一种新型星载全向天线 技术领域 ：
本发明涉及天线技术领域， 具体涉及一种新型星载全向天线。 背景技术 ：
随着航天事业的迅猛发展， 航天通讯系统在通信质量、 容量、 功能上不断地升级。 然而， 在航天通信中， 信息的传输依赖于星载天线， 所以对星载天线性能指标要求越来越 高。
全向天线因其覆盖范围广、 辐射均匀等特点广泛应用于移动通信、 天文探测、 地球 观测等领域。但现有全向天线从最简单的垂直地面的偶极子天线 ( 即垂直极化的水平全向 天线 ) 开始， 发展至今， 天线结构愈加复杂， 增益、 驻波比等性能有待进一步提高， 尺寸和质 量较大的问题更是导致了稀缺的空间资源的浪费。
在通信系统中， 无线通信作为当今信息化社会的主要技术手段而显得尤为重要。 其信道容量不断扩充、 传输速率不断提高、 服务方式也日渐灵活。与此相适应， 通信设备日 趋小型化。开展对线天线小型化和宽频带特性的研究有着很重要意义。
在现代天线研制的过程中， 最重要的环节是对天线结构的设计。 目前， 在天线设计 中， 普遍应用矩量法 (MOM)， 有限元法 (FEM)， 几何绕射理论 (GTD) 等方法来进行天线分析， 但仅采用以上方法在天线设计中往往遇到以下困难 ：
(1) 按照传统的天线设计方法来完成天线设计， 需要具有丰富的设计经验、 繁杂的 验证方法和多种辅助测试工具， 才能解决例如射频干扰、 天线匹配、 接收灵敏度、 天线耦合 灵敏度、 器件参数一致性等诸多问题， 完成设计实现的周期较为漫长且一旦更改需求将会 加大设计难度与周期。
(2) 在电子设备小型化的发展趋势引导下， 不仅要求开发小型化的天线， 还要求天 线与其它电子设备集成在一起。但当这些可能会相互干扰的元件过于靠近天线时， 将产生 更大的干扰， 从而导致信号质量下降和设备工作性能降低。 因此， 有必要引入其他算法优化 天线间及天线与其它电子设备的电磁兼容性。
(3) 当天线高度越来越小， 则匹配电路在实际中会引入分布参数的不良影响， 如果 电路板排版不好或焊接反复操作时， 这种效应会尤其明显。
近年来， 随着高性能计算机的发展， 利用如遗传算法、 粒子群算法、 演化算法等智 能算法来设计天线能够比较好的解决传统设计方法设计周期长、 成本高的问题。智能计算 是用计算机模拟大自然的演化过程， 特别是生物进化过程， 来求解复杂问题的一类计算模 型， 由于智能算法是通过模拟某一自然现象或过程来解决问题的， 因而具有适于高度并行 及自组织、 自适应、 自学习等特征 ； 另外， 智能算法对于刻画问题特征的条件要求很少， 再加 上它效率高、 易于操作、 简单通用， 从而使得它已经广泛地应用于各种不同的领域中。
同时， 天线设计是非线性、 多约束的复杂问题得不到很好解决， 将是用智能方法解 决第二个问题解决的瓶颈。发明内容 ：
本发明的目的是提供一种新型星载全向天线， 它结构简单、 增益高、 波束宽、 覆盖 范围广、 尺寸和质量小， 实用性强。
为了解决背景技术所存在的问题， 本发明是采用以下技术方案 ： 它通过建立数学 模型优化设计， 然后选择设计方案， 再经过以下三个步骤完成 ： 第一步， 利用演化天线设计 系统， 通过和 NASA 的技术指标相比较设计出一款新型演化天线 ； 第二步， 制作基于并行正 交试验的天线优化软件， 并利用该软件对新型天线进行优化设计 ； 第三步， 根据优化结果制 作天线。
所述的数学模型优化设计目标和约束条件包括波束指向、 极化方式、 增益、 频带宽 度、 电压驻波比、 天线的几何尺寸。
本发明利用演化算法可以实现自动阻抗匹配， 避免了阻抗匹配网络带来的影响 ； 当需求改变之后可以通过适当的修改适应度函数来大幅缩短设计周期 ； 通过将目标性能参 数引入到适应度函数中， 利用演化算法有效的进行搜索解决传统设计方法设计周期长、 成 本高的难题。同时采用演化算法进行天线设计的基础上， 将并行正交试验方法应用于天线 优化设计， 较好地解决了天线设计中非线性、 多约束的复杂问题， 为研制这款新型、 轻型、 性 能优异的星载全向天线打下了良好的基础。 所述的演化天线设计系统主要分为单目标演化算法、 分布式异步并行天线演化算 法、 多目标天线演化算法、 动态天线演化算法。 且步骤如下 ： Step 1。 由一台主处理机读入建 模的数据文件、 演化算法的一些控制参数 ( 包括种群规模 Popsize、 最大演化代数 Maxgeno、 最大树深 H 等 ) 以及并行算法的一些控制参数 ( 包括创建的进程数 P、 处理机间的连通度 δ、 迁移率 ρ、 迁移代频 g 等 )， 然后创建进程， 将这些信息发送到其他 R 台从处理机。
