化稀疏微帶天線陣列：陣元稀疏與方向圖綜合實(shí)戰(zhàn))
簡介這份資源面向天線設(shè)計(jì)、雷達(dá)與無線通信方向的學(xué)習(xí)者與研究人員聚焦稀疏微帶天線陣列的優(yōu)化問題。傳統(tǒng)密集陣列成本高、體積大而稀疏陣列通過減少單元數(shù)量并優(yōu)化位置分布在保持高增益與窄波束的同時(shí)降低副瓣電平。資源以遺傳算法為核心對10元稀疏天線陣列的單元間距進(jìn)行全局尋優(yōu)以獲取低副瓣方向圖涉及陣列理論、優(yōu)化算法編程與結(jié)果可視化等環(huán)節(jié)。壓縮包共6個(gè)文件約85KB包含4個(gè)m腳本、1個(gè)fig圖形文件與1個(gè)mat數(shù)據(jù)文件分別用于遺傳算法實(shí)現(xiàn)、方向圖繪制、陣列布局展示及最優(yōu)解存儲便于復(fù)現(xiàn)與二次開發(fā)。目前已有544人學(xué)習(xí)下載適合希望掌握稀疏陣列優(yōu)化流程、理解遺傳算法在天線設(shè)計(jì)中應(yīng)用的中高級讀者參考。1. 稀疏微帶天線陣列從 GA_sparsearray_sparsegenetic 看陣元該“砍”在哪做陣列天線的人遲早會撞上一堵墻陣元越密增益越高但饋電網(wǎng)絡(luò)越復(fù)雜、T/R 組件越多、成本越離譜。一個(gè) 16×16 的均勻陣256 個(gè)通道每個(gè)通道后面都拖著移相器、衰減器、低噪放整機(jī)成本和熱耗直接起飛。于是有人開始琢磨——能不能在保證方向圖主瓣指標(biāo)的前提下把一部分陣元直接“砍掉”讓剩下的陣元稀疏地分布在口徑上這就是稀疏微帶天線陣列要解決的問題也是 GA_sparsearray_sparsegenetic 這個(gè)方向的核心命題用遺傳算法去搜索一個(gè)最優(yōu)的“開/關(guān)”陣元分布讓稀疏后的陣列方向圖盡量逼近滿陣的性能。它適合誰適合已經(jīng)做過均勻陣、知道怎么算陣因子、但被通道數(shù)和成本卡住的射頻工程師也適合做陣列信號處理、想拿方向圖綜合練手的研究生。不適合連陣列因子公式都沒推過的人——稀疏陣列的坑一半在優(yōu)化算法一半在天線本身的互耦和饋電約束缺了任何一邊都容易翻車。2. 稀疏陣列的數(shù)學(xué)骨架陣因子、柵瓣與稀疏率怎么定2.1 從陣因子公式看“砍陣元”到底改變了什么均勻直線陣的陣因子寫出來大家都熟AF(θ) Σ_{n0}^{N-1} w_n · exp(j·n·k·d·cosθ)其中 w_n 是激勵(lì)幅度k 是波數(shù)d 是陣元間距θ 是從陣列軸向量起的角度。稀疏陣列做的事情本質(zhì)上是把 w_n 從“全 1”變成“0 或 1”的二值序列——1 代表這個(gè)位置保留陣元0 代表砍掉。于是陣因子變成AF(θ) Σ_{n0}^{N-1} a_n · exp(j·n·k·d·cosθ), a_n ∈ {0, 1}這里 a_n 就是稀疏開關(guān)向量。問題立刻變得清晰給定 N 個(gè)候選位置選 M 個(gè)位置放陣元M N使得 AF(θ) 在主瓣寬度、副瓣電平、零陷深度等指標(biāo)上盡量好。稀疏率定義為 M/N比如 60% 稀疏率意味著 100 個(gè)候選位置只放 60 個(gè)陣元。關(guān)鍵認(rèn)知稀疏不是簡單地把陣元間距拉大。均勻稀疏每隔一個(gè)砍一個(gè)會產(chǎn)生嚴(yán)重的柵瓣因?yàn)榈刃чg距變成了 2d當(dāng) 2d λ 時(shí)柵瓣直接冒出來。所以稀疏陣列必須用非均勻的、優(yōu)化過的位置分布來打散周期性把柵瓣能量壓下去。2.2 為什么選遺傳算法而不是凸優(yōu)化或粒子群稀疏陣列綜合是一個(gè)典型的 0-1 非線性組合優(yōu)化問題。候選位置 N 個(gè)選 M 個(gè)組合數(shù) C(N, M) 在 N100、M60 時(shí)已經(jīng)是天文數(shù)字。凸優(yōu)化處理不了二值約束粒子群容易早熟收斂到局部最優(yōu)而遺傳算法在離散空間里的全局搜索能力更穩(wěn)。我一般會選遺傳算法的原因有三條第一編碼天然匹配——染色體就是一個(gè)長度為 N 的二進(jìn)制串1 表示放陣元0 表示不放第二適應(yīng)度函數(shù)可以靈活定義副瓣電平、主瓣寬度、零陷深度都能加權(quán)塞進(jìn)去第三選擇、交叉、變異這套操作對 0-1 問題很自然不需要額外松弛。代價(jià)是遺傳算法計(jì)算量大。每評估一個(gè)個(gè)體都要算一次完整的方向圖N100 時(shí)單個(gè)個(gè)體評估大概幾毫秒種群 100、迭代 500 代就是幾萬次評估跑幾分鐘到幾十分鐘很正常。所以實(shí)際工程里我會先做一步降維利用陣列的對稱性只優(yōu)化一半的陣元位置另一半鏡像對稱搜索空間直接砍半。2.3 稀疏率與孔徑的權(quán)衡三個(gè)必須提前鎖定的參數(shù)在動手寫代碼之前有三個(gè)參數(shù)必須先定下來否則后面調(diào)參就是無頭蒼蠅。參數(shù)含義典型取值影響N候選陣元位置總數(shù)50200決定搜索空間大小和計(jì)算量稀疏率 M/N保留陣元占比50%80%越低越省成本但副瓣越難壓d/λ候選位置間距與波長比0.5大于 0.5 會引入柵瓣風(fēng)險(xiǎn)這三個(gè)參數(shù)是耦合的。稀疏率降到 50% 以下時(shí)副瓣電平通常很難壓到 -13 dB 以下除非放寬主瓣寬度或者允許非對稱布局。d/λ 取 0.5 是微帶陣列的常見選擇因?yàn)榘氩ㄩL間距在均勻陣?yán)锊怀霈F(xiàn)柵瓣稀疏后雖然等效間距變大但非均勻分布能把柵瓣打散成副瓣。