基于蟻群優化算法的非均勻子陣劃分技術

米澤輝，郭肅麗，秦固平，王明杰

(1.中國電子科技集團公司 第54研究所，石家莊 050081；2.中國人民解放軍31585部隊，北京 100144)

0 引言

近年來納卡沖突和俄烏戰爭表明，無人機在戰場上的角色日益重要，但無人機面臨的干擾威脅日趨嚴重，傳統的時域、頻域抗干擾方法難以應對復雜的電磁環境威脅。近年來相控陣天線因具有波束快速調整[1]、自適應抗干擾[2]、波束賦形[3]和同時多波束[4]等優點，逐漸被應用于無人機測控領域。基于相控陣天線的自適應抗干擾技術能夠根據當前電磁環境，自適應計算各陣元的加權值，在干擾來波方向產生較深零陷，進而實現空域抗干擾，從而進一步提高測控系統的抗干擾能力。為了滿足高速率和遠距離傳輸需求，無人機相控陣天線的規模越來越大[5]，若采用全陣元的數字加權方案，一方面硬件規模大，算法復雜度高，收斂速度慢；另一方面，系統的體積、重量、功耗、成本均相應增加，因此必須進行降維處理。具體實現是對大型陣列進行子陣劃分，在子陣內部采用模擬波束形成，子陣間采用數字自適應波束形成。子陣劃分的結果直接影響后續陣列自適應波束形成的性能，因此研究如何進行子陣劃分對提高相控陣空域的抗干擾能力具有非常重要的現實意義。

目前，國內外學者對子陣劃分開展了很多研究，主要有均勻不重疊子陣、均勻重疊子陣、非均勻不重疊子陣。均勻不重疊子陣結構具有結構簡單，易于實現的優勢，但其波束方向圖易產生柵瓣、柵零點，影響主瓣增益[6-7]；均勻重疊子陣結構，能夠有效減少柵零點，但該結構重疊部分接收組件需要考慮多套幅相控制器，增加設備成本和制造難度，而且其饋電網絡過于復雜，因此不適宜大型陣列的工程實現；而非均勻不重疊子陣結構，由于各子陣內包含的陣元個數并不相同，相位中心之間的間距不存在周期性，可以較好的抑制柵零點，所以研究非均勻不重疊的子陣劃分方法具有重要的理論研究意義和工程實踐價值。

文獻[8]提出一種非均勻不重疊子陣構陣原則——相鄰子陣相位中心的間距沒有公約數，能夠抑制柵瓣和柵零點的產生。文獻[9]針對幅度錐削的均勻線陣，提出了等噪聲功率法來劃分非均勻子陣，獲得的方向圖具有低副瓣，主瓣無畸變的優點。上述方法給出了非均勻劃分的基本思想，但是對于具體應用場景，其性能不一定最優。

子陣劃分問題在近些年開始和智能算法相結合，且得到了國內外學者的深入研究。常用的智能算法有遺傳算法[10-11]、粒子群算法[12-14]、蟻群算法[15]。文獻[11]提出了一種改進的遺傳算法，將簡單遺傳算法中初始種群產生、交叉操作和變異操作等部分進行改進，并將波束方向圖旁瓣電平和零陷深度作為目標函數，得到了滿足自身要求的波束方向圖。但該方法當劃分子陣個數越多時，編碼越長，計算開銷越大。文獻[13]通過改進的粒子群算法得到一種用于低旁瓣電平的子陣設計方法。文獻[14]利用粒子群優化算法同時優化最大副瓣電平和權矢量兩項性能指標函數，達到了設計需求，但粒子群算法存在可能陷入局部最優的問題。基于此，本文開展基于蟻群算法的非均勻子陣劃分技術。

蟻群算法是對自然界中螞蟻的尋徑行為進行模擬而得出的一種仿生算法。在蟻群算法中，螞蟻在移動過程中會在其經過的路徑上釋放信息素，用以進行信息傳遞。螞蟻能夠感知這種信息素，并以此來指導自己的運動方向。當大量螞蟻組成的蟻群行動時，它們的集體行為表現出一種信息正反饋現象：經過的路徑上螞蟻越多，后續螞蟻選擇該路徑的概率就越大[16]。

