一种遗传算法框架下的光学相控阵天线旁瓣抑制方法
文献发布时间:2023-06-19 10:08:35
技术领域
本发明属于光学相控阵天线优化算法技术领域,尤其涉及一种遗传算法框架下的光学相控阵天线旁瓣抑制方法。
背景技术
光学天线阵列排布优化技术,是近年来随光学相控阵天线技术趋于成熟而被提出的新兴技术,如光纤激器、半导体激光器等相干光源性能指标提升同时成本大幅下降,使得光学天线阵列实用化成为可能。在光学相控阵雷达、激光通信、激光束合成和量子成像等技术中,光学天线的排布优化决定光场主光束(主瓣)能量的集中度,是上述技术领域的核心技术和关键技术。光学波段波长短,光学天线受工艺限制间距大于波长,故与微波天线优化的约束条件和计算方式不同,但光学天线优化方法与微波天线稀疏布阵原理相似,均可采用遗传算法、粒子群算法、蚁群算法和迭代傅立叶等进行优化。在现有光学天线阵列排布的优化方法中,仍然存在尚待解决的问题。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种遗传算法框架下的光学相控阵天线旁瓣抑制方法,可获得光场主瓣光束能量集中度高,旁瓣光束峰值最低的光学天线排布方案,使得光学相控阵雷达、激光通信、激光束合成和量子成像等技术中所用的光束质量得到提升,从而达到提升系统性能指标的目的。
本发明的解决方案是:针对传统优化方法采用多边形天线阵列,如矩形阵列、六边形阵列等出现的水平和竖直两个正交方向无法同时优化的问题,以及光学物理场逐点计算效率低的问题,提出解决方案,并提出了新的交叉策略提升了算法的优化速度。
初始化基因(坐标)集合U为同心环阵列,相比于矩形和六边形具有更高维度的旋转对称性,解决了矩形和六边形阵列水平和竖直两个正交方向无法同时优化的问题。初始化群体,随机抽取基因(坐标)组成个体的染色体(坐标组),实现相对较低的旁瓣初始值;适用应函数计算,对光源平面的电场强度通过快速傅立叶变换(FFT)取模方得到光场强度,解决了按光学物理场逐点计算导致计算效率低的问题;适用应函数评价,对系统的应用度函数进行排序,通过排序从小到大选取最优结果进行遗传,即交叉;交叉操作采用对任意两对个体进行染色体(坐标组)基因(坐标)的交叉互换,互换染色体(坐标组)基因(坐标)的数目为逐点递增互换,即第一次互换1个基因(坐标),第二次互换2个基因(坐标),以此类推,直至互换N-1次,完成所有基因(坐标)的互换,若基因(坐标)的值出现重复,则从集合U与集合{Pos(n-1),Pos(n)}交集的补集中随机抽取基因(坐标)值替换重复基因(坐标),实现各基因(坐标)交叉,交叉后群体的数量变为N
一种遗传算法框架下的光学相控阵天线旁瓣抑制方法,步骤包括:
步骤S1,初始化基因(坐标)集合,设定圆环数M,每个圆环放置的光学天线个数分别为k
d
坐标最小间隔d
步骤S2,初始化群体:随机从集合U中抽取N个基因(坐标)形成个体的染色体(坐标组),重复N
步骤S3,计算初始群体中个体的适应度函数:根据{Pos(1),Pos(2),Pos(3),…,Pos(N
步骤S4,适应度函数评价:将个体的适应度函数值
步骤S5,个体选择:截取步骤S4中N
步骤S6,交叉:将步骤S5中得到的染色体(坐标组){nPos(1),nPos(2),nPos(3),…,nPos(N
第2次互换2个基因(坐标),
依次进行上述交换,直至第N-1次互换完成,
m依次取2,3,4,…,N
第2次互换2个基因(坐标),
依次进行,…,直至互换N-1次,
完成所有基因(坐标)的互换。
若基因(坐标)的值出现重复,则从集合U与集合{Pos(n-1),Pos(n)}交集的补集中随机抽取基因(坐标)值替换重复基因(坐标),实现各基因(坐标)交叉,所有{Pos(n-1),Pos(n)}交叉后,群体的数量变为N
第1组:{xPos
第2组:{xPos
第3组:{xPos
,…,
第N-1组:{xPos
步骤S7,变异:设置N
第1组:{mPos
第2组:{mPos
第3组:{mPos
,…,
第N-1组:{mPos
将所述的N-1组变异个体与步骤S6中得到的N-1组个体染色体(坐标组)重新组合成N-1组群体:
第1组:{xPos
第2组:{xPos
第3组:{xPos
,…,
第N-1组:{xPos
重组后每组群体的个体数为N
步骤S8,判断是否达到设定的遗传代数N
步骤S9,优化结果输出,若步骤S8当前遗传代数大于设定的N
光学天线是同波段、同相位和同偏振的激光阵列,所述的激光阵列可以是光纤激光阵列、半导体激光阵列或固体、气体、液体激光阵列。
本发明与现有技术相比优点在于:
(1)在本发明中,选用同心环坐标点阵作为光学天线基因座集合,因环形的全方位对称性,避免了采用多边形天线阵列,如矩形阵列、六边形阵列等出现的水平和竖直两个正交方向无法同时抑制旁瓣的问题;
(2)在本发明中,对光学天线阵列产生的物理光场采用快速傅立叶变换进行光场的计算,在GPU上并行运行可进一步加速运算,相比于逐点物理场计算的方法具有更高的计算效率;
(3)在本发明中,采用改进的遗传算法进行光学天线最优排布的优化,在染色体基因交叉环节,采用了逐点交换基因的策略,而非传统的固定比例遗传策略,提升了遗传算法的优化速度,提升了优化效率。
(4)本发明公开了一种遗传算法框架下的光学相控阵天线旁瓣抑制方法,通过设计同心环排布天线阵列集合建立坐标优化的数据集合,按所需天线数目随机从集合抽取初始坐标位置,采用遗传算法框架进行光学相控阵天线坐标旁瓣抑制的优化,通过快速傅立叶变换实现适应度函数高效计算,设计染色体基因逐点交叉方法提升优化效率,利用变异等实现全局最优的光场排布方案,用于解决光学相控阵天线主光束能量最大化问题。本方法在光学相控阵雷达、激光通信、激光束合成等领域具有应用价值。