提示如果你的應(yīng)用對副瓣要求嚴(yán)于 -20 dB稀疏率不要低于 65%否則優(yōu)化算法再強(qiáng)也救不回來這是口徑?jīng)Q定的物理極限。3. 用遺傳算法跑通稀疏陣列綜合編碼、適應(yīng)度與主循環(huán)3.1 染色體編碼與種群初始化遺傳算法的第一步是把“哪些位置放陣元”編碼成染色體。最直接的方式是二進(jìn)制編碼染色體長度等于候選位置數(shù) N基因位為 1 表示該位置放陣元為 0 表示不放。初始化時(shí)隨機(jī)生成一批染色體但必須滿足稀疏率約束——1 的個(gè)數(shù)等于 M。import numpy as np def init_population(pop_size, N, M): 初始化種群每個(gè)個(gè)體是長度為 N 的二進(jìn)制串其中恰好有 M 個(gè) 1 pop_size: 種群規(guī)模 N: 候選陣元位置總數(shù) M: 實(shí)際保留的陣元數(shù) population np.zeros((pop_size, N), dtypeint) for i in range(pop_size): # 隨機(jī)選 M 個(gè)位置置 1 ones_idx np.random.choice(N, M, replaceFalse) population[i, ones_idx] 1 return population這段代碼的邏輯很直白對每個(gè)個(gè)體從 N 個(gè)位置里不重復(fù)地抽 M 個(gè)置 1。參數(shù) pop_size 一般取 50200太小容易早熟太大計(jì)算量爆炸。N 和 M 就是上一節(jié)鎖定的候選位置數(shù)和保留陣元數(shù)。注意這里沒有用“每個(gè)基因獨(dú)立隨機(jī) 0/1”的初始化方式因?yàn)槟菢訜o法保證稀疏率精確等于 M/N后續(xù)還得修補(bǔ)不如直接按約束采樣。3.2 適應(yīng)度函數(shù)副瓣電平、主瓣寬度與零陷怎么加權(quán)適應(yīng)度函數(shù)是遺傳算法的指揮棒寫錯(cuò)了后面全白搭。稀疏陣列最核心的指標(biāo)是峰值副瓣電平PSLL其次是主瓣寬度HPBW和特定方向的零陷深度。我一般用一個(gè)加權(quán)求和的形式def fitness(chromosome, theta, d_lambda, target_nullNone): 計(jì)算個(gè)體適應(yīng)度值越大越好 chromosome: 二進(jìn)制稀疏向量 theta: 角度掃描范圍弧度 d_lambda: 陣元間距與波長比 target_null: 需要零陷的角度可選 N len(chromosome) # 計(jì)算陣因子 k 2 * np.pi AF np.zeros_like(theta, dtypecomplex) for n in range(N): if chromosome[n] 1: AF np.exp(1j * n * k * d_lambda * np.cos(theta)) AF_db 20 * np.log10(np.abs(AF) / np.max(np.abs(AF)) 1e-12) # 找主瓣區(qū)域最大輻射方向附近 main_idx np.argmax(np.abs(AF)) # 主瓣以外算副瓣 mask np.ones_like(theta, dtypebool) mask[max(0, main_idx-5):main_idx5] False psll np.max(AF_db[mask]) # 適應(yīng)度副瓣越低越好取負(fù)值 fit -psll # 如果有零陷要求加懲罰項(xiàng) if target_null is not None: null_idx np.argmin(np.abs(theta - target_null)) null_depth AF_db[null_idx] if null_depth -30: # 零陷不夠深扣分 fit - (null_depth 30) * 0.5 return fit邏輯說明先按當(dāng)前稀疏向量算陣因子歸一化到 dB。主瓣區(qū)域用最大輻射方向附近 ±5 個(gè)采樣點(diǎn)來界定這個(gè)窗口寬度要根據(jù)角度分辨率調(diào)整——太窄會把主瓣邊緣誤判成副瓣太寬會漏掉近副瓣。psll 取主瓣以外所有角度的最大值適應(yīng)度直接取負(fù)的 psll因?yàn)檫z傳算法默認(rèn)找最大值而我們要副瓣越低越好。參數(shù) target_null 是可選的。如果應(yīng)用需要在某方向形成零陷比如抗干擾就在那個(gè)角度上加懲罰項(xiàng)。懲罰系數(shù) 0.5 是我試出來的經(jīng)驗(yàn)值太小起不到約束作用太大又會讓算法只顧零陷不管副瓣。3.3 選擇、交叉與變異三個(gè)算子的參數(shù)怎么設(shè)選擇用錦標(biāo)賽法每次隨機(jī)抽 k 個(gè)個(gè)體選適應(yīng)度最高的那個(gè)進(jìn)下一代。k 一般取 24越大選擇壓力越大收斂越快但多樣性掉得也快。