CN101207323A - 基于蚁群算法的功率电子电路优化方法 - Google Patents
基于蚁群算法的功率电子电路优化方法 Download PDFInfo
- Publication number
- CN101207323A CN101207323A CNA2007100326557A CN200710032655A CN101207323A CN 101207323 A CN101207323 A CN 101207323A CN A2007100326557 A CNA2007100326557 A CN A2007100326557A CN 200710032655 A CN200710032655 A CN 200710032655A CN 101207323 A CN101207323 A CN 101207323A
- Authority
- CN
- China
- Prior art keywords
- node
- pheromones
- value
- ant
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 239000003016 pheromone Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 11
- 230000008020 evaporation Effects 0.000 claims description 5
- 238000001704 evaporation Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 3
- 241000257303 Hymenoptera Species 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Landscapes
- Manipulator (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于蚁群算法的功率电子电路优化方法,涉及智能计算和功率电子两大领域。该方法将功率电子电路的各个元件的可能取值离散化为一系列的标称值,再将其映射到一个蚁群算法优化电路的构造图中。运用蚁群算法在构造图中选出最佳路径,也就是选出最优的元件取值以满足要求的电路性能。蚁群算法十分适用于离散的组合优化问题,因此可以快速有效地优化功率电子电路。该方法的优化结果为各个元件的标称值,因此可以直接运用到实际生产当中,不需要任何的近似。
Description
技术领域:
本发明涉及智能计算和功率电子两大领域,主要涉及电路的自动优化和设计。
技术背景:
功率电子广泛应用于各个领域,如:电源系统、照明系统和电动汽车等。近三十年来,小信号模型在功率电子电路的设计中得到广泛应用。由于在大信号条件下,功率电子电路的实际响应会严重偏离小信号线性模型的预测响应,这为功率电子电路的设计和优化工作带来了困难。为此,自动设计的需求也越来越强烈。二十年前,一些功率电子的自动化设计方法开始出现。这些方法融合了启发式学习、知识库、 模拟退火等优化算法。经典的优化技术,如梯度算法和爬山方法也被采用。然而,这些方法往往容易落入局部极小值的陷阱,导致优化结果不理想。同时,由于传统的设计优化方法计算得到的优化选取值在实际生产中无法找到相对应的标称值元件,因此,不能实现真正的自动设计和优化。
随着现代随机优化技术的不断发展,出现了如蚁群算法这样的优化计算技术。蚁群算法是一种新型的模拟进化算法,通过模拟自然界中真实的蚂蚁搜索食物源的行为来求解很多组合优化问题。在自然世界里,蚂蚁通过释放信息素来进行个体之间的交流,可以在蚁巢和食物之间找到一条最短的路径。由于蚁群算法本身具有的正反馈性、并行性、强收敛性以及鲁棒性,使得其在组合优化问题中有很好的表现,如旅行商问题、调度问题、二次分配问题等。与其它的元启发式算法相比,蚁群算法具有较强的全局搜索能力和寻优能力,解的质量稳定并具有更高的搜索效率。因此,十分适合于功率电子电路设计这样的优化问题。
发明内容:
本发明将蚁群算法运用到功率电子电路的优化设计中,该方法的优点在于:1、对于功率电子电路的元件组合优化问题,蚁群算法能够快速稳定地找到最优解。2、该方法优化出的元件取值都是在实际中可以直接取得的元件标称值,因此可以直接用于工业生产不需要任何的近似。
运用蚁群算法优化设计功率电子电路的具体步骤包括:
1)将功率电子电路中的每个元件取值离散化为一系列的标称值,并将这些值映射到一个蚁群算法优化功率电子电路的构造图中。其中,每个元件都用一个列表表示,表中的每一个节点代表该元件的一个可能取得的标称值。其中每一个节点还被赋予了一定的信息素,用于指引蚂蚁的搜索。
2)初始化每个节点的信息素为一个初始值τo,初始化NP个蚂蚁用于搜索最佳的元件取值组合,设置循环次数G=1。
3) 让每只蚂蚁根据节点上的信息素大小依次为每个元件选取一个标称值,从而形成一条路径。蚂蚁选择元件j的节点Cj[i]的概率为
其中τji表示元件j的第i个节点上的信息素。N为该元件的节点总数,也就是可能取得的标称值数,在第N+1个节点中保存的是历代最优路径上的取值,这使得最优值能对整个搜索产生更大的影响。因此,在整个选择的过程中,信息素越大的节点被选择的概率就越高,相反信息素越小的节点被选择的机会越小。
4)当所有蚂蚁都构造完路径之后,将这些路径的元件取值代入电路中进行仿真,计算出输出电压的建立瞬态波形。根据一个评估函数Φ评估每个路径的结果,得到的函数值越大,证明该路径越好。其中Φ定义为:
