xué)上屬于非線性優(yōu)化問題，目前還未取得相應(yīng)的解析解，這給研究工作帶來了很大的困難。文獻[3]采用最速下降法（SDM）來降低線陣旁瓣高度，這種解析方法受陣列本身影響較大，分析和計算復(fù)雜。文獻[4]采用相位擾動法來降低陣列旁瓣，該方法有一定的遺傳算法思想，但易陷入局部最優(yōu)。文中對傳統(tǒng)GA基本步驟中的初始種群生成、交叉操作和變異操作進行了改進，提出了一種改進的遺傳算法。該算法有一定的自適應(yīng)思想，能夠提高GA的收斂速度和跳出局部最優(yōu)達到全局最優(yōu)，從而獲得更低的旁瓣，基于改進算法的唯相波束形成有著較優(yōu)的性能[6]。

1 相位控制陣列模型分析

1.1 線陣波束形成模型

以線陣為例，假設(shè)陣列是由N個全向陣元組成的均勻線陣，期望信號為窄帶信號且信號入射方向角為θ，陣元間距為d，入射信號波長為λ，且滿足d=λ/2，假設(shè)第n個陣元的權(quán)值即相移常量為φn，在忽略陣元間互耦影響的條件下，該線陣的方向圖函數(shù)為：

由式（2）可知，陣元間距d取0.5λ，則當(dāng)θ=0°時，F(xiàn)（θ）取最大值，此時信號得到同向相加，能得到最佳接收。通過調(diào)整陣元的相位權(quán)值系數(shù)φn，可改變陣列方向圖主瓣指向和旁瓣高度，后面將運用改進的遺傳算法來求得最佳的相位權(quán)值φn，使主瓣指向目標(biāo)方向且旁瓣高度最低。

1.2 面陣波束形成模型

假設(shè)均勻面陣各陣元完全相同，坐標(biāo)原點是陣列的一個端點，在x方向和y方向陣元間距分別為dx、dy，且x方向M個陣元，y方向N個陣元。θ，φ分別代表方位角和俯仰角，如圖1所示。

圖1 平面陣列模型

由于本文僅研究相位控制陣列，僅改變陣元的相位權(quán)值，所以假設(shè)陣元的初始相位權(quán)值為φm，n。則陣列方向圖為：

式中u=sinθcosφ，v=sinθsinφ，kc=2π/λ為自由空間波數(shù)。改變φm，n來調(diào)整主瓣指向且使旁瓣高度最低。

2 傳統(tǒng)遺傳算法在波束形成中的應(yīng)用

遺傳算法（Genetic Algorithm，GA）是一種在全局范圍內(nèi)的概率搜索方法，即通過某種特定的方法在自變量的全局范圍內(nèi)找出一組解使目標(biāo)函數(shù)最優(yōu)。GA基本原理效仿了生物界中的物競天擇、適者生存的進化法則，通過把待優(yōu)化的參數(shù)編碼成染色體，再循環(huán)進行選擇、交叉、變異等操作直至種群的最優(yōu)解達到目標(biāo)函數(shù)要求或迭代次數(shù)達到設(shè)定值，從而生成符合目標(biāo)函數(shù)要求的最優(yōu)解。GA算法的主要步驟如下：

1）編 碼

采用實數(shù)編碼，將陣元的相位依次排列成一個矢量構(gòu)成染色體，如N個陣元的陣列可編碼為φ=[φ1,φ2,…,φn]，即有N個優(yōu)化變量。

2）選 擇

選擇操作建立在目標(biāo)函數(shù)之上，根據(jù)優(yōu)化的目標(biāo)構(gòu)造目標(biāo)函數(shù)，目標(biāo)函數(shù)值越大的個體適應(yīng)度越高。然后通過輪盤賭的方式選擇適應(yīng)度較高的染色體，適應(yīng)度高的染色體被選中的概率大。另外還可按照實際需要設(shè)置代溝，每次選擇操作時淘汰掉一部分適應(yīng)度低的染色體。

3）交 叉

要進行交叉操作首先要設(shè)置交叉概率px，再從種群中隨機選擇兩個個體，按照交叉概率的大小來判斷是否對選中的個體進行交叉操作。交叉操作可使兩個優(yōu)良個體的基因交換，從而產(chǎn)生適應(yīng)度更高的優(yōu)秀個體，增大了解的全局性。

