混合遗传算法在智能天线波束成型中的应用

自适应遗传粒子群混合算法用于基站天线综合姜兴;张凯;黄英超【摘要】常规方向图综合算法由于没有考虑天线本身特性、阵元互耦及周围电磁环境影响,理论综合结果与实际情况相差较大.为了解决这个问题,在有源方向图理论基础上,结合遗传算法和粒子群算法的优势,得到了一种改进算法——自适应遗传粒子群混合算法(Hybrid Adaptive Genetic Particle SwarmOptimization,HAGPSO).利用优化的权值对LTE基站天线波束赋形,仿真情况与综合结果一致.【期刊名称】《电波科学学报》【年(卷),期】2015(030)001【总页数】5页(P167-171)【关键词】遗传算法;粒子群算法;自适应因子;波束赋形;有源方向图【作者】姜兴;张凯;黄英超【作者单位】桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004【正文语种】中文【中图分类】TN92在阵列天线的波束综合中，常规的经典综合算法如切比雪夫、泰勒、傅里叶、伍德沃德综合算法，以及智能算法如遗传算法（Genetic Algorithm，GA）、粒子群算法（Particle Swarm Optimization，PSO）等，均是将阵元当作理想点源处理［1－3］，这种处理方式的好处在于通用性强，对于任意单元形式的阵列均能实现波束赋形，但是存在两个问题.第一，没有严格考虑阵元的方向图差异性.由于天线形式千变万化，即使是同一类型的天线，不同的结构会有不同的实际方向图，难以用解析函数描述，即便作曲线拟合来模拟实际方向图，仍然无法考虑到互耦因素；第二，理想全向辐射点源在实际中是不存在的.因此，采用这类优化算法得到的权值，最后赋形的效果与实际情况相差较大.为了解决这个问题，必须使得优化模型和实际模型非常接近甚至一致.在GA和PSO的基础上，改进得到了一种新型算法——自适应遗传粒子群混合算法（Hybrid Adaptive Genetic Particle Swarm Optimization，HAGPSO）.主流的进化算法主要有GA［4－5］，PSO［6］等.GA虽然具有全局搜索优势，但是收敛较慢，主要原因在于GA存在编解码的过程，即便采用实数编码的方式，仍然无法回避解码的过程，且当染色体长度较大时，会耗费大量时间.PSO则不需要编解码的过程，直接对变量进行优化，而PSO具有原理简单、实现容易、参数少且收敛快的优点.因此，HAGPSO算法采用PSO为主体，可以有效避免GA初期的编码过程并快速收敛.然而，PSO容易陷入局部最优，在PSO基础上，引入GA的交叉变异机制，一旦算法判定粒子陷入局部最优，则进行交叉变异，使其迅速摆脱束缚；变异之后，再进行二次插值处理，使粒子进一步突破.考虑到种群规模大会导致收敛较慢的现象，HAGPSO添加了自适应因子予以解决，它包括两部分：自适应加速因子和自适应边界因子.1.1 自适应加速因子标准粒子群算法的速度和位置更新公式为式中：t是进化代数；ω是惯性权值；c1，c2是加速因子，c1表示粒子的自我认知，c2表示社会认知，c1，c2为定值，典型值为c1＝c2；xt，vt分别是粒子在当前迭代时的位置和速度；pt，gt分别是粒子的个体最优和全局最优.采用自适应加速因子是为了灵活控制粒子的飞行速度，在算法前期加速因子较大，使得粒子速度更快，快速找到局部最优，到了算法中后期为避免陷入局部最优，加速因子则慢慢变小.同时，一旦算法判定当前最优值长时间没有更新，则进行变异，跳出局部最优，从而找到全局最优解.自适应加速因子的计算如下式中，tmax为最大迭代次数.c1，c2的公式相同，这表示粒子的自我认知和社会认知对粒子速度的权重影响相同.随着迭代次数t的增大，c1，c2逐渐变小，实现粒子的自适应加速.1.2 自适应边界因子标准粒子群算法存在一个问题，认为粒子在一个固定空间中搜索（典型的位置边界值为［－1，1］）.当粒子飞越空间边界时，会采取相应的惩罚措施，使之回归到原来的边界内.如果最优解不在原空间中，粒子就永远找不到最优解.因此，不能将边界值固定，也不能将边界值设置的很大，否则粒子群收敛变慢.一种合适的做法是，将边界设置成能够随着粒子的当前位置变化而变化.HAGPSO引入自适应边界因子来解决这个问题［7］.