附图说明
下面结合一个具体实例对所述用于光学天线阵列排布优化的方法进行详细说明,需强调的是下述实施例仅为说明实施过程而将设置参数进行了简化,非优选实施例,实际实施过程参数设置偏大。
图1为本发明实施例中一种用于光学天线阵列排布优化方法的步骤流程图。
图2为本发明实施例中生成同心环光学天线的基因(坐标)集合U。
图3为本发明实施例中初始化群体后随机选取的个体染色体(坐标组)所含基因(坐标)。
图4为本发明实施例中迭代过程最小旁瓣值输出结果。
图5为本发明实施例中优化后的个体所含基因(坐标)。
具体实施例
结合图1用于光学天线阵列排布优化方法的步骤流程图,一种遗传算法框架下的光学相控阵天线旁瓣抑制方法,步骤包括:
步骤S1,初始化基因(坐标)集合,设定圆环数M=5,每个圆环放置的光学天线个数分别为k
d
d
任意两环间隔ΔR
ΔR
坐标最小间隔d
步骤S2,初始化群体:随机从光学天线的坐标集合U中抽取N=10个基因(坐标)形成个体的染色体(坐标组),由图3示出;
重复N
Pos(1)=[(662,1061),(309,951),(-705,-256),(-432,251),(249,-432),(126,218),(-250,-432),(876,482),(-765,989),(-130,738)];
Pos(2)=[(500,0),(662,-1060),(-765,-988),(63,999),(-1192,-373),(-1243,-126),(-250,-432),(-637,771),(249,-432),(-432,-249)];
Pos(3)=[(-574,-481),(-930,369),(-249,432),(705,-256),(125,-217),(-948,815),(1148,492),(309,951),(1001,0),(-1192,374)];
Pos(4)=[(251,0),(1026,-714),(-810,-588),(969,-249),(1250,0),(1001,0),(-750,0),(251,432),(-574,482),(1148,-492)];
Pos(5)=[(0,-499),(249,-432),(662,1061),(-930,-369),(-765,-988),(251,0),(-1243,126),(-948,815),(-313,1209),(1250,0)];
Pos(6)=[(1148,492),(705,257),(375,-649),(861,-906),(1224,252),(0,500),(-948,-814),(750,0),(861,906),(432,-250)];
Pos(7)=[(705,-256),(-993,-126),(251,432),(-948,-814),(-1243,126),(309,951),(861,-906),(-313,1209),(750,0),(249,-432)];
Pos(8)=[(-1192,-373),(750,0),(-1243,-126),(-993,-126),(-637,-771),(434,1172),(1250,0),(-499,0),(251,432),(309,951)];
步骤S3,计算初始群体中个体的适应度函数:提取群体{Pos(1),Pos(2),Pos(3),…,Pos(N
Pos(1)=[(662,1061),(309,951),(-705,-256),(-432,251),(249,-432),(126,218),(-250,-432),(876,482),(-765,989),(-130,738)];
Pos(2)=[(500,0),(662,-1060),(-765,-988),(63,999),(-1192,-373),(-1243,-126),(-250,-432),(-637,771),(249,-432),(-432,-249)];
Pos(3)=[(-574,-481),(-930,369),(-249,432),(705,-256),(125,-217),(-948,815),(1148,492),(309,951),(1001,0),(-1192,374)];
Pos(4)=[(251,0),(1026,-714),(-810,-588),(969,-249),(1250,0),(1001,0),(-750,0),(251,432),(-574,482),(1148,-492)];
Pos(5)=[(0,-499),(249,-432),(662,1061),(-930,-369),(-765,-988),(251,0),(-1243,126),(-948,815),(-313,1209),(1250,0)];
Pos(6)=[(1148,492),(705,257),(375,-649),(861,-906),(1224,252),(0,500),(-948,-814),(750,0),(861,906),(432,-250)];
Pos(7)=[(705,-256),(-993,-126),(251,432),(-948,-814),(-1243,126),(309,951),(861,-906),(-313,1209),(750,0),(249,-432)];
Pos(8)=[(-1192,-373),(750,0),(-1243,-126),(-993,-126),(-637,-771),(434,1172),(1250,0),(-499,0),(251,432),(309,951)]列出光源平面的电场强度表达式
步骤S4,适应度函数评价:将个体的适应度函数值
nPos(1)=Pos(2)=