4）變 異

為了保持種群中個體多樣性，實現(xiàn)全局最優(yōu)，還需對種群中部分個體進行變異操作。首先設(shè)置變異概率pm，再選擇個體的一個碼元按照一定的規(guī)則進行變異，也可對個體產(chǎn)生隨機擾動變異，以產(chǎn)生更優(yōu)秀的個體作為下一次迭代的初始種群的一部分。

總結(jié)一下GA流程圖如圖2所示[2]。

圖2 遺傳算法基本流程

陣列天線波束形成中需要優(yōu)化的變量隨著陣元數(shù)的增加而增多，當(dāng)陣元數(shù)較多時，傳統(tǒng)GA存在收斂速率慢，運算效率低和穩(wěn)定性差等問題，往往導(dǎo)致達不到波束形成性能要求。GA在波束形成的應(yīng)用中由于待優(yōu)化變量個數(shù)多，所以容易陷入局部最優(yōu)，或不能收斂到全局最優(yōu)解，即全局性能較差。在僅改變相位的相控陣天線中，優(yōu)化目標(biāo)為陣元的相位權(quán)值，目標(biāo)方向圖要求旁瓣高度盡可能低，而相位改變的無規(guī)律性，對GA全局性能要求更高，此時需要對傳統(tǒng)遺傳算法進行一定的改進，實現(xiàn)效率最高，結(jié)果最優(yōu)。

3 改進遺傳算法

文中對遺傳算法的改進主要集中在初始種群的選擇，交叉操作的改進以及變異操作的改進上。

1）初始種群的選擇

結(jié)合目標(biāo)方向圖的特性，運用傳統(tǒng)的解析方法計算得到若干組權(quán)值作為遺傳算法初始種群的一部分，有目標(biāo)的選擇初始種群，比如在優(yōu)化目標(biāo)為給定主瓣波束指向，旁瓣盡可能低時，此時可以把普通相控陣的相位偏移權(quán)值作為初始種群的一個個體；在優(yōu)化目標(biāo)為成片零點生成時，可把相應(yīng)的解析解作為初始種群的個體；在多波束天線中，可把多個波束對應(yīng)的權(quán)值相加作為初始種群的個體。除此之外，傳統(tǒng)GA隨機生成初始種群，這會導(dǎo)致變量分布不均勻，所以在改進GA中把變量所在區(qū)間分成若干份，然后在每個小區(qū)間中隨機生成初始個體，這樣可大大增加算法收斂于全局最優(yōu)的可能性，且可以提高收斂速度。

2）交叉操作的改進

在GA中，交叉操作是其重要環(huán)節(jié)，交叉策略在很大程度上決定了算法性能的好壞。但在傳統(tǒng)GA中，因為很多相似個體之間的繁殖，導(dǎo)致交叉操作效果欠好，極大的影響了收斂速率，甚至不能收斂到全局最優(yōu)解。之所以會出現(xiàn)這種現(xiàn)象，其本質(zhì)原因是：隨著迭代次數(shù)的增加，種群進化到一定程度后會出現(xiàn)很多非常相似的個體，這些相似個體的相同基因很多，交叉操作難以產(chǎn)生新的個體，從而造成種群的封閉性。

針對以上問題，很容易想到的一個解決方法，即在兩個個體進行交叉前先進行檢測，若是待交叉的個體相似度很高，則不能直接進行交叉操作，需對其中一個個體進行隨機擾動，然后再進行交叉操作。此方法與人類的繁殖方式類似。文獻中定義了個體的相關(guān)性和種群的多樣性，其過濾操作去掉了與待交叉?zhèn)€體不相關(guān)指數(shù)為1或者0的個體，從而避免出現(xiàn)無效的交叉操作。本文針對無效交叉操作的改進：1）進行親緣關(guān)系檢測，即通過比較兩個個體的相似度來判斷是否進行交叉，如下式：

式中，U1（i）和U2（i）分別為個體U1，U2的第i個變量，根據(jù)實際需求設(shè)置臨界值δ，若d（i）小于δ，則個體U1和U2的第i個變量相似；若個體U1和U2中相似變量的比例達到了單個個體變量總數(shù)的50%以上，則U1和U2相似，不能直接交叉。2）對個體隨機擾動，具體對兩個個體中適應(yīng)度較小的個體做一個隨機擾動，然后再進行交叉。這樣就增大了種群中個體的多樣性，有利于跳出局部最優(yōu)，到達全局最優(yōu)。通過對標(biāo)準(zhǔn)GA交叉操作的改進，克服了標(biāo)準(zhǔn)GA收斂速度慢，易陷入局部最優(yōu)等問題，提高了優(yōu)化效率。

