基于GA和PSO算法的反射阵列仿真设计

　　0 引言

　　反射阵因其高性能和灵活性，在通信、军事等领域的应用越来越广泛，譬如基站通信、车载雷达、目标物体的散射场改变等，都要求不同工作频率、带宽、RCS以及尺寸的反射阵，那么如何精确高效并低成本地设计出符合要求的阵列必将成为一个亟待解决的问题。目前反射阵广泛采用的设计方法是通过一定的理论建模，按照经验公式，进行相关的尺寸修改，最终得到比较满意的结果。本文应用阵列的基本设计方法，并结合FEKO软件仿真优化，既有规范的设计过程，又克服了理论分析精度低的缺点，并使设计周期缩短，设计成本降低，设计灵活性增强。

　　阵列的反射特性取决于阵元数目、阵元位置、阵元权系数，控制这三个因素可以改变反射场的特征，三者都可以通过优化达到一个最优值。FEKO软件包括遗传算法和粒子群算法两种优化方法。遗传算法(Genetic Algorithm，GA)是模拟生物界的遗传和进化过程而建立起来的一种搜索算法，基本思想是从一组随机产生的初始解，开始进行搜索，经过若干代之后收敛于问题的最优解或近优解;粒子群算法(ParticalSwarm Optimization，PSO)属于进化算法的一种，比GA规则更为简单，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易，精度高，收敛快等优点在解决实际问题中展示了其优越性。

　　1 基本原理和计算公式

　　1.1 相关公式

　　阵元这里采用规则的矩形贴片，所以单个阵元的RCS的计算公式为：

　　1.2 模型尺寸确定

　　阵列工作于10 GHz，覆盖的范围近似为一长度为1000mm，直径为260mm的圆柱面。阵元尺寸和周向间距相同，通过改变轴向间距d来调整RCS，如图1所示。

　　结合公式，取阵元的尺寸为a=15 mm，周向间距c=1 mm，同时为了保证阵列的各向同性性能较好，并兼具一定的带宽，这里取阵元宽度b=0.8 mm。此时，阵列的性能取决于d。

　　1.3 遗传算法和粒子群算法

　　遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法，尤其适用于处理传统搜索方法无法解决的复杂、非线性问题。GA的并行模式可以分为两类：一类是将遗传算法的种群划分为若干子种群，使每个子种群在并行系统中各处理器中演化;另一种是将遗传算法中种群的个体分配到并行系统中的各处理器，计算适应度。后一种并行方式比前一种计算效率高，但是前一种方式无需并行计算机系统，也无需处理处理器间复杂的通信。

　　粒子群优化算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解称为个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。