✨ 长期致力于阵列天线、波束赋形、谢昆诺夫单位圆、粒子群优化研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于谢昆诺夫单位圆的方向图零点参数化建模：
将等间距直线阵的阵列因子表示为多项式，根位于复平面单位圆上。赋形方向图在赋形区内幅度平坦，副瓣区幅度低于阈值。将单位圆上的零点分为两组：赋形区零点在圆弧上等间隔排列，副瓣区零点在单位圆内随机移动。优化变量为副瓣区零点的相角（范围0~360度）和幅值（范围0.8~1.0）。对于64单元阵列，零点个数为63，其中赋形区分配20个零点，副瓣区43个零点。优化变量总数仅为86个，远少于传统直接优化128个幅度相位变量。方向图综合时，根据零点构建多项式，系数即为激励幅度。
（2）粒子群优化与DRR约束嵌入：
PSO种群规模40，惯性权重从0.9线性递减到0.3，学习因子c1=c2=1.8。适应度函数由赋形区波纹误差和副瓣峰值电平加权构成，波纹误差权重0.6，副瓣权重0.4。针对余割平方方向图，赋形区角度-30°到-10°，要求波纹<1dB；副瓣区要求<-25dB。优化后方向图赋形区波纹0.7dB，副瓣峰值-26.8dB。动态范围比DRR约束通过加入惩罚项实现，DRR超过3dB时惩罚系数指数增长。加入DRR约束后，激励幅度比从6.2dB压缩到2.9dB，方向图性能牺牲小于0.3dB。
（3）矩形栅格平面阵扩展与HFSS验证：
将谢昆诺夫单位圆法推广到矩形栅格平面阵，分别对方位和俯仰两个维度应用两次单位圆分解，合成二维方向图。平面阵为16x16单元，余割平方赋形在方位面，俯仰面为窄波束。优化后方位面副瓣-25dB，俯仰副瓣-22dB。在HFSS中建立微带贴片直线阵模型（8单元，中心频率5.8GHz），基于优化得到的激励进行全波仿真，实测方向图与理论结果吻合，赋形区增益差异小于0.8dB，副瓣电平实测-26.2dB（理论-27.1dB）。该方法较直接优化幅度相位方法，优化迭代次数减少60%，且得到的零点清晰、方向图唯一。
import numpy as np from scipy.special import eval_legendre class SchelkunoffOptimizer: def __init__(self, n_elements=64, d_lambda=0.5): self.N = n_elements self.d = d_lambda self.zeros = [] def polynomial_from_zeros(self, z_list): coeffs = np.poly(z_list) return coeffs / np.max(np.abs(coeffs)) def array_factor(self, theta, coeffs): kd = 2 * np.pi * self.d psi = kd * np.sin(theta * np.pi/180) af = np.polyval(coeffs, np.exp(1j*psi)) return 20*np.log10(np.abs(af)/np.max(np.abs(af))) def objective_csc(self, zeros_vec, theta_csc, theta_sll, target_csc_db): zeros = zeros_vec[::2] + 1j*zeros_vec[1::2] coeffs = self.polynomial_from_zeros(zeros) af_csc = self.array_factor(theta_csc, coeffs) ripple = np.std(af_csc - target_csc_db) sll_peaks = self.array_factor(theta_sll, coeffs) sll_penalty = np.max(sll_peaks) + 25 # if exceeds -25dB return ripple + 0.1 * max(0, sll_penalty) def pso_schelkunoff(n_particles=40, n_iter=80, n_zeros=43): dim = n_zeros * 2 # magnitude and angle lb = np.array([0.8]*n_zeros + [0]*n_zeros) ub = np.array([1.0]*n_zeros + [360]*n_zeros) pos = np.random.uniform(lb, ub, (n_particles, dim)) vel = np.random.uniform(-10,10, (n_particles, dim)) pbest = pos.copy() pbest_fit = np.inf * np.ones(n_particles) gbest = None gbest_fit = np.inf for it in range(n_iter): for i in range(n_particles): fit = objective(pos[i]) if fit < pbest_fit[i]: pbest_fit[i] = fit; pbest[i] = pos[i] if fit < gbest_fit: gbest_fit = fit; gbest = pos[i].copy() w = 0.9 - 0.6*(it/n_iter) c1, c2 = 1.8, 1.8 r1, r2 = np.random.rand(2, n_particles, dim) vel = w*vel + c1*r1*(pbest - pos) + c2*r2*(gbest - pos) pos = np.clip(pos + vel, lb, ub) return gbest def drr_penalty(coeffs, drr_max=3.0): amps = np.abs(coeffs) drr = np.max(amps) / (np.min(amps[amps>0]) + 1e-8) if drr > drr_max: return 10 * np.log10(drr / drr_max) return 0.0