以下是具体实施方法.首先给定粒子的初始边界范围为［Xmin，Xmax］，并给定一个阈值作为边界动态变化的判定准则，当粒子距离左边界或者右边界较远时（大于限定阈值），进行相应的边界收缩；而当粒子靠近左边界或者右边界时（小于限定阈值），则进行相应的边界扩展，此外，当进化到后期，粒子会过于集中，通过变异操作有可能无法实现进一步突破.需要对搜索空间的边界进行重置，扩大粒子的搜索范围.对于第d维的粒子，当前左边界的收缩、扩展及重置公式如下：对于第d维的粒子，当前右边界的收缩、扩展及重置公式如下：式（5）～（10）中：gt（d）为第t代全局极值点；cb为收缩率，cb′＝1－cb；ob为扩展率；r1～r6是［0，1］上的随机数.由于需要考虑实际的天线阵元以及互耦影响，在预处理阶段，依次提取了阵中单元方向图AEP［8］.（仿真或者实测均可），根据方向图叠加原理计算总场［9］.算法的流程如图1所示.为了和常规算法进行比较，说明HAGPSO算法的优势和实用性，选取一个工程实例进行分析验证.同时将标准遗传算法和标准粒子群算法也一起加入对比.对一个8元TD-LTE双极化基站天线做俯仰面波束赋形，指标要求如下：工作频段为1 710～2 690MHz，主波束下倾3°，俯仰面主波束3dB波瓣宽度大于7°，增益大于17dBi.在电磁仿真软件CST中完成该天线的设计.方案如图2所示.分别运用三种算法进行波束赋形.其中HAGPSO算法在CST中提取了每个阵元的AEP，作为优化初始数据.而GA和PSO则将阵元作为理想点源处理.利用方向图叠加原理，综合后的结果如图3（a）所示.从图3（a）可以看到，三种算法综合得到的方向图，都能满足小于－20dB的旁瓣电平要求，不过HAGPSO算法优化的结果更好.图3（b）中的尖峰毛刺表示粒子在进行变异的时候，变异的结果并不理想，适应度值不佳，之后该粒子的自我认知则被清除，继续与其他粒子参与后续的搜索，当前全局最优值依然与上代相同.可以看出，伴随着搜索边界的自适应调整，以及变异插值的进行，粒子群正试图往全局最优值逼近，最终在200代的时候，达到最优解，后续变异则无法突破，进入稳态.为了不影响观察和比较三种算法的实际进化情况，将图3（b）中的尖峰毛刺去掉，亦即忽略掉变异不佳的粒子，将GA和PSO的进化情况放在一起进行对比，如图3（c）所示.从图3（c）来看，进化到第180代左右，开始进入稳态，并且可以看到，HAGPSO收敛最快，在50代左右的时候，适应度值已经达到15，此时PSO 算法紧跟其后，而GA则明显进化缓慢.同时可以发现：到150代以后，PSO基本上已经陷入局部最优解而无法摆脱，达到稳态；此时GA则依然缓慢的向前推进，向真正的全局最优解靠拢，最后也慢慢趋于稳定；与它们形成鲜明对比的是，HAGPSO算法在第100代的时候，就已经快靠近全局最优解，这得益于不断的变异插值机制以及搜索边界的自适应调整，使得粒子群不断突破，最终找到全局最优解.为了证明HAGPSO算法确实考虑到了天线单元本身的特性和周围阵列环境的影响，并进一步说明HAGPSO算法的工程实用性，将优化得到的幅度和相位权值，代入图2所示的模型中，仿真计算阵列总场方向图.将HAGPSO算法优化得到的俯仰面方向图和CST仿真得到的俯仰面方向图放在一起进行比较，如图4所示.从图4可以看到，HAGPSO算法综合得到的方向图，跟CST仿真结果几乎一致，曲线几乎完全重合，特别是在主波束附近，吻合度相当高.这证明了HAGPSO算法确实考虑到了天线阵列的实际情况，而如果采用前面论述的常规算法进行综合，则综合后的方向图无法与仿真方向图高度重合，相差较大.实测结果甚至差别更大，因此常规算法综合得到的权值无法有效完成期望波束赋形.此外，从算法优化的结果来看，俯仰面主波束指向为3°，主波束3dB波瓣宽度为9°，旁瓣均在－25 dB以下，完全满足赋形指标要求.CST仿真后的增益为18.1dBi，满足设计要求.HAGPSO算法优化后的8元TD-LTE双极化基站天线，其最优阵列幅度和相位分布如图5所示.分析了常规阵列综合算法存在的问题，在有源方向图理论基础上，结合遗传算法和粒子群算法的各自优势，并添加自适应机制，得到了一种改进算法——自适应遗传粒子群混合算法（HAGPSO）.