改进遗传算法在线阵波束方向图中的应用

遗传算法的改进及其在波阻抗反演中得应用1引言在我国，今后几十年内甚至百年油气资源将仍然是难以替代的主要能源之一。

随着大规模油气勘探及开发的进行，构造类型相对简单的、较易发现的油气藏几近殆尽，特别是东部地区。

实现油气增加储量、提高产量的主要希望落在寻找新的复杂油气藏这一主要方向上，岩性油气藏是复杂油气藏的一种主要类型。

目前，勘探的重点主要放在岩性油气藏的研究上。

其中，地震勘探是寻找和判别岩性油气藏的重要手段，地震资料的处理又是地震勘探的重要环节。

对于精细油气勘探来说，地震波阻抗反演已经成为地震资料进行特殊处理流程中的重要环节之一，波阻抗能够较好地提供层速度的信息，因而反演成果在油藏描述及油气横向预测等研究工作中所起的作用也越来越重要。

波阻抗反演的结果越接近实际情况，能较更真实地反映出地下地质构造和岩性，从而提高钻井的成功率。

目前大多数老油田基本进入了精细勘探阶段，现在把勘探重点放在寻找和发现薄的交互储集层，而常规的地震处理方法难以满足勘探的需要。

波阻抗这一物性参数能够比较准确精细地反映地下的地质和岩性情况。

所以若能找到一种比较好的波阻抗反演方法，那么对我们的石油勘探将具有重要意义。

2国内外发展现状2.1波阻抗反演的发展现状当前地震反演大致分成两类：一类是建立在波动理论基础上的反演，其中有（1）GEL 队ND一LEVTAN法，它的特点是只适合远场演;（2）LIPPMANN一SCHW工NGE法，它要求解一个奇异积分方程，在数学上尚有一定的困难;（3）广义脉冲谱法，它要求地下某一面积上的波场值，当前地震勘探无法提供这样的信息;（4）特征线法直接反演波阻抗，该方法对有噪音的情况，积累误差传播惊人，计算结果往往发散;（5）分布式参数法和自伴函数反演波阻抗，这类方法计算时间太长，而且子波不准会使反演失真;（6）WKBJ法，它是声波方程的光学近似，对长波长的情况不能适用。

上述方法截断效应和传递误差几乎无法克服。

改进的粒子群优化算法用于方向图阵列综合【摘要】为了克服粒子群优化算法早熟收敛，本文提出了一种改进的小波变异粒子群优化算法，由于该算法每次迭代时以一定的概率选中粒子进行小波变异扰动，能够克服算法后期易发生早熟收敛和陷入局部最优的缺点。

同时将改进的算法应用于天线阵列方向图综合问题中，综合效果好于现有文献。

【关键词】天线阵列；粒子群优化算法；小波变异；方向图综合最近几年，阵列天线广泛应用与雷达、无线通信和电子对抗等领域，方向图综合作为阵列天线的关键技术，在抗干扰、截获率和参数估计等方面有着重要的作用。

阵列天线方向图综合就是根据波束形状来或性能指标求解阵列天线激烈幅值、相位、单元间距的过程。

由于天线优化问题中的目标函数或约束条件呈多参数、非线性、不可微甚至不连续，因而基于梯度寻优技术的传统数值优化方法无法有效地求得工程上满意的结果。

虽然有很多的经典的优化方法如契比雪夫，泰勒，伍德福德等可以借用，但是这类方法都是针对某一类特定问题提出的，并且对于一些有约束条件的综合，经典方法很难实施。

而智能优化算法[1-5]能很好地解决此类问题，如文献[1-2]将遗传算法应用于阵列天线方向图综合，取得了不错的结果，但是由于遗传算法求取全局最优解对目标搜索的单一性和排他性，就可能陷入局部最优。

而文献[4-5]将粒子群优化算法应用于阵列天线方向图综合，也取得了不错的结果。

本文提出的算法是在小波变异粒子群优化算法的基础上，对其进行改进得到的，同时将改进的小波变异粒子群优化算法应用于阵列天线方向图综合中。

粒子群优化算法（Particle Swarm Optimiz-ation，PSO）是由James Kennedy 和Russell Eberhart在1995年提出的一种基于种群搜索的智能优化算法，它源于对鸟群群体性行为的模拟[6]。

