化稀疏微帶天線陣列：陣元稀疏與方向圖綜合實戰(zhàn))
簡介這份資源面向天線設計、雷達與無線通信方向的學習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)化算法編程與結果可視化等環(huán)節(jié)。壓縮包共6個文件約85KB包含4個m腳本、1個fig圖形文件與1個mat數(shù)據(jù)文件分別用于遺傳算法實現(xiàn)、方向圖繪制、陣列布局展示及最優(yōu)解存儲便于復現(xiàn)與二次開發(fā)。目前已有544人學習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計中應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)絡越復雜、T/R 組件越多、成本越離譜。一個 16×16 的均勻陣256 個通道每個通道后面都拖著移相器、衰減器、低噪放整機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 這個方向的核心命題用遺傳算法去搜索一個最優(yōu)的“開/關”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上是把 w_n 從“全 1”變成“0 或 1”的二值序列——1 代表這個位置保留陣元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 就是稀疏開關向量。問題立刻變得清晰給定 N 個候選位置選 M 個位置放陣元M N使得 AF(θ) 在主瓣寬度、副瓣電平、零陷深度等指標上盡量好。稀疏率定義為 M/N比如 60% 稀疏率意味著 100 個候選位置只放 60 個陣元。關鍵認知稀疏不是簡單地把陣元間距拉大。均勻稀疏每隔一個砍一個會產生嚴重的柵瓣因為等效間距變成了 2d當 2d λ 時柵瓣直接冒出來。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典型的 0-1 非線性組合優(yōu)化問題。候選位置 N 個選 M 個組合數(shù) C(N, M) 在 N100、M60 時已經是天文數(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——染色體就是一個長度為 N 的二進制串1 表示放陣元0 表示不放第二適應度函數(shù)可以靈活定義副瓣電平、主瓣寬度、零陷深度都能加權塞進去第三選擇、交叉、變異這套操作對 0-1 問題很自然不需要額外松弛。代價是遺傳算法計算量大。每評估一個個體都要算一次完整的方向圖N100 時單個個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 稀疏率與孔徑的權衡三個必須提前鎖定的參數(shù)在動手寫代碼之前有三個參數(shù)必須先定下來否則后面調參就是無頭蒼蠅。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 會引入柵瓣風險這三個參數(shù)是耦合的。稀疏率降到 50% 以下時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為半波長間距在均勻陣里不出現(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。提示如果你的應用對副瓣要求嚴于 -20 dB稀疏率不要低于 65%否則優(yōu)化算法再強也救不回來這是口徑決定的物理極限。3. 用遺傳算法跑通稀疏陣列綜合編碼、適應度與主循環(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。初始化時隨機生成一批染色體但必須滿足稀疏率約束——1 的個數(shù)等于 M。import numpy as np def init_population(pop_size, N, M): 初始化種群每個個體是長度為 N 的二進制串其中恰好有 M 個 1 pop_size: 種群規(guī)模 N: 候選陣元位置總數(shù) M: 實際保留的陣元數(shù) population np.zeros((pop_size, N), dtypeint) for i in range(pop_size): # 隨機選 M 個位置置 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個體從 N 個位置里不重復地抽 M 個置 1。參數(shù) pop_size 一般取 50200太小容易早熟太大計算量爆炸。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“每個基因獨立隨機 0/1”的初始化方式因為那樣無法保證稀疏率精確等于 M/N后續(xù)還得修補不如直接按約束采樣。3.2 適應度函數(shù)副瓣電平、主瓣寬度與零陷怎么加權適應度函數(shù)是遺傳算法的指揮棒寫錯了后面全白搭。稀疏陣列最核心的指標是峰值副瓣電平PSLL其次是主瓣寬度HPBW和特定方向的零陷深度。