[发明专利]一种大型平面阵列天线方向图综合级联优化方法

说明书

技术领域

本发明属于雷达天线技术领域，涉及一种大型平面阵列天线方向图综合级联优化方法。

背景技术

本发明用于平面阵列天线的方向图赋形，特别是对于大型平面阵列具有效率高的优势。平面阵列天线综合方法是伴随着雷达技术的发展而不断发展的，目前国内外针对基于全阵单元加权的阵列天线方向图综合可以分为以下几种方法：解析法；传统数学优化法；人工智能型算法；迭代傅里叶算法(IFT)。

解析法是指直接利用解析公式对天线方向图综合计算，该方法能够快速计算出所需方向图的激励分布。目前经典的方法有泰勒(Taylor)综合法、切比雪夫(Chebyshev)综合法、贝里斯(Bayliss)综合法等(薛正辉，李伟明，任武《阵列天线分析与综合》北京：北京航空航天大学，2011)，这些算法的特点就是利用解析公式就可以快速得到激励分布，具有实时性的特点，然而这些方法只能对笔形低副瓣方向图等一些简单方向图进行综合设计，对于复杂的方向图综合该方法将无能为力。

传统数学优化方法与解析方法相比具有灵活性强、适用性广等优点。从数学上看，阵列天线优化设计问题的本质是求解阵列辐射方向图各项性能指标(如方向性系数、副瓣电平等)关于最佳激励加权矢量、阵元空间分布的全局最小值或最大值问题。在传统优化方法中将这些最值问题的数学表达式称为目标函数。最陡下降法(Robert G Voges,Jerome K Butler.Phase optimization of antenna array gain with constrained amplitude excitation[J].IEEE Transactions on Antennas and Propagation,1972,20(4):432-436.)、线性规划法(胡亮兵，刘宏伟，杨晓超等.集中式MIMO雷达发射方向图快速设计方法[J].电子与信息学报，2010，32(2)：481-484.)等传统的数学优化方法被陆续应用到方向图综合问题中。阵列天线优化设计中的目标函数对设计参量往往具有非线性、不可微等数学特性，因此最陡下降法、线性规划法等局部优化算法在求解这类问题时对选取初值的好坏具有很强的依赖性，在迭代过程中容易陷入局部极值点。对于更加复杂的多目标、大规模变量优化问题，这些方法将会出现不收敛、计算效率降低等问题。

人工智能型优化算法典型的如遗传算法(GA)(Mandal D,Ghoshal S K,Das S,et al.Improvement of radiation pattern for linear antenna array using genetic algorithm[C].Proc.of the International conference on Recent Trends in Information,Telecommunication and Computing,2010:126-129.)、粒子群(PSO)算法(刘燕，郭陈江，丁君等，基于粒子群算法的阵列天线方向图综合[J].电子测量技术，2007，30(6)：43-45.)、差分进化算法(DE)(谢欢欢，杨伯朝.基于差分进化算法的阵列天线方向图综合研究[J].现代导航，2012年6月第3期：219-224.)以及多种智能优化算法结合的算法(周海进，刘其中，李建峰等.阵列天线方向图综合的混合遗传算法优化[J].微波学报,2008年10月第24卷增刊：60-64.)、(刘瑞斌,鄢泽洪,孙从武等.PSO和GA在阵列天线方向图综合中的应用[J].西安电子科技大学学报(自然科学版)，2006年10月第33卷第5期：797-813.)等在方向图综合领域得到了应用。这些人工智能型算法解决非线性优化问题具有简单通用、适应性强而且能够避免陷入局部最优等特点。基于这些特点，将人工智能型算法应用于电磁学领域解决了其他算法解决不了的问题，但是这些算法收敛速度缓慢，文献中所述的综合阵列规模一般为直线阵或者是单元数小于300的小型平面阵列天线。