Dairesel Anten Dizileri (CAA), çok yönlü demet tarama yetenekleri nedeniyle modern kablosuz iletişim sistemlerinde çok önemli bir rol oynamaktadır. Ancak, bu dizilerin bastırılmış SLL ve dar HPBW elde edecek şekilde sentezlenmesi, elektromanyetik girişimi en aza indirmek için gerekli olan karmaşık bir optimizasyon problem olmaya devam etmektedir. Bu çalışmada, düzgün olmayan CAA'ların optimum sentezi için yeni bir biyo-tabanlı metasezgisel yaklaşım olan Elektrikli Yılan Balığı Yiyecek Arama Optimizasyonu (EEFO) algoritması uygulanmıştır. Elektrikli yılan balıklarının zeki avlanma davranışlarından esinlenen EEFO algoritması, optimum uyarma genliklerini ve eleman konumlarını belirlemek için kullanılmıştır. Önerilen yöntemin etkinliğini ve esnekliğini değerlendirmek için 8, 10 ve 12 elemandan oluşan üç farklı dizi konfigürasyonu incelenmiştir. EEFO ile elde edilen simülasyon sonuçları, literatürde iyi bilinen Genetik Algoritma (GA) ve Parçacık Sürü Optimizasyonu (PSO) ile mukayese edilmiştir. Karşılaştırmalı analiz, EEFO algoritmasının, özellikle SLL bastırma açısından bu geleneksel yöntemlerden önemli ölçüde daha iyi performans gösterdiğini ve anten dizisi tasarımı için güçlü bir araç olduğunu kanıtlamaktadır.
Circular Antenna Arrays (CAAs) play a pivotal role in modern wireless communication systems due to their versatile beam-scanning capabilities. However, synthesizing these arrays to achieve suppressed Side Lobe Levels (SLL) and narrow Half Power Beam Widths (HPBW) remains a complex optimization challenge essential for minimizing electromagnetic interference. In this study, a novel bio-inspired metaheuristic approach, the Electric Eel Foraging Optimization (EEFO) algorithm, is applied to the optimum synthesis of non-uniform CAAs. Inspired by the intelligent hunting behavior of electric eels, the EEFO algorithm is utilized to determine the optimal excitation amplitudes and element positions. To evaluate the efficacy and robustness of the proposed method, three distinct array configurations consisting of 8, 10, and 12 elements are investigated. The simulation results obtained via EEFO are rigorously benchmarked against well-established algorithms, specifically Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). The comparative analysis demonstrates that the EEFO algorithm significantly outperforms these conventional methods, particularly in terms of SLL suppression, proving its effectiveness as a robust tool for antenna array design.