def selection(population, fitness_vals, k3): 錦標(biāo)賽選擇 pop_size len(population) selected [] for _ in range(pop_size): candidates np.random.choice(pop_size, k, replaceFalse) best candidates[np.argmax(fitness_vals[candidates])] selected.append(population[best].copy()) return np.array(selected) def crossover(parent1, parent2, pc0.8): 單點(diǎn)交叉保持稀疏率需要額外修補(bǔ) if np.random.rand() pc: return parent1.copy(), parent2.copy() point np.random.randint(1, len(parent1)-1) child1 np.concatenate([parent1[:point], parent2[point:]]) child2 np.concatenate([parent2[:point], parent1[point:]]) return child1, child2 def mutate(chromosome, pm0.01): 位翻轉(zhuǎn)變異 for i in range(len(chromosome)): if np.random.rand() pm: chromosome[i] 1 - chromosome[i] return chromosome交叉概率 pc 取 0.8 是經(jīng)典值意味著 80% 的配對會交換基因片段。變異概率 pm 取 0.01 表示每個(gè)基因位有 1% 的概率翻轉(zhuǎn)。但這里有個(gè)坑交叉和變異之后染色體里 1 的個(gè)數(shù)可能不再是 M稀疏率被破壞。解決辦法是在每代結(jié)束后做一次修補(bǔ)——統(tǒng)計(jì) 1 的個(gè)數(shù)多了就隨機(jī)把一些 1 翻成 0少了就隨機(jī)把一些 0 翻成 1。def repair(chromosome, M): 修補(bǔ)染色體使 1 的個(gè)數(shù)精確等于 M ones np.where(chromosome 1)[0] zeros np.where(chromosome 0)[0] diff len(ones) - M if diff 0: # 1 多了隨機(jī)翻掉 diff 個(gè) flip np.random.choice(ones, diff, replaceFalse) chromosome[flip] 0 elif diff 0: # 1 少了隨機(jī)補(bǔ)上 -diff 個(gè) flip np.random.choice(zeros, -diff, replaceFalse) chromosome[flip] 1 return chromosome修補(bǔ)這一步不能省。我見過有人跑了幾百代發(fā)現(xiàn)稀疏率飄到 70% 以上方向圖看著還行但實(shí)際陣元數(shù)超了預(yù)算整個(gè)方案作廢。3.4 主循環(huán)與收斂判據(jù)把上面的模塊串起來主循環(huán)長這樣def ga_sparse_array(N, M, pop_size100, generations500, pc0.8, pm0.01): theta np.linspace(0, np.pi, 360) d_lambda 0.5 population init_population(pop_size, N, M) best_history [] for gen in range(generations): fitness_vals np.array([fitness(ind, theta, d_lambda) for ind in population]) best_idx np.argmax(fitness_vals) best_history.append(fitness_vals[best_idx]) if gen % 50 0: print(fGen {gen}: best fitness {fitness_vals[best_idx]:.2f}) selected selection(population, fitness_vals) next_pop [] for i in range(0, pop_size, 2): c1, c2 crossover(selected[i], selected[i1], pc) c1 mutate(c1, pm) c2 mutate(c2, pm) c1 repair(c1, M) c2 repair(c2, M) next_pop.extend([c1, c2]) population np.array(next_pop[:pop_size]) return population, best_history收斂判據(jù)我一般看兩個(gè)一是最優(yōu)適應(yīng)度連續(xù) 50 代不再提升二是種群平均適應(yīng)度和最優(yōu)適應(yīng)度的差距小于 1 dB。滿足任一就提前停省時(shí)間。generations 設(shè) 500 是上限實(shí)際跑下來 200300 代基本就穩(wěn)了。4. 避坑與排查稀疏陣列綜合里最容易翻車的五件事4.1 副瓣壓不下去先查主瓣窗口是不是設(shè)窄了現(xiàn)象適應(yīng)度函數(shù)算出來的 psll 一直在 -10 dB 左右晃怎么迭代都下不去。原因主瓣窗口設(shè)得太窄把主瓣的裙邊當(dāng)成了副瓣。比如主瓣實(shí)際占了 ±8 個(gè)采樣點(diǎn)你只留了 ±3 個(gè)那剩下的 5 個(gè)點(diǎn)全被算進(jìn)副瓣psll 自然高。解決把主瓣窗口放寬到 ±10 個(gè)采樣點(diǎn)或者用 3 dB 波束寬度動態(tài)計(jì)算窗口。theta 采樣 360 個(gè)點(diǎn)時(shí)±10 個(gè)點(diǎn)大約對應(yīng) ±5°對大多數(shù)陣列夠用了。