文獻[17]利用蟻群算法以峰值旁瓣電平為優化目標進行迭代搜索，使得子陣級自適應形成多波束方向圖的旁瓣性能達到最優。文獻[18]和[19]將蟻群算法應用于空時自適應處理的子陣劃分問題，以最大化子陣級空時自適應處理的改善因子為優化準則，從而獲取最優的子陣劃分方式。但文獻[18]和[19]中的路徑選擇方法很容易陷入局部最優，同時評價函數過于復雜，降低了算法運行效率。

上述研究大多數針對波束方向圖中的旁瓣、零陷深度、改善因子單獨研究進行優化，而基于蟻群算法的輸出信干噪比的優化很少。在無人機測控抗干擾領域，波束形成后的輸出信干噪比是一個綜合指標，綜合考慮了信號強度、干擾和噪聲對通信系統的影響，直接關系到信號的接收質量，影響后續測控通信信號的解調性能，因此，本文基于蟻群算法，利用概率計算和輪盤賭相結合規劃螞蟻路徑，選取陣列最大輸出信干噪比作為適應度函數，同時結合本文方法中信息素初始濃度和啟發式信息范圍，提出了新的適應度函數值與信息素更新的轉換關系。為簡化運算，以線陣為例進行仿真。分析了不同陣列規模(64，256個陣元)的蟻群算法波束形成性能，仿真結果表明，所設計的蟻群算法在性能指標上優于均勻劃分，與全陣元自適應波束形成性能相近。

1 自適應波束形成算法

1.1 全陣元自適應波束形成算法

自適應波束形成技術的核心思想是根據接收到的信號和干擾信息，動態地調整陣列天線的權重。通過優化權重的分配，自適應波束形成可以使陣列天線在期望信號入射方向上增強信號的接收，同時抑制來自其他方向的干擾信號。其中，最小方差無失真響應(MVDR)算法是一種常用的自適應波束形成算法[20]，它通過最大化信干噪比，實現對期望信號的最佳響應，能夠有效抑制強敵干擾。

以陣元數為N的均勻線陣為例，接收信號表示為x(n)(n=1，2，…，N)，陣元加權矢量為w=[w1，w2，…，wN]，則經過加權后陣列的輸出可表示為：

y(n)=wHx(n)

(1)

波束形成器的平均輸出功率為：

(2)

其中：Rxx=E{x(n)xH(n)}為空間相關矩陣。

假設期望信號s(n)從θ0方向入射，為了使期望信號無失真的通過波束形成器，有約束條件：

wHa(θ0)=1

(3)

在上式的條件下，為了實現抑制干擾，約束輸出功率(信號和干擾的總功率)P(θ0)最小，即：

minwHRxxwst.wHa(θ0)=1

(4)

可解得最優權向量為：

(5)

1.2 子陣加權自適應波束形成算法

子陣加權自適應波束形成技術的基本思想是將陣列劃分為多個子陣，每個子陣中包含一部分陣元。在陣元級，通過相移和幅度加權的方式對信號進行處理；在子陣級，采用自適應加權的方法進一步優化信號處理。這種分層的數字波束形成方法可以有效降低硬件復雜度，減少計算量，并提高算法的收斂速度，為大型陣列的波束形成問題提供了可行且有效的解決方案。

以圖1所示線陣為例，將含有N個陣元的線陣劃分為L個子陣，假設天線陣元為全向陣元，期望信號和干擾信號均為窄帶遠場信號，陣元間距為d，陣列陣元位置為d=[d1，d2，...，dN]T，選取第一個陣元作為參考陣元，d1=0，dn為第n個陣元的位置，則該陣列的導向矢量可以表示為：

圖1 子陣加權自適應波束形成模型

a(θ)={e-jφ1，...，e-jφi，...，e-jφN}φi=2π(di/λ)sinθ

(6)

式中，j為虛數單位，λ為信號波長，θ為信號入射方向。

假設期望信號入射角度為θ0，Q個干擾信號入射角度分別為{θ1，θ2，...θQ}，則陣列天線的接收信號可表示為：

x(t)=a(θ0)s(t)+AJv(t)+n(t)，t=1，2，…，M

(7)

式中，a(θ0)為期望信號的方向矢量，AJ=[a(θ1)，a(θ2)，...，a(θQ)]T為干擾信號方向矢量組成的矩陣；s(t)為期望信號，v(t)=[v1(t)，v2(t)，...，vQ(t)]T為干擾信號矢量，n(t)=[n1(t)，n2(t)，...，nN(t)]T為噪聲矢量，M為快拍數。

