[发明专利]基于内置多端口算法的方向图可重构像素天线优化方法

摘要

本发明提出了一种基于内置多端口算法的方向图可重构像素天线优化方法，用于解决现有技术中存在的可重构天线非重构部分稳定性较差的技术问题。实现步骤为：确定待优化天线的结构与优化对象，采用内置多端口算法计算待优化天线的辐射特性，采用粒子群算法优化天线的结构参数，采用二进制遗传算法优化天线开关状态分布，得到优化完成的方向图可重构像素天线。本方法通过增加结构参数的优化过程，在保证与现有技术相同的优化效率基础上，提高了可重构天线非重构部分的稳定性，具有更高的工程实用价值。本发明可应用于方向图可重构像素天线的优化设计。

主权项

1.一种基于内置多端口算法的方向图可重构像素天线优化方法，其特征在于，包括如下步骤：/n(1)确定待优化方向图可重构像素天线的结构及优化对象：/n(1a)待优化方向图可重构像素天线Ant，包括顺次排列的寄生介质板、驱动介质板和馈电介质板，寄生介质板与驱动介质板之间设置有空气层，驱动介质板与馈电介质板相互层叠，寄生介质板的上表面印制有周期性排布的m_p×n_p个形状为矩形的像素贴片，m_p≥2，n_p≥2，相邻像素贴片之间通过矩形开关连接，矩形开关的数量为N；驱动介质板的上表面印制有形状为矩形的微带贴片，微带贴片的中心设置有矩形槽；馈电介质板上表面印制有馈电微带线，下表面印制有金属地板，该馈电介质板的侧棱安装有与馈电微带线连结的馈电端口；/n(1b)待优化方向图可重构像素天线的优化对象包括结构参数和矩形开关通断状态分布，结构参数的数量为d，包括微带贴片的长和宽、矩形槽的长和宽、像素贴片的长和宽，以及空气层的高度；/n(2)建立计算Ant反射系数与方向图所需的实验向量集U：/n将数字0到数字2^N-1转换为对应的2^N个N位二进制码，并按照从小到大的顺序将2^N个N位二进制码排成一列，得到大小为M×N的二进制矩阵U，M＝2^N，将U按行分块后作为计算Ant反射系数和方向图所需的实验向量集：/n /n(3)建立计算Ant反射系数和方向图所需的阻抗控制向量集Z：/n(3a)建立大小为2×1且每个元素的值等于Ant中馈电端口匹配时的特性阻抗的矩阵Z₁；建立大小为2×N且第一行元素的值等于Ant中矩形开关导通时的等效阻抗，第二行元素的值等于Ant中矩形开关断开时的等效阻抗的矩阵Z₂；建立大小为N×1且每个元素的值等于Ant中矩形开关断开时的等效阻抗的矩阵Z₃；建立大小为N×N且对角线元素的值等于Ant中矩形开关导通时的等效阻抗，其余所有元素的值等于Ant中矩形开关断开时的等效阻抗的矩阵Z₄；/n(3b)对矩阵Z₁、Z₂、Z₃和Z₄进行组合，得到大小为(N+2)×(N+1)的矩阵Z，并将Z按行进行重新分块后作为计算Ant反射系数和方向图所需的阻抗控制向量集：/n /n(4)获取加载集总端口的待优化方向图可重构像素天线Ant'：/n通过N个集总端口替换Ant中相邻像素贴片之间连接的N个矩形开关，得到相邻像素贴片之间连接通过集总端口连接的待优化方向图可重构像素天线Ant'；/n(5)编写Ant'的脚本函数：/n在MATLAB软件中建立包括有输入、输出和主体的函数f，并将f作为Ant'的脚本函数，其中：/n函数f的输入为s和z，其中s表示长度等于d、元素包括依次排列微带贴片的长、微带贴片的宽、矩形槽的长、矩形槽的宽、像素贴片的长、像素贴片的宽和空气层的高度的结构控制向量；z表示长度等于N+1、元素包括Ant'中所包含并进行顺次排列的馈电端口的阻抗、第一个集总端口的阻抗、…、第N个集总端口的阻抗的阻抗控制向量；/n函数f的输出为S、E_total(θ)、E_co(θ)和E_cross(θ)，其中S表示大小等于(N+1)×(N+1)的全端口散射参数矩阵；E_total(θ)、E_co(θ)和E_cross(θ)分别表示扫描角度为θ，长度等于181的总场强方向图向量、主极化场强方向图向量和交叉极化场强方向图向量，-90≤θ≤90；/n函数f的主体包括有建