该算法考虑了实际阵元的方向图，以及阵列互耦及周围电磁环境影响，利用优化的权值进行波束赋形，仿真情况与综合结果一致，与标准遗传算法和粒子群算法相比，收敛性强，更快找到全局最优解.LTE基站天线的工程实例，证明了该算法的有效性和正确性.［1］薛正辉，李伟明，任武.阵列天线分析与综合［M］.北京：北京航空航天大学出版社，2011：407.［2］ HAMMAMI A，GHAYOULA R，GHARSALLAHA.Antenna array synthesis with Chebyshev-Genetic algorithm method［C］／／2011International Conference on Communications，Computing and Control Applications（CCCA），2011：1-4.［3］ CHAO-HSING H，CHUN-HUA C，WEN-JYE S，et al.Optimizing beam pattern of linear adaptive phase array antenna based on particle swarm optimization［C］／／2010Fourth International Conference on Genetic and Evolutionary Computing（ICGEC），2010：586-589.［4］ RIDWAN M，ABDO M，JORSWIECK E.Design of non-uniform antenna arrays using genetic algorithm［C］／／2011 13th International Conference on Advanced Communication Technology（ICACT），2011：422-427.［5］赵福玲，王永军，聂贺峰.遗传算法综合智能天线的赋形波束［J］.电波科学学报，2011，26（3）：593-597.ZHAO Fuling，WANG Yongjun，NIE Hefeng.Shape beam of smart antenna synthesized by genetic algorithm ［J］.Chinese Journal of Radio Science，2011，26（3）：593-597.（in Chinese）［6］ WEIBO W，QUANYUAN F.Pattern synthesis for antenna arrays using chaotic PSO algorithm［C］／／2010 International Conference on Computer and Communication Technologies in Agriculture Engineering（CCTAE），2010：360-363.［7］李迎秋，迟玉红，温涛.一种基于动态边界的粒子群优化算法［J］.电子学报，2013，41（5）：865-870.LI Yingqiu，CHI Yuhong，WEN Tao.A dynamic boundary based particle swarm optimization［J］.Acta Electronica Sinica，2013，41（5）：865-870.（in Chinese）［8］ POZAR D M.The active element pattern［J］.IEEE Transactions on Antennas and Propagation，1994，42（8）：1176-1178.［9］欧阳骏.共形天线及阵列的分析和综合研究［D］.成都：电子科技大学，2008.OUYANG Jun.Analysis and Synthesis of Conformal Antenna and Array ［D］.Chengdu：University of E-lectronics Science ＆Technology of China，2008.（in Chinese）姜兴（1962－），女，河北人，教授，硕士生导师，主要研究方向为天线与电磁测量.张凯（1985－），男，湖北人，硕士研究生，主要研究方向为共形阵列天线.黄英超（1989－），男，山东人，硕士研究生，主要研究方向为天线测量与微波电路.。