其中,Pn表示第n个蚂蚁的路径。vin和RL分别为输入电压和负载值,Vin,max和Vin,min为输入电压的最大和最小值,RL,max和RL,min为负载的最大和最小值,δvin和δRL分别为改变输入电压和负载的步长。OF1,OF2,OF3,OF4分别如下定义。
OF1用于评估在输出电压的稳定状态误差。定义一个方差累积方程E2,用以评估输出电压vo与参考电压vref在Ns个仿真点的接近程度
如果E2的取值较小,则稳定状态误差小,OF1会较大。公式OF1的定义如下
其中,K1是OF1能达到的最大值,K2用以调整OF1对E2的敏感度。
OF2用于评估在启动期间输出电压的建立时间,最大的过冲和下冲。OF4用于评估电路在输入电压和输出电阻扰动时的动态性能。在启动或外部扰动期间,将会出现一个瞬时响应vd,其中
vd=vref-vo
OF2和OF4用以评估vd,包括1)最大过冲,2)最大下冲,3)在启动或扰动期间,响应的建立时间。OF2和OF4的基本形式可以表示如下
OF2=OV(RL,vin,Pn)+UV(RL,vin,Pn)+ST(RL,vin,Pn)
其中NT是在性能测试中输入和负载扰动的次数。
在以上的公式中,OV,UV和ST是最小化最大过冲,最大下冲和vd建立时间的目标函数。它们如下定义:
其中,K3是这个目标函数可以达到的最大值,Mp0。是最大过冲,Mp是实际的过冲,K4是通带常数。
其中,K5是这个目标函数可以达到的最大值,Mv0。是最大下冲,Mv是实际的下冲,K6是通带常数。
其中,K7是这个目标函数可以达到的最大值,Ts0是一个常数,Ts是实际的建立时间,K8用于调整敏感度。Ts定义为vd落入α±σ%通带中的建立时间。也就是,
|vd(t)|≤0.01σ,t≥Ts
OF3用评估输出电压上的稳定波纹电压。vo上的纹波电压必须在预期输出vo,exp附近的±Δvo限度以内。在OF3中衡量染色体CPn的方法是计算在NS个仿真点中,vo超出vo,exp±Δvo的仿真点个数。OF3定义如下
其中,K9是OF3能达到的最大值,K10是衰减常数,A1是超出允许边带的仿真点个数。可见,当A1增加的时候,OF3减小。
5)更新节点上的信息素,对于较好的m条路径上的节点,更新公式为
τji=α×τji+β×Δτ
其中,α为蒸发系数,β为控制信息素增加的系数,Δτ为信息素增加的单位值。对于最好的路径β=m,第二好的路径β=m-1,以此类推。
对于其余较差的路径,只对这些路径上节点的信息素进行蒸发
τji=α×τji
设置节点上的信息素最小值为τmin,当节点上的信息素降低到τmin时,将不再对该节点进行信息素的蒸发。
6)对蚂蚁选择的历代最佳路径进行一个随机局部搜索更新,对其元件取值在一个限定的范围内进行局部搜索。对于第i个元件,其搜索半径为Ri,在对最优路径进行局部搜索时,将每个元件原来的取值改变为搜索半径内的另一个标称值,并对新的路径进行评估。
若新的路径优于原路径,则用新的路径代替原最佳路径,并加大所有节点的搜索半径Ri=Ri/shrink,其中shrink∈(0,1)为缩放系数。
若新的路径差于原路径,则保持原路径不变,并减小所有节点的搜索半径Ri=Ri×shrink。
7)G=G+1,如果G>Gmax,其中Gmax为最大迭代次数,则结束整个程序并输出最优的元件取值。否则,返回步骤3)。
本发明的原理是,让蚂蚁为功率电子电路的元件进行自动的取值。让蚂蚁根据信息素选择元件标称值以构造路径,运用评估函数对路径进行评估,对较好的路径上的信息素进行加强,对较差的路径上的信息素进行减弱。那么,在下一次迭代中,蚂蚁就会倾向于选择较好路径上的节点。经过多次的迭代,蚂蚁就会逐渐汇拢到最佳的路径上,从而找到最优的元件取值组合。
附图说明:
图1降压变换器的原理图
图2蚁群算法优化功率电子电路的构造图
图3蚁群算法优化功率电子电路的流程图
具体实施方式:
以下,结合附图,通过将本发明应用于一个降压转换器的优化设计中,从而对本发明作进一步的描述。该降压转换器的原理图如图1所示。我们首先将待优化的元件L,C,R1,R2,RC3,R4,C2,C3,和C4的取值离散化为一系列的元件标称值,并将其映射到一个蚁群算法优化功率电子电路的构造图中,如图2所示。其中,每个元件的取值都设有上下限,100μH≤L≤300μH,500μF≤C≤1500μF,600Ω≤R1≤60kΩ,30kΩ≤R2≤3MΩ,470Ω≤RC3≤47kΩ,100Ω≤R4≤10kΩ,0.2μF≤C2≤20μF,0.33μF≤C3≤33μF,0.18μF≤C4≤18μF,元件的所有可能取得的标称值都在规定的上下限内,并且参照常见的电感、电容和电阻标称值进行设置。按照流程图执行蚁群算法的优化,如图3所示。其中,蚁群算法的参数设置为:最大迭代次数Gmax=200,蚂蚁的总数NP=30,信息素的初始值τ0=1,蒸发系数α=0.5,信息素增加的单位值Δτ=0.5,信息素的最小值τmin=0.1,搜索半径的缩放系数shrink=0.8,信息素加强的路径数m=3。在评估函数Φ中的参数如下设置。每个评估函数能达到的最大值选择为2。于是,K1,K3,K5,K7,和K9均等于2。其它的系数如下确定。
1)OF1:由于这个目标函数控制稳定状态的输出,要求必须十分严格。如果在中NS个样本的稳定状态值与预期输出有5%的偏离,OF1就都等于0.2(最大值的10%)。其中NS取值等于15000。于是根据OF1的定义,可以得出K2=400。
