基于改进帝王蝶算法的最大似然DOA估计

摘要

针对传统最大似然波达方向(maximum likelihood direction of arrival, ML-DOA)估计存在计算量大、估计精度差等问题，本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm, IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化，得到适应度值较优的初始帝王蝶个体，进而能够改善帝王蝶种群的多样性；引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进，扩大了算法的搜索空间；引入了高斯-柯西变异算子，自适应调整变异步长，避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明，与传统的DOA估计算法相比，在不同信源数目、信噪比以及种群数量下，本文提出的算法收敛性能更好，均方根误差更低，运算量更小。

关键词

波达方向 / 最大似然估计 / 帝王蝶算法 / 精英反向学习 / 自适应策略 / 变异算子