CN112163387A - 基于头脑风暴算法的功率电子电路优化方法及其应用 - Google Patents
基于头脑风暴算法的功率电子电路优化方法及其应用 Download PDFInfo
- Publication number
- CN112163387A CN112163387A CN202010927568.3A CN202010927568A CN112163387A CN 112163387 A CN112163387 A CN 112163387A CN 202010927568 A CN202010927568 A CN 202010927568A CN 112163387 A CN112163387 A CN 112163387A
- Authority
- CN
- China
- Prior art keywords
- solution
- feasible
- value
- group
- electronic circuit
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于头脑风暴算法的功率电子电路优化方法及其应用,该方法步骤为:初始化用于优化功率电子电路反馈网络的算法参数,计算每个可行解的适应值,执行分组操作:每个可行解进行标准化,根据标准化后的个体位置将N个可行解分组,将每一组中的适应值最优的解作为该组的中心;执行替换操作;执行创造操作;构造新的解Yi;执行更新操作;判断是否达到预设的功率传输结束条件,结束优化或返回计算每个可行解的适应值。本发明在头脑风暴算法中引入基于标准化分组策略,以提高分组操作的有效性,使得功率电子电路优化的性能得到了提高。
Description
技术领域
本发明涉及电路优化技术领域,具体涉及一种基于头脑风暴算法的功率电子电路优化方法及其应用。
背景技术
功率电子电路能够通过调整供应电流或者电压,有效地控制电能传输,以适应用户的负载,已经被广泛应用于各种日常设备中,如移动设备、计算机、电视机和不间断电源等。随着半导体技术和电子封装技术的进步,对功率电子电路自动化生成的需求越来越高。
电路自动化设计和优化的方法主要分为确定性算法和随机算法两种。确定性算法,如梯度法和爬山法等,容易陷入局部最优点,导致次优的元件组合。而且一些确定性算法过于依赖初始搜索点的选择,因此往往不适用于功率电子电路的优化。
相对地,随机算法(也就是进化算法)能够广泛地对解空间进行搜索,因此比确定性的方法更适合于优化和设计功率电子电路。头脑风暴算法是进化算法的一个分支,是一种基于人类创造性解决问题的思路而提出的群体智能算法。在功率电子电路设计和优化中,可以用不同维度的不同的变量代表不同的电路元件,如电阻器、电容器、电感器等,但是,由于这些电路元件通常有着不同的物理特性,它们的搜索区间基本不在相似的范围内。因此,头脑风暴算法中基于可行解位置信息的传统做法在求解电路优化问题上可能变得不太适用。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于头脑风暴算法的功率电子电路优化方法,本发明设置的标准化分组策略将可行解的不同维度进行标准化到一个相近的范围内,使得头脑风暴算法的分组操作能在电路设计和优化问题上顺利进行,此外,得益于其简单实用性,基于标准化分组策略的头脑风暴算法可以极其方便地应用于降压调节器的设计上。
本发明的第二目的在提供一种基于头脑风暴算法的功率电子电路优化系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于头脑风暴算法的功率电子电路优化方法,包括下述步骤:
初始化用于优化功率电子电路反馈网络的算法参数,根据给定的元件取值范围随机初始化N个可行解,每个可行解表示一个潜在的功率电子电路解,
可行解表示为:Xi=[xi1,xi2,…,xiD];
其中,N表示种群大小,D表示元件的数量;
计算每个可行解的适应值,适应值函数表示为:
其中,F(x)表示反馈网络部分的适应值函数,x表示相对应的种群个体编码,vin和RL分别为输入电压和负载值,vin_min和vin_max为输入电压的最小和最大值,RL_min和RL_max为负载的最小和最大值,δvin和δRL分别为改变输入电压和负载的步长;F1,F2,F3,F4表示反馈网络的适应值函数F中的四个目标函数,F1用于评估在输出电压的稳定状态误差,F2用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,F3用于评估输出电压上的稳定波纹电压,F4用于评估电路在输入电压和输出电阻扰动时的动态性能;