2)OF2和OF4:OV和UV中的参数用同样的方式确定。在扰动期间,Mpo和Mvo选为vref+1V。如果实际的过冲和下冲Mp和Mv大于vref,OV和UV将会小于0.2。于是,根据OV和UV的定义,我们可得K4=K6=0.455。当建立时间TS是30ms时,ST的取值为0.2。我们设TS0的取值为(20ms+30ms)/2=25ms。于是,根据ST的定义式,我们可得K8=2.28ms。
3)OF3:这个目标函数是保证输出电压在±1%的规定边带之内。一个非常严格的设计是,当所有的样本的输出电压都有0.1%在允许边带以外时,令OF3等于0.2。于是根据OF3的定义,可以得出K10=32。
运用本发明优化设计的结果,电路的启动时间将从运用传统算法的20ms缩短到5ms,稳定状态误差为零,而且不会出现过冲和下冲,输出电压上的波纹电压也同时小于±1%。
Claims (5)
1.一种基于蚁群算法的功率电子电路优化方法,其特征在于,该方法包括以下步骤:
1)将功率电子电路中的每个元件取值离散化为一系列的标称值,并将这些值映射到一个蚁群算法优化功率电子电路的构造图中。
2)初始化每个节点的信息素为一个初始值τo,初始化NP个蚂蚁用于搜索最佳的元件取值组合,设置循环次数G=1。
3)让每只蚂蚁根据节点上的信息素大小依次为每个元件选取一个标称值,从而形成一条路径。在选择的过程中,信息素越大的节点被选择的概率就越高,相反信息素越小的节点被选择的机会越小。
4)当所有蚂蚁都构造完路径之后,将这些路径的元件取值代入电路中进行仿真,计算出输出电压的建立瞬态波形。根据一个评估函数Φ评估每个路径的结果,得到的函数值越大,证明该路径越好。
5)更新节点上的信息素。对于较好的m条路径上的节点的信息素进行加强,对其余路径上节点的信息素进行减弱。
6)对蚂蚁选择的历代最佳路径进行一个局部搜索更新。
7)G=G+1,如果G>Gmax,其中Gmax为最大迭代次数,则结束整个程序并输出最优的元件取值。否则,返回步骤3)。
2.基于权利要求1所述的一种基于蚁群算法的功率电子电路优化方法,其特征在于:所述步骤1)中的构造图中,每个元件都用一个列表表示,表中的每一个节点代表该元件的一个可能取得的标称值。其中每一个节点还被赋予了一定的信息素,用于指引蚂蚁的搜索。
3.基于权利要求1所述的一种基于蚁群算法的功率电子电路优化方法,其特征在于:所述步骤3)中,蚂蚁选择元件j的节点Cj[i]的概率为
其中τji表示元件j的第i个节点上的信息素。N为该元件的节点总数,也就是可能取得的标称值数,在第N+1个节点中保存的是历代最优路径上的元件的取值,这使得最优值能对整个搜索产生更大的影响。
4.基于权利要求1所述的一种基于蚁群算法的功率电子电路优化方法,其特征在于:所述步骤5)中,信息素的更新方法为
对于较好的m条路径上的节点,更新公式为
τji=α×τji+β×Δτ
其中,α为蒸发系数,β为控制信息素增加的系数,Δτ为信息素增加的单位值。对于最好的路径β=m,第二好的路径β=m-1,以此类推。
对于其余较差的路径,只对这些路径上节点的信息素进行蒸发
τji=α×τji
设置节点上的信息素最小值为τmin,当节点上的信息素降低到τmin时,将不再对该节点进行信息素的蒸发。
5.基于权利要求1所述的一种基于蚁群算法的功率电子电路优化方法,其特征在于:所述步骤6)中,在对最优路径进行局部搜索时,将每个元件原来的取值改变为其搜索半径内的另一个标称值,其中对于最佳路径上的第i个元件,其搜索半径为Ri。
对新的路径进行评估。
若新的路径优于原路径,则用新的路径代替原最佳路径,并加大所有节点的搜索半径Ri=Ri/shrink,其中shrink∈(0,1)为缩放系数。
若新的路径差于原路径,则保持原路径不变,并减小所有节点的搜索半径Ri=Ri×shrink。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100326557A CN100574062C (zh) | 2007-12-20 | 2007-12-20 | 基于蚁群算法的功率电子电路优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100326557A CN100574062C (zh) | 2007-12-20 | 2007-12-20 | 基于蚁群算法的功率电子电路优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101207323A true CN101207323A (zh) | 2008-06-25 |
CN100574062C CN100574062C (zh) | 2009-12-23 |
Family
ID=39567280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100326557A Expired - Fee Related CN100574062C (zh) | 2007-12-20 | 2007-12-20 | 基于蚁群算法的功率电子电路优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100574062C (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526752B (zh) * | 2009-01-13 | 2011-05-11 | 上海微电子装备有限公司 | 自调整式曝光路径规划方法 |
