CN109614224A - 一种功率电子电路优化方法 - Google Patents

Abstract

本发明公开了一种功率电子电路优化方法，包括步骤：初始化数据，将N个原始个体分发到从进程，从进程接收原始个体，计算其适应值并发送回主进程；接收适应值，得到分发表并更新最优解；变异操作得到变异个体、利用变异个体和原始个体进行交叉操作，得到交叉个体；根据分发表分发全部交叉个体到从进程，从进程接收后计算个体适应值并发送回主进程，每隔U代更新分发表；选择更新下一代个体并更新最优解；反复执行步骤S4‑S7直到当前进化代数等于最大进化代数，输出此时的最优解。本发明基于负载均衡机制，大量减少算法耗时的同时，克服计算资源不均衡的问题，在解决当前功率电子电路优化问题上有重要的应用价值。

Description

一种功率电子电路优化方法

技术领域

本发明涉及计算智能和功率电子技术两个领域，特别涉及一种基于负载均衡分布式差分进化的功率电子电路优化方法。

背景技术

功率电子电路能实现对电能的变换和控制，使得电能以合适的形式给负载供给能量。按照电能变换功能分类，功率电子电路有整流电路、逆变电路、交流变换电路和直流变换电路四类，其在一般工业、电力系统、交通运输和家用电器有着广泛的应用，与生产生活息息相关。功率电子电路由诸多元器件组成，其中需要优化设计的元器件一般是电阻器、电容器和电感器。通过对以上元器件的优化来保证电路有更好的性能。

然而随着生产发展，功率电子电路规模越来越大，种类也多种多样，这给电路优化设计带来了诸多困难，原有的传统优化方法捉襟见肘。于是一些进化算法，比如遗传算法、蚁群算法和粒子群算法等被应用到功率电子电路的优化中，也取得了一定的成效。但是在实际应用中，找到更优的元器件取值需要消耗大量的计算，而且以上算法在一定程度上来说缺少多样性，容易落入局部最优，从而得到次优的元器件值。对于差分进化算法，其算法的变异操作能够产生一个基于当前解的随机扰动，使得算法具有较好的多样性，不容易落入局部最优，但是耗时过多的问题仍然没有解决。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种功率电子电路优化方法，此方法可快速而稳定地得出最优解。

本发明的目的通过以下的技术方案实现：

一种功率电子电路优化方法，包括以下步骤：

S1、主进程初始化数据，随机生成种群及N个原始个体X_i，i＝1,2,3,…,N；

S2、将种群的N个原始个体X_i分发到从进程，从进程接收原始个体，计算其个体适应值并发送回主进程；

S3、主进程接收并记录原始个体的适应值，计算得到分发表L并更新最优解 B；

S4、主进程通过对原始个体X_i进行变异操作得到N个变异个体M_i；

S5、主进程利用变异个体M_i和原始个体X_i进行交叉操作，得到交叉个体C_i；

S6、主进程根据分发表L分发全部交叉个体C_i到从进程，从进程接收后计算个体适应值并发送回主进程，主进程接收并记录适应值后，每隔U代更新分发表 L，分发表更新代数U为旧分发表L的存活周期，是考虑到每隔U代进程的计算速度可能会不同而设计的，以此来保证分发表L的可靠性；

S7、在原始个体X_i和交叉个体中选择更新，在C_i和X_i中选出适应值更大个体作为下一代，得到下一代个体X_i的种群，并更新最优解B；

S8、反复执行步骤S4-S7直到当前进化代数等于最大进化代数，输出此时的最优解B＝[b₁,b₂,...,b_D]，其里面每个维度的取值b_d为相应的第d个电路元器件的优化值。

优选的，所述步骤S1中初始化的数据包括种群规模N，缩放因子F，交叉概率CR，当前进化代数g，最大进化代数G，分发表更新代数U；随机生成N 个个体，每个个体X_i＝[x_i,1,x_i,2,...,x_i,D]是D维向量，D与电路的元器件个数相同， X_i中的每一个维度的x_i,d表示对应元器件的取值。

优选的，所述步骤S2中分发方式为：主进程先平均地向K个从进程分发N个个体，K/N有余数r，则分发[K/N]+1个个体到1～r号从进程，分发[K/N]个个体到 r+1～K号从进程。