[(500,0),(662,-1060),(-765,-988),(63,999),(-1192,-373),(-1243,-126),(-250,-432),(-637,771),(249,-432),(-432,-249)];
nPos(2)=Pos(6)=
[(1148,492),(705,257),(375,-649),(861,-906),(1224,252),(0,500),(-948,-814),(750,0),(861,906),(432,-250)];
nPos(3)=Pos(5)=
[(0,-499),(249,-432),(662,1061),(-930,-369),(-765,-988),(251,0),(-1243,126),(-948,815),(-313,1209),(1250,0)];
nPos(4)=Pos(1)=
[(662,1061),(309,951),(-705,-256),(-432,251),(249,-432),(126,218),(-250,-432),(876,482),(-765,989),(-130,738)];
nPos(5)=Pos(8)=
[(-1192,-373),(750,0),(-1243,-126),(-993,-126),(-637,-771),(434,1172),(1250,0),(-499,0),(251,432),(309,951)];
nPos(6)=Pos(3)=
[(-574,-481),(-930,369),(-249,432),(705,-256),(125,-217),(-948,815),(1148,492),(309,951),(1001,0),(-1192,374)];
nPos(7)=Pos(4)=
[(251,0),(1026,-714),(-810,-588),(969,-249),(1250,0),(1001,0),(-750,0),(251,432),(-574,482),(1148,-492)];
nPos(8)=Pos(7)=
[(705,-256),(-993,-126),(251,432),(-948,-814),(-1243,126),(309,951),(861,-906),(-313,1209),(750,0),(249,-432)];
步骤S5,个体选择:截取步骤S4中前N
步骤S6,交叉:将步骤S5中得到的染色体(坐标组){nPos(1),nPos(2),nPos(3),…,nPos(N
nPos(1)=[(500,0),(662,-1060),(-765,-988),(63,999),(-1192,-373),(-1243,-126),(-250,-432),(-637,771),(249,-432),(-432,-249)];
nPos(2)=[(1148,492),(705,257),(375,-649),(861,-906),(1224,252),(0,500),(-948,-814),(750,0),(861,906),(432,-250)];
第1次互换第1个基因(坐标)后:
xPos
xPos
第2次互换前2个基因(坐标)后:
xPos
xPos
第3次互换前3个基因(坐标)后:
xPos
xPos
…
依此类推,直至完成第N-1次互换,本实施例N=10,共需完成9次互换得到交叉后的个体:
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
xPos
完成{nPos(1),nPos(2)}基因(坐标)交叉后,按{nPos(1),nPos(2)}基因(坐标)互换方法,完成{nPos(3),nPos(4)}和{nPos(5),nPos(6)}的交叉,最终得到结果如下:
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
{xPos
重新组合后为:
第1组:{xPos
第2组:{xPos
第3组:{xPos
…
第9组:{xPos
若基因(坐标)的值出现重复,则从集合U与集合{Pos(n-1),Pos(n)}交集的补集中随机抽取基因(坐标)值替换重复基因(坐标),实现各基因(坐标)交叉,交叉后群体的数量变为N
步骤S7,变异:设置N
mPos(1)=
[(209,851),(1047,392),(-163,-1348),(-1344,26),(474,-582),(150,332),(-910,488),(900,-100),(-651,1022),(-1293,-474)];
mPos(2)=
[(150,-100),(-1048,-915),(332,149),(-288,882),(89,-1335),(-526,806),(-865,888),(761,-1006),(-675,381),(-532,150)];
重复变异N-1=9次,本实施例中N=10,M
{mPos
{mPos
{mPos
{mPos
{mPos
{mPos
{mPos
{mPos
{mPos
将所述的9组变异个体与步骤S6中得到的9组个体染色体(坐标组)重新组合成9个群体:
第1组:{xPos
第2组:{xPos
第3组:{xPos
…
第9组:{xPos
重组后每组群体的个体数为8个,由交叉得到6个,由变异得到2个,群体个体数量与初始化群体数量N
步骤S8,判断是否达到设定的遗传代数N
步骤S9,优化结果输出,若步骤S8当前遗传代数大于设定的N
光学天线是同波段、同相位和同偏振的激光阵列,所述的激光阵列可以是光纤激光阵列、半导体激光阵列或固体、气体、液体激光阵列。
- 一种遗传算法框架下的光学相控阵天线旁瓣抑制方法
- 一种星载液晶光学相控阵天线波束指向动态切换方法