执行分组操作:每个可行解进行标准化,根据标准化后的个体位置将N个可行解分成M组,将每一组中的适应值最优的解作为该组的中心;
执行替换操作:生成一个随机数r,如果随机数r小于执行替换操作的概率,生成一个随机解R并计算随机解R的适应值,随机选择一个组j,用随机解R替换组j的中心;
执行创造操作:对于每个可行解Xi,生成一个随机数r,随机选择一个组j,如果随机数r小于高斯分布随机数,可行解Xi取组j的中心,否则,可行解Xi取组j中任意一个解;
在整个种群中随机选择两个解Xa和Xb,用于构造一个新的解Yi,具体表示为:Yi=[yi1,yi2,…,yiD];
执行更新操作:计算每个新产生的解Yi的适应值,如果有进步,用Yi更新原位置Xi,否则,保留原位置Xi;
判断是否达到预设的功率传输结束条件,若达到预设的功率传输结束条件,则结束优化,若未达到预设的功率传输结束条件,则返回计算每个可行解的适应值。
作为优选的技术方案,所述反馈网络的适应值函数F中的四个目标函数,分别定义为:
F2=OV(RL,vin,X)+UV(RL,vin,X)+ST(RL,vin,X)
其中,E2表示方差累积方程,K1是F1能达到的最大值,K2用以调整F1对E2的敏感度,NT表示在性能测试中输入和负载扰动的次数,OV,UV和ST分别表示最小化最大过冲,最大下冲和瞬时响应建立时间的目标函数,K9表示F3能达到的最大值,K10表示衰减常数,A1表示超出允许边带的仿真点个数。
作为优选的技术方案,所述执行分组操作,具体步骤为:
对每个可行解Xi,将Xi的每一维标准化到Xi*,计算公式为:
其中,Ud和Ld分别为所对应电路元件的取值范围的最大值和最小值;
在当前代中随机选取M个不同的可行解作为M个分组的种子Sj;
对于当前代中的每个可行解Xi,计算可行解标准化后的位置与每个组j的距离dij,计算公式如下所示:
比较M个距离值,将可行解Xi归到最近的分组;
所有可行解Xi的分组完成后,选择每个分组中适应值最优的解作为该分组的中心。
作为优选的技术方案,所述构造一个新的解Yi,Yi的更新公式如下:
对于每一个维度d:
其中,pr表示选择解的随机值的概率,Ud和Ld分别为所对应电路元件的取值范围的最大值和最小值。
作为优选的技术方案,所述用Yi更新原位置Xi,更新公式为:
为了到达上述第二目的,本发明采用以下技术方案:
一种基于头脑风暴算法的功率电子电路优化系统,包括:初始化模块、可行解适应值计算模块、分组模块、替换模块、创造模块、新解构建模块、更新模块和判断模块;
所述初始化模块用于初始化优化功率电子电路反馈网络算法的参数,根据给定的元件取值范围随机初始化N个可行解,每个可行解表示一个潜在的功率电子电路解,
可行解表示为:Xi=[xi1,xi2,…,xiD];
其中,N表示种群大小,D表示元件的数量;
所述可行解适应值计算模块用于计算每个可行解的适应值,适应值函数表示为:
其中,F(x)表示反馈网络部分的适应值函数,x表示相对应的种群个体编码,vin和RL分别为输入电压和负载值,vin_min和vin_max为输入电压的最小和最大值,RL_min和RL_max为负载的最小和最大值,δvin和δRL分别为改变输入电压和负载的步长;F1,F2,F3,F4表示反馈网络的适应值函数F中的四个目标函数,F1用于评估在输出电压的稳定状态误差,F2用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,F3用于评估输出电压上的稳定波纹电压,F4用于评估电路在输入电压和输出电阻扰动时的动态性能;
所述分组模块用于执行分组操作:每个可行解进行标准化,根据标准化后的个体位置将N个可行解分成M组,将每一组中的适应值最优的解作为该组的中心;
所述替换模块用于执行替换操作:生成一个随机数r,如果随机数r小于执行替换操作的概率,生成一个随机解R并计算随机解R的适应值,随机选择一个组j,用随机解R替换组j的中心;
所述创造模块用于执行创造操作:对于每个可行解Xi,生成一个随机数r,随机选择一个组j,如果随机数r小于高斯分布随机数,可行解Xi取组j的中心,否则,可行解Xi取组j中任意一个解;
所述新解构建模块用于在整个种群中随机选择两个解Xa和Xb,用于构造一个新的解Yi,具体表示为:Yi=[yi1,yi2,…,yiD];
所述更新模块用于执行更新操作:计算每个新产生的解Yi的适应值,如果有进步,用Yi更新原位置Xi,否则,保留原位置Xi;
所述判断模块用于判断是否达到预设的功率传输结束条件,若达到预设的功率传输结束条件,则结束优化,若未达到预设的功率传输结束条件,则返回计算每个可行解的适应值。
