一种带罩阵列天线的和、差波束优化方法

技术领域

本发明属于无线通信技术领域，具体涉及一种带罩阵列天线的和、差波束优化方法。

背景技术

随着航天领域技术的不断创新，带罩天线作为超高速飞行器等重大信息化武器的重要组成部分，天线罩可以避免外界环境或电磁干扰影响阵列天线的性能。然而，天线罩在一定程度上又会影响阵列天线原本的辐射特性。因而在设计阶段，就需要对天线罩所带来的影响进行评估。带罩阵列天线一体化仿真能够准确地预测阵列天线与天线罩的电磁性能，避免不必要的试验，提高设计效率。同时，带罩阵列天线一体化仿真也能够在设计阶段尽早发现问题，降低成本与风险。因此对阵列天线及天线罩进行一体化仿真具有非常重要的研究意义。

在实际应用中，设计出理想的天线罩通常是很难实现的，因而天线罩或多或少都会影响其内阵列天线的性能。为了减小或消除这种影响，可以使用优化算法对阵列天线中各单元激励的幅度和相位进行优化，从而使带罩阵列天线的相关性能指标满足要求。然而带罩阵列天线的优化设计问题通常是复杂的、非线性、多目标优化问题，随着问题的复杂程度增加，优化难度也随之增加，这对优化算法本身的性能无疑也提出了更高的挑战。如何对带罩阵列天线进行高效地仿真优化设计，便成为了研究的难点。比如，刘璐等人在其发表的论文《Performance Improvement of Antenna Array-Radome System Based onEfficient Compensation and Optimization Scheme》(IEEE Antennas and WirelessPropagation Letters，2020)中公开了一种相位补偿和幅度优化方案，以改善天线罩对阵列天线辐射特性带来的不良影响，该方案的步骤为：使用理想点源模型代替实际的天线结构，天线罩的形状由超椭球方程来描述；使用矩量法结合多层快速多极子算法对加罩前后的远场特性进行计算，并提取出天线罩在不同角度上引起的幅度和相位失真；对每个天线单元进行相位补偿修正指向误差；使用拟牛顿算法对各单元激励的幅度进行优化，使得带罩阵列天线和波束的波束宽度和副瓣电平满足设定的指标要求。

但是，现有上述刘璐等人提出的方案，存在如下问题：使用理想点源代替实际天线单元，没有考虑真实模型，在实际工程应用中会产生较大误差；没有考虑激励幅度调控和相位补偿之间的相关性，针对不同扫描角度的波束，该方案需要自行对相位进行补偿矫正波束指向；使用的拟牛顿算法对于初始点以及目标函数的要求较高，通用性较差；没有对加罩后的差波束进行优化分析，在实际的工程应用中经常将带罩天线的和、差波束组合应用于目标跟踪；只处理了带罩直线阵列天线模型，并未对大型的带罩平面阵列天线进行优化分析。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种带罩阵列天线的和、差波束优化方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种带罩阵列天线的和、差波束优化方法，包括：

创建阵列天线模型、带罩阵列天线模型；

分别对所述阵列天线模型、所述带罩阵列天线模型进行四边形网格剖分；

基于所述阵列天线模型、所述带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图；

给所述阵列天线模型、所述带罩阵列天线模型中的天线单元施加激励，并结合所述有源单元方向图，计算不同扫描角度下所述阵列天线模型、所述带罩阵列天线模型对应的和、差波束，并对比相应的性能指标；

采用改进的混合差分进化算法对不满足指标要求的所述带罩阵列天线模型的和、差波束进行优化设计；其中，改进的混合差分进化算法分别进行全局迭代搜索和局部迭代搜索，在全局迭代搜索和局部迭代搜索过程中自适应计算变异因子和交叉因子。

在本发明的一个实施例中，所述阵列天线模型由若干天线单元组成，每个所述天线单元包括设置于地板上的介质基板，以及与所述介质基板垂直设置的相互交叉的两个介质板；每个所述介质板上设置有馈电及辐射贴片，每个所述馈电及辐射贴片都设置有同轴端口。

在本发明的一个实施例中，基于所述阵列天线模型、所述带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图，包括：

