[发明专利]基于正交学习粒子群的功率电路元件优化方法

摘要

本发明使用一种带变异策略的正交学习粒子群算法对功率电子电路的最优元件设计进行优化，属于功率电子技术和计算智能领域。首先设计了一种基于“正交组合方式”产生一个新的最佳学习对象的方法，用于挖掘粒子群算法中粒子个体历史最优解和种群全局最优解的信息并组合出一个能够引导粒子向更好方向进化的学习对象；其次是设计了一个能够增强算法多样性的变异算子，避免了算法容易落入局部最优的缺陷。本发明将电路的所有元件作为需要优化的变量编码为算法的个体，通过粒子群算法速度更新、位置更新、变异操作以及最佳学习对象更新等具体优化过程对电路元件的取值进行优化，在目前大规模电路设计与优化领域具有重要的应用价值。

主权项

一种基于带变异算子的正交学习粒子群算法优化功率电子电路元件的方法，其特征在于通过设计正交学习策略和变异算子避免算法容易落入局部最优的缺陷，该技术方法包括以下步骤：(1)初始化正交学习粒子群算法的参数，并随机N个粒子，每个粒子i的位置和速度编码分别表示为Xi＝[xi1，xi2，...，xiD]和Vi＝[vi1，vi2，...，viD]；其中D为编码长度，与电路的元件数量相同；位置Xi中每一维的值表示该维电路元件的取值；速度表示位置的变化情况；评估所有粒子的适应值，令粒子i的历史最优位置Pi＝[pi1，pi2，...，piD]为当前位置Xi，整个种群的全局最优位置G＝[g1，g2，...，gD]为所有历史最优位置Pi中最好的那个，同时设置每个粒子i的最佳学习对象Oi＝[oi1，oi2，...，oiD]为当前的个体历史最优位置Pi，最佳学习对象失效代数ti＝0；(2)对每个粒子i，借助其最佳学习对象Oi对速度Vi进行更新；对于Vi的每一维vid，其中1≤d≤D，相应的更新公式为：vid＝ω×vid+c×r×(oid‑xid)；其中ω为0.5，c为2.0，r为区间[0，1]之间的随机数；(3)对每个粒子i，使用位置更新公式更新其当前位置，对于Xi的每一维xid，其中1≤d≤D，相应的更新公式为：xid＝xid+vid；(4)使用变异策略对粒子i更新后的位置Xi进行变异，增强算法的多样性；(5)对粒子i更新变异后的位置Xi进行适应值的评估，如果新的适应度函数值比其历史最优位置Pi的适应度函数值更好，则将Pi设置为Xi，并将粒子i的最佳学习对象失效代数ti设为0，否则将粒子i的最佳学习对象失效代数ti设为ti+1；另外，判断新的Pi是否比种群的全局最优位置G更优，如果是，则将G替换为Pi；(6)对于粒子i，如果其最佳学习对象失效代数ti超过预设的阈值，本发明方案中取值为5代，则采用“正交组合方式”产生一个新的最佳学习对象，并将ti设为0；(7)反复执行以上步骤(2)、(3)、(4)、(5)和(6)直到满足终止条件，则全局最优位置G所代表的解中每一维的取值为相应的电路元件取值。