混合粒子群算法在阵列天线综合中的应用

摘要

由于实际优化问题情况复杂，传统优化方法对优化问题的依赖性强，在解决复杂、困难的优化问题时，往往具有较大的局限性；因此优化效果好、可用性强的群体智能算法获得发展，并被广泛用于自动化控制、模式识别、人工智能等各个领域。
　　本文主要研究了群体智能算法中的粒子群优化算法(Particle Swarm Optimization， PSO)，将其与细菌群体趋药性算法(Bacterial Colony Chemotaxis optimization, BCC)相结合，提出了一种混合粒子群算法—Particle Swarm Optimization and Bacterial Colony Chemotaxis optimization(PSOBCC)，并将其应用于阵列天线进行降低旁瓣电平和生成深零点。论文的主要研究成果如下：
　　（1）对粒子群算法的基本概念、实现方式、缺陷以及改进方式进行分析描述，进一步阐述了该算法的研究现状和发展趋势。
　　（2）为了提高算法搜索速度，本文改变了粒子群算法的更新公式，只保留位置项进行迭代更新，并重新设置了惯性权重和学习因子的取值；同时为了提高算法的收敛精度，引入细菌群体趋药性算法进行局部搜索。整个优化过程中，对全局最优值进行随机扰动，并提出了精英替换策略。
　　（3）对优化算法的一些常用测试函数进行研究，并将算法用单峰测试函数、多峰测试函数、经过旋转平移的经典测试函数这三类测试函数分别进行测试，并与一些最新的和经典的算法进行对比。
　　（4）将本文的混合粒子群算法应用于阵列天线的方向图综合中，针对阵列天线中的低旁瓣和深零点进行优化，并取得了较好的结果。

目录

声明

第一章 绪论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.3 本文的主要研究成果

1.4 本文的组织

第二章 基本理论介绍

2.1 最优化问题的概述

2.2 优化方法

2.3 粒子群优化算法

2.4 细菌群体趋药性算法

2.5 测试函数

2.6 本章小结

第三章 混合粒子群算法

3.1 引言

3.2 改进的混合粒子群算法

3.3 本文算法流程

3.4 算法分析与对比

3.5 本章小结

第四章 混合粒子群算法用于阵列天线方向图综合

4.1 引言

4.2 阵列天线的基本理论

4.3 传统方法分析

4.4 算例及仿真结果

4.5 本章小结

第五章 总结和展望

5.1 工作总结

5.2 研究展望

致谢

参考文献

附录