CN102447259A (zh) * | 2010-12-24 | 2012-05-09 | 江苏赤那思电力科技有限公司 | 基于优化电容投切方法 |
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
CN102573027A (zh) * | 2011-12-21 | 2012-07-11 | 北京邮电大学 | 基于蚁群优化的离散功率控制方法 |
WO2014023268A1 (zh) * | 2012-08-10 | 2014-02-13 | 北京邮电大学 | 用于灵活栅格光网络全局优化的系统架构及其全局优化方法 |
CN103810322A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于最优适应启发式序列与组织进化的集成电路布图方法 |
CN107039051A (zh) * | 2016-02-03 | 2017-08-11 | 重庆工商职业学院 | 基于蚁群优化的基音频率检测方法 |
CN110086350A (zh) * | 2019-05-30 | 2019-08-02 | 南京邮电大学 | 一种基于模拟退火-爬山混合算法的隔离型双向dc-dc效率优化方法 |
CN113556728A (zh) * | 2021-06-07 | 2021-10-26 | 北京邮电大学 | 基于复合信息素浓度场蚁群算法的Ad hoc网络路由 |
-
2007
- 2007-12-20 CN CNB2007100326557A patent/CN100574062C/zh not_active Expired - Fee Related
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526752B (zh) * | 2009-01-13 | 2011-05-11 | 上海微电子装备有限公司 | 自调整式曝光路径规划方法 |
CN102447259A (zh) * | 2010-12-24 | 2012-05-09 | 江苏赤那思电力科技有限公司 | 基于优化电容投切方法 |
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
CN102573027A (zh) * | 2011-12-21 | 2012-07-11 | 北京邮电大学 | 基于蚁群优化的离散功率控制方法 |
CN102573027B (zh) * | 2011-12-21 | 2015-07-01 | 北京邮电大学 | 基于蚁群优化的离散功率控制方法 |
WO2014023268A1 (zh) * | 2012-08-10 | 2014-02-13 | 北京邮电大学 | 用于灵活栅格光网络全局优化的系统架构及其全局优化方法 |
CN103810322A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于最优适应启发式序列与组织进化的集成电路布图方法 |
CN103810322B (zh) * | 2013-12-24 | 2017-01-25 | 西安电子科技大学 | 基于最优适应启发式序列与组织进化的集成电路布图方法 |
CN107039051A (zh) * | 2016-02-03 | 2017-08-11 | 重庆工商职业学院 | 基于蚁群优化的基音频率检测方法 |
CN110086350A (zh) * | 2019-05-30 | 2019-08-02 | 南京邮电大学 | 一种基于模拟退火-爬山混合算法的隔离型双向dc-dc效率优化方法 |
CN113556728A (zh) * | 2021-06-07 | 2021-10-26 | 北京邮电大学 | 基于复合信息素浓度场蚁群算法的Ad hoc网络路由 |
CN113556728B (zh) * | 2021-06-07 | 2023-09-22 | 北京邮电大学 | 基于复合信息素浓度场蚁群算法的Ad hoc网络路由 |
Also Published As
Publication number | Publication date |
---|---|
CN100574062C (zh) | 2009-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100574062C (zh) | 基于蚁群算法的功率电子电路优化方法 | |
Shen et al. | Multiobjective fault-tolerant control for fuzzy switched systems with persistent dwell time and its application in electric circuits | |
Ling et al. | A novel genetic-algorithm-based neural network for short-term load forecasting | |
Siano et al. | Designing fuzzy logic controllers for DC–DC converters using multi-objective particle swarm optimization | |