在子陣加權前，有模擬移向和陣元的加窗操作，整個子陣的轉換矩陣應當由三個部分組成，可以得出子陣轉換矩陣T為：

T=diag(Φ0°wele)T0

(8)

其中：wele為陣元級的模擬加窗；Φ0表示陣列的模擬移向值。

T0為N*L子陣形成矩陣，可表示為：

(9)

T0中元素只有0和1，描述了子陣劃分情況，在其第l列的所有元素中，當第n個陣元被劃分到第l個子陣時，矩陣T0對應的元素值為1，其余均為0。

根據以上子陣劃分，子陣級的接收信號矢量可表示為：

xsub(t)=THx(t)

(10)

假設子陣級加權為wsub，那么經過加權處理后的子陣級輸出信號ysub(t)為：

(11)

則子陣級接收信號的空間相關矩陣可以表示為：

(12)

子陣的加權采用MVDR算法，可推導出子陣自適應加權矢量：

(13)

2 基于蟻群算法的非均勻子陣劃分技術

2.1 子陣劃分方案約束準則

為了工程上實現和后續信號處理，對子陣劃分方案做出以下約束：

1)每個子陣包含陣元數量限制在一定范圍[Nmin，Nmax]；

2)為了后續和差波束測角，設定子陣劃分方案為左右對稱結構；

3)為了降低饋電系統復雜度和硬件實現難度，規定每個子陣中的陣元是鄰接且無復用的，規定所有陣元被劃分完整。

2.2 算法思想

以32陣元的線陣劃分為8個子陣為例對算法思想進行介紹，根據子陣劃分方案約束準則，劃分方案是左右對稱結構，所以只需求解16個陣元劃分為4個子陣。下面給出了一個陣元個數N=16，子陣個數L=4時的線陣的例子。

在圖2中，將子陣劃分描述成對陣元序列{C1，C2，…，C16}的切割。圖中共有15個切割點(該數值為N-1)。從圖中可以看出只要任意選出3(該數值為L-1)個切割點就可以確定一種子陣劃分方案，在圖2中，選定了編號為{4，6，11}的邊界(用長虛線表示)。

圖2 蟻群算法子陣劃分

實際上，L-1個切割點的選取可以轉換為一個有向圖(DAG)的路徑搜索問題。圖2線陣的劃分可轉換成4*13(L*(N-L+1))的有向圖的路徑搜索，如圖3所示。根據子陣劃分方案約束準則，陣中的陣元是鄰接且無復用的，規定所有陣元被劃分完整，所以要求螞蟻只能向前走不能返回，且要從起點走到終點，即每次螞蟻只能向右或向下進行路徑選擇。該有向圖中始于左上角頂點(1，1)止于右下角頂點(L，N)的路徑可視為一條完整路徑。圖中標出了一條完整路徑的例子，該路徑可以表示為：

圖3 蟻群算法子陣劃分有向圖

r={(1，1，1)，(1，2，1)，(1，3，1)，(1，4，2)，(2，4，1)，(2，5，2)，(3，5，1)，(3，6，1)，(3，7，1)，(3，8，1)，(3，9，2)，(4，9，1)，(4，10，1)，(4，11，1)，(4，12，1)}

(14)

其中：(x，y，i)表示從頂點(x，y)出發，到達(x，y+1)(當i=1)或(x+1，y)(當i=2)的有向邊。L-1個子陣邊界可以通過路徑r中的下降邊(當i=2)確定。

2.3 蟻群算法流程

本文針對項目特點，所設計的蟻群算法基本操作步驟如圖4所示。

圖4 蟻群算法流程圖

首先，需要對參數進行初始化，如信息素濃度Tau，啟發式信息QFS、螞蟻個數M、表征信息素重要程度的參數α，表征啟發式因子重要程度的參數β，信息素蒸發系數ρ，信息素增加強度系數Q；然后進入迭代，對M只螞蟻進行路徑規劃，本文結合概率計算、輪盤賭算法、子陣范圍約束實現螞蟻路徑規劃；并根據路徑求得子陣劃分方案和適應度值并記錄本次迭代最優值；接下來更新信息素，本文結合信息素初始濃度和啟發式信息范圍，提出了一種新的信息素更新公式；最后判斷是否滿足結束條件，若滿足則算法結束，輸出迭代曲線和子陣劃分方案，若不滿足則進入下一次迭代。接下來詳細介紹信息素濃度、啟發式信息的初始化，路徑規劃方法，適應度函數值的求解和信息素更新公式。