PSO算法由于其算法的简单，易于实现，无需梯度信息，参数少等特点在连续优化问题和离散优化问题中都表现出良好的效果。

改进遗传算法在线阵波束方向图中的应用【摘要】通过对传统遗传算法应用在线阵波束方向图中进行分析，从编码方式、变异策略以及选择机制上提出了新的改进策略。

改进后的算法减少了编码长度，增加了变异灵活性，更好的保持了种群中个体的多样性，加快了搜索和运算速度和收敛性能。

对线阵波束方向图的零陷点生成和旁瓣抑制进行仿真，仿真结果表明改进算法与传统算法相比能明显减少遗传代数，能够更快地找到满意解。

【关键词】智能天线；波束形成；遗传算法The application about improved genetic algorithm in arraybeam patternWU Lin-jun（Department of Information &Electric Engineering，Hunan Institute of Technology，Hengyang 421002)Abstract：Through analyze the traditional genetic algorithm applied on arraybeam pattern.The algorithm was improved in coding way，mutation strategy and choice mechanism.New algorithm reduced the coding length，increased variability of flexibility，better maintained the diversity of individuals，accelerated the search and the calculation speed and convergence performance.The simulation carried on line array beam pattern null point generating and suppression for sidelobe.The result showed that the improved algorithm is compared with the traditional ones，converges more quickly，find a satisfactory solution faster.Key words：smart antenna ；beam forming；genetic algorithm1.引言上世纪八十年代以来，移动通信技术在全球范围内得到迅速发展。

遗传算法的一些改进及其应用一、本文概述遗传算法（Genetic Algorithm, GA）是一种模拟自然选择和遗传学机制的优化搜索算法，它通过模拟生物进化过程中的遗传、突变、交叉和选择等机制，寻找问题的最优解。

自其概念在20世纪70年代初被提出以来，遗传算法已经在多个领域得到了广泛的应用，包括机器学习、函数优化、组合优化、图像处理等。

然而，随着问题复杂度的增加和应用领域的拓宽，传统的遗传算法在求解效率和全局搜索能力上暴露出一些问题，因此对其进行改进成为了研究热点。

本文首先介绍了遗传算法的基本原理和流程，然后综述了近年来遗传算法的一些主要改进方法，包括改进编码方式、优化选择策略、设计新的交叉和变异算子、引入并行计算等。

接着，文章通过多个实际应用案例，展示了改进后遗传算法在求解实际问题中的优越性和潜力。

本文总结了当前遗传算法改进研究的主要成果，展望了未来的研究方向和应用前景。

通过本文的阐述，读者可以对遗传算法的基本原理和改进方法有全面的了解，同时也可以通过实际应用案例深入理解改进后遗传算法的优势和适用场景，为相关领域的研究和应用提供参考和借鉴。

二、遗传算法的基本原理遗传算法（Genetic Algorithm，GA）是一种基于自然选择和遗传学原理的优化搜索算法。

它模拟了自然选择、交叉（杂交）和突变等生物进化过程，通过迭代的方式寻找问题的最优解。

遗传算法的主要组成部分包括编码方式、初始种群生成、适应度函数、选择操作、交叉操作和变异操作。

在遗传算法中，问题的解被表示为“染色体”，通常是一串编码，可以是二进制编码、实数编码或其他形式。

初始种群是由一定数量的随机生成的染色体组成的。

适应度函数用于评估每个染色体的适应度或优劣程度，它通常与问题的目标函数相关。

选择操作根据适应度函数的值选择染色体进入下一代种群，适应度较高的染色体有更大的机会被选中。

交叉操作模拟了生物进化中的杂交过程，通过交换两个父代染色体的部分基因来生成新的子代染色体。

改进的遗传算法在数字信号处理中的应用摘要：本文介绍了改进遗传算法IGA并把它应用于最优小波基的选取。

通过将信号用小波级数展开后得到其在某个期望尺度上的近似表示，由此建立一个表达信号与其近似之间误差的代价函数，然后我们利用改进遗传算法最优化此代价函数以获得全局最优的正交小波基。

1遗传算法与小波1.1 遗传算法遗传算法（Genetic Algorithms）是基于生物进化理论的原理发展起来的一种广为应用的、高效的随机搜索与优化的方法。

其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。

它是在70年代初期由美国密执根（Michigan）大学的霍兰（Holland）教授发展起来的。

1975年霍兰教授发表了第一本比较系统论述遗传算法的专著《自然系统与人工系统中的适应性》（《Adaptation in Natural and Artificial Systems》）。