3）變異操作的改進

變異操作在遺傳算法中屬于輔助性操作，對保持種群中個體的多樣性有著重要作用，若無變異操作，則搜索的結(jié)果往往很容易陷入局部最優(yōu)，從而出現(xiàn)早熟及不收斂現(xiàn)象。與變異操作相關(guān)的是變異概率Pm，傳統(tǒng)GA中，Pm取值固定不變，這樣會導(dǎo)致如果變異概率取值過小，就不易產(chǎn)生新的個體；若是取值過大，那就不能保留優(yōu)秀基因，從而變得毫無意義。

此外，GA在應(yīng)用于陣列波束賦形等自變量較多的問題時，若變異概率取值固定不變，則會導(dǎo)致算法效率低下[7]。

鑒于此，本文對變異操作的改進體現(xiàn)在對變異概率Pm的改變上，基本思想是當(dāng)種群中個體的平均適應(yīng)度值較小時，采用較小的變異概率；當(dāng)個體平均適應(yīng)度與最優(yōu)個體適應(yīng)度差值較小時，采用較大的變異概率。假設(shè)每一次迭代種群中最優(yōu)染色體的適應(yīng)度為Fopt，種群的平均適應(yīng)度為Favg，可采用雙變異概率或者多變異概率。以雙變異概率為例，分別為Pm1和Pm2，且Pm1＜Pm2（可假設(shè)Pm1=0.05，Pm2=0.2），當(dāng)Fopt與Favg的差大于某個臨界值σ時，此次迭代采用Pm1為變異概率；當(dāng)Fopt與Favg的差小于臨界值σ時，此次迭代采用Pm2為變異概率。如式（5）所示：

4 仿真及性能分析

4.1 線陣仿真

選擇由40個全向陣元組成的均勻線陣，不考慮陣元間的耦合現(xiàn)象。陣元間距為d，陣元間距與入射信號波長之比d/λ=0.5。假設(shè)適應(yīng)度函數(shù)為F，則優(yōu)化目標(biāo)函數(shù)可定義為F=MSLL，式中MSLL為最大相對旁瓣電平，計算公式為，f（θ）為陣列的方向圖函數(shù)，D為方向圖旁瓣區(qū)域。若主瓣指向0°且主瓣零點波束寬度為BW0（結(jié)合實際情況，此處BW0可取為6°），則旁瓣區(qū)域D可表示為D=。傳統(tǒng)的遺傳算法初始種群隨機生成，交叉概率Px=0.8，變異概率Pm=0.05；改進的遺傳算法中把普通相控陣天線的系數(shù)作為初始種群的一個個體，其余個體按區(qū)間隨機生成，交叉操作時進行親緣關(guān)系檢測，變異操作采用雙變異概率，其中Pm1=0.1，Pm2=0.2；初始種群大小設(shè)置為200，最大迭代次數(shù)200。仿真結(jié)果如圖3～4所示。

圖3 波束指向角為0°方向圖

圖4 進化代數(shù)比較

通過觀察圖3可以發(fā)現(xiàn)，改進的遺傳算法旁瓣高度約為-17.8 dB，而傳統(tǒng)的遺傳算法獲得的旁瓣高度為-16.3 dB；通過圖4可見，改進的遺傳算法在迭代到60左右就已收斂到最優(yōu)解，而傳統(tǒng)的遺傳算法迭代到200代時還未收斂到最優(yōu)解，從而驗證了改進的遺傳算法在相控陣天線旁瓣抑制上具有更好的全局性且能夠更快的收斂到最優(yōu)解。

4.2 面陣仿真

選擇由64個全向陣元組成的8×8均勻面陣，不考慮陣元間的耦合現(xiàn)象。陣元間距為d，陣元間距與入射信號波長之比d/λ=0.5。在平面陣列中，方向圖的主瓣區(qū)域應(yīng)是一個圓，此時旁瓣區(qū)域D可表示為D={u,v|v2+v2≥δ2且-1≤u,v≤1} ，其中δ是跟主瓣波束寬度有關(guān)的常量。其余變量的設(shè)置與線陣仿真中的基本一致，仿真結(jié)果如圖5、6所示。