4.2 稀疏率約束被破壞方向圖看著好但陣元數(shù)超了現(xiàn)象跑完遺傳算法把最優(yōu)染色體拿出來一數(shù)1 的個(gè)數(shù)比 M 多了七八個(gè)。原因交叉和變異之后沒有做修補(bǔ)或者修補(bǔ)邏輯寫錯(cuò)了——比如只處理了 1 多的情況沒處理 1 少的情況。解決每代交叉變異后強(qiáng)制調(diào)用 repair 函數(shù)并且在主循環(huán)里加一行斷言assert np.sum(chromosome) M跑的時(shí)候一旦觸發(fā)就知道哪里漏了。4.3 優(yōu)化結(jié)果不對稱實(shí)際加工時(shí)饋電網(wǎng)絡(luò)沒法走線現(xiàn)象算法給出的最優(yōu)稀疏分布左右不對稱左邊密右邊疏。原因初始化時(shí)沒有加對稱約束遺傳算法在搜索空間里自由發(fā)揮找到了一個(gè)不對稱但指標(biāo)好的解。解決如果應(yīng)用要求對稱布局在編碼階段就只編碼一半的染色體另一半鏡像復(fù)制。這樣搜索空間減半收斂更快而且結(jié)果天然對稱。代價(jià)是可能損失一點(diǎn)副瓣性能但工程上值得。4.4 互耦沒考慮仿真和實(shí)測對不上現(xiàn)象算法優(yōu)化出來的方向圖副瓣 -18 dB加工實(shí)測只有 -12 dB。原因陣因子模型假設(shè)陣元之間互不影響但微帶陣元間距半波長時(shí)互耦很明顯實(shí)際激勵(lì)幅度和相位都偏了。解決在適應(yīng)度函數(shù)里加一個(gè)互耦修正項(xiàng)或者用全波仿真軟件如某電磁仿真工具算幾個(gè)典型稀疏分布的 S 參數(shù)擬合一個(gè)修正系數(shù)塞進(jìn)陣因子。更徹底的做法是把遺傳算法和全波仿真聯(lián)合起來跑但計(jì)算量會大一個(gè)數(shù)量級看項(xiàng)目預(yù)算決定。4.5 早熟收斂種群多樣性掉太快現(xiàn)象前 50 代適應(yīng)度提升很快之后完全不動最優(yōu)個(gè)體和平均個(gè)體幾乎一樣。原因選擇壓力太大錦標(biāo)賽 k 取太大或者變異概率太低種群很快被少數(shù)幾個(gè)個(gè)體統(tǒng)治。解決把錦標(biāo)賽 k 從 4 降到 2變異概率從 0.01 提到 0.05或者引入自適應(yīng)變異——適應(yīng)度高的個(gè)體變異概率低適應(yīng)度低的個(gè)體變異概率高。我一般還會在每代隨機(jī)注入 5% 的全新隨機(jī)個(gè)體保持多樣性。5. 進(jìn)階技巧把稀疏陣列從“能跑”推到“能用”5.1 多目標(biāo)優(yōu)化用帕累托前沿替代加權(quán)求和加權(quán)求和的適應(yīng)度函數(shù)有個(gè)根本問題權(quán)重怎么定副瓣和主瓣寬度的權(quán)重比取 1:1 還是 3:1結(jié)果差別很大而且調(diào)權(quán)重本身就是玄學(xué)。更工程化的做法是跑多目標(biāo)遺傳算法比如 NSGA-II 的思路同時(shí)優(yōu)化副瓣電平和主瓣寬度最后得到一條帕累托前沿讓系統(tǒng)工程師根據(jù)實(shí)際需求挑一個(gè)折中點(diǎn)。實(shí)現(xiàn)上不需要引入額外的庫把適應(yīng)度函數(shù)改成返回一個(gè)二元組(psll, hpbw)選擇時(shí)用非支配排序代替錦標(biāo)賽。代碼量增加大概 50 行但換來的靈活性很值。5.2 把稀疏陣列和波束賦形聯(lián)合起來稀疏陣列只決定了“哪些位置有陣元”但每個(gè)陣元的激勵(lì)幅度和相位還可以繼續(xù)調(diào)。把稀疏向量和激勵(lì)向量放在同一個(gè)染色體里編碼——前 N 位是稀疏開關(guān)后 M 位是激勵(lì)相位量化到 6 bit遺傳算法同時(shí)搜索。這樣自由度更大副瓣能再壓 23 dB。代價(jià)是搜索空間指數(shù)級膨脹。我的經(jīng)驗(yàn)是先把稀疏分布優(yōu)化到位固定下來再用凸優(yōu)化或者最小二乘去調(diào)激勵(lì)相位。分兩步走比一步到位更穩(wěn)計(jì)算量也可控。5.3 驗(yàn)證方法三組對照實(shí)驗(yàn)確認(rèn)優(yōu)化沒跑偏優(yōu)化結(jié)果出來之后別急著投板。先做三組對照對照項(xiàng)目的判據(jù)滿陣方向圖確認(rèn)基準(zhǔn)性能副瓣應(yīng)低于 -13 dB隨機(jī)稀疏方向圖確認(rèn) GA 確實(shí)有效GA 結(jié)果副瓣應(yīng)低 3 dB 以上全波仿真確認(rèn)互耦影響可控與陣因子模型偏差小于 2 dB如果 GA 結(jié)果和隨機(jī)稀疏差不多說明算法沒起作用回去查適應(yīng)度函數(shù)和收斂曲線。如果全波仿真偏差超過 3 dB說明互耦嚴(yán)重得回到 4.4 節(jié)加修正。5.4 一個(gè)我常犯的錯(cuò)誤早期做稀疏陣列時(shí)我總想把稀疏率壓到最低覺得省成本就是硬道理。有一次把 64 陣元砍到 32 個(gè)稀疏率 50%遺傳算法跑出來的方向圖副瓣 -14 dB看著還行。結(jié)果加工實(shí)測副瓣直接飆到 -8 dB因?yàn)殛囋g距太大互耦雖然弱了但饋電網(wǎng)絡(luò)的幅度不一致性被放大加上加工公差整個(gè)方向圖全亂了。后來我把稀疏率鎖在 65% 以上再沒翻過車。稀疏陣列的邊界不在算法在物理——口徑和波長決定了你能砍多少算法只是幫你找到那個(gè)邊界上的最優(yōu)解。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取 遺傳算法優(yōu)化稀疏微帶天線陣列：陣元稀疏與方向圖綜合實(shí)戰(zhàn)