遗传算法最初被研究的出发点不是为专门解决最优化问题而设计的，它与进化策略、进化规划共同构成了进化算法的主要框架，都是为当时人工智能的发展服务的。

迄今为止，遗传算法是进化算法中最广为人知的算法。

近几年来，遗传算法主要在复杂优化问题求解和工业工程领域应用方面，取得了一些令人信服的结果，所以引起了很多人的关注。

在发展过程中，进化策略、进化规划和遗传算法之间差异越来越小。

遗传算法成功的应用包括：作业调度与排序、可靠性设计、车辆路径选择与调度、成组技术、设备布置与分配、交通问题等等。

1.2 遗传算法的特点遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。

搜索算法的共同特征为：①首先组成一组候选解；②依据某些适应性条件测算这些候选解的适应度；③根据适应度保留某些候选解，放弃其他候选解；④对保留的候选解进行某些操作，生成新的候选解。

在遗传算法中，上述几个特征以一种特殊的方式组合在一起：基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。

第19卷 第3期太赫兹科学与电子信息学报Vo1.19，No.3 2021年6月 Journal of Terahertz Science and Electronic Information Technology Jun.，2021 文章编号：2095-4980(2021)03-0442-06改进遗传算法优化MIMO稀布阵列秦自立1a,1b,2，杨冠1a,1b,2，王方力1a,1b,2，李超1a,1b，纪奕才1a,1b,2(1.中国科学院 a.空天信息创新研究院；b.电磁辐射与探测技术重点实验室，北京 100190；2.中国科学院大学电子电气与通信工程学院，北京 100049)摘 要：为了解决多输入多输出(MIMO)天线阵列由于阵元间隔过大造成的阵列方向图出现栅瓣，在雷达回波成像时出现影响目标识别的虚假目标的问题，提出了一种改进的遗传算法对阵列排布进行优化。

在传统标准遗传算法上进行改进，用多个矩阵组合表示MIMO阵列，针对在矩形平面随机分布的稀疏阵列的方向图旁瓣问题进行优化设计，并采用基于Logistic混沌序列的方法产生种群扰动，避免优化过程进入局部最优状态。

通过实例对比22发射天线22接收天线的均匀规则排布MIMO阵列和经改进遗传算法优化的稀布MIMO阵列，结果表明，改进遗传算法可以有效解决规则排布阵列方向图中出现的栅瓣，并且降低方向图旁瓣，提高雷达成像性能。

该优化算法变量可控，具有很强的实用性，为MIMO雷达的阵列排布提供了解决方法。

关键词：平面稀布阵列；多输入多输出；改进遗传算法；栅瓣；旁瓣中图分类号：TN951文献标志码：A doi：10.11805/TKYDA2019552Modified genetic algorithm for optimizing MIMO sparse arrayQIN Zili1a,1b,2，YANG Guan1a,1b,2，WANG Fangli1a,1b,2，LI Chao1a,1b，JI Yicai1a,1b,2 (1a.Aerospace Information Research Institute；1b.Key Laboratory of Electromagnetic Radiation and Sensing Technology，Chinese Academy of Sciences，Beijing 100190，China；2.School of Electrical and Communication Engineering，University of Chinese Academy of Sciences，Beijing 100049，China)Abstract：The array pattern of Multiple Input Multiple Output(MIMO) antenna array has grating lobes due to the large array element spacing, and the false targets that affect the target recognition appearin the radar echo imaging. An improved genetic algorithm is proposed to optimize the array arrangement.The traditional standard genetic algorithm is improved to represent MIMO array with multiple matrixcombinations, and the pattern sidelobes of sparse array with random distribution in rectangular plane areoptimized. The method based on Logistic chaotic sequence is adopted to generate population disturbanceand avoid the optimization process entering into the local optimal state. A uniform regular arrangement ofMIMO array with 22 transmitting antennas and 22 receiving antennas and a modified MIMO array optimizedby modified genetic algorithm are compared by examples. The results show that the modified geneticalgorithm can effectively avoid the grating lobes in the regular array pattern, reduce the side lobes of thepattern, and improve the radar imaging performance. The optimization algorithm has strong practicabilityfor its variable is controllable, which provides a solution for array arrangement of MIMO radar.Keywords：planar sparse array；Multiple Input Multiple Output；modified genetic algorithm；grating lobe；side lobe多输入多输出(MIMO)雷达近年来得到了越来越多研究学者的关注[1−2]，由于其独特的多个发射天线独立发射正交信号并且多个接收天线同时接收信号的特点，其获得了远超过实际阵元数目的观测通道，具有很高的数据获取效率，相比同样孔径的单站雷达系统，远远节约了硬件成本，以空间积累代替时间积累，从而具有缩短积累时间，实现单次快拍成像的优势。

