.png){kind=icon}
返回
A Novel Multi-Strategy Nonlinear Multi-Objective Particle Swarm Optimization Algorithm for Sparse Planar Antenna Array Synthesis
.png){kind=icon}
PRE
AI
DOI：10.1109/tgcn.2026.3701739.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期关于稀疏天线阵列优化的研究主要集中于降低旁瓣电平(SLL)，但这通常会导致整体辐射方向图综合性能失衡。为解决此问题，本文提出了一种基于全局学习整合策略和局部变异联合机制的新型多策略非线性多目标粒子群优化(MSNL-MOPSO)算法。首先，构建了一个混合多目标优化问题(MOP)模型，用于联合最小化峰值旁瓣电平(PSLL)和波束宽度(BW)，以缓解辐射方向图综合中的性能失衡问题。然后，设计了一种基于自适应惯性权重和蒲公英飞行机制的全局学习整合方法，以增强种群多样性和全局搜索能力。此外，采用基于对数螺旋对立学习(LSOL)和柯西-黄金正弦反累积变异(CGSICM)策略的局部变异联合方法，以提高收敛精度。最后，在四个经典基准函数上的实验评估证明了所提出的MSNL-MOPSO算法的优越性能。此外，两个稀疏平面天线阵列综合实验结果表明，与主流算法(NSGA-II、MOGWO、MORIME和MOPSO)相比，MSNL-MOPSO实现了2.1 dB的PSLL降低和20%的收敛速度提升。这些发现证实了MSNL-MOPSO在优化复杂稀疏平面天线阵列配置方面的巨大潜力。
Keyword:
Multi-objective particle swarm optimization (MOPSO)
peak sidelobe level (PSLL)
beamwidth (BW)
sparse antenna array
期刊
I
IF:
6.7
论文数:
1.4K
被引数:
4.3K
机构
引用论文
Multi-objective particle swarm optimization algorithm based on multi-strategy improvement for hybrid energy storage optimization configuration.png)
RENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏分享收藏A Modified Whale Optimization Algorithm for Pattern Synthesis of Linear Antenna Array一种改进的鲸鱼优化算法用于线性天线阵列的模式综合
PREAI
分享收藏
查看更多内容