首页|嵌入式系统|显示技术|模拟IC/电源|元件与制造|其他IC/制程|消费类电子|无线/通信|汽车电子|工业控制|医疗电子|测试测量
首页 > 分享下载 > 消费类电子 > 混合遗传算法在天线阵方向图优化中的应用

混合遗传算法在天线阵方向图优化中的应用

资料介绍
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……
混合遗传算法在天线阵方向图优化中的应用
本地下载

评论