分别给所述阵列天线模型、所述带罩阵列天线模型中每个天线单元施加初始化激励幅度和相位；

根据施加的初始化激励幅度和相位，基于所述阵列天线模型、所述带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图。

在本发明的一个实施例中，采用改进的混合差分进化算法对不满足指标要求的所述带罩阵列天线模型的和、差波束进行优化设计，包括：

根据所述带罩阵列天线模型的和、差波束确定优化设计过程中涉及的种群参数，并根据所述种群参数初始化种群；

计算初始化种群中每个个体对应的适应度函数值；

设计并计算变异因子，根据所述初始化种群中每个个体对应的适应度函数值从初始化种群中挑选若干中间最优个体，根据所述变异因子和若干所述中间最优个体对所述初始化种群中所有个体进行变异操作；

设计并计算交叉因子，根据所述交叉因子对初始化种群中个体和变异后的个体进行交叉操作；

计算交叉后每个个体对应的适应度函数值，判断初始化种群中每个个体对应的适应度函数值是否大于交叉后每个个体对应的适应度函数值，若是，则保留交叉后对应的个体更新初始化种群，否则保留初始化对应的个体更新初始化种群；

从更新的初始化种群中再选出最终最优个体，判断预设阈值代的最终最优个体的适应度函数值是否相同：

若不相同，则判断是否达到最大迭代次数或预设精度阈值：

若是，则输出所述最终最优个体；

若不是，则根据更新的初始化种群中所有个体对应的变异因子计算Lehmer均值，根据所述Lehmer均值更新下一次迭代中自适应计算变异因子所用的均值，并利用该自适应计算变异因子所用的均值重新计算变异因子，同时根据更新的初始化种群中所有个体对应的交叉因子计算算术平均值，根据所述算术平均值更新下次迭代中自适应计算交叉因子所用的均值，并利用该自适应计算交叉因子所用的均值重新计算交叉因子，重复上述变异操作、交叉操作和选择操作，直至达到最大迭代次数或预设精度阈值；

若相同，则根据所述最终最优个体构成初始单纯形，使用Nelder-Mead单纯形法对所述初始化单纯形进行局部搜索，输出局部搜索后的最优个体，计算该局部搜索后的最优个体对应的适应度函数值，判断该局部搜索后的最优个体对应的适应度函数值是否满足预设精度阈值：

若是，则输出该局部搜索后的最优个体作为最终最优个体；

若不是，则根据更新的初始化种群中所有个体对应的变异因子计算Lehmer均值，根据所述Lehmer均值更新下一次迭代中自适应计算变异因子所用的均值，并利用该自适应计算变异因子所用的均值重新计算变异因子，同时根据更新的初始化种群中所有个体对应的交叉因子计算算术平均值，根据所述算术平均值更新下次迭代中自适应计算交叉因子所用的均值，并利用该自适应计算交叉因子所用的均值重新计算交叉因子，重复上述变异操作、交叉操作和选择操作，直至达到最大迭代次数或预设精度阈值。