Mollaee et al. | A novel adaptive cascade controller design on a buck–boost DC–DC converter with a fractional‐order PID voltage controller and a self‐tuning regulator adaptive current controller | |
Liao et al. | Multi-objective optimization by reinforcement learning for power system dispatch and voltage stability | |
CN114221553B (zh) | 一种基于模型预测控制的dab变换器控制方法及系统 | |
Sun et al. | Optimal tracking control of switched systems applied in grid-connected hybrid generation using reinforcement learning | |
CN116169857B (zh) | 一种级联式开关电路的电压控制方法及装置 | |
Wang et al. | An intelligent system for automatic selection of dc-dc converter topology with optimal design | |
Chen | Many-objective adaptive fuzzy with sliding mode control for a class of switching power converters using global optimization | |
Kottas et al. | Fuzzy cognitive networks for maximum power point tracking in photovoltaic arrays | |
Mao et al. | Review and Selection Strategy for High‐Accuracy Modeling of PWM Converters in DCM | |
CN101252308A (zh) | 基于并行蚁群算法的功率电子电路优化方法 | |
Zhan et al. | Orthogonal learning particle swarm optimization for power electronic circuit optimization with free search range | |
Badis et al. | Cascade Control of Grid‐Connected PV Systems Using TLBO‐Based Fractional‐Order PID | |
Aghili-Ashtiani et al. | Introducing the fuzzy relational hybrid model as a building block for intelligent modeling of hybrid dynamical systems | |
Shukla et al. | Optimisation of PI controller for design and modelling of Cuk, forward, and SEPIC converter | |
Mirwald et al. | Learning-Based Control for Hybrid Battery Management Systems | |
Delgado-Antillón et al. | Optimized design of a quadratic boost converter based on the R 2 P 2 principle | |
Xue | An Intelligent System for Automatic Selection of DC-DC Converter Topology with Optimal Design | |
Fernandez-Serantes et al. | Hybrid Intelligent Model for Switching Modes Classification in a Half-Bridge Buck Converter | |
Drgona et al. | Recursive–iterative identification method for power converters | |
Subramanyam et al. | A dual layered PSO algorithm for evolving an artificial neural network controller | |
Vadi et al. | Performance Enhancement of SMC Based Buck Converter under Variable Conditions by Particle Swarm Optimization Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091223 Termination date: 20161220 |
|
CF01 | Termination of patent right due to non-payment of annual fee |