我一般用一個加權求和的形式def fitness(chromosome, theta, d_lambda, target_nullNone): 計算個體適應度值越大越好 chromosome: 二進制稀疏向量 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]) # 適應度副瓣越低越好取負值 fit -psll # 如果有零陷要求加懲罰項 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 個采樣點來界定這個窗口寬度要根據(jù)角度分辨率調整——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度直接取負的 psll因為遺傳算法默認找最大值而我們要副瓣越低越好。參數(shù) target_null 是可選的。如果應用需要在某方向形成零陷比如抗干擾就在那個角度上加懲罰項。懲罰系數(shù) 0.5 是我試出來的經驗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、交叉與變異三個算子的參數(shù)怎么設選擇用錦標賽法每次隨機抽 k 個個體選適應度最高的那個進下一代。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): 單點交叉保持稀疏率需要額外修補 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 表示每個基因位有 1% 的概率翻轉。但這里有個坑交叉和變異之后染色體里 1 的個數(shù)可能不再是 M稀疏率被破壞。解決辦法是在每代結束后做一次修補——統(tǒng)計 1 的個數(shù)多了就隨機把一些 1 翻成 0少了就隨機把一些 0 翻成 1。def repair(chromosome, M): 修補染色體使 1 的個數(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 多了隨機翻掉 diff 個 flip np.random.choice(ones, diff, replaceFalse) chromosome[flip] 0 elif diff 0: # 1 少了隨機補上 -diff 個 flip np.random.choice(zeros, -diff, replaceFalse) chromosome[flip] 1 return chromosome修補這一步不能省。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際陣元數(shù)超了預算整個方案作廢。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)我一般看兩個一是最優(yōu)適應度連續(xù) 50 代不再提升二是種群平均適應度和最優(yōu)適應度的差距小于 1 dB。滿足任一就提前停省時間。generations 設 500 是上限實際跑下來 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窄了現(xiàn)象適應度函數(shù)算出來的 psll 一直在 -10 dB 左右晃怎么迭代都下不去。原因主瓣窗口設得太窄把主瓣的裙邊當成了副瓣。比如主瓣實際占了 ±8 個采樣點你只留了 ±3 個那剩下的 5 個點全被算進副瓣psll 自然高。解決把主瓣窗口放寬到 ±10 個采樣點或者用 3 dB 波束寬度動態(tài)計算窗口。theta 采樣 360 個點時±10 個點大約對應 ±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 的個數(shù)比 M 多了七八個。原因交叉和變異之后沒有做修補或者修補邏輯寫錯了——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制調用 repair 函數(shù)并且在主循環(huán)里加一行斷言assert np.sum(chromosome) M跑的時候一旦觸發(fā)就知道哪里漏了。4.3 優(yōu)化結果不對稱實際加工時饋電網(wǎng)絡沒法走線現(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)揮找到了一個不對稱但指標好的解。解決如果應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制。這樣搜索空間減半收斂更快而且結果天然對稱。代價是可能損失一點副瓣性能但工程上值得。4.4 互耦沒考慮仿真和實測對不上現(xiàn)象算法優(yōu)化出來的方向圖副瓣 -18 dB加工實測只有 -12 dB。原因陣因子模型假設陣元之間互不影響但微帶陣元間距半波長時互耦很明顯實際激勵幅度和相位都偏了。解決在適應度函數(shù)里加一個互耦修正項或者用全波仿真軟件如某電磁仿真工具算幾個典型稀疏分布的 S 參數(shù)擬合一個修正系數(shù)塞進陣因子。更徹底的做法是把遺傳算法和全波仿真聯(lián)合起來跑但計算量會大一個數(shù)量級看項目預算決定。4.5 早熟收斂種群多樣性掉太快現(xiàn)象前 50 代適應度提升很快之后完全不動最優(yōu)個體和平均個體幾乎一樣。