混合遗传算法在天线阵方向图优化中的应用

40 混合遗传算法在天线阵方向图优化中的应用-张则伟
混合遗传算法在天线阵方向图优化中的应用
摘要：本文通过在遗传算法中加入一个改进的模式搜索算子，利用模式搜索的局部
搜索功能，使得本算法能以较大的概率求得天线阵副瓣电平较低的全局解。
关键词：天线阵；圆阵；方向图；遗传算法；模式搜索法


1. 引言

遗传算法将生物进化中遗传、变异、自然选择等观点引入优化计算中，只需要优化象的
目标函数值，在不可微甚至不连续的函数优化中，遗传算法能以较大的概率求得全局最
优解，具有较强的鲁棒性、适应性和高度的并行性等特点，而且算法简单，得到广泛重
视。然而本人运用遗传算法对天线阵方向图的副瓣电平进行反复优化时，发现效果并不
理想，多次运行结果能找到最优解的次数很少，为解决此问题，在遗传算法的基础上引
入一种混合遗传算法。
2. 遗传算法

遗传算法主要借用生物进化中"适者生存"的规律，是具有"生成＋检测"的迭代过程的搜
索算法，遗传算法是一种群体型操作，该操作以群体中的所有个体为对象。选择、交叉
和变异是遗传算法的三个主要操作算子。遗传算法包含如下６个基本步骤：
(1)确定编码方法：由于遗传算法不能直接处理解空间的解数据，因此必须通过编码将它
们表示成遗传空间的基因型串结构数据。
(2)生成初始群体：由于遗传算法的群体型操作需要，所以必须为遗传操作准备一个由若
干初始解组成的初始群体。初始群体的每个个体都是通过随机方法产生的。
(3)确定个体评价方法：遗传算法在搜索进化过程中一般不需要其他外部信息，仅用适应
度值来评估个体或解的优劣，并作为以后遗传操作的依据。
(4)选择：选择或复制操作是为了从当前群体中选出优良的个体，使它们有机会作为父代
为下一代繁殖子孙。个体适应度越高，其被选择的机会就越多。一般采用与适应度成比
例的概率方法进行选择。具体地说，就是首先计算群体中所有个体适应度的总和（∑ｆ）
，再计算每个个体的适应度所