mmse 混合波束赋形摘要：一、引言二、MMSE混合波束赋形的基本原理三、MMSE混合波束赋形在通信系统中的应用四、MMSE混合波束赋形的优缺点分析五、总结正文：一、引言随着无线通信技术的发展，提高信号传输质量和信道利用效率成为了研究的热点问题。

在众多技术中，波束赋形技术受到了广泛关注。

混合波束赋形技术结合了传统的波束赋形技术和现代信号处理技术，可以有效地提高信号传输质量和信道利用效率。

本篇文章将重点介绍MMSE混合波束赋形技术。

二、MMSE混合波束赋形的基本原理MMSE（Minimum Mean Squared Error，最小均方误差）混合波束赋形技术是一种基于信号处理原理的波束赋形技术。

它通过在接收端对多天线系统的信号进行处理，使信号在各个方向上的分量之间达到最优的权衡，从而实现信号的增强和干扰的抑制。

具体来说，MMSE混合波束赋形技术通过求解一个最优化问题来确定信号的各个分量的权重，使得信号的均方误差最小。

三、MMSE混合波束赋形在通信系统中的应用MMSE混合波束赋形技术在通信系统中有着广泛的应用。

在多天线系统（如MIMO系统）中，MMSE混合波束赋形技术可以有效地提高信道利用效率和信号传输质量。

在无线通信系统中，它可以降低多径效应、阴影衰落等信道因素对信号质量的影响，从而提高通信质量。

此外，在广播和卫星通信系统中，MMSE混合波束赋形技术也有着重要的作用。

四、MMSE混合波束赋形的优缺点分析MMSE混合波束赋形技术具有以下优点：首先，它可以有效地提高信号传输质量和信道利用效率；其次，它具有较强的抗干扰能力，可以降低多径效应、阴影衰落等信道因素对信号质量的影响；最后，它具有较好的性能，可以在不同场景和条件下保持稳定的性能。

然而，MMSE混合波束赋形技术也存在一定的局限性，例如计算复杂度较高，对硬件性能要求较高等。

五、总结总的来说，MMSE混合波束赋形技术是一种具有广泛应用前景的波束赋形技术。

混合遗传算法在智能天线波束成型中的应用作者：张海波刘开健来源：《硅谷》2009年第23期[摘要]对智能天线波束成型的思想和算法作简要介绍,给出一种混合遗传算法,该算法结合传统遗传算法和局部搜索的优点,具有良好的收敛性能,能够有效的抑制干扰,提高系统的信噪比。

[关键词]智能天线波束成型混合遗传算法中图分类号:TN82文献标识码:A文章编号:1671-7597(2009)1210092-01智能天线技术引入了空分多址方式,利用信号不同的空间传输路径,将相同频率、相同时隙、相同地址码的信号区分开来,并能够与其他多址技术相结合,使通信资源由时间域、频率域和码域扩展到空间域,有效地增大了系统容量,最大限度地利用了有限的频谱资源。

自适应算法是智能天线技术的核心,算法的收敛速度、收敛性能等因素直接影响着整个系统的性能。

一、波束成型基本思想智能天线通常采用数字信号处理技术识别用户信号的来波方向,根据一定的最优准则或自适应算法求出最优接收的权值矢量,为每个期望信号或用户群形成一个期望波束。

算法选择是否合理将决定智能天线暂态响应的速度和实现电路的复杂度,它是自适应天线阵列处理的核心。

自适应的主要含义是指用于波束形成的权值矢量可以自适应地调整。

自适应天线能够根据接收信号以及外界环境的变化在一定最优准则下自适应地进行权值矢量的更新,以获得最佳的接收和发射信号,因此自适应天线技术能动态跟踪期望用户的来波方向,对来波方向不同于期望用户的干扰信号在空域进行抑制,实现了所谓的“空分多址”。

二、波束成型算法智能天线技术研究的核心是自适应波束成型算法,智能天线依据采用的优化准则自适应的调整加权矢量,以跟踪信号环境的变化。

不过,由于各种准则的最优权值均收敛于最优维纳解,因此准则的选择并不是很重要,主要的工作在于自适应波束成型算法的选择,因为它决定了天线阵列暂态响应的速率和实现电路的复杂度。