优选的，所述步骤S2中，计算个体适应值的函数定义为：

其中，R_{L_min}、R_{L_max}和ΔR_L，v_{in_min}、v_{in_max}和Δv_in分别代表功率电子电路的负载R_L和输入电压v_in的最小值、最大值和变化步长；f₁-f₄是由电路工程师制定的电路评价标准：f₁用来评估输出电压v_o的误差率，误差越小f₁越大；f₂用来评估系统启动和受到扰动后建立稳定电压的时间，建立越快f₂越大；f₃用来评估输出电压v_o的稳压情况，越稳定f₃越大；f₄用来评估系统在大信号条件下的动态行为。四个函数都是值越大越好，故个体X_i的适应值f(X_i)越大代表其构成的电路会有更好的性能。

优选的，所述步骤S3计算得到分发表L具体步骤为：根据发送和接收的时间戳，得到每个从进程计算耗时t_k＝t_{k_receive}-t_{k_send}，从而得到计算速度比 v₁:v₂:...:v_K＝(1/t₁):(1/t₂):...:(1/t_K)，根据速度比用整数比例分配法得到分发表 L＝[l₁,l₂,...,l_K]，l_k都是整数，它们的和等于N，因此分发比例一般不等于速度比但近似于速度比。

优选的，所述步骤S4变异操作的公式如下：

M_i＝X_r1+F(X_r2-X_r3)

其中F是缩放因子，r1、r2、r3是在[1,N]之间的随机整数。

优选的，所述步骤S5中个体每个维度的交叉公式如下：

其中c_i,d、m_i,d和x_i,d分别是C_i、M_i和X_i的第d维元素，rp是[0,1]的随机数， CR是交叉概率，d_r是[1,D]的随机整数，用来确保至少有一个维度被变异维度替换。

优选的，所述步骤S6中更新分发表的具体步骤为：主进程接收并记录适应值后，若当前进化代数能被U整除，则根据发送和接收的时间戳来得到每个进程的计算耗时t_k＝t_{k_receive}-t_{k_send}，再根据当前分发表L＝[l₁,l₂,...,l_K]得到每个进程的计算速度比v₁:v₂:...:v_K＝(l₁/t₁):(l₂/t₂):...:(l_K/t_K)，并按照这个比例用整数比例分配法更新分发表L'＝[l₁',l₂',...,l_K']，l_k'均为整数，其和为N。

优选的，所述步骤S7的原始个体X_i和交叉个体中选择更新机制如下：

其中g表示当前进化代数；

当前最优解B为适应值最大的个体X_i|(g+1)。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明基于差分进化算法，能在稳定地找到最优解的情况下，通过消息传递接口把计算任务分配到分布式计算结构上，大量减少了算法耗时。

2、本发明通过负载均衡机制，克服计算资源不均衡的问题，把计算任务合理分配到集群各个从进程，避免计算速度快的进程长时间等待计算速度慢的进程而浪费计算资源，进一步缩短算法耗时。

附图说明

图1为本发明一种功率电子电路优化方法的功率电子电路示意图。

图2为本发明一种功率电子电路优化方法的分布式拓扑图。

图3为本发明一种功率电子电路优化方法的流程图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图详细描述本发明提供的实施例，但本发明的实施方式不限于此。

实施例

如图1-3所示，本实施例为一种功率电子电路优化方法。

在图1中，给出功率电子电路的一般结构图，包含电阻器、电容器和电感器等电路元器件。在使用负载均衡分布式差分进化算法优化元器件前，需要确定需要优化的元器件总数D，此时算法的个体是D维向量，每一维代表一个元器件的取值，同时会根据实际要求有一定的取值范围。根据电路工程师的经验，7 个元器件的取值范围如表1所示：

表1电路元器件参数范围

元器件	参数范围
		R<sub>1</sub>	[60Ω,6kΩ]
R<sub>2</sub>	[30kΩ,3000kΩ]
		R<sub>3</sub>	[100Ω,10kΩ]
R<sub>C</sub>	[470Ω,47kΩ]
		C<sub>1</sub>	[0.2μF,20μF]
C<sub>2</sub>	[0.33μF,33μF]
		C<sub>3</sub>	[0.18μF,18μF]

图2为分布式拓扑图，由主进程控制整个算法的流程，还负责个体的分发和其适应值的接收，而从进程负责接并行地计算接收到个体的其适应值并发送回给主进程。主、从进程之间通过MPI(消息传递接口)来发送和接收消息。