簡介這份資源面向天線設(shè)計(jì)、雷達(dá)與無線通信方向的學(xué)習(xí)者與研究人員聚焦稀疏微帶天線陣列的優(yōu)化問題。傳統(tǒng)密集陣列成本高、體積大而稀疏陣列通過減少單元數(shù)量并優(yōu)化位置分布在保持高增益與窄波束的同時(shí)降低副瓣電平。資源以遺傳算法為核心對10元稀疏天線陣列的單元間距進(jìn)行全局尋優(yōu)以獲取低副瓣方向圖涉及陣列理論、優(yōu)化算法編程與結(jié)果可視化等環(huán)節(jié)。壓縮包共6個(gè)文件約85KB包含4個(gè)m腳本、1個(gè)fig圖形文件與1個(gè)mat數(shù)據(jù)文件分別用于遺傳算法實(shí)現(xiàn)、方向圖繪制、陣列布局展示及最優(yōu)解存儲便于復(fù)現(xiàn)與二次開發(fā)。目前已有544人學(xué)習(xí)下載適合希望掌握稀疏陣列優(yōu)化流程、理解遺傳算法在天線設(shè)計(jì)中應(yīng)用的中高級讀者參考。1. 稀疏微帶天線陣列從 GA_sparsearray_sparsegenetic 看陣元該“砍”在哪做陣列天線的人遲早會撞上一堵墻陣元越密增益越高但饋電網(wǎng)絡(luò)越復(fù)雜、T/R 組件越多、成本越離譜。一個(gè) 16×16 的均勻陣256 個(gè)通道每個(gè)通道后面都拖著移相器、衰減器、低噪放整機(jī)成本和熱耗直接起飛。于是有人開始琢磨——能不能在保證方向圖主瓣指標(biāo)的前提下把一部分陣元直接“砍掉”讓剩下的陣元稀疏地分布在口徑上這就是稀疏微帶天線陣列要解決的問題也是 GA_sparsearray_sparsegenetic 這個(gè)方向的核心命題用遺傳算法去搜索一個(gè)最優(yōu)的“開/關(guān)”陣元分布讓稀疏后的陣列方向圖盡量逼近滿陣的性能。它適合誰適合已經(jīng)做過均勻陣、知道怎么算陣因子、但被通道數(shù)和成本卡住的射頻工程師也適合做陣列信號處理、想拿方向圖綜合練手的研究生。不適合連陣列因子公式都沒推過的人——稀疏陣列的坑一半在優(yōu)化算法一半在天線本身的互耦和饋電約束缺了任何一邊都容易翻車。2. 稀疏陣列的數(shù)學(xué)骨架陣因子、柵瓣與稀疏率怎么定2.1 從陣因子公式看“砍陣元”到底改變了什么均勻直線陣的陣因子寫出來大家都熟AF(θ) Σ_{n0}^{N-1} w_n · exp(j·n·k·d·cosθ)其中 w_n 是激勵(lì)幅度k 是波數(shù)d 是陣元間距θ 是從陣列軸向量起的角度。稀疏陣列做的事情本質(zhì)上是把 w_n 從“全 1”變成“0 或 1”的二值序列——1 代表這個(gè)位置保留陣元0 代表砍掉。于是陣因子變成AF(θ) Σ_{n0}^{N-1} a_n · exp(j·n·k·d·cosθ), a_n ∈ {0, 1}這里 a_n 就是稀疏開關(guān)向量。問題立刻變得清晰給定 N 個(gè)候選位置選 M 個(gè)位置放陣元M N使得 AF(θ) 在主瓣寬度、副瓣電平、零陷深度等指標(biāo)上盡量好。稀疏率定義為 M/N比如 60% 稀疏率意味著 100 個(gè)候選位置只放 60 個(gè)陣元。關(guān)鍵認(rèn)知稀疏不是簡單地把陣元間距拉大。均勻稀疏每隔一個(gè)砍一個(gè)會產(chǎn)生嚴(yán)重的柵瓣因?yàn)榈刃чg距變成了 2d當(dāng) 2d λ 時(shí)柵瓣直接冒出來。所以稀疏陣列必須用非均勻的、優(yōu)化過的位置分布來打散周期性把柵瓣能量壓下去。2.2 為什么選遺傳算法而不是凸優(yōu)化或粒子群稀疏陣列綜合是一個(gè)典型的 0-1 非線性組合優(yōu)化問題。候選位置 N 個(gè)選 M 個(gè)組合數(shù) C(N, M) 在 N100、M60 時(shí)已經(jīng)是天文數(shù)字。凸優(yōu)化處理不了二值約束粒子群容易早熟收斂到局部最優(yōu)而遺傳算法在離散空間里的全局搜索能力更穩(wěn)。我一般會選遺傳算法的原因有三條第一編碼天然匹配——染色體就是一個(gè)長度為 N 的二進(jìn)制串1 表示放陣元0 表示不放第二適應(yīng)度函數(shù)可以靈活定義副瓣電平、主瓣寬度、零陷深度都能加權(quán)塞進(jìn)去第三選擇、交叉、變異這套操作對 0-1 問題很自然不需要額外松弛。代價(jià)是遺傳算法計(jì)算量大。每評估一個(gè)個(gè)體都要算一次完整的方向圖N100 時(shí)單個(gè)個(gè)體評估大概幾毫秒種群 100、迭代 500 代就是幾萬次評估跑幾分鐘到幾十分鐘很正常。所以實(shí)際工程里我會先做一步降維利用陣列的對稱性只優(yōu)化一半的陣元位置另一半鏡像對稱搜索空間直接砍半。2.3 稀疏率與孔徑的權(quán)衡三個(gè)必須提前鎖定的參數(shù)在動手寫代碼之前有三個(gè)參數(shù)必須先定下來否則后面調(diào)參就是無頭蒼蠅。參數(shù)含義典型取值影響N候選陣元位置總數(shù)50200決定搜索空間大小和計(jì)算量稀疏率 M/N保留陣元占比50%80%越低越省成本但副瓣越難壓d/λ候選位置間距與波長比0.5大于 0.5 會引入柵瓣風(fēng)險(xiǎn)這三個(gè)參數(shù)是耦合的。稀疏率降到 50% 以下時(shí)副瓣電平通常很難壓到 -13 dB 以下除非放寬主瓣寬度或者允許非對稱布局。d/λ 取 0.5 是微帶陣列的常見選擇因?yàn)榘氩ㄩL間距在均勻陣?yán)锊怀霈F(xiàn)柵瓣稀疏后雖然等效間距變大但非均勻分布能把柵瓣打散成副瓣。