[发明专利]基于粒子群优化算法的多波束卫星阵列天线方向图综合方法

摘要

基于粒子群优化算法的多波束卫星阵列天线方向图综合方法，本发明涉及多波束卫星阵列天线方向图综合方法。本发明为了解决利用传统粒子群优化算法进行星载波束赋形时面临的收敛速度慢以及容易陷入局部优解的问题。为了弥补低轨卫星远近效应所带来的路径损耗，需要设计特殊形状的波束。本发明采用启发式算法粒子群优化算法，通过将阵元幅值和相位的求解模拟为自然界中鸟群对食物的搜索过程。设定初始种群数，粒子数目以及迭代次数最终得到优良的平顶波束和余割平方波束。满足等通量覆盖的要求。本发明在迭代300次左右就已经收敛到最优解，而传统算法需要超过500次才会达到收敛。本发明用于卫星通讯领域。

主权项

基于粒子群优化算法的多波束卫星阵列天线方向图综合方法，其特征在于：所述多波束卫星阵列天线方向图综合方法包括以下步骤：步骤1、针对N个阵元的直线排布相控阵天线，将阵元幅值向量w和相位值向量p进行初始化；步骤2、计算种群中每个粒子幅度和相位的位置和速度；步骤3、计算种群中每个粒子的适应度值s以及迭代误差e；将第i次计算得到迭代误差e与第i‑1次计算得到迭代误差e进行比较，取迭代误差e值小的粒子所对应的阵元幅值向量w和相位值向量p作为该粒子的个体最优值；适应度s的初始值为0，所述适应度s为实际方向图与目标方向图的差值的平方；所述迭代误差e为实际方向图与目标方向图主瓣的抽样点的差值平方和加上两个副瓣电平的最大值的绝对值；s＝(fi‑ftarget)2e=Σi=1u-2(fi-ftarget)2+max(g1-g0g0)+max(g2-g0g0)]]>其中fi为实际方向图的抽样点值，u为主瓣的抽样点个数以及两个副瓣最大值抽样点个数的和，ftarget为目标方向图的抽样点值；g1为每次更新时左侧副瓣的最大电平值，g0为所需综合的副瓣电平值，g2为每次更新时右侧副瓣的最大电平值；步骤4、比较步骤三中得到的种群中每个粒子的迭代误差e，取迭代误差e值最小的粒子所对应的阵元幅值向量w和相位值向量p作为该粒子的局部最优值；根据局部最优值得到实际方向图；步骤5、根据以下公式更新粒子幅度和相位的位置、速度；Vk+1a=ωVka+c1(pbestka-xka)+c2(gbestka-xka)]]>xk+1a=xka+Vk+1a]]>Vk+1p=ωVkp+c1(pbestkp-xkp)+c2(gbestkp-xkp)]]>xk+1p=xkp+Vk+1p]]>式中ω为惯性权重因子；c1，c2为学习因子，k为迭代次数，Vkp为第k次迭代时粒子相位的速度，为第k次迭代时粒子相位的位置，为第k次迭代时粒子相位的个体最优值，为第k次迭代时粒子相位的局部最优值；Vka为第k次迭代时粒子幅度的速度，为第k次迭代时粒子幅度的位置，为粒子幅度的个体最优值，为粒子幅度的局部最优值；步骤6、计算群体适应度标准差α；α=1mΣi=1m(fi-favg)2]]>其中favg为群体目前的平均适应度值；m为实际方向图的抽样点个数，α越小粒子群趋于收敛，α越大粒子群处于发散状态；步骤7、将步骤6得到的群体适应度标准差α小于阈值的粒子的迭代误差e与目标方向图的抽样值和r进行比对，若e/r超过10％，则将这些满足α小于阈值，e/r超过10％的粒子取出进行变异操作并执行步骤8，否者执行步骤9；r=Σimftarget]]>步骤8、对步骤7中需要进行变异的粒子数目中的50％的粒子根据以下公式进行变异；并返回执行步骤3；xbj=xdj(1+0.5η)]]>xqj=360*xpj(1+0.5η)]]>为变异后的粒子幅度值，变异前的粒子幅度值，为变异后的粒子相位值，变异前的粒子相位值，η是满足高斯(0，1)分布的随机变量；步骤9、迭代终止条件为是否达到全局收敛或达到最大迭代次数T；若符合迭代终止条件输出最终的阵元幅值向量w和相位值向量p并绘制实际方向图，否则迭代执行步骤3。