在本发明的一个实施例中，设计的变异因子，公式表示为：

F

其中，F

对应，变异操作公式表示为：

V

其中，V

在本发明的一个实施例中，设计的交叉因子，公式表示为：

CR

其中，CR

对应，交叉操作公式表示为：

其中，U

在本发明的一个实施例中，计算Lehmer均值，公式表示为：

其中，S

对应，根据所述Lehmer均值更新自适应计算变异因子所用的均值，公式表示为：

μ

其中，μ

在本发明的一个实施例中，计算算数平均值，公式表示为：

其中，S

对应，根据所述算数平均值更新自适应计算交叉因子所用的均值，公式表示为：

μ

其中，μ

本发明的有益效果：

本发明提出的带罩阵列天线的和、差波束优化方法，综合考虑阵列天线模型和带罩阵列天线模型的特性，利用改进的混合差分进化算法实现对带罩平面阵列天线阵列模型的优化，具体地：创建阵列天线模型、带罩阵列天线模型；分别对阵列天线模型、带罩阵列天线模型进行四边形网格剖分；基于阵列天线模型、带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图；给阵列天线模型、带罩阵列天线模型中的天线单元施加激励，并结合有源单元方向图，计算不同扫描角度下阵列天线模型、带罩阵列天线模型对应的和、差波束，并对比相应的性能指标；采用改进的混合差分进化算法对不满足指标要求的带罩阵列天线模型的和、差波束进行优化设计；其中，改进的混合差分进化算法分别进行全局搜索和局部搜索，在全局搜索和局部搜索过程中自适应计算变异因子和交叉因子。可见，本发明采用未知量较少的高阶矩量法对阵列天线模型、带罩阵列天线模型进行一体化仿真计算，然而带罩阵列天线模型的优化问题，通常是高维、非线性、多目标复杂优化问题，对于优化算法的性能有较高的要求，为了加快收敛速度，本发明提出了一种改进混合差分进化算法，将高阶矩量法和改进的混合差分进化算法进行结合，可借助于高性能计算平台，对大型的带罩阵列天线进行高效优化设计，克服了现有技术仅对简单的带罩直线阵列进行优化的问题，使得本发明具有更强的普适性；为了高效实现带罩阵列天线模型一体化优化，精确考虑带罩阵列天线模型之间的耦合，本发明采用高阶矩量法提取每一个天线单元的有源单元方向图，将其与优化过程中所得各天线单元的激励幅相进行叠加，即基于阵列天线模型、带罩阵列天线模型中各天线单元的激励幅相调控，可快速计算出阵列天线模型、带罩阵列天线模型的远场辐射方向图，实现对带罩阵列天线的和、差波束均进行优化设计，更加符合工程应用需求；本发明提出的改进混合差分进化算法，从全局和局部分别进行迭代搜索，可以保证迭代搜索后得到最优解，同时搜索迭代中自适应计算变异因子和交叉因子，相比于标准差分进化算法中固定的变异因子和交叉因子设计，进一步保证迭代搜索后得到最优解，且算法收敛速度快。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种带罩阵列天线的和、差波束优化方法的流程示意图；

图2(a)～图2(b)是本发明实施例提供的阵列天线模型、带罩阵列天线模型示意图；

图3(a)～图3(b)是本发明实施例提供的阵列天线模型中每个天线单元的结构示意图；

图4(a)～图4(b)是本发明实施例提供的波束扫描时加罩前后沿着xoz面、yoz面的和、差波束对比示意图；

图5(a)～图5(b)是本发明实施例提供的在俯仰扫-10°、方位扫10°下波束扫描时加罩前后和、差波束对比示意图；

图6(a)～图6(b)是本发明实施例提供的在俯仰扫-10°下优化前后加罩阵列天线模型的和、差波束对比示意图；

图7(a)～图7(b)是本发明实施例提供的在方位扫10°下优化前后加罩阵列天线模型的和、差波束对比示意图；

图8(a)～图8(b)是本发明实施例提供的在俯仰扫-10°下差波束不同优化算法的优化结果示意图；

图9是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

为了克服现有技术仅对简单的带罩直线阵列进行优化的问题，实现大型带罩阵列天线的高效优化，使得带罩阵列天线具有更强的普适性，请参见图1，本发明实施例提供了一种带罩阵列天线的和、差波束优化方法，具体包括以下步骤：

S10、创建阵列天线模型、带罩阵列天线模型。

根据实际应用需求，创建天线单元，可以是对称振子、微带天线、波导缝隙天线等。比如如图3(a)所示，创建的天线单元包括设置于地板上的介质基板，以及与介质基板垂直设置的相互交叉的两个介质板；每个介质板上设置有馈电及辐射贴片，每个馈电及辐射贴片都设置有同轴端口(同轴端口1、同轴端口2)；图3(b)是图3(a)中的部分局部放大图。本发明实施例示例性给出了天线单元的尺寸参数，具体地：地板的长和宽均为13.5mm，介质基板的长和宽均为13.5mm，厚度为0.18mm，介质基板和介质板的材料均为FR4。

阵列天线模型由若干天线单元组成，使用天线单元进行组阵，可以组成一维线阵，也可以组成二维平面阵，天线单元间距可以是等间距，也可以是非等间距，如图2(a)所示，图2(a)中标记的数字表示对各个天线单元激励的顺序。将该阵列天线模型放入天线罩中，构成带罩阵列天线模型，如图2(b)所示。本发明实施例示例性给出了带罩阵列天线的尺寸参数，具体地：天线罩高0.66m，口径大小：长轴为0.569m，短轴为0.376m，相对介电常数为2.2，损耗角正切为0.05，阵列天线放在距离天线罩底部0.084m处。计算频率为11GHz。

