2026年IEEE TGCN，多策略非线性多目标粒子群算法+稀疏平面天线阵列合成

1.摘要

针对稀疏天线阵列优化中副瓣电平与波束宽度不平衡的问题，本文提出一种基于全局学习集成策略与局部变异联合机制多策略非线性多目标粒子群算法（MSNL-MOPSO）。基准函数与稀疏平面天线阵列综合测试表明，相较于NSGA-II、MOPSO等主流算法，MSNL-MOPSO在保证波束宽度的同时，使峰值副瓣电平降低2.1 dB，收敛速度提升20%，展现出优化复杂天线阵列构型巨大潜力。

2.模型与问题定义

论文构建了固定口径L × H L\times HL×H、包含N NN个各向同性阵元的平面稀疏天线阵模型，其四角阵元固定其余阵元连续分布并严格满足最小间距约束。阵列因子表示：

A F ( Θ , ϕ ) = ∑ i = 0 N e j 2 π λ [ χ i ( s i n θ c o s ϕ ) + χ j ( s i n θ s i n ϕ ) ] AF(\Theta,\phi)=\sum_{i=0}^Ne^{j\frac{2\pi}\lambda[\chi_i(sin\theta cos\phi)+\chi_j(sin\theta sin\phi)]}AF(Θ,ϕ)=i=0∑N​ejλ2π​[χi​(sinθcosϕ)+χj​(sinθsinϕ)]

为了平衡传统优化中副瓣与波束宽度的性能冲突，将综合问题转化为包含主切面/全方位 PSLL 抑制和方位/俯仰向 3 dB 波束宽度最小化三目标优化问题 :

m i n f = ( f 1 , f 2 , f 3 ) min\mathrm{~}f=(f_1,f_2,f_3)minf=(f1​,f2​,f3​)

3.改进 MOPSO 算法

MSNL-MOPSO 融合了全局学习集成与局部联合变异两大机制(常规改进，略)

4.结果展示

MSNL-MOPSO 性能分析利用 ZDT 测试集评估，

对平面阵列进行了两组不等间距稀疏综合仿真，

5.参考文献

Li R, Li M, Zhu L, et al. A Novel Multi-Strategy Nonlinear Multi-Objective Particle Swarm Optimization Algorithm for Sparse Planar Antenna Array Synthesis[J]. IEEE Transactions on Green Communications and Networking, 2026.

6.算法辅导·应用定制·读者交流

xx