根据算法是否利用参考信号,可以把自适应波束成型算法分为非盲自适应算法和盲自适应算法。

第22卷第2期 2007年4月电波科学学报CHINESE joURNAL OF RADl0SCIENCEV01.22.No.2 April,2007文章编号 1005一0388(200702—0351—04一种新的智能天线波束形成算法王丽娜王兵2周贤伟1(1.北京科技大学信息工程学院,wln_ustb@,北京100083;2.哈尔滨工业大学,黑龙江哈尔滨150001摘要在DS/CDMA系统中采用智能天线技术可以增加系统的容量,提高抗干扰性能。

智能天线技术的核心是波束形成算法,基于遗传算法提出了一种新的智能天线波束形成算法,算法采用了内插和外推两种交叉算子,克服了遗传算法的早熟收敛问题,提高了全局收敛能力。

研究结果表明,提出的智能天线波束形成算法具有良好的收敛性和稳定性,可用于DS/CDMA系统抵抗干扰的影响。

关键词智能天线,波束形成算法,CDMA中图分类号TN911文献标识码AA novel beamforming algorithm of smart antennaWANG Li-nal WANG nin92ZHOU Xian-weil(rmation Engineering School,University of Science andTechnology Beijing,wln_ustb@126.coln,Beijing 100083,China;2.Harbin Institute of Technology,Harbin Heilongjiang 150001,ChinaAbstract Smart antenna can expand the capacities and improve the anti-‘interf erl-ence performanceof DS/CDMA systems.Beamforming algorithm is a crucial prob— lem.A novel beamforming algorithm of smart antenna for DS/CDMA system is proposed,which is based on genetic algorithm.The algorithm adopts interpolation and extrapolation cross operators.The premature convergence problem of conven— tional genetic algorithm is overcome and the performance of global convergence is enhanced.The simulation results show that the proposed beamforming algorithm exhibits good convergence and stability.DS/CDMA systems can use this algorithm to counteract interference.Key words smart antenna,beamforming algorithm,code division multiple access1引言智能天线利用现代数字信号处理技术,动态地形成空间定向波束,使天线阵列方向图主瓣对准有用信号到达方向,旁瓣或零陷对准干扰信号到达方向,从而达到充分利用移动用户信号并抵消或最大程度地抑制干扰信号的目的。

遗传算法综合赋形波束阵列天线及Matlab 程序实现段霞霞,张金刚,刘彦明(西安电子科技大学通信工程学院　陕西西安　710071)摘　要:遗传算法在非线性数值优化方面有着很强的生命力,适于波束赋形阵列天线的综合。

Matlab 具有很强的数值计算能力和数据图视功能,经过二十多年的发展,逐渐成为工程师们进行数值优化的首选计算机语言。

以一部具有余割平方波束的雷达搜索天线阵为例,采用遗传算法对其馈电相位进行优化,优化结果与目标吻合。

同时给出其主要节点的Mat 2lab 程序。

关键词:遗传算法;波束赋形;优化设计;Matlab中图分类号:TN82 文献标识码:B 文章编号:1004-373X (2007)15-055-03Synthesis of Antenna Arrays Shaped -beam Using G A and Design Matlab ProgramDUAN Xiaxia G Jingang ,L IU Yanming(Communication Engineering Institute ,Xidian University ,Xi ′an ,710071,China )Abstract :G enetic Algorithm (GA )has been shown to be an effective strategy in the off -line optimization ,which is fit for designing shaped -beam antenna array.Matlab owns powerf ul abilities in numerical compute and data figure display.In re 2cently years ,engineers chose Matlab more and more.For design a search radar antenna arrays which has a square cosec beam ,GA is chosen to optimize the feed phases of antenna array.The pivotal Matlab programs are also presented.K eywords :genetic algorithm ;shaped -beam ;optimization design ;Matlab收稿日期:2007-04-181　引　言在搜索雷达、通讯技术等众多领域中,往往需要特殊形状的天线波束(如余割平方波束等),即天线的波束赋形。