原因選擇壓力太大錦標賽 k 取太大或者變異概率太低種群很快被少數(shù)幾個個體統(tǒng)治。解決把錦標賽 k 從 4 降到 2變異概率從 0.01 提到 0.05或者引入自適應變異——適應度高的個體變異概率低適應度低的個體變異概率高。我一般還會在每代隨機注入 5% 的全新隨機個體保持多樣性。5. 進階技巧把稀疏陣列從“能跑”推到“能用”5.1 多目標優(yōu)化用帕累托前沿替代加權求和加權求和的適應度函數(shù)有個根本問題權重怎么定副瓣和主瓣寬度的權重比取 1:1 還是 3:1結果差別很大而且調權重本身就是玄學。更工程化的做法是跑多目標遺傳算法比如 NSGA-II 的思路同時優(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)實際需求挑一個折中點。實現(xiàn)上不需要引入額外的庫把適應度函數(shù)改成返回一個二元組(psll, hpbw)選擇時用非支配排序代替錦標賽。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”但每個陣元的激勵幅度和相位還可以繼續(xù)調。把稀疏向量和激勵向量放在同一個染色體里編碼——前 N 位是稀疏開關后 M 位是激勵相位量化到 6 bit遺傳算法同時搜索。這樣自由度更大副瓣能再壓 23 dB。代價是搜索空間指數(shù)級膨脹。我的經驗是先把稀疏分布優(yōu)化到位固定下來再用凸優(yōu)化或者最小二乘去調激勵相位。分兩步走比一步到位更穩(wěn)計算量也可控。5.3 驗證方法三組對照實驗確認優(yōu)化沒跑偏優(yōu)化結果出來之后別急著投板。先做三組對照對照項目的判據(jù)滿陣方向圖確認基準性能副瓣應低于 -13 dB隨機稀疏方向圖確認 GA 確實有效GA 結果副瓣應低 3 dB 以上全波仿真確認互耦影響可控與陣因子模型偏差小于 2 dB如果 GA 結果和隨機稀疏差不多說明算法沒起作用回去查適應度函數(shù)和收斂曲線。如果全波仿真偏差超過 3 dB說明互耦嚴重得回到 4.4 節(jié)加修正。5.4 一個我常犯的錯誤早期做稀疏陣列時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 個稀疏率 50%遺傳算法跑出來的方向圖副瓣 -14 dB看著還行。結果加工實測副瓣直接飆到 -8 dB因為陣元間距太大互耦雖然弱了但饋電網(wǎng)絡的幅度不一致性被放大加上加工公差整個方向圖全亂了。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戰(zhàn)
簡介這份資源面向天線設計、雷達與無線通信方向的學習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)化算法編程與結果可視化等環(huán)節(jié)。壓縮包共6個文件約85KB包含4個m腳本、1個fig圖形文件與1個mat數(shù)據(jù)文件分別用于遺傳算法實現(xiàn)、方向圖繪制、陣列布局展示及最優(yōu)解存儲便于復現(xiàn)與二次開發(fā)。目前已有544人學習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計中應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)絡越復雜、T/R 組件越多、成本越離譜。一個 16×16 的均勻陣256 個通道每個通道后面都拖著移相器、衰減器、低噪放整機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 這個方向的核心命題用遺傳算法去搜索一個最優(yōu)的“開/關”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上是把 w_n 從“全 1”變成“0 或 1”的二值序列——1 代表這個位置保留陣元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 就是稀疏開關向量。問題立刻變得清晰給定 N 個候選位置選 M 個位置放陣元M N使得 AF(θ) 在主瓣寬度、副瓣電平、零陷深度等指標上盡量好。稀疏率定義為 M/N比如 60% 稀疏率意味著 100 個候選位置只放 60 個陣元。關鍵認知稀疏不是簡單地把陣元間距拉大。均勻稀疏每隔一個砍一個會產生嚴重的柵瓣因為等效間距變成了 2d當 2d λ 時柵瓣直接冒出來。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典型的 0-1 非線性組合優(yōu)化問題。候選位置 N 個選 M 個組合數(shù) C(N, M) 在 N100、M60 時已經是天文數(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——染色體就是一個長度為 N 的二進制串1 表示放陣元0 表示不放第二適應度函數(shù)可以靈活定義副瓣電平、主瓣寬度、零陷深度都能加權塞進去第三選擇、交叉、變異這套操作對 0-1 問題很自然不需要額外松弛。代價是遺傳算法計算量大。