2.3.1 初始化信息素濃度

用L*(N-L+1)*2維的矩陣Tau表示有向圖中某點右移邊和下移邊上的信息素濃度。本文信息素初始值設定采用如下公式[21]：

(15)

其中：Tau(x，y，1)為點(x，y)向右邊的初始化信息素濃度，Tau(x，y，2)為點(x，y)向下邊的初始化信息素濃度。

圖5 每個頂點后可選擇的路徑數

圖6 初始化信息素濃度

2.3.2 啟發式設計

在蟻群算法中，啟發式項起到指導搜索解空間的作用，它可以利用先驗知識幫助算法在解空間中針對性地搜索，從而提高算法的效率和性能。根據上述子陣劃分方案約束準則，每個子陣包含陣元數量限制在一定范圍，陣元個數不會過少或過多，這樣可以保證每個子陣都有一定數量的陣元參與波束形成，從而提高整體性能。因此，設計的啟發式要體現對子陣內陣元數量相對均衡的偏好，使算法傾向于將陣元數量相差不大的陣元分配到同一個子陣中。基于這些特點，我們將文獻[18]中啟發式進行修改并設計如下。

1)構建一條特殊路徑：

假設陣元數可以被均勻劃分到每個子陣，即NmodL=0，記A=N/L，將該路徑設為特殊路徑R，其下所有拐點的集合為：

{(i，i*A)}i=1，...L

(16)

2)根據所構造的特殊路徑，將啟發式信息設計為：

(17)

其中：qfs_max為啟發式信息的最大值，本文設為1；D(x，y，i)=mindR，(x，y，i)+mind(x，y，i)，R，dR，(x，y，i)為從R出發到達有向邊(x，y，i)的距離，d(x，y，i)，R為有向邊(x，y，i)到R的距離，值得注意的是，dR，(x，y，i)與d(x，y，i)，R不相等；A=N/L為均勻劃分下各子陣中的陣元數，本文設計的啟發式范圍屬于[0，1]。

圖7給出了N=8，L=4的情況，以邊(1，4，2)為例，mindR，(1，4，2)=1(等于邊(2，3，1)的長度)，mind(1，4，2)，R=2(等于邊(1，2，1)和邊(1，3，1)的長度之和)。

圖7 距離及啟發式信息

3)路徑構建：

每次迭代過程中，M只螞蟻并行地構建路徑。在路徑構建過程中，如果螞蟻的路徑選擇僅由信息素和啟發式構成的概率公式來決定[19]，容易陷入局部最優，不利于算法取得全局最優解，很容易使算法陷入停滯狀態。因此本文設計了概率計算和輪盤賭算法相結合的路徑規劃方法，實現“依概率接受”。螞蟻i首先按以下概率公式來計算向右和向下的概率，然后利用輪盤賭算法來決定螞蟻i選擇向右還是向下路徑。

具體地，當螞蟻位于頂點(x，y)時，選擇下一步移動方向的概率是：

(8)

其中：p(x，y，1)=[Tau(x，y，1)α][QFS(x，y，1)β]為螞蟻向右移動的概率，p(x，y，2)=[Tau(x，y，2)α][QFS(x，y，2)β]為螞蟻向下移動的概率，Tau(x，y，i)為信息素濃度，QFS(x，y，i)為啟發式信息，α和β兩個參數分別決定了信息素和啟發式信息的相對影響力。

輪盤賭選擇算法：其基本原理是根據上述概率公式的計算結果，給螞蟻的路徑選擇分配一塊扇形區域，該區域面積大小與選擇每條路徑的概率大小成正比。如果輪盤中心裝一個可轉動的指針，每次通過轉動指針進行選擇操作，顯而易見扇形面積越大，該路徑被選中的概率也越大。詳細操作步驟如下：