提示如果你的應(yīng)用對副瓣要求嚴(yán)于 -20 dB稀疏率不要低于 65%否則優(yōu)化算法再強(qiáng)也救不回來這是口徑?jīng)Q定的物理極限。3. 用遺傳算法跑通稀疏陣列綜合編碼、適應(yīng)度與主循環(huán)3.1 染色體編碼與種群初始化遺傳算法的第一步是把“哪些位置放陣元”編碼成染色體。最直接的方式是二進(jìn)制編碼染色體長度等于候選位置數(shù) N基因位為 1 表示該位置放陣元為 0 表示不放。初始化時(shí)隨機(jī)生成一批染色體但必須滿足稀疏率約束——1 的個(gè)數(shù)等于 M。import numpy as np def init_population(pop_size, N, M): 初始化種群每個(gè)個(gè)體是長度為 N 的二進(jìn)制串其中恰好有 M 個(gè) 1 pop_size: 種群規(guī)模 N: 候選陣元位置總數(shù) M: 實(shí)際保留的陣元數(shù) population np.zeros((pop_size, N), dtypeint) for i in range(pop_size): # 隨機(jī)選 M 個(gè)位置置 1 ones_idx np.random.choice(N, M, replaceFalse) population[i, ones_idx] 1 return population這段代碼的邏輯很直白對每個(gè)個(gè)體從 N 個(gè)位置里不重復(fù)地抽 M 個(gè)置 1。參數(shù) pop_size 一般取 50200太小容易早熟太大計(jì)算量爆炸。N 和 M 就是上一節(jié)鎖定的候選位置數(shù)和保留陣元數(shù)。注意這里沒有用“每個(gè)基因獨(dú)立隨機(jī) 0/1”的初始化方式因?yàn)槟菢訜o法保證稀疏率精確等于 M/N后續(xù)還得修補(bǔ)不如直接按約束采樣。3.2 適應(yīng)度函數(shù)副瓣電平、主瓣寬度與零陷怎么加權(quán)適應(yīng)度函數(shù)是遺傳算法的指揮棒寫錯(cuò)了后面全白搭。稀疏陣列最核心的指標(biāo)是峰值副瓣電平PSLL其次是主瓣寬度HPBW和特定方向的零陷深度。我一般用一個(gè)加權(quán)求和的形式def fitness(chromosome, theta, d_lambda, target_nullNone): 計(jì)算個(gè)體適應(yīng)度值越大越好 chromosome: 二進(jìn)制稀疏向量 theta: 角度掃描范圍弧度 d_lambda: 陣元間距與波長比 target_null: 需要零陷的角度可選 N len(chromosome) # 計(jì)算陣因子 k 2 * np.pi AF np.zeros_like(theta, dtypecomplex) for n in range(N): if chromosome[n] 1: AF np.exp(1j * n * k * d_lambda * np.cos(theta)) AF_db 20 * np.log10(np.abs(AF) / np.max(np.abs(AF)) 1e-12) # 找主瓣區(qū)域最大輻射方向附近 main_idx np.argmax(np.abs(AF)) # 主瓣以外算副瓣 mask np.ones_like(theta, dtypebool) mask[max(0, main_idx-5):main_idx5] False psll np.max(AF_db[mask]) # 適應(yīng)度副瓣越低越好取負(fù)值 fit -psll # 如果有零陷要求加懲罰項(xiàng) if target_null is not None: null_idx np.argmin(np.abs(theta - target_null)) null_depth AF_db[null_idx] if null_depth -30: # 零陷不夠深扣分 fit - (null_depth 30) * 0.5 return fit邏輯說明先按當(dāng)前稀疏向量算陣因子歸一化到 dB。主瓣區(qū)域用最大輻射方向附近 ±5 個(gè)采樣點(diǎn)來界定這個(gè)窗口寬度要根據(jù)角度分辨率調(diào)整——太窄會把主瓣邊緣誤判成副瓣太寬會漏掉近副瓣。psll 取主瓣以外所有角度的最大值適應(yīng)度直接取負(fù)的 psll因?yàn)檫z傳算法默認(rèn)找最大值而我們要副瓣越低越好。參數(shù) target_null 是可選的。如果應(yīng)用需要在某方向形成零陷比如抗干擾就在那個(gè)角度上加懲罰項(xiàng)。懲罰系數(shù) 0.5 是我試出來的經(jīng)驗(yàn)值太小起不到約束作用太大又會讓算法只顧零陷不管副瓣。3.3 選擇、交叉與變異三個(gè)算子的參數(shù)怎么設(shè)選擇用錦標(biāo)賽法每次隨機(jī)抽 k 個(gè)個(gè)體選適應(yīng)度最高的那個(gè)進(jìn)下一代。k 一般取 24越大選擇壓力越大收斂越快但多樣性掉得也快。