浅析鉴于遗传算法的智能天线波束形成Abstract: In order to reduce the side-lobe level and deep thenull of smart antenna patterns, an improved real-coded genetic algorithm isproposed. The algorithm improves the crossover operatorof standard genetic algorithm based on human reproductionphenomenon (HRGA). So, the slow convergence and local optimum ofstandard genetic algorithm are resolved and the convergence speed isenhanced. Taking an example of uniform linear array in simulationexperiment, amplitude of the element excited current is optimized throughimproved GA, the pattern is better.Keywords: smart antenna; beam-forming; pattern; genetic algorithm;human reproduction phenomenon0 引言智能天波束形成是通化元的流幅度或相位或元距 , 使天主波束准希望信号 , 旁瓣和零陷准干信号 , 进而接收实用信号 , 克制干信号。

因为天化中的目函数或束条件呈多参数、非性、不行微甚至不 , 因此鉴于梯度技的数化方法没法有效求得工程上意的果。

而算法是模拟自然界生物化体制展起来的随机全局搜寻和化方法 , 是一种高效、并行、全局搜寻的方法 , 能自适地控制搜寻程以求得最解 [1] 。

遗传算法综合智能天线的赋形波束赵福玲;王永军;何绍林;聂贺峰【摘要】The shape beam is applied to the antenna arrays wlcleiy, because ~t nab constant echo in a broad angle range. The shape beam is suggested to in the smart antenna and is synthesized by genetic algorithm. Expected result is received from genetic algorithm and the test. The simulated and measured results are given to prove the validity of this method.%余割赋形波束由于其在很宽的角度内有强度近于恒定的回波，被广泛应用于阵列天线中。

建议在智能天线中引入余割赋形波束，采用遗传算法进行综合，并结合遗传算法和实验，得到了期望的结果。

仿真和测试结果均表明了此方法的有效性。

【期刊名称】《电波科学学报》【年(卷),期】2011(026)003【总页数】5页(P593-597)【关键词】余割赋形波束;遗传算法;智能天线【作者】赵福玲;王永军;何绍林;聂贺峰【作者单位】中国电波传播研究所,山东青岛266107;中国电波传播研究所,山东青岛266107;中国电波传播研究所,山东青岛266107;中国电波传播研究所,山东青岛266107【正文语种】中文【中图分类】TN921.引言随着无线移动通信事业的飞速发展,人们对移动通信的需求也不断扩大。

智能天线可以提高无线通信系统的性能,因此受到了广泛关注。

智能天线技术是一种构建在天线设计和信号处理技术基础之上的综合技术。

它能够实时地感知空间信号环境的变化,从而动态地优化接收或发送波束,以求达到最佳的信号接收性能。

遗传算法简介及应用领域探索遗传算法（Genetic Algorithm，GA）是一种模拟自然进化过程的优化算法，通过模拟遗传、交叉和变异等操作，以求解复杂问题的最优解。