Step 2。主处理机和 P 台从处理机各自独立地进行天线演化算法， 包括种群的初 始化， 执行选择、 杂交、 变异操作和个体的适应值评估等。 同时， 每台处理机在执行天线演化 算法的过程中还与其他处理机进行信息交换， 包括 ：
Step 2。 1 每隔 g 代将当前种群中的 m 个最好的个体发送到其他 d 台邻接的处理机 ( 在原种群中仍保留其副本 )。其中 m 由迁移率 ρ 和子种群大小 nd 决定， 即 m ＝ ρ*nd(nd ＝ Popsize/(P+1))。
Step 2。 2 在每一演化代多次检查有无其他处理机发送来的个体。 如果有， 则用接 收到的 m 个个体替换当前种群中的 m 个最差个体 ； 如果没有， 则继续执行下面的操作。
Step 3。当主处理机运行到最大代数 Maxgeno 时， 则向其他 P 台从处理机发送终 止消息， 并将自身种群中最好的天线模型作为最终模型， 输出给用户。而其他 P 台从处理机 接收到主处理机的终止命令后则立即停止运行。
多目标天线演化算法针对单目标演化算法难以保持群体多样性而容易陷入局部 最优的缺点， 进行了改进， 能够保持群体多样性优势， 因而能达到全局最优。
所述的正交试验步骤如下 ： 第一步 ： 明确试验试验目的， 确定考查指标 ；
第二步 ： 确定因素、 选取水平、 制定因素水平表 ；
第三步 ： 选用合适的正交表进行表头设计 ；
第四步 ： 确定试验方， 做正交试验 . 记录试验结果 ；
第五步 ： 计算分析试验结果， 选取优化方案 ；
第六步 ： 验证试验， 确定最佳方案。 本发明结构简单、 增益高、 波束宽、 覆盖范围广、 尺寸和质量小， 实用性强。附图说明 ：
图 1 是本发明单目标优化算法框图。 具体实施方式 ：
参看图 1， 本具体实施方式是采用以下技术方案 ： 它通过建立数学模型优化设计， 然后选择设计方案， 再经过以下三个步骤完成 ： 第一步， 利用演化天线设计系统， 通过和 NASA 的技术指标相比较设计出一款新型演化天线 ； 第二步， 制作基于并行正交试验的天线 优化软件， 并利用该软件对新型天线进行优化设计 ； 第三步， 根据优化结果制作天线。
所述的数学模型优化设计目标和约束条件包括波束指向、 极化方式、 增益、 频带宽 度、 电压驻波比、 天线的几何尺寸。例如 ： 对于四臂天线， 每个臂由四段组成， 优化问题描述 为：
但上面问题方案变量维数 ： 17， 目标个数 ： 1298， 约束条件数 ： 1301， 目前的优化没 有能力求解如此规模的问题， 需要对问题适当简化。按照优化问题可简化为 4 个优化目标 ：
本具体实施方式利用演化算法可以实现自动阻抗匹配， 避免了阻抗匹配网络带来 的影响 ； 当需求改变之后可以通过适当的修改适应度函数来大幅缩短设计周期 ； 通过将目
标性能参数引入到适应度函数中， 利用演化算法有效的进行搜索解决传统设计方法设计周 期长、 成本高的难题。 同时采用演化算法进行天线设计的基础上， 将并行正交试验方法应用 于天线优化设计， 较好地解决了天线设计中非线性、 多约束的复杂问题， 为研制这款新型、 轻型、 性能优异的星载全向天线打下了良好的基础。
所述的演化天线设计系统主要分为单目标演化算法 ( 图 1)、 分布式异步并行天线 演化算法、 多目标天线演化算法、 动态天线演化算法。且步骤如下 ： Step 1。由一台主处理 机读入建模的数据文件、 演化算法的一些控制参数 ( 包括种群规模 Popsize、 最大演化代数 Maxgeno、 最大树深 H 等 ) 以及并行算法的一些控制参数 ( 包括创建的进程数 P、 处理机间的 连通度 δ、 迁移率 ρ、 迁移代频 g 等 )， 然后创建进程， 将这些信息发送到其他 R 台从处理 机。
Step 2。主处理机和 P 台从处理机各自独立地进行天线演化算法， 包括种群的初 始化， 执行选择、 杂交、 变异操作和个体的适应值评估等。 同时， 每台处理机在执行天线演化 算法的过程中还与其他处理机进行信息交换， 包括 ：
Step 2。 1 每隔 g 代将当前种群中的 m 个最好的个体发送到其他 d 台邻接的处理机 ( 在原种群中仍保留其副本 )。其中 m 由迁移率 ρ 和子种群大小 nd 决定， 即 m ＝ ρ*nd(nd ＝ Popsize/(P+1))。 Step 2。 2 在每一演化代多次检查有无其他处理机发送来的个体。 如果有， 则用接 收到的 m 个个体替换当前种群中的 m 个最差个体 ； 如果没有， 则继续执行下面的操作。