(1)計算螞蟻在頂點(x，y)時向右和向下的概率p(x，y，1)和p(x，y，2)；

(2)對p(x，y，1)和p(x，y，2)累積求和得到累積概率向量q；

(3)在[0，1]區間內產生一個均勻分布的偽隨機數r；

(4)若r

由于本文對子陣劃分方案的范圍做出了約束，所以在選擇路徑時優先考慮約束條件，在開始求一個子陣個數時，讓螞蟻先選擇向右路徑，以保證子陣的最少陣元個數。

在α和β的選取上，本文通過大量實驗仿真，最終設定α=0.7，β=0.5。

4)求子陣劃分方案和適應度函數值：

按照式方法將各螞蟻的路徑轉換為子陣劃分方案，然后采用MVDR算法進行子陣自波束形成，求各子陣劃分方案的輸出信干噪比：

(19)

其中：

(20)

適應度函數為：

Fit=Max{SINR}

(21)

5)信息素更新：

當一次迭代中所有螞蟻都構建好路徑后，更新各邊上的信息素。

Tau(x，y，i)=(1-ρ)Tau(x，y，i)+ΔTau(x，y，i)

(22)

其中：0<ρ≤1是信息素的蒸發率，ΔTau(x，y，i)為當前迭代所有的螞蟻在其經過的路徑上釋放信息素。

在利用適應度值更新信息素的過程中，本文未采用傳統蟻群算法的信息素更新公式，而是結合本文方法中信息素初始濃度和啟發式信息范圍，將ΔTau(x，y，i)范圍約束到[0，1]，設計了全新的信息素更新公式：

(23)

其中：f_m是本次迭代中第m只螞蟻的適應度值，f_max是本次迭代中最優適應度值，f_min是本次迭代中最小適應度值。當f_max與f_min相等時，ΔTau(x，y，i)=0。

3 仿真結果與分析

將不同規模的等距線陣劃分成8個子陣，如表1所示。

表1 子陣劃分參數

蟻群算法螞蟻個數為10，迭代次數設置為50，表征信息素重要程度的參數α=0.7，表征啟發式因子重要程度的參數β=0.5，信息素蒸發系數ρ=0.6，信息素增加強度系數Q=0.1。

期望信號和干擾信號均為窄帶信號，存在兩個干擾信號，入射方向分別為偏離線陣法向量-25°，35°，信噪比-10 dB，干噪比為40 dB，噪聲為平穩的零均值帶限高斯過程，噪聲、干擾、信號相互獨立。

3.1 均勻劃分產生柵零點分析

柵零點是指在非干擾方向出現零點，柵零點的出現會嚴重影響自適應波束形成的性能。下面給出柵零點的計算公式：

(24)

式中，d為陣元間距，kd為每個子陣中包含的陣元數，λ為信號的波長，θn為柵零點出現的位置，θi為干擾信號方向。由此可得當干擾出現的方向為θi時，相應的柵零點會出現在θn方向。

從式(24)可以看出，kd越大，柵零點個數越多，對于均勻子陣劃分的自適應波束形成性能的影響會越大，因為柵零點會落入主瓣概率越大，從而導致主瓣畸變。

由式(24)可以計算出，如果兩個干擾信號的入射方向分別為偏離線陣法向量-25°，35°，當64陣元平均分配到8個子陣時，在[-45°，45°]范圍內會在-42.2°，-9.9°，4.4°，19.1°產生柵零點，本文選取4.6°作為期望信號入射角度；當256陣元平均分配到8個子陣時，在[-20°，0°]范圍內會在-17°，-13°，-10°，-6°，-3°附近產生柵零點，本文選取-10°作為期望信號入射角度。

3.2 64陣元線陣仿真

基于蟻群算法的非均勻劃分的最終劃分方案為：[10，11，5，6，6，5，11，10]，仿真結果如圖8所示。

圖8 64陣元迭代曲線

圖8所示的迭代曲線記錄了每次迭代最優螞蟻的輸出信干噪比，從圖中可以看出本文所提算法可以在20次迭代到達穩定，收斂速度較快。

圖9為64陣元的全陣元、均勻劃分、蟻群算法最終劃分方案對應的波束形成方向圖，從圖中可以看出，基于蟻群算法的非均勻劃分對應的自適應波束形成方向圖與全陣元自適應波束形成方向圖接近，且無柵瓣、柵零點產生，而均勻劃分的自適應波束形成未在4.6°處形成主瓣，是因為在4.2°產生了柵零點，從而影響了主瓣增益。