def selection(population, fitness_vals, k3): 錦標(biāo)賽選擇 pop_size len(population) selected [] for _ in range(pop_size): candidates np.random.choice(pop_size, k, replaceFalse) best candidates[np.argmax(fitness_vals[candidates])] selected.append(population[best].copy()) return np.array(selected) def crossover(parent1, parent2, pc0.8): 單點(diǎn)交叉保持稀疏率需要額外修補(bǔ) if np.random.rand() pc: return parent1.copy(), parent2.copy() point np.random.randint(1, len(parent1)-1) child1 np.concatenate([parent1[:point], parent2[point:]]) child2 np.concatenate([parent2[:point], parent1[point:]]) return child1, child2 def mutate(chromosome, pm0.01): 位翻轉(zhuǎn)變異 for i in range(len(chromosome)): if np.random.rand() pm: chromosome[i] 1 - chromosome[i] return chromosome交叉概率 pc 取 0.8 是經(jīng)典值意味著 80% 的配對會交換基因片段。變異概率 pm 取 0.01 表示每個(gè)基因位有 1% 的概率翻轉(zhuǎn)。但這里有個(gè)坑交叉和變異之后染色體里 1 的個(gè)數(shù)可能不再是 M稀疏率被破壞。解決辦法是在每代結(jié)束后做一次修補(bǔ)——統(tǒng)計(jì) 1 的個(gè)數(shù)多了就隨機(jī)把一些 1 翻成 0少了就隨機(jī)把一些 0 翻成 1。def repair(chromosome, M): 修補(bǔ)染色體使 1 的個(gè)數(shù)精確等于 M ones np.where(chromosome 1)[0] zeros np.where(chromosome 0)[0] diff len(ones) - M if diff 0: # 1 多了隨機(jī)翻掉 diff 個(gè) flip np.random.choice(ones, diff, replaceFalse) chromosome[flip] 0 elif diff 0: # 1 少了隨機(jī)補(bǔ)上 -diff 個(gè) flip np.random.choice(zeros, -diff, replaceFalse) chromosome[flip] 1 return chromosome修補(bǔ)這一步不能省。我見過有人跑了幾百代發(fā)現(xiàn)稀疏率飄到 70% 以上方向圖看著還行但實(shí)際陣元數(shù)超了預(yù)算整個(gè)方案作廢。3.4 主循環(huán)與收斂判據(jù)把上面的模塊串起來主循環(huán)長這樣def ga_sparse_array(N, M, pop_size100, generations500, pc0.8, pm0.01): theta np.linspace(0, np.pi, 360) d_lambda 0.5 population init_population(pop_size, N, M) best_history [] for gen in range(generations): fitness_vals np.array([fitness(ind, theta, d_lambda) for ind in population]) best_idx np.argmax(fitness_vals) best_history.append(fitness_vals[best_idx]) if gen % 50 0: print(fGen {gen}: best fitness {fitness_vals[best_idx]:.2f}) selected selection(population, fitness_vals) next_pop [] for i in range(0, pop_size, 2): c1, c2 crossover(selected[i], selected[i1], pc) c1 mutate(c1, pm) c2 mutate(c2, pm) c1 repair(c1, M) c2 repair(c2, M) next_pop.extend([c1, c2]) population np.array(next_pop[:pop_size]) return population, best_history收斂判據(jù)我一般看兩個(gè)一是最優(yōu)適應(yīng)度連續(xù) 50 代不再提升二是種群平均適應(yīng)度和最優(yōu)適應(yīng)度的差距小于 1 dB。滿足任一就提前停省時(shí)間。generations 設(shè) 500 是上限實(shí)際跑下來 200300 代基本就穩(wěn)了。4. 避坑與排查稀疏陣列綜合里最容易翻車的五件事4.1 副瓣壓不下去先查主瓣窗口是不是設(shè)窄了現(xiàn)象適應(yīng)度函數(shù)算出來的 psll 一直在 -10 dB 左右晃怎么迭代都下不去。原因主瓣窗口設(shè)得太窄把主瓣的裙邊當(dāng)成了副瓣。比如主瓣實(shí)際占了 ±8 個(gè)采樣點(diǎn)你只留了 ±3 個(gè)那剩下的 5 個(gè)點(diǎn)全被算進(jìn)副瓣psll 自然高。解決把主瓣窗口放寬到 ±10 個(gè)采樣點(diǎn)或者用 3 dB 波束寬度動態(tài)計(jì)算窗口。theta 采樣 360 個(gè)點(diǎn)時(shí)±10 個(gè)點(diǎn)大約對應(yīng) ±5°對大多數(shù)陣列夠用了。