Step 3。当主处理机运行到最大代数 Maxgeno 时， 则向其他 P 台从处理机发送终 止消息， 并将自身种群中最好的天线模型作为最终模型， 输出给用户。而其他 P 台从处理机 接收到主处理机的终止命令后则立即停止运行。
多目标天线演化算法针对单目标演化算法难以保持群体多样性而容易陷入局部 最优的缺点， 进行了改进， 能够保持群体多样性优势， 因而能达到全局最优。多目标优化算 法要计算非劣集合， 采用下面算法计算非劣集合 ：
让 X/ 存放非劣元素， |X/| 为 X/ 的元素个数。
X/ ＝ {x (1)} ；
for(i ＝ 2 ； i≤N； i++){// 确定 x(i) 是否非劣
i_nondominated ＝ true ；
for(t ＝ 1 ； t ≤ |X/| ； t++){
if(x/(t) ＜ x(i)){i_nondominated ＝ false ； break ； }
if(x(i) ＜ x/(t))Delete x/(t)from X/ ； }
if(i_nondominated ＝＝ true)Insert x(i)into X/ ； }
算法输出 ： 近似 Pareto 最优解集
多目标演化算法框架如下 ：
Step1 随机产生大小为 Np 的群体 P0， 演化代数记数器 t ＝ 0。
Step2 在 Pt 上执行遗传操作， 产生 Np 个后代个体 Qt。
Step3 Rt ＝ Pt ∪ Qt，
Step4 在 Rt 上执行选择操作， 产生下一代群体 Pt+1， t ＝ t+1。
Step5 如果需要继续演化， 转 Step2， 否则， 转 Step6。
Step6 输出 Pt 作为近似 Pareto 最优解集。 选择操作对 Rt ＝ Pt ∪ Qt 进行分级非劣排序， 直到被排序个体到达 Np。其细节如下： Step1 置 Pt+1 空。
Step2 计算 Rt 非劣集合 B，
如果 B 的大小 |B| ＝ Np， B 将置于 Pt+1。
如果 B 的大小 |B| ＞ Np， 使用剪切操作从 B 中删除 |B/-Np 个元素， B 中剩下的 Np 个元素将置于 Pt+1。
如果 B 的大小 |B| ＜ Np， 将 B 从 Rt 中删除 ： Rt ＝ Rt\B， B 并于 Pt+1 ： Pt+1 ＝ Pt+1 ∪ B ； 重复地将剩余 Rt 的非劣集合移到 Pt+1， 直到
|Pt+1| ＝ Np。
Step3 输出 Pt+1。
剪切操作一个目标是使剪切后的元素分布更加均匀， 聚类技术有助于实现这个目 标， 聚类分析是把具有 p 个元素的集合按元素的某种相似性分成 q 类 (p ＞ q)。剪切操作先 使用聚类技术对集合 B 的元素分成 Np 类， 确定每一类的中心， 移走其它元素。
剪切操作细节如下 ： 输入 ： B( 非劣集合 )， Np( 剩下元素个数 ) Step1 初始化类集合 ψ ； B 中每一个元素 i 组成一个不同的类 ： Ψ ＝∪ i ∈ B{{i}} Step2 如果 |ψ| ≤ Np， 转 Step5， 否则， 转 Step3。 Step3 计算两两类之间的距离， 两个类 C1， C2 之间的距离 dc 计算公式如下 ：这里 d(i1， i2) 是指两个体 i1， i2 在目标空间的距离。
Step4 把具有最短距离的两类 C1， C2 合并 ： Ψ ＝ Ψ\{C1， C2} ∪ {C1 ∪ C2}， 转 Step2
Step5 每一个确定一个代表， 删除类中其它元素， 将代表并置于 Pt+1。这里把类的 中心作为该类的代表， 类中心是指与类中其它所有点有最小平均距离的点。
Step6 输出 Pt+1。
多目标天线演化算法产生的是一个近似 Pareto 最优解集， 决策者可能对每个目 标只有大概意向。为了帮助决策者从已得的 Pareto 最优解集中选取方案， 利用模糊逻辑理 论， 对每一个目标建立一个从属关系函数 μfk，
对 Pareto 最优解集中每一个解， 计算其所有目标的从属关系函数值的正规和 ( 见 下式 )， 具有最大值的解就是要找的折衷解。
动态天线演化算法 ： 随着演化过程的逐渐展开， 原有的适应值函数很可能不利于 算法朝着最优方向逼近， 因此， 需要动态调整优化目标。
所述的正交试验步骤如下 ： 第一步 ： 明确试验试验目的， 确定考查指标 ；
第二步 ： 确定因素、 选取水平、 制定因素水平表 ；
第三步 ： 选用合适的正交表进行表头设计 ；
第四步 ： 确定试验方， 做正交试验 . 记录试验结果 ；
第五步 ： 计算分析试验结果， 选取优化方案 ；
第六步 ： 验证试验， 确定最佳方案。 本具体实施方式结构简单、 增益高、 波束宽、 覆盖范围广、 尺寸和质量小， 实用性强。