圖9 64陣元三種方案的波束形成方向圖

圖10為在該子陣劃分方案下，輸入干噪比在[10 dB，90 dB]內，64陣元的全陣元、均勻劃分、蟻群算法非均勻劃分的輸出信干噪比，從圖中可以看出，基于蟻群算法的非均勻劃分的輸出信干噪比和全陣元的相近，隨著輸入干噪比的增大，輸出信干噪比穩定，且二者性能均優于均勻子陣劃分；而均勻劃分隨著輸入干噪比的增大，性能越來越差。

圖10 64陣元不同輸入干噪比下輸出信干噪比

圖11為在該子陣劃分方案下，期望信號的掃描角度在[-45°，45°]內，64陣元的全陣元、均勻劃分、蟻群算法非均勻劃分的輸出信干噪比，從圖中可以看出，當干擾信號和期望信號入射角度相同時，無論何種情況性能都會變得很差；均勻劃分會在-42°，-10°，4°，19°等位置附近產生柵零點，從而導致性能變差，而全陣元和蟻群算法非均勻劃分無此問題；當期望信號掃描到其他角度時，基于蟻群算法的非均勻劃分的輸出信干噪比與全陣元自適應波束形成相近，優于均勻劃分。

圖11 64陣元不同輸掃描角度下輸出信干噪比

3.3 256陣元線陣仿真

基于蟻群算法的非均勻劃分的最終劃分方案為：[31，36，31，30，30，31，36，31]，仿真結果如圖12所示。

從圖8和圖12對比可以看出，隨著陣元個數的增多，輸出信干噪比提高了近6 dB。

圖13為256陣元的全陣元、均勻劃分、蟻群算法最終劃分方案對應的波束形成方向圖，其中期望信號的入射角度為-10°，從圖中可以看出，基于蟻群算法的非均勻劃分對應的自適應波束形成方向圖無柵零點產生，而均勻劃分的自適應波束形成未在-10°處形成主瓣，而是在-10.2°產生了柵零點，從而影響了主瓣增益。

圖13 256陣元三種方案的波束形成方向圖

圖14為在該子陣劃分方案下，輸入干噪比在[10 dB，60 dB]內，256陣元的全陣元、均勻劃分、蟻群算法非均勻劃分的輸出信干噪比，從圖中可以看出，基于蟻群算法的非均勻劃分的輸出信干噪比和全陣元的相近，未隨陣列規模增大而變差，體現了算法的穩定性，且二者性能均優于均勻子陣劃分；而均勻劃分依舊隨著輸入干噪比的增大，性能越來越差。

圖14 256陣元不同輸入干噪比下輸出信干噪比

圖15為在該子陣劃分方案下，期望信號掃描角度在[-45°，45°]內，256陣元的全陣元、均勻劃分、蟻群算法非均勻劃分的輸出信干噪比，從圖11和圖15對比可以看出，隨著子陣內陣元數的增多，柵零點個數越多，對波束形成影響范圍更廣。

圖15 256陣元不同掃描角度下輸出信干噪比

通過以上分析，基于蟻群算法的非均勻子陣劃分方法在不同規模，不同輸入干噪比，不同期望信號掃描角度下都能取得很好的效果，與全陣元的自適應波束形成性能相近，優于均勻劃分，同時達到了降低硬件成本和計算復雜度目的，提高了波束形成的效率和穩定性。

4 結束語

大型陣列的自適應波束形成技術是無人機測控抗干擾領域的一種重要手段。針對大型陣列自適應波束形成硬件開銷大，算法復雜度高，收斂速度慢等問題，本文提出了一種基于蟻群算法的非均勻子陣劃分技術。通過仿真分析可知，在不同陣列規模下，本文所提的改進蟻群算法能夠在20次迭代內達到收斂，自適應波束形成性能與全陣元相近，且沒有柵零點產生；在不同的輸入干噪比下，基于蟻群算法的非均劃分與全陣元自適應波束形成的輸出信干噪比相近，優于均勻劃分最高達32 dB(64陣元)、23 dB(256陣元)；在不同期望信號掃描角度下，基于蟻群算法的非均劃分與全陣元的自適應波束形成輸出信干噪比相近，優于均勻劃分方法。綜上，本文所提基于蟻群算法的非均勻子陣劃分方法能夠有效避免柵零點，自適應波束性能與全陣元相近，能夠有效降低大型陣列空域抗干擾實現的硬件成本和計算復雜度，對工程實踐有一定的參考意義。