通常,在实际的应用中,大型天线阵列具有较大的阵列孔径和较高的分辨率,但因其成本较高,往往采用稀疏阵列来降低建造成本的同时并保持其孔径不变和具有优良的旁瓣性能。由于天线阵列的相对旁瓣电平和阵元位置存在非线性关系;因为对非线性关系求最优值问题,通常用其他优化算法较难求解,所以研究采用智能算法求解是一条值得探索的可行路径。本文的研究目标是:在给出不同阵列构型下,如何通过智能算法选取适当的阵元位置来布置阵列,使得阵列的相对旁瓣电平得到最大幅度地降低。由于智能算法在优化过程中具有较慢的收敛速率、易陷入局部最优解的特点,本文对目标问题的求解从降低该特点作用入手,以实现全局性的相对旁瓣电平和阵元位置的最优值求解。本文的主要工作和创新点如下:1)对国内外利用智能算法对阵列稀疏优化的研究现状进行概述。2)阐述作为本文理论基础的阵列天线基础理论及稀疏优化布阵的数学模型;讨论和分析阵列的阵型构造对相对旁瓣电平的影响及阵元位置的最优布置问题;对阵列天线几种重要的性能指标与阵列参数之间的关系,进行仿真分析。3)本文中提出了一种混合智能算法——改进生物地理学算法(MBBO),即在生物地理学算法中引入遗传算法的交叉和变异的思想,通过这种思想来增加算法的优化速度和种群的多样性;然后采用该算法优化稀疏阵列,并与遗传算法、FFT算法等进行对比,得到该算法比遗传算法等具有更快的收敛速度,不易陷入局部最优解,稳定性好且应用范围广泛等。提出一种不完全非对称稀疏阵列优化模型,即在阵列的阵中心轴两侧均匀布置一定数目的阵元,然后将其他的阵元随机布置在剩下的位置上,来降低优化过程中所需时间;然后用智能算法对不完全非对称阵列、对称阵列和非对称阵列三种模型进行优化对比;通过仿真验证,不完全非对称阵列模型所需优化时间在对称阵列与非对称阵列之间;获得比两者都低的旁瓣电平,并具有更好的稳定性和扫描特性。4)从线阵的稀疏优化扩展到面阵的稀疏优化,利用提出的混合遗传生物地理学算法优化平面阵列的阵元位置分布,使得相对旁瓣电平得到良好的改善。