为了到达上述第三目的,本发明采用以下技术方案:
一种存储介质,存储有程序,所述程序被处理器执行时实现上述基于头脑风暴算法的功率电子电路优化方法。
为了到达上述第四目的,本发明采用以下技术方案:
一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述基于头脑风暴算法的功率电子电路优化方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明引入了标准化分组策略,将可行解的不同维度进行标准化到一个相近的范围内,提高了分组操作的有效性,使得头脑风暴算法用于功率电子电路优化的性能得到了提高。
(2)本发明将功率电子电路模拟公式化,根据功率电子电路的4类优化目标构造了一个包含有4个目标的加权适应值评估函数,在功率电子电路模拟公式化上做出了重要贡献,为功率电子电路的优化起到关键作用。
附图说明
图1为本实施例1功率电子电路的基本结构图;
图2为本实施例1基于标准化分组策略的头脑风暴算法优化功率电子电路的流程图;
图3为本实施例1降压转换器的原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
本实施例提供一种基于头脑风暴算法的功率电子电路优化方法,将基于标准化分组策略的头脑风暴算法运用到功率电子电路的优化设计中;
如图1所示,功率电子电路的基本结构包括功率传输和反馈网络两部分,功率传输部分包含IP个电阻,JP个电感和KP个电容,反馈网络部分包含IF个电阻,JF个电感和KF个电容。
如图2所示,具体包括下述步骤:
S1:初始化用于优化反馈网络的算法参数,根据给定的元件取值范围随机初始化N个可行解,每个解(意见)Xi=[xi1,xi2,…,xiD](1≤i≤N)代表一个潜在的功率电子电路解,其中N为种群大小,D为元件的数量;
S2:用一个向量表示电路中的无源元件,计算每个意见Xi的适应值,反馈网络的适应值函数定义为:
其中,F(x)表示反馈网络部分的适应值函数,x表示相对应的种群个体编码,vin和RL分别为输入电压和负载值,vin_min和vin_max为输入电压的最小和最大值,RL_min和RL_max为负载的最小和最大值,δvin和δRL分别为改变输入电压和负载的步长;F1用于评估在输出电压的稳定状态误差,F2用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,F3用于评估输出电压上的稳定波纹电压,F4用于评估电路在输入电压和输出电阻扰动时的动态性能;
在本实施例中,反馈网络部分的适应值函数F中的四个目标函数F1,F2,F3,F4分别如下定义:
F1:定义一个方差累积方程E2,用以评估v0与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,F1会较大。公式F1的定义如下:
其中,K1是F1能达到的最大值,K2用以调整F1对E2的敏感度。
F2: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-v′o
F2和F4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。F2和F4的基本形式可以表示如下:
F2=OV(RL,vin,X)+UV(RL,vin,X)+ST(RL,vin,X)
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
F3: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F3中衡量X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。F3定义如下:
其中,K9是F3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,F3减小。
头脑风暴算法要求每个个体在进化过程中维持一个意见Xi=[xi1,xi2,…,xiD](1≤i≤N)(意见中保存的是电路元件取值,与适应值函数中的X相对应),其中i表示个体的编号,D是求解问题的维数,在功率电子电路的优化设计中表示待优化的元件数目,意见的位置体现了意见所代表的解在解空间中的位置。在进化过程中,意见通过分组、替换、创造操作寻找新的位置,如果新意见到达了某个适应值更好的位置,则执行更新操作,将意见的位置更新为适应值更好的位置,适应值更好的位置就是使得功率电子电路更优的元器件配置参数值。