圖5 φ=0°剖面方向圖

圖6 面陣進化代數(shù)比較

觀察圖5和圖6，改進的遺傳算法能夠獲得較傳統(tǒng)遺產(chǎn)算法更低的旁瓣，具體分別為-14.62 dB和-13.00 dB，且改進的遺傳算法有更高的優(yōu)化效率，即該算法能夠更快速收斂到最優(yōu)解，結(jié)論與線陣仿真基本一致，驗證了本文提出的改進的遺傳算法的正確性和有效性。

5 結(jié)束語

文中首先推導(dǎo)了一維均勻線陣和二維均勻平面陣列的方向圖函數(shù)公式，接著分析了傳統(tǒng)遺傳算法在陣列天線波束賦形中可能存在的問題，結(jié)合遺傳算法的特性闡明了“早熟”、不收斂以及算法效率低等現(xiàn)象產(chǎn)生的原因。重點提出了一種改進的遺傳算法，此方法針對傳統(tǒng)GA可能出現(xiàn)的問題，對GA過程中初始種群的選擇，交叉操作以及變異操作進行了優(yōu)化改進。通過MATLAB分別對線陣和面陣進行仿真，仿真結(jié)果表明改進GA能得到更低的旁瓣，并且算法的效率大大提高，從而驗證了本文提出的改進GA在唯相波束賦形中的有效性，為以后進一步研究奠定了基礎(chǔ)。

參考文獻：

[1]張小飛，陳華偉，仇小鋒，等.陣列信號處理及MATLAB實現(xiàn)[M].北京：電子工業(yè)出版社，2015.

[2]郁磊.MATLAB智能算法30個案例分析[M].北京：北京航空航天大學(xué)出版社，2015.

[3]韓衛(wèi)國，徐超.一維線陣唯相位低副瓣技術(shù)分析[J].雷達與對抗，2013，33（1）：17-20.

[4]閆秋飛.一維唯相位低副瓣技術(shù)研究[J].艦船電子對抗，2009，32（5）：52-55.

[5]申建華，鄭曉冬，趙麟．基于遺傳算法的波束形成算法研究[J].無線電通信技術(shù)，2015，41（3）：83-85．

[6]張友益，徐朝陽.相位加權(quán)低副瓣陣列天線綜合技術(shù)研究[J].船海電子對抗，2014，37（1）：71-77.

[7]周宇鵬張爭氣.基于改進遺傳算法的波束形成方法[J]，計算機仿真，2010，27（8）：208-211.

[8]單俊濤，尹武，周繼宇.一種改進的自適應(yīng)波束賦形算法[J].廣東通信技術(shù)，2012，32（1）：36-38.

[9]孫冬暖.陣列天線的方向圖綜合研究與分析[D].西安：西安電子科技大學(xué)，2014.

[10]馬曉峰，馮丹萍，吳玉清，等.一種星載陣列天線的高效波束賦形算法[J].電波科學(xué)學(xué)報，2016，31（3）：479-485.

[11]S Jayaprakasam，SKA Rahim，LC Yen KR Ramana?than.Genetic Algorithm BasedWeight Optimization for Minimizing Sidelobes in Distributed Random Array Beamforming[J].International Conferenceon Parallel&Distributed Systems，2013：623-627.

[12]張海生，于勇，師亞輝，等.基于改進遺傳算法的子陣級數(shù)字波束形成方法[J].遙測遙控，2016，37（4）：1-6.

[13]伍麟珺.改進遺傳算法在線陣波束方向圖中的應(yīng)用[J].電子世界，2012（3）：22-25.

[14]H Pessentheine，G Kubin，H Romsdorfer.Improving Beamforming for Distant Speech Recognitionin Re?verberant Environments Using a Genetic Algorithm for Planar Array Synthesis.Speech Communica?tion；10 Itg Symposium，2012，58（3）：1-4.

[15]周媛.相控陣天線子陣級波束形成及優(yōu)化[D].西安：西安電子科技大學(xué)，2014.

[16]尚勇.星載多波束相控陣天線綜合優(yōu)化技術(shù)研究[D].上海：中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所，2012.

[17]叢友記，卞美琴，簡玲，等.一種唯相位加權(quán)降低天線副瓣技術(shù)研究[J].雷達與對抗，2015，35（2）：45-48.