每評估一個個體都要算一次完整的方向圖N100 時單個個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 稀疏率與孔徑的權衡三個必須提前鎖定的參數(shù)在動手寫代碼之前有三個參數(shù)必須先定下來否則后面調參就是無頭蒼蠅。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 會引入柵瓣風險這三個參數(shù)是耦合的。稀疏率降到 50% 以下時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為半波長間距在均勻陣里不出現(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。提示如果你的應用對副瓣要求嚴于 -20 dB稀疏率不要低于 65%否則優(yōu)化算法再強也救不回來這是口徑決定的物理極限。3. 用遺傳算法跑通稀疏陣列綜合編碼、適應度與主循環(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。初始化時隨機生成一批染色體但必須滿足稀疏率約束——1 的個數(shù)等于 M。import numpy as np def init_population(pop_size, N, M): 初始化種群每個個體是長度為 N 的二進制串其中恰好有 M 個 1 pop_size: 種群規(guī)模 N: 候選陣元位置總數(shù) M: 實際保留的陣元數(shù) population np.zeros((pop_size, N), dtypeint) for i in range(pop_size): # 隨機選 M 個位置置 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個體從 N 個位置里不重復地抽 M 個置 1。參數(shù) pop_size 一般取 50200太小容易早熟太大計算量爆炸。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“每個基因獨立隨機 0/1”的初始化方式因為那樣無法保證稀疏率精確等于 M/N后續(xù)還得修補不如直接按約束采樣。3.2 適應度函數(shù)副瓣電平、主瓣寬度與零陷怎么加權適應度函數(shù)是遺傳算法的指揮棒寫錯了后面全白搭。稀疏陣列最核心的指標是峰值副瓣電平PSLL其次是主瓣寬度HPBW和特定方向的零陷深度。我一般用一個加權求和的形式def fitness(chromosome, theta, d_lambda, target_nullNone): 計算個體適應度值越大越好 chromosome: 二進制稀疏向量 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]) # 適應度副瓣越低越好取負值 fit -psll # 如果有零陷要求加懲罰項 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 個采樣點來界定這個窗口寬度要根據(jù)角度分辨率調整——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度直接取負的 psll因為遺傳算法默認找最大值而我們要副瓣越低越好。參數(shù) target_null 是可選的。如果應用需要在某方向形成零陷比如抗干擾就在那個角度上加懲罰項。懲罰系數(shù) 0.5 是我試出來的經驗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、交叉與變異三個算子的參數(shù)怎么設選擇用錦標賽法每次隨機抽 k 個個體選適應度最高的那個進下一代。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): 單點交叉保持稀疏率需要額外修補 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 表示每個基因位有 1% 的概率翻轉。但這里有個坑交叉和變異之后染色體里 1 的個數(shù)可能不再是 M稀疏率被破壞。解決辦法是在每代結束后做一次修補——統(tǒng)計 1 的個數(shù)多了就隨機把一些 1 翻成 0少了就隨機把一些 0 翻成 1。def repair(chromosome, M): 修補染色體使 1 的個數(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 多了隨機翻掉 diff 個 flip np.random.choice(ones, diff, replaceFalse) chromosome[flip] 0 elif diff 0: # 1 少了隨機補上 -diff 個 flip np.random.choice(zeros, -diff, replaceFalse) chromosome[flip] 1 return chromosome修補這一步不能省。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際陣元數(shù)超了預算整個方案作廢。