一种基于HFSS结合遗传算法进行阵列天线方向图优化的研究周鹏;秦三团【摘要】提出一种新的对阵列天线方向图进行优化的方法，即借助Ansoft HFSS软件进行单元天线阵仿真，提取出各单元单独馈电的电流数据或远场数据，利用遗传算法对提取出的电流数据实施优化，得出满足方向图要求的单元电流值和相位值。

结果表明，基于HFSS建模的灵活性，该方法可方便进行任意特性天线阵列的方向图综合，优化时对提取出的数据只需进行简单的远场外推或叠加，因而具有极快的计算速度。

区别于传统的单独用遗传算法进行优化的方法，该方法将工程软件Ansoft HFSS和遗传算法相结合，有效地提高了天线阵综合时的计算精度和目标函数的计算效率，进而有效提高了方向图的优化效率。

%A new method to optimize the array antenna directional pattern is proposed,in which the cell antenna array is simulated with Ansoft HFSS software to extract the current data or far⁃field data of each exclusive feed cell,and then the genetic algorithm(GA)is used to optimize the extracted current data to obtain the cell current value and phase value satisfying the re⁃quirement of directional pattern. The method can conveniently synthesize the antenna array directional pattern with arbitrary charac⁃teristics due to the flexible HFSS modeling,and only a simple far⁃field extrapolation or superposition for the extracted data is needed while optimizing,so it has fast calculation speed. Different from the traditional optimization method using GAonly,the method combining engineering software Ansoft HFSS with GAcan effectively improve the computational accuracy of the antenna arraysynthesis,computational efficiency of the objective function,and the optimization efficiency of the directional pattern.【期刊名称】《现代电子技术》【年(卷),期】2016(039)009【总页数】3页(P75-77)【关键词】单元电流值;电流相位值;方向图;遗传算法;天线阵列【作者】周鹏;秦三团【作者单位】西安邮电大学理学院，陕西西安 710061;西安邮电大学电子工程学院，陕西西安 710061【正文语种】中文【中图分类】TN820.1+2-34天线阵方向图［1］综合（优化）对天线阵应用尤为重要，根据实际问题的需要，常常采用三种综合手段：单元相对位置、单元馈电幅度、单元馈电相位同时改变；单元相对位置不变，只改变各单元幅度和相位；单元间距和幅度均不变，只改变单元相位。

基于遗传算法的阵列天线方向图综合应用研究作者：许嘉纹朱赛韩春辉安婷来源：《今日自动化》2020年第12期[摘要]本文结合阵列天线方向图的基础原理，运用遗传算法的相关思想与方法，通过VC6.0来综合优化阵列天线方向图，其结果与目标方向图比较接近，最后探讨了遗传算法在阵列天线方向图中的应用。

[关键词]阵列天线;方向图;遗传算法[中图分类号]TN820.12;TP18 [文献标志码]A [文章编号]2095–6487（2020）12–00–03[Abstract]In this paper， combined with the basic principle of array antenna pattern， the genetic algorithm is used to optimize the array antenna pattern by VC6.0. Finally， the application of genetic algorithm in array antenna pattern is discussed.[Keywords]array antenna; pattern; genetic algorithm阵列天线同相位激励所形成的单波束笔状方向图已经难以适应当下电子设备日益复杂的需求，因此需要能够对特殊范围进行覆盖的各种复杂天线方向图[1]。

阵列天线形成方向图主要是由变量来决定，包括相位、激励功率、单元间距、单元个数等，而单元的个数增加会导致变量增多，因此需要一种有效的优化算法来完成方向图的最优解，而遗传算法能够满足阵列方向图的这一要求。

1 遗传算法遗传算法思想是由Mendel遗传学说和Darwin生物进化论衍生而来。

在Darwin生物进化论中，适者生存是最为重要的生存原理，该原理认为所有物种的发展会与环境越来越相适应，后代会继承物种个体的基本特征，同时又会产生有异于父代的新变化，只有能够适应环境的个体特征才会在环境变化时保留下来。