模代码、计算代码和返回代码，其中建模代码，用于读取f的输入，并调用MATLAB软件的控制脚本MATLAB-HFSS-API中的建模函数，对Ant'进行抽象化建模；计算代码，用于调用MATLAB-HFSS-API中的分析函数，对建立的抽象化模型进行分析计算；返回代码，用于输出计算代码所计算的结果；/n(6)基于粒子群优化算法计算Ant'的最优结构参数：/n(6a)初始化粒子群优化算法的参数，包括惯性因子w∈(0,1)、第一学习因子c₁∈(1,3)、第二学习因子c₂∈(1,3)、粒子的维度D＝d、粒子的数量P∈(50,500)、搜索空间范围[value_min,value_max]，速度范围[v_min,v_max]，迭代次数tp，最大迭代次数Tp≥50、最优适应度列表F以及最优粒子列表R，F和R的长度等于Tp，F中的第tp个元素F(tp)代表第tp次迭代得到的最优适应度值，R中的第tp个元素R(tp)代表第tp次迭代得到的最优粒子，令tp＝1；/n(6b)随机生成大小均为P×D的粒子群矩阵X和速度矩阵V，其中，X中的第i行X[i]代表第i个粒子，V中的第i行V[i]代表第i个粒子的速度，X[i]和V[i]中元素从左到右分别代表Ant'中微带贴片的长、微带贴片的宽、矩形槽的长、矩形槽的宽、像素贴片的长、像素贴片的宽和空气层的高度，且X中每一个元素的值大于value_min且小于value_max，V中的每一个元素的值大于value_min的相反数且小于value_min；/n(6c)令s＝X[i]，z＝z_s，并将s和z输入f中，得到X[i]对应的全端口散射参数矩阵S_tp,i；/n(6d)令s＝X[i]，z＝z_E0,z_E1,...,z_EN，并将s和z输入f中，得到X[i]对应的主极化场强方向图集合{E_co}_i以及交叉极化场强方向图集合{E_cross}_i：/n{E_co}_i＝{E_co(θ)_tp,0,...,E_co(θ)_tp,n,...,E_co(θ)_tp,N}_i，/n{E_cross}_i＝{E_cross(θ)_tp,0,...,E_cross(θ)_tp,n,...,E_cross(θ)_tp,N}_i；/n(6e)采用内置多端口算法，通过S_tp,i、{E_co}_i和{E_cross}_i计算X中每个粒子X[i]对应的反射系数集合{SL_tp}_i、主极化辐射方向图集合{AF_co}_i以及交叉极化辐射方向图集合{AF_cross}_i：/n{SL_tp}_i＝{SL_tp,1,...,SL_tp,m,...,SL_tp,M}_i，/n{AF_co}_i＝{AF_co(θ)_tp,1,...,AF_co(θ)_tp,m,...,AF_co(θ)_tp,M}_i，/n{AF_cross}_i＝{AF_cross(θ)_tp,1,...,AF_cross(θ)_tp,m,...,AF_cross(θ)_tp,M}_i；/n(6f)通过{SL_tp}_i、{AF_co}_i和{AF_cross}_i，计算X中每个粒子X[i]的个体适应度值fit_PSO(i)，并选取所计算的P个个体适应度值中最小的对最优适应度列表F中的F(tp)进行更新，得到更新后的最优适应度列表F'，选取最小适应度值对应的粒子对最优粒子列表R的R(tp)进行更新，得到更新后的最优粒子列表：/n /n式中，SL_tp,m为{SL_tp}_i中第m个反射系数，SL₀为设置的反射系数参考值，Cp_tp,m为通过{AF_co}_i和{AF_cross}_i计算的X[i]对应的第m个交叉极化抑制比，Cp₀为设置的交叉极化抑制比参考值，max{}代表取{}中较大的元素，∑代表求和操作：/n /n式中AF_co(θ)_tp,m为{AF_co}_i中第m个主极化辐射方向图，AF_cross(θ)_tp,m为{AF_cross}_i中第m个交叉极化辐射方向图，θ_{co_max}为AF_co(θ)_tp,m中最大值对应的扫描角度；/n(6g)对V的每一行和X的每一行分别进行更新，得到更新后的速度矩阵V'和粒子群矩阵X'，并将X'中小于value_min的值用value_min替换，大于value_max的值用value_max替换，得到替换后的粒子群矩阵X”，其中V'和X'的计算公式分别为：/nV'[i]＝w×V[i]+c₁×random()×(R'(tp)-X[i])+c₂×random()×(R'(ind)-X[i])，/nX'[i]＝X[i]+V'[i]，/n其中，random()表示生成一个0到1之间的随机数，ind表示最优适应度列表F'中最小值所对应的位置；/n(6h)令X＝X”，令V＝V'，令F＝F'，令R＝R'，并判断tp＝Tp是否成立，若是，执行步骤(6i)，否则，令tp＝tp+1，并执行步骤(6c)；/n(6i)判定F中是否存在0元素，若是，将0元素对应的R中的粒子作为Ant'的最优结构参数pbest，否则，将F中最小元素对应的R中的粒子作为Ant'的最优结构参数pbest；/n(7)获取最优结构参数pbest对应的全端口散射参数矩阵S_best和总场强方向图集合{E_total}_best：/n(7a)令s＝pbest，z＝z_s，并将s和z输入f中，得到pbest对应的全端口散射参数矩阵S_best；/n(7b)令s＝pbest，z＝z_E0,z_E1,...,z_EN，并将s和z输入f中，得到pbest对应的总场强方向图集合{E_total}_best：/n{E_total}_best＝{E_total(θ)₀,...,E_total(θ)_n,...,E_total(θ)_N}_best；/n(8)基于二进制遗传算法计算Ant'的最优开关通断状态分布：/n(8a)设二进制遗传算法的交叉概率Pc∈(0.4,0.99)、变异概率Pm∈(0.0001,0.001)、染色体的长度L＝N、染色体的数量Q、迭代次数tg、最大迭代次数Tg≥50、最优适应度列表G以及最优染色体列表C，G和C的长度等于Tg，G中的第tg个元素G(tg)代表第tg次迭代得到的最优适应度值，C中的第tg个元素C(tg)代表第tg次迭代得到的最优染色体，令tg＝1；/n(8b)随机生成以Q为行，以L为列的二进制染色体矩阵Y，Y中的第j行Y[j]代表第j个染色体，Y[j]的元素从左到右分别代表Ant'中所包含并进行顺次排列的馈电端口的阻抗、第一个集总端口的阻抗、…、第N个集总端口的阻抗；/n(8c)采用内置多端口算法，通过S_best和{E_total}_best计算Y[j]对应的总辐射方向图AF_total(θ)_tg,j；/n(8d)通过AF_total(θ)_tg,j计算Y[j]的个体适应度值fit_GA(j)，得到Q个个体适应度值，并选取其中的最小适应度值对最优适应度列表G中的G(tg)进行更新，得到更新后的最优适应度列表G'，同时选取最小适应度值对应的染色体对最优染色体列表C的C(tg)进行更新，得到更新后的最优粒子列表C'：/nfit_GA(j)＝|θ_goal-θ_{total_max}|/n式中θ_goal代表设置的方向图目标指向角度，θ_{total_max}代表AF_total(θ)_tg,j最大值所对应的方向图扫描角度，| |代表取绝对值操作；/n(8e)通过对Y[j]进行交叉操作得到交叉后的染色体矩阵Y'，对Y'[j]进行变异操作得到变异后的染色体矩阵Y”；/n(8f)令Y＝Y”，令G＝G'，令C＝C'，并判断tg＝Tg是否成立，若是，执行步骤(8g)，否则，令tg＝tg+1，并执行步骤(8c)；/n(8g)判定G中是否存在0元素，若是，将0元素对应的C中的染色体作为Ant'的最优开关通断状态分布gbest，否则，将G中最小适应度值对应的C中的染色体作为Ant'的最优开关通断状态分布gbest；/n(9)获取Ant结构参数和开关通断状态分布的优化结果：/n将pbest与gbest分别作为Ant结构参数和开关通断状态分布的优化结果。/n