它是一种启发式算法，能够在大规模搜索空间中寻找到较优解，因此在多个领域得到了广泛应用。

遗传算法的基本原理是模拟生物进化过程。

首先，通过随机生成一组初始解（个体），每个个体都代表问题的一个可能解。

然后，根据问题的适应度函数（Fitness Function）对个体进行评估，适应度越高的个体越有可能被选择。

接下来，通过遗传操作，包括选择、交叉和变异等，从当前种群中生成新的个体。

经过多次迭代，逐渐优化种群中的个体，直到找到满足问题要求的最优解或近似最优解。

遗传算法的应用领域非常广泛。

在工程领域，遗传算法被用于优化问题，例如电力系统调度、机械设计、网络布线等。

在运输和物流领域，遗传算法可以用于优化路径规划、车辆调度等问题。

在金融领域，遗传算法可以用于投资组合优化、股票交易策略等。

在人工智能领域，遗传算法可以用于机器学习、神经网络优化等问题。

此外，遗传算法还可以应用于生物学、医学、环境保护等领域。

举个例子来说明遗传算法在实际问题中的应用。

假设我们要设计一个最优的电路板布线方案，以最小化电路板上的连线长度。

首先，我们可以将电路板抽象为一个网格，每个网格点代表一个元件的位置。

然后，我们通过遗传算法生成初始的布线方案，其中每条连线代表一个个体。

接下来，我们通过适应度函数评估每个个体的布线质量，即连线长度。

然后，根据适应度选择一部分个体进行交叉和变异操作，生成新的布线方案。

通过多次迭代，逐渐优化布线方案，最终得到最优的布线方案。

遗传算法的优势在于它能够在大规模的搜索空间中进行全局搜索，避免了陷入局部最优解的困境。

此外，遗传算法具有较好的鲁棒性，能够处理问题中的噪声和不确定性。

然而，遗传算法也存在一些局限性，例如需要大量的计算资源和时间，对问题的建模和参数选择较为敏感等。

遗传算法在阵列天线方向图综合中的应用李峰（信息产业部电子第十研究所，成都610036）摘要：本文采用遗传算法对阵列天线方向图综合进行优化设计。

遗传算法于六十年代由Holland教授创立，九十年代其理论已基本成熟。

它是一种高效的搜索算法。

作者用遗传算法对18元天线阵列方向图进行综合设计，并与用Woodward法得到的结果进行了比较。

关键词：遗传算法，阵列天线，方向图综合Using Genetic Algorithm to Synthesize the Radiation Pattern of an Array AntennaLi Feng(The Electronic 10th Institute of Ministry of Information Industry, Cheng Du 610036)Abstract: The optimized synthetic design method is described in this paper for the shaping of radiation pattern of array antenna using genetic algorithm. The genetic algorithm was built by the professor Holland in the 60s. It has almost matured for the 90s.It is a high efficiency searching method. This paper used the method to design an 18-elements array antenna. The solution is compared with the result using Woodward method.Keyword:genetic algorithm,array antenna, synthetic radiation pattern1.引言在通信系统中，经常采用一种平方余割方向图的天线，它的特点是在相同的高度、不同距离上可以得到一致的电平。

基于遗传算法的阵列天线赋形波束综合
韩荣苍;孙如英
【期刊名称】《现代电子技术》
【年(卷),期】2008(31)9
【摘要】提出了一种改进的适应度函数确定方法,算法采用易操作的二进制编码.通过改变适应度函数中的待定参数,有效提高了搜索效率.采用遗传算法对基站天线的方向图赋形,其结果优于同种条件下用Woodward法得到的结果.结合工程实践,考察了本文遗传算法的解的稳定性.
【总页数】3页(P35-37)
【作者】韩荣苍;孙如英
【作者单位】临沂师范学院,山东,临沂,276005;临沂师范学院,山东,临沂,276005【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于改进遗传算法的阵列天线波束赋形计算 [J], 王晓莉;张厚;刘刚
2.遗传算法在阵列天线赋形波束综合中的应用 [J], 刘昊;郑明;樊德森;鲁加国
3.增加副瓣抑制机制的阵列天线波束赋形遗传算法研究 [J], 郑占旗;阎跃鹏;张立军;王宇灏;张金玲;慕福奇
4.遗传算法综合赋形波束阵列天线及Matlab程序实现 [J], 段霞霞;张金刚;刘彦明
5.阵列天线波束赋形的混合遗传算法优化 [J], 周海进;刘其中;李建峰;孙保华
因版权原因，仅展示原文概要，查看原文内容请购买。

遗传算法在小区分裂下的自适应智能天线中的应用与实现李磊北京邮电大学电信工程学院，北京 (100086)E-mail：le302a@摘要：本文通过对遗传算法（自适应波束成形核心算法的一种）的改进，解决了智能天线在小区分裂中的应用问题。

传统的自适应智能天线技术都是对全向空间的用户进行搜索，而在小区分裂技术中，需要针对某一区间范围内的用户进行搜索，而不受到其它扇区用户的影响，即使采用的是相同的导频。