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)我一般看兩個一是最優(yōu)適應度連續(xù) 50 代不再提升二是種群平均適應度和最優(yōu)適應度的差距小于 1 dB。滿足任一就提前停省時間。generations 設 500 是上限實際跑下來 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窄了現(xiàn)象適應度函數(shù)算出來的 psll 一直在 -10 dB 左右晃怎么迭代都下不去。原因主瓣窗口設得太窄把主瓣的裙邊當成了副瓣。比如主瓣實際占了 ±8 個采樣點你只留了 ±3 個那剩下的 5 個點全被算進副瓣psll 自然高。解決把主瓣窗口放寬到 ±10 個采樣點或者用 3 dB 波束寬度動態(tài)計算窗口。theta 采樣 360 個點時±10 個點大約對應 ±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 的個數(shù)比 M 多了七八個。原因交叉和變異之后沒有做修補或者修補邏輯寫錯了——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制調用 repair 函數(shù)并且在主循環(huán)里加一行斷言assert np.sum(chromosome) M跑的時候一旦觸發(fā)就知道哪里漏了。4.3 優(yōu)化結果不對稱實際加工時饋電網(wǎng)絡沒法走線現(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)揮找到了一個不對稱但指標好的解。解決如果應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制。這樣搜索空間減半收斂更快而且結果天然對稱。代價是可能損失一點副瓣性能但工程上值得。4.4 互耦沒考慮仿真和實測對不上現(xiàn)象算法優(yōu)化出來的方向圖副瓣 -18 dB加工實測只有 -12 dB。原因陣因子模型假設陣元之間互不影響但微帶陣元間距半波長時互耦很明顯實際激勵幅度和相位都偏了。解決在適應度函數(shù)里加一個互耦修正項或者用全波仿真軟件如某電磁仿真工具算幾個典型稀疏分布的 S 參數(shù)擬合一個修正系數(shù)塞進陣因子。更徹底的做法是把遺傳算法和全波仿真聯(lián)合起來跑但計算量會大一個數(shù)量級看項目預算決定。4.5 早熟收斂種群多樣性掉太快現(xiàn)象前 50 代適應度提升很快之后完全不動最優(yōu)個體和平均個體幾乎一樣。原因選擇壓力太大錦標賽 k 取太大或者變異概率太低種群很快被少數(shù)幾個個體統(tǒng)治。解決把錦標賽 k 從 4 降到 2變異概率從 0.01 提到 0.05或者引入自適應變異——適應度高的個體變異概率低適應度低的個體變異概率高。我一般還會在每代隨機注入 5% 的全新隨機個體保持多樣性。5. 進階技巧把稀疏陣列從“能跑”推到“能用”5.1 多目標優(yōu)化用帕累托前沿替代加權求和加權求和的適應度函數(shù)有個根本問題權重怎么定副瓣和主瓣寬度的權重比取 1:1 還是 3:1結果差別很大而且調權重本身就是玄學。更工程化的做法是跑多目標遺傳算法比如 NSGA-II 的思路同時優(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)實際需求挑一個折中點。實現(xiàn)上不需要引入額外的庫把適應度函數(shù)改成返回一個二元組(psll, hpbw)選擇時用非支配排序代替錦標賽。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”但每個陣元的激勵幅度和相位還可以繼續(xù)調。把稀疏向量和激勵向量放在同一個染色體里編碼——前 N 位是稀疏開關后 M 位是激勵相位量化到 6 bit遺傳算法同時搜索。這樣自由度更大副瓣能再壓 23 dB。代價是搜索空間指數(shù)級膨脹。我的經驗是先把稀疏分布優(yōu)化到位固定下來再用凸優(yōu)化或者最小二乘去調激勵相位。分兩步走比一步到位更穩(wěn)計算量也可控。5.3 驗證方法三組對照實驗確認優(yōu)化沒跑偏優(yōu)化結果出來之后別急著投板。先做三組對照對照項目的判據(jù)滿陣方向圖確認基準性能副瓣應低于 -13 dB隨機稀疏方向圖確認 GA 確實有效GA 結果副瓣應低 3 dB 以上全波仿真確認互耦影響可控與陣因子模型偏差小于 2 dB如果 GA 結果和隨機稀疏差不多說明算法沒起作用回去查適應度函數(shù)和收斂曲線。如果全波仿真偏差超過 3 dB說明互耦嚴重得回到 4.4 節(jié)加修正。5.4 一個我常犯的錯誤早期做稀疏陣列時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 個稀疏率 50%遺傳算法跑出來的方向圖副瓣 -14 dB看著還行。結果加工實測副瓣直接飆到 -8 dB因為陣元間距太大互耦雖然弱了但饋電網(wǎng)絡的幅度不一致性被放大加上加工公差整個方向圖全亂了。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擊獲取