S3:执行分组操作:根据标准化后的个体位置将N个解分成M组,M为预设定的组个数,本实施例设置为10,将每一组中的最优位置作为该组的中心,以提高分组的有效性和头脑风暴算法的优化性能,具体步骤为:
S31:对每个可行解(意见)Xi(1≤i≤N),按如下公式将Xi的每一维标准化到Xi*:
其中,Ud和Ld分别为所对应电路元件的取值范围的最大值和最小值;
S32:在当前代中随机选取M个不同的意见作为M个分组的种子Sj(1≤j≤M);
S33:对于当前代中的每个意见Xi(1≤i≤N),根据其标准化后的位置计算它到每个组j的距离dij,距离dij计算公式如下所示:
S34:比较步骤S33中算出的M个距离值,将意见Xi归到最近的分组;
S35:所有Xi的分组完成后,选择每个分组中适应值最优的解作为该分组的中心;
S4:执行替换操作:生成一个0到1的随机数r,如果r<p_replace,生成一个随机解R并计算其适应值,随机选择一个组j,用R替换组j的中心,p_replace为执行替换操作的概率,本实施例p_replace设为固定值0.2;
S5:执行创造操作:对于每个解Xi,生成一个0到1的随机数r,随机选择一个组j,如果r<p_center,Xi取组j的中心,否则,Xi取组j中任意一个解;其中,p_center为满足Normal(0.4,0.1)的高斯分布随机数;
在整个种群中随机选择两个解Xa=[xa1,xa2,…,xaD]和Xb=[xb1,xb2,…,xbD],用于构造一个新的解Yi=[yi1,yi2,…,yiD],Yi的更新公式如下:
对于每一个维度d(1≤d≤D)
其中,pr是选择解的随机值的概率;
S6:执行更新操作:计算每个新产生的解Yi的适应值,如果有进步,即Yi的适应值好于原来Xi的适应值,用Yi更新原位置Xi,否则,保留原位置Xi,更新公式为:
S7:如果达到功率传输部分的结束条件,评估条件为评估次数达到了最大适应值评估次数,则结束优化程序,否则回到步骤S2。
如图3所示,以一个降压变换器的优化设计为例进行测试,图中包含有8个电阻、4个电容和一个电感,则问题的维度就是13维,每一维的取值范围根据相应元器件的取值范围而定,本实施例引入了标准化分组策略,提高了分组操作的有效性,使得头脑风暴算法用于功率电子电路优化的性能得到了提高。
实施例2
本实施例提供一种基于头脑风暴算法的功率电子电路优化系统,包括:初始化模块、可行解适应值计算模块、分组模块、替换模块、创造模块、新解构建模块、更新模块和判断模块;
初始化模块用于初始化优化功率电子电路反馈网络算法的参数,根据给定的元件取值范围随机初始化N个可行解,每个可行解表示一个潜在的功率电子电路解,
可行解表示为:Xi=[xi1,xi2,…,xiD];
其中,N表示种群大小,D表示元件的数量;
可行解适应值计算模块用于计算每个可行解的适应值,适应值函数表示为:
其中,F(x)表示反馈网络部分的适应值函数,x表示相对应的种群个体编码,vin和RL分别为输入电压和负载值,vin_min和vin_max为输入电压的最小和最大值,RL_min和RL_max为负载的最小和最大值,δvin和δRL分别为改变输入电压和负载的步长;F1,F2,F3,F4表示反馈网络的适应值函数F中的四个目标函数,F1用于评估在输出电压的稳定状态误差,F2用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,F3用于评估输出电压上的稳定波纹电压,F4用于评估电路在输入电压和输出电阻扰动时的动态性能;
分组模块用于执行分组操作:每个可行解进行标准化,根据标准化后的个体位置将N个可行解分成M组,将每一组中的适应值最优的解作为该组的中心;
替换模块用于执行替换操作:生成一个随机数r,如果随机数r小于执行替换操作的概率,生成一个随机解R并计算随机解R的适应值,随机选择一个组j,用随机解R替换组j的中心;
创造模块用于执行创造操作:对于每个可行解Xi,生成一个随机数r,随机选择一个组j,如果随机数r小于高斯分布随机数,可行解Xi取组j的中心,否则,可行解Xi取组j中任意一个解;
新解构建模块用于在整个种群中随机选择两个解Xa和Xb,用于构造一个新的解Yi,具体表示为:Yi=[yi1,yi2,…,yiD];
更新模块用于执行更新操作:计算每个新产生的解Yi的适应值,如果有进步,用Yi更新原位置Xi,否则,保留原位置Xi;
判断模块用于判断是否达到预设的功率传输结束条件,若达到预设的功率传输结束条件,则结束优化,若未达到预设的功率传输结束条件,则返回计算每个可行解的适应值。
实施例3