通过MATLAB的仿真验证，该方法不仅能实现指定小区的搜索，在全向空间搜索时也可以大大提高遗传算法的效率。

关键词：遗传算法，小区分裂，智能天线，自适应波束成形1．引言智能天线作为3G的核心技术之一，在减少小区间干扰，增加系统容量，以及克服小区呼吸效应，提高小区覆盖范围等方面，都有着显著的作用。

它虽然是3G的技术，同时也可以用在GSM系统中，而且在不需要进行其它硬件更新的情况下，就能提高系统容量和性能。

小区分裂作为有效的扩容方法之一，能提高频率的复用率，将原来的全覆盖小区分裂为更多的覆盖面积更小的小区，从而使全网载频数、信道数、话务量、用户数等均大幅度增加。

SpotLight GSM是一个多波束天线系统，利用波束切换原理，用4个半功率角为30度的窄波束天线来覆盖传统的定向小区120度的区域。

它先将预先设定好的波形的赋形参数设置好，在实际应用中对用户的来波方向进行估计，然后将预先的波形对准该方向。

此方法在工程上实现比较简单，速度也比较快，但是却并不能准确的对准用户，尤其是当用户在不同波束间切换时，性能比较差。

自适应波束成形是智能天线中性能最优的技术，它属于非盲算法，例如LMS,RLS算法都是通过使用训练序列，实现对传输信道的估计，并以MMSE准则实现对信道的最佳匹配，从而形成最佳空间波形，不仅可以精确的对准用户来波方向，同时还能形成零陷以消除其它用户的干扰。

这些算法都是在全方向搜索并进行波束成形的算法。

图 1 三个扇区的直线阵列小区圆形阵小区六个扇区的直线阵列小区如图1：在小区分裂技术中，一般将小区分为三个120度的扇区，在30-150度之间为一个扇区区间。

－60－智能天线LMS 波束形成算法性能仿真研究刘婷杨莘元张鹤峰（哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001）智能天线采用空分复用(SDMA)，利用自适应产生空间定向波束，使天线主波束对准用户信号到达方向，同时在干扰信号到达方向形成零陷，以达到充分高效提取期望用户信号并删除或抑制干扰信号的目的，已经成为通信研究中的热点。

智能天线的波束形成的核心是自适应算法，一般研究只对自适应算法本身的复杂度和收敛速度进行了比较，然后根据实际要求选取算法。

本文对在波束形成中应用最为广泛的LM S 算法在对信号干扰能力方面进行了比较全面的仿真验证。

1智能天线原理假设所需要信号S k (t)自θx 方向射入，而干扰信号共有K-1个，分别来自其他用户，其中第j 个干扰信号S j (t)自θj 方向入射，则阵元接收的信号矢量为[1]：其中，S j (t)=S j (t)V j (q j )，S K (t)=S K (t)V K (q K )分别表示期望接收的信号矢量和干扰信号，N(t)为噪声矢量，而V(θ)为在矢量信道中阵元响应矢量。

经过加权后，天线阵的输出可表示为：2智能天线的LMS 波束形成算法LMS(Least Mean Square ，最小均方)算法通常可以采用数字闭环方法来实现自适应阵最优权向量的估计，是将最陡梯度法应用于均方误差准则的估计[2]。

最陡下降法是许多自适应算法的基础。

在这类算法里，更新方向向量v(n)取作第n-1次迭代的代价函J[ω(n-1)]的负梯度，即最陡下降法的统一形式为ω(n)=ω(n-1)-μ(n)Δ(n)，式中表示代价函数的梯度，即梯度的计算是很复杂的，若用作为梯度的无记忆逼近，式中误差信号e(n)定义为期望输出d(n)与滤波器实际输出之间的误差，即则式变为这就是LMS 算法，他是Windrow 在20世纪60年代提出的。

图1为LMS 算法的波束形成仿真，其中期望信号的入射角为40°，干扰信号方向分别为20°和60°，噪声为白噪声，信干比为-10dB ，直线八元阵。