图3为本实施例的流程图，主进程初始化差分进化算法的参数，包括种群规模N设为100，缩放因子F设为0.5，交叉概率CR设为0.1，当前进化代数g 设为1，最大进化代数G设为200，分发表更新代数U设为10，个体向量维度 D设为7(即为需要优化的元器件个数)，从进程个数K设为10；随机生成N个个体，每个个体X_i＝[x_i,1,x_i,2,...,x_i,D]是D维向量，X_i中的每一个维度的x_i,d表示对应元器件的取值，并满足表1的参数限定范围。

此时计算第1代种群所有个体的适应值，平均地把N个个体分发到K个从进程，K个从进程计算完毕后，把适应值发送给主进程，此时主进程记录全部个体的适应值并选出最优个体作为当前最优解B，接着统计每个从进程计算耗时 t_k＝t_{k_receive}-t_{k_send}，从而得到计算速度比v₁:v₂:...:v_K＝(1/t₁):(1/t₂):...:(1/t_K)，根据这个速度比用整数比例分配法得到分发表L＝[l₁,l₂,...,l_K]，l_k都是整数，它们的和等于N，因此分发比例一般不等于速度比但近似于速度比。

计算个体X_i的适应值的函数定义为：

其中，R_{L_min}、R_{L_max}和ΔR_L，v_{in_min}、v_{in_max}和Δv_in分别代表图1中的负载R_L和输入电压v_in的最小值、最大值和变化步长。而f₁-f₄是由电路工程师制定的电路评价标准：f₁用来评估输出电压v_o的误差率，误差越小f₁越大；f₂用来评估系统启动和受到扰动后建立稳定电压的时间，建立越快f₂越大；f₃用来评估输出电压v_o的稳压情况，越稳定f₃越大；f₄用来评估系统在大信号条件下的动态行为。四个函数都是值越大越好，故个体X_i的适应值f(X_i)越大代表其构成的电路会有更好的性能。

对第1代种群完成初始化操作后，接下来每一代种群都会进行如下操作：

S1、主进程生成三个在[1,N]之间的随机整数r1、r2、r3，按照 M_i＝X_r1+F(X_r2-X_r3)进行变异操作，得到N个变异个体M₁,M₂,...,M_N。

S2、主进程接下来生成N个交叉个体C₁,C₂,...,C_N，每一个交叉个体C_i要通过M_i和X_i生成：生成一个[0,1]的随机数rp，一个[1,D]的随机整数d_r(用来确保C_i至少有一个维度和X_i不同)，C_i第d维元素c_i,d由以下公式生成：

S3、主进程根据分发表L分发全部个体到从进程，从进程接收后并行地计算个体适应值，然后发送回主进程，主进程接收并记录适应值。此时检查当前进化代数g是否能被更新代数U整除，若能整除，则更新分发表：主进程发送和接收时间差得到每个进程的计算耗时t_k＝t_{k_receive}-t_{k_send}，根据当前分发表 L＝[l₁,l₂,...,l_K]得到每个进程的计算速度比v₁:v₂:...:v_K＝(l₁/t₁):(l₂/t₂):...:(l_K/t_K)，用整数比例分配法按照计算速度比更新分发表L'＝[l₁',l₂',...,l_K']，l_k'均为整数，其和为N。分发表更新代数U是考虑到每隔U代进程的计算速度可能会不同而设计的旧分发表L的存活周期，以此来保证分发表L的可靠性。

S4、主进程进行选择操作，当前进化代数为g，若f(C_i|g)≥f(X_i|g)，则下一代个体X_i|(g+1)＝C_i|g，若f(C_i|g)＜f(X_i|g)，则下一代个体X_i|(g+1)＝X_i|g。即选择C_i和X_i里适应值更大的个体作为下一代。然后在新一代的种群里选择适应值最大的个体X_i|(g+1)作为当前最优解B。

S5、若当前进化代数小于最大进化代数，即g≤G，则重复执行步骤S1-S5；若当前进化代数已经等于最大进化代数，则输出此时的最优解B＝[b₁,b₂,...,b_D]，其里面每个维度的取值b_d为相应的第d个电路元器件的取值，最后结束程序。

此次算法设定的最大进化代数G＝200，则200代后通过最优解B＝[b₁,b₂,...,b_D]得到D个元器件的最终优化取值。适应值f(X_i)的计算需要消耗大量计算，而本发明在计算f(X_i)的时候通过分布式的计算结构，并行地处理计算问题，使得耗时大量减少，同时，当计算资源不均衡时，由于负载均衡机制，能动态地调整计算任务的分发，避免了计算快的进程长时间等待计算慢(比如CPU性能低，老化等问题)的进程而浪费了计算资源。故算法负载均衡机制能充分利用计算资源，进一步缩短算法耗时。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种功率电子电路优化方法，其特征在于，包括以下步骤：