S20、分别对阵列天线模型、带罩阵列天线模型进行四边形网格剖分。

利用现有方法，分别对阵列天线模型、带罩阵列天线模型进行四边形网格剖分，后续计算基于剖分的四边形网格进行。

S30、基于阵列天线模型、带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图。

本发明实施例提出了一种可选方案，基于阵列天线模型、带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图，包括：

分别给阵列天线模型、带罩阵列天线模型中每个天线单元施加初始化激励幅度和相位；根据施加的初始化激励幅度和相位，基于阵列天线模型、带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图。

举例，使用高阶矩量法分别对阵列天线模型、带罩阵列天线模型进行仿真计算，仅将阵列天线模型、带罩阵列天线模型中一个天线单元的初始化激励幅度设为1V、相位设为0°，阵列天线模型中其他天线单元的初始化激励幅度设为0V、相位设为0°，计算所得的辐射方向图即为该天线单元的有源单元方向图，依次提取所有天线单元对应的有源单元方向图，记为

S40、给阵列天线模型、带罩阵列天线模型中的天线单元施加激励，并结合有源单元方向图，计算不同扫描角度下阵列天线模型、带罩阵列天线模型对应的和、差波束，并对比相应的性能指标。

给阵列天线模型、带罩阵列天线模型中每个天线单元施加激励幅度设为1V，相位根据相关需要的理论计算结果进行设置。比如，只激励第n个天线单元，计算得到的该天线单元的有源单元方向图为

其中，

可见，本发明实施例根据提取的有源单元方向图与所设天线单元施加的激励幅度和相位利用公式(1)计算总远场，再通过总远场计算对应的方向系数，最后通过方向系数计算阵列天线模型、带罩阵列天线模型对应的和、差波束，对比加罩前后不同扫描情况时，和波束的指向、副瓣电平，差波束的零深位置、零深电平和副瓣电平等性能指标。

S50、采用改进的混合差分进化算法对不满足指标要求的带罩阵列天线模型的和、差波束进行优化设计；其中，改进的混合差分进化算法分别进行全局迭代搜索和局部迭代搜索，在全局迭代搜索和局部迭代搜索过程中自适应计算变异因子和交叉因子。

标准差分进化算法通常交叉因子和变异因子在整个迭代过程中是固定的，这样的设计方式若固定值设计不合理时，并不能得到最优解。因此，本发明实施例在标准差分进化算法的基础上提出了一种混合差分进化算法，该算法在处理带罩阵列天线的和、差波束优化问题时收敛速度有所加快。具体本发明实施例采用改进的混合差分进化算法对不满足指标要求的带罩阵列天线模型的和、差波束进行优化设计，包括：

根据带罩阵列天线模型的和、差波束确定优化设计过程中涉及的种群参数，并根据种群参数初始化种群；

计算初始化种群中每个个体对应的适应度函数值；

设计并计算变异因子，根据初始化种群中每个个体对应的适应度函数值从初始化种群中挑选若干中间最优个体，根据变异因子和若干中间最优个体对初始化种群中所有个体进行变异操作；

设计并计算交叉因子，根据交叉因子对初始化种群中个体和变异后的个体进行交叉操作；

计算交叉后每个个体对应的适应度函数值，判断初始化种群中每个个体对应的适应度函数值是否大于交叉后每个个体对应的适应度函数值，若是，则保留交叉后对应的个体更新初始化种群，否则保留初始化对应的个体更新初始化种群；

从更新的初始化种群中再选出最终最优个体，判断预设阈值代的最终最优个体的适应度函数值是否相同：

若不相同，则判断是否达到最大迭代次数或预设精度阈值：

若是，则输出最终最优个体；

若不是，则根据更新的初始化种群中所有个体对应的变异因子计算Lehmer均值，根据Lehmer均值更新下一次迭代中自适应计算变异因子所用的均值，并根据该自适应计算变异因子所用的均值重新计算变异因子，同时根据更新的初始化种群中所有个体对应的交叉因子计算算术平均值，根据算术平均值更新下次迭代中自适应计算交叉因子所用的均值，并根据该自适应计算交叉因子所用的均值重新计算交叉因子，重复上述变异操作、交叉操作和选择操作，直至达到最大迭代次数或预设精度阈值；

