Sintesi di schiere sparse di trasduttori tramite algoritmi genetici

Lo scopo della tesi è duplice: da un lato, di ottimizzare array lineari di sensori allo scopo di ridurre il livello dei lobi laterali del loro diagramma di radiazione (beam pattern), dall’altro, di sintetizzare array lineari minimizzando nello stesso tempo anche il numero degli elementi e l’apertura, per far sì che il beam pattern corrispondente rispetti determinati vincoli. I sensori delle schiere possono essere indifferentemente trasduttori acustici oppure elettromagnetici, purché siano di piccola dimensione rispetto a lambda (lunghezza d’onda del segnale) e omnidirezionali. Gli array che è possibile sintetizzare mediante il metodo proposto possono lavorare sia in ricezione che in trasmissione allo stesso modo, dato che il diagramma di radiazione rappresenta il comportamento dell’array sia per l’una che per l’altra modalità.
Il metodo sviluppato è molto flessibile e trova applicazione in diversi settori; i sistemi di telecomunicazione cui questo studio è applicabile sono:
§ sonar
§ radar
§ schiere di antenne per comunicazione wireless (smart antennas)
§ sistemi per l'imaging elettromagnetico a microonde
Lo spazio di ricerca del funzionale scelto per l’ottimizzazione è estremamente complesso e ricco di minimi locali. Per questa ragione sono stati utilizzati gli Algoritmi Genetici che, data la loro natura intrinsecamente stocastica, permettono di non arenarsi nei minimi locali ma di esaminare a fondo lo spazio di ricerca allo scopo di individuare soluzioni tendenti all’ottimalità globale come testimoniano i risultati ottenuti.
Gli algoritmi genetici lavorano su una popolazione di soluzioni al problema, dette individui. Ad ognuna di esse è associato un valore detto fitness, che rappresenta la bontà della soluzione. Sulla base della popolazione esistente, ad ogni iterazione se ne crea un’altra mediante l’utilizzo di operatori come mutazione, riproduzione e crossover, applicati agli individui scegliendoli dalla vecchia popolazione sulla base del loro fitness: in questo modo le caratteristiche buone e potenzialmente ottime di un individuo si diffondono nella popolazione. Tuttavia è stato necessario adattare gli algoritmi genetici al problema considerato per velocizzare la convergenza e ottenere soluzioni altamente ottimizzate; gli operatori tradizionali infatti sono stati modificati utilizzando la conoscenza a priori sul problema e adottato una codifica a numeri reali a differenza dei genetici standard in cui si utilizza una codifica binaria. Inoltre, una volta individuato un buon attraction basin (conca di minimo) i genetici cedono i passo all’algoritmo di discesa del gradiente che permette di migliorare ulteriormente la migliore soluzione ottenuta fino a quel momento.
I risultati ottenuti dimostrano l’ottimo funzionamento dell’implementazione, anche in relazione ad altri casi considerati nella letteratura scientifica.