4.2 稀疏率約束被破壞方向圖看著好但陣元數(shù)超了現(xiàn)象跑完遺傳算法把最優(yōu)染色體拿出來一數(shù)1 的個(gè)數(shù)比 M 多了七八個(gè)。原因交叉和變異之后沒有做修補(bǔ)或者修補(bǔ)邏輯寫錯(cuò)了——比如只處理了 1 多的情況沒處理 1 少的情況。解決每代交叉變異后強(qiáng)制調(diào)用 repair 函數(shù)并且在主循環(huán)里加一行斷言assert np.sum(chromosome) M跑的時(shí)候一旦觸發(fā)就知道哪里漏了。4.3 優(yōu)化結(jié)果不對稱實(shí)際加工時(shí)饋電網(wǎng)絡(luò)沒法走線現(xiàn)象算法給出的最優(yōu)稀疏分布左右不對稱左邊密右邊疏。原因初始化時(shí)沒有加對稱約束遺傳算法在搜索空間里自由發(fā)揮找到了一個(gè)不對稱但指標(biāo)好的解。解決如果應(yīng)用要求對稱布局在編碼階段就只編碼一半的染色體另一半鏡像復(fù)制。這樣搜索空間減半收斂更快而且結(jié)果天然對稱。代價(jià)是可能損失一點(diǎn)副瓣性能但工程上值得。4.4 互耦沒考慮仿真和實(shí)測對不上現(xiàn)象算法優(yōu)化出來的方向圖副瓣 -18 dB加工實(shí)測只有 -12 dB。原因陣因子模型假設(shè)陣元之間互不影響但微帶陣元間距半波長時(shí)互耦很明顯實(shí)際激勵(lì)幅度和相位都偏了。解決在適應(yīng)度函數(shù)里加一個(gè)互耦修正項(xiàng)或者用全波仿真軟件如某電磁仿真工具算幾個(gè)典型稀疏分布的 S 參數(shù)擬合一個(gè)修正系數(shù)塞進(jìn)陣因子。更徹底的做法是把遺傳算法和全波仿真聯(lián)合起來跑但計(jì)算量會大一個(gè)數(shù)量級看項(xiàng)目預(yù)算決定。4.5 早熟收斂種群多樣性掉太快現(xiàn)象前 50 代適應(yīng)度提升很快之后完全不動最優(yōu)個(gè)體和平均個(gè)體幾乎一樣。原因選擇壓力太大錦標(biāo)賽 k 取太大或者變異概率太低種群很快被少數(shù)幾個(gè)個(gè)體統(tǒng)治。解決把錦標(biāo)賽 k 從 4 降到 2變異概率從 0.01 提到 0.05或者引入自適應(yīng)變異——適應(yīng)度高的個(gè)體變異概率低適應(yīng)度低的個(gè)體變異概率高。我一般還會在每代隨機(jī)注入 5% 的全新隨機(jī)個(gè)體保持多樣性。5. 進(jìn)階技巧把稀疏陣列從“能跑”推到“能用”5.1 多目標(biāo)優(yōu)化用帕累托前沿替代加權(quán)求和加權(quán)求和的適應(yīng)度函數(shù)有個(gè)根本問題權(quán)重怎么定副瓣和主瓣寬度的權(quán)重比取 1:1 還是 3:1結(jié)果差別很大而且調(diào)權(quán)重本身就是玄學(xué)。更工程化的做法是跑多目標(biāo)遺傳算法比如 NSGA-II 的思路同時(shí)優(yōu)化副瓣電平和主瓣寬度最后得到一條帕累托前沿讓系統(tǒng)工程師根據(jù)實(shí)際需求挑一個(gè)折中點(diǎn)。實(shí)現(xiàn)上不需要引入額外的庫把適應(yīng)度函數(shù)改成返回一個(gè)二元組(psll, hpbw)選擇時(shí)用非支配排序代替錦標(biāo)賽。代碼量增加大概 50 行但換來的靈活性很值。5.2 把稀疏陣列和波束賦形聯(lián)合起來稀疏陣列只決定了“哪些位置有陣元”但每個(gè)陣元的激勵(lì)幅度和相位還可以繼續(xù)調(diào)。把稀疏向量和激勵(lì)向量放在同一個(gè)染色體里編碼——前 N 位是稀疏開關(guān)后 M 位是激勵(lì)相位量化到 6 bit遺傳算法同時(shí)搜索。這樣自由度更大副瓣能再壓 23 dB。代價(jià)是搜索空間指數(shù)級膨脹。我的經(jīng)驗(yàn)是先把稀疏分布優(yōu)化到位固定下來再用凸優(yōu)化或者最小二乘去調(diào)激勵(lì)相位。分兩步走比一步到位更穩(wěn)計(jì)算量也可控。5.3 驗(yàn)證方法三組對照實(shí)驗(yàn)確認(rèn)優(yōu)化沒跑偏優(yōu)化結(jié)果出來之后別急著投板。先做三組對照對照項(xiàng)目的判據(jù)滿陣方向圖確認(rèn)基準(zhǔn)性能副瓣應(yīng)低于 -13 dB隨機(jī)稀疏方向圖確認(rèn) GA 確實(shí)有效GA 結(jié)果副瓣應(yīng)低 3 dB 以上全波仿真確認(rèn)互耦影響可控與陣因子模型偏差小于 2 dB如果 GA 結(jié)果和隨機(jī)稀疏差不多說明算法沒起作用回去查適應(yīng)度函數(shù)和收斂曲線。如果全波仿真偏差超過 3 dB說明互耦嚴(yán)重得回到 4.4 節(jié)加修正。5.4 一個(gè)我常犯的錯(cuò)誤早期做稀疏陣列時(shí)我總想把稀疏率壓到最低覺得省成本就是硬道理。有一次把 64 陣元砍到 32 個(gè)稀疏率 50%遺傳算法跑出來的方向圖副瓣 -14 dB看著還行。結(jié)果加工實(shí)測副瓣直接飆到 -8 dB因?yàn)殛囋g距太大互耦雖然弱了但饋電網(wǎng)絡(luò)的幅度不一致性被放大加上加工公差整個(gè)方向圖全亂了。后來我把稀疏率鎖在 65% 以上再沒翻過車。稀疏陣列的邊界不在算法在物理——口徑和波長決定了你能砍多少算法只是幫你找到那個(gè)邊界上的最優(yōu)解。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取