若相同，则根据最终最优个体构成初始单纯形，使用Nelder-Mead单纯形法对初始化单纯形进行局部搜索，输出局部搜索后的最优个体，计算该局部搜索后的最优个体对应的适应度函数值，判断该局部搜索后的最优个体对应的适应度函数值是否满足预设精度阈值：

若是，则输出该局部搜索后的最优个体作为最终最优个体；

若不是，则根据更新的初始化种群中所有个体对应的变异因子计算Lehmer均值，根据Lehmer均值更新下一次迭代中自适应计算变异因子所用的均值，并利用该自适应计算变异因子所用的均值重新计算变异因子，同时根据更新的初始化种群中所有个体对应的交叉因子计算算术平均值，根据算术平均值更新下次迭代中自适应计算交叉因子所用的均值，并利用该自适应计算交叉因子所用的均值重新计算交叉因子，重复上述变异操作、交叉操作和选择操作，直至达到最大迭代次数或预设精度阈值。

本发明实施例，优化种群中每个个体指的是256个天线单元的激励幅度和相位，种群是由NP＝150个个体组成，NP为种群规模，并根据期望的优化目标设置适应度函数，在这里优化目标为和波束、差波束，对应的设置的适应度函数分别为和波束的适应度函数、差波束的适应度函数，和波束是最大指向准确，降低副瓣电平，差波束：零深位置准确，降低副瓣电平和零深电平；初始化种群的种群规模NP＝150，自适应计算变异因子所用的均值μ

对应的，初始化种群公式表示为：

X

式中，X

本发明实施例，利用现有方法，根据差波束的适应度函数、和波束的适应度函数计算初始化种群中每个个体对应的适应度函数值。

本发明实施例设计的变异因子，公式表示为：

F

其中，F

对应，变异操作公式表示为：

V

其中，V

本发明实施例设计的交叉因子，公式表示为：

CR

其中，CR

对应，交叉操作公式表示为：

其中，U

这里，判断初始化种群中每个个体对应的适应度函数值是否大于交叉后每个个体对应的适应度函数值，即f(U

本发明实施例计算Lehmer均值，公式表示为：

其中，S

对应，根据Lehmer均值更新自适应计算变异因子所用的均值，公式表示为：

μ

其中，μ

本发明实施例计算算数平均值，公式表示为：

其中，S

对应，根据算数平均值更新自适应计算交叉因子所用的均值，公式表示为：

μ

其中，μ

本发明实施例并未达到预设阈值代n＝20的最终最优个体的适应度函数值，则利用公式(7)根据更新的初始化种群中所有个体对应的变异因子计算Lehmer均值，利用公式(8)根据Lehmer均值更新下一次迭代中自适应计算变异因子所用的均值，并利用公式(3)根据该自适应计算变异因子所用的均值重新计算变异因子，同时利用公式(9)根据更新的初始化种群中所有个体对应的交叉因子计算算术平均值，利用公式(10)根据算术平均值更新下次迭代中自适应计算交叉因子所用的均值，并利用公式(5)根据该自适应计算交叉因子所用的均值重新计算交叉因子，重复上述公式(4)的变异操作、公式(6)的交叉操作和选择操作，直至达到最大迭代次数或预设精度阈值。这里，改进的混合差分进化算法进行全局迭代搜索，在全局迭代搜索过程中自适应计算变异因子和交叉因子。

本发明实施例达到预设阈值代n＝20的最终最优个体的适应度函数值相同，则以当前初始化种群中最终最优个体X

为了验证本发明实施例提供的带罩阵列天线的和、差波束优化方法的有效性，进行以下实验进行验证。

1.仿真实验条件：

本发明的仿真实验的硬件平台为：浪潮计算集群，型号为NF5468M5。节点内配置2颗Intel Xeon 6248R金牌处理器；单处理器核数24，主频3.0GHz；配置1TB ECC RegisteredDDR4 2933内存。