S1、主进程初始化数据，随机生成种群及N个原始个体X_i，i＝1,2,3,…,N；

S2、将种群的N个原始个体X_i分发到从进程，从进程接收原始个体，计算其个体适应值并发送回主进程；

S3、主进程接收并记录原始个体的适应值，计算得到分发表L并更新最优解B；

S4、主进程通过对原始个体X_i进行变异操作得到N个变异个体M_i；

S5、主进程利用变异个体M_i和原始个体X_i进行交叉操作，得到交叉个体C_i；

S6、主进程根据分发表L分发全部交叉个体C_i到从进程，从进程接收后计算个体适应值并发送回主进程，主进程接收并记录适应值后，每隔U代更新分发表L，分发表更新代数U为旧分发表L的存活周期；

S7、在原始个体X_i和交叉个体中选择更新，得到下一代个体X_i的种群，并更新最优解B；

S8、反复执行步骤S4-S7直到当前进化代数等于最大进化代数，输出此时的最优解B＝[b₁,b₂,...,b_D]，其里面每个维度的取值b_d为相应的第d个电路元器件的优化值。

2.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S1中初始化的数据包括种群规模N，缩放因子F，交叉概率CR，当前进化代数g，最大进化代数G，分发表更新代数U；随机生成N个个体，每个个体X_i＝[x_i,1,x_i,2,...,x_i,D]是D维向量，D与电路的元器件个数相同，X_i中的每一个维度的x_i,d表示对应元器件的取值。

3.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S2中分发方式为：主进程先平均地向K个从进程分发N个个体，K/N有余数r，则分发[K/N]+1个个体到1～r号从进程，分发[K/N]个个体到r+1～K号从进程。

4.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S2中，计算个体适应值的函数定义为：

其中，R_{L_min}、R_{L_max}和ΔR_L，v_{in_min}、v_{in_max}和Δv_in分别代表功率电子电路的负载R_L和输入电压v_in的最小值、最大值和变化步长；f₁-f₄是由电路工程师制定的电路评价标准：f₁用来评估输出电压v_o的误差率，误差越小f₁越大；f₂用来评估系统启动和受到扰动后建立稳定电压的时间，建立越快f₂越大；f₃用来评估输出电压v_o的稳压情况，越稳定f₃越大；f₄用来评估系统在大信号条件下的动态行为。

5.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S3计算得到分发表L具体步骤为：根据发送和接收的时间戳，得到每个从进程计算耗时t_k＝t_{k_receive}-t_{k_send}，从而得到计算速度比v₁:v₂:…:v_K＝(1/t₁):(1/t₂):…:(1/t_K)，根据速度比用整数比例分配法得到分发表L＝[l₁,l₂,...,l_K]，l_k都是整数，它们的和等于N，因此分发比例一般不等于速度比但近似于速度比。

6.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S4变异操作的公式如下：

M_i＝X_r1+F(X_r2-X_r3)

其中F是缩放因子，r1、r2、r3是在[1,N]之间的随机整数。

7.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S5中个体每个维度的交叉公式如下：

其中c_i,d、m_i,d和x_i,d分别是C_i、M_i和X_i的第d维元素，rp是[0,1]的随机数，CR是交叉概率，d_r是[1,D]的随机整数，用来确保至少有一个维度被变异维度替换。

8.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S6中更新分发表的具体步骤为：主进程接收并记录适应值后，若当前进化代数能被U整除，则根据发送和接收的时间戳来得到每个进程的计算耗时t_k＝t_{k_receive}-t_{k_send}，再根据当前分发表L＝[l₁,l₂,...,l_K]得到每个进程的计算速度比v₁:v₂:…:v_K＝(l₁/t₁):(l₂/t₂):…:(l_K/t_K)，并按照这个比例用整数比例分配法更新分发表L'＝[l₁',l₂',...,l_K']，l_k'均为整数，其和为N。

9.根据权利要求1所述的功率电子电路优化方法，其特征在于，所述步骤S7的原始个体X_i和交叉个体中选择更新机制如下：

其中g表示当前进化代数；

当前最优解B为适应值最大的个体X_i|(g+1)。