2.仿真内容及其结果分析：

(1)、比较分析波束扫描时加罩前后和、差波束的性能指标

只对各天线单元中的端口1进行激励，激励顺序如图2(a)中所示。定义沿着xoz面进行波束扫描为俯仰面波束扫描，沿着yoz面波束扫描为方位面波束扫描。将各天线单元激励的幅度均设为1V，以y轴作为对称轴，x轴正半平面各天线单元激励的相位为0°，负半平面各天线单元激励的相位为180°，计算俯仰扫差波束，即xoz面和、差波束，如图4(a)所示；将各天线单元激励的幅度均置为1V，以x轴作为对称轴，y轴正半平面各天线单元激励的相位为0°，负半平面各天线单元激励的相位为180°,计算方位扫差波束，即yoz面和、差波束，如图4(b)所示。

如图5(a)～图5(b)所示，图5(a)是在俯仰扫-10°时加罩前后和、差波束对比结果，图5(b)是方位扫10°时加罩前后和、差波束对比结果，图5(a)和图5(b)的横坐标表示极坐标系下θ(theta)，单位°(deg)，纵坐标表示方向系数，单位dB。可见，如图5(a)所示，俯仰扫-10°，加罩后和波束的最大指向较加罩前偏移了1.4°，差波束的零深位置偏移了0.9°；如图5(b)所示，方位扫10°，加罩后和波束的最大指向较加罩前偏移了0.9°，差波束的零深位置偏移了0.9°。此外，加罩后和、差波束的副瓣电平均超过了-20dB，差波束的零深电平均超过-25dB。

(2)、带罩阵列天线和、差波束优化设计

在实际应用中常用和、差波束进行目标跟踪，和波束的最大指向、差波束的零深会影响雷达天线的追踪精度和距离。此外，为了抗干扰，需要降低副瓣电平。因而，将对带罩阵列天线和波束的最大指向和副瓣电平，差波束的零深位置、零深电平和副瓣电平进行优化设计。通常降低副瓣会加宽波束的主瓣宽度，从而降低最大增益，通常不希望其下降太多。

设置优化变量为256个天线单元的激励幅度和相位，优化目标为和波束的最大指向准确、差波束的零深位置准确，在主瓣减小不超过3dB的前提下，使得和、差波束的副瓣电平小于-20dB，差波束的零深电平小于-25dB。

和波束优化的适应度函数：

其中，a、b、c为权重系数，X＝(I

差波束优化的适应度函数：

其中，a、b、c和d为权重系数，X＝(I

如图6(a)～图6(b)所示，图6(a)是在俯仰扫-10°时优化前后和波束对比结果，图6(b)是在俯仰扫-10°时优化前后差波束对比结果，图7(a)、图7(b)的横坐标表示极坐标系下θ(theta)，单位°(deg)，纵坐标表示方向系数，单位dB。可见，在俯仰扫-10°时：优化后和波束的最大指向由优化前的-8.5°矫正为-10°，最大方向系数下降了1.73dB，副瓣电平由优化前的-16.72dB降低为-24.50dB；差波束的零深位置由优化前的-9.1°矫正为-10°，两个主瓣最大方向系数分别降低了1.75dB和1.53dB，零深电平由优化前的-25.55dB降低为-25.83dB，副瓣电平由优化前的-6.58dB降低为-20.07dB。

如图7(a)～图7(b)所示，图7(a)是在方位扫-10°时优化前后和波束对比结果，图7(b)是在方位扫-10°时优化前后差波束对比结果，图7(a)、图7(b)的横坐标表示极坐标系下θ(theta)，单位°(deg)，纵坐标表示方向系数，单位dB。可见，在方位扫-10°时：优化后和波束的最大指向由优化前的9.0°矫正为10°，最大方向系数下降了1.55dB，副瓣电平由优化前的-15.68dB降低为-23.74dB；差波束的零深位置由优化前的9.0°矫正为10°，两个主瓣最大方向系数分别降低了0.96dB和1.14dB，零深电平为-26.87dB，副瓣电平由优化前的-11.04dB降低为-20.01dB。

(3)、不同算法的优化结果对比：

粒子群算法作为一种全局优化算法，因其具有收敛速度快等优点被广泛应用于各个领域。差分进化算法具有很好的全局搜索能力，在复杂优化问题中具有很大的优势。这里将本发明中的混合差分进化算法与这两种算法进行对比，验证其性能。

对比结果如图8(a)～图8(b)所示，图8(a)为各算法对应的优化结果，横坐标表示极坐标系下θ(theta)，单位°(deg)，纵坐标表示方向系数，单位dB，图8(b)为各算法的迭代情况，横坐标表示进化迭代次数，纵坐标表示适应度函数值，可见，标准粒子群优化(Particle Swarm Optimization，简称PSO)算法前期收敛速度快，但后期适应度函数值不再下降，出现早熟收敛的情况，导致计算结果误差较大，精度较差；标准差分进化(Differential Evolution，简称DE)算法收敛速度最慢，但其可以获得较高精度的解，只是需要更多的进化代数。相比之下，本发明的混合差分进化(Hybrid DifferentialEvolution，简称HDE)算法使用最少的进化代数就可以得到较高精度的解。

综上所述，本发明实施例提出的带罩阵列天线的和、差波束优化方法，综合考虑阵列天线模型和带罩阵列天线模型的特性，利用改进的混合差分进化算法实现对带罩平面阵列天线阵列模型的优化，具体地：创建阵列天线模型、带罩阵列天线模型；分别对阵列天线模型、带罩阵列天线模型进行四边形网格剖分；基于阵列天线模型、带罩阵列天线模型对应剖分的四边形网格，采用高阶矩量法分别进行仿真计算，提取对应的有源单元方向图；给阵列天线模型、带罩阵列天线模型中的天线单元施加激励，并结合有源单元方向图，计算不同扫描角度下阵列天线模型、带罩阵列天线模型对应的和、差波束，并对比相应的性能指标；采用改进的混合差分进化算法对不满足指标要求的带罩阵列天线模型的和、差波束进行优化设计；其中，改进的混合差分进化算法分别进行全局搜索和局部搜索，在全局搜索和局部搜索过程中自适应计算变异因子和交叉因子。可见，本发明采用未知量较少的高阶矩量法对阵列天线模型、带罩阵列天线模型进行一体化仿真计算，然而带罩阵列天线模型的优化问题，通常是高维、非线性、多目标复杂优化问题，对于优化算法的性能有较高的要求，为了加快收敛速度，本发明实施例提出了一种改进混合差分进化算法，将高阶矩量法和改进的混合差分进化算法进行结合，可借助于高性能计算平台，对大型的带罩阵列天线进行高效优化设计，克服了现有技术仅对简单的带罩直线阵列进行优化的问题，使得本发明具有更强的普适性；为了高效实现带罩阵列天线模型一体化优化，精确考虑带罩阵列天线模型之间的耦合，本发明实施例采用高阶矩量法提取每一个天线单元的有源单元方向图，将其与优化过程中所得各天线单元的激励幅相进行叠加，即基于阵列天线模型、带罩阵列天线模型中各天线单元的激励幅相调控，可快速计算出阵列天线模型、带罩阵列天线模型的远场辐射方向图，实现对带罩阵列天线的和、差波束均进行优化设计，更加符合工程应用需求；本发明实施例提出的改进混合差分进化算法，从全局和局部分别进行迭代搜索，可以保证迭代搜索后得到最优解，同时搜索迭代中自适应计算变异因子和交叉因子，相比于标准差分进化算法中固定的变异因子和交叉因子设计，进一步保证迭代搜索后得到最优解，且算法收敛速度快。

请参见图9，本发明实施例提供了一种电子设备，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901、通信接口902、存储器903通过通信总线904完成相互的通信；

存储器903，用于存放计算机程序；

处理器901，用于执行存储器903上所存放的程序时，实现上述带罩阵列天线的和、差波束优化方法的步骤。

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述带罩阵列天线的和、差波束优化方法的步骤。

对于装置/电子设备/存储介质实施例而言，由于其基本相近于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看说明书及其附图，可理解并实现所述公开实施例的其他变化。在说明书中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。相互不同的实施例中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。