本实施例还提供一种存储介质,存储介质可以是ROM、RAM、磁盘、光盘等储存介质,该存储介质存储有一个或多个程序,所述程序被处理器执行时,实现上述实施例1基于头脑风暴算法的功率电子电路优化方法。
实施例4
本实施例还提供一种计算设备,所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备,该计算设备包括该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现上述实施例1基于头脑风暴算法的功率电子电路优化方法。
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 (8)
1.一种基于头脑风暴算法的功率电子电路优化方法,其特征在于,包括下述步骤:
初始化用于优化功率电子电路反馈网络的算法参数,根据给定的元件取值范围随机初始化N个可行解,每个可行解表示一个潜在的功率电子电路解,
可行解表示为:Xi=[xi1,xi2,…,xiD];
其中,N表示种群大小,D表示元件的数量;
计算每个可行解的适应值,适应值函数表示为:
其中,F(x)表示反馈网络部分的适应值函数,x表示相对应的种群个体编码,vin和RL分别为输入电压和负载值,vin_min和vin_max为输入电压的最小和最大值,RL_min和RL_max为负载的最小和最大值,δvin和δRL分别为改变输入电压和负载的步长;F1,F2,F3,F4表示反馈网络的适应值函数F中的四个目标函数,F1用于评估在输出电压的稳定状态误差,F2用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,F3用于评估输出电压上的稳定波纹电压,F4用于评估电路在输入电压和输出电阻扰动时的动态性能;
执行分组操作:每个可行解进行标准化,根据标准化后的个体位置将N个可行解分成M组,将每一组中的适应值最优的解作为该组的中心;
执行替换操作:生成一个随机数r,如果随机数r小于执行替换操作的概率,生成一个随机解R并计算随机解R的适应值,随机选择一个组j,用随机解R替换组j的中心;
执行创造操作:对于每个可行解Xi,生成一个随机数r,随机选择一个组j,如果随机数r小于高斯分布随机数,可行解Xi取组j的中心,否则,可行解Xi取组j中任意一个解;
在整个种群中随机选择两个解Xa和Xb,用于构造一个新的解Yi,具体表示为:Yi=[yi1,yi2,…,yiD];
执行更新操作:计算每个新产生的解Yi的适应值,如果有进步,用Yi更新原位置Xi,否则,保留原位置Xi;
判断是否达到预设的功率传输结束条件,若达到预设的功率传输结束条件,则结束优化,若未达到预设的功率传输结束条件,则返回计算每个可行解的适应值。
6.一种基于头脑风暴算法的功率电子电路优化系统,其特征在于,包括:初始化模块、可行解适应值计算模块、分组模块、替换模块、创造模块、新解构建模块、更新模块和判断模块;
所述初始化模块用于初始化优化功率电子电路反馈网络算法的参数,根据给定的元件取值范围随机初始化N个可行解,每个可行解表示一个潜在的功率电子电路解,
可行解表示为:Xi=[xi1,xi2,…,xiD];
其中,N表示种群大小,D表示元件的数量;
所述可行解适应值计算模块用于计算每个可行解的适应值,适应值函数表示为:
其中,F(x)表示反馈网络部分的适应值函数,x表示相对应的种群个体编码,vin和RL分别为输入电压和负载值,vin_min和vin_max为输入电压的最小和最大值,RL_min和RL_max为负载的最小和最大值,δvin和δRL分别为改变输入电压和负载的步长;F1,F2,F3,F4表示反馈网络的适应值函数F中的四个目标函数,F1用于评估在输出电压的稳定状态误差,F2用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,F3用于评估输出电压上的稳定波纹电压,F4用于评估电路在输入电压和输出电阻扰动时的动态性能;
所述分组模块用于执行分组操作:每个可行解进行标准化,根据标准化后的个体位置将N个可行解分成M组,将每一组中的适应值最优的解作为该组的中心;
所述替换模块用于执行替换操作:生成一个随机数r,如果随机数r小于执行替换操作的概率,生成一个随机解R并计算随机解R的适应值,随机选择一个组j,用随机解R替换组j的中心;
所述创造模块用于执行创造操作:对于每个可行解Xi,生成一个随机数r,随机选择一个组j,如果随机数r小于高斯分布随机数,可行解Xi取组j的中心,否则,可行解Xi取组j中任意一个解;
所述新解构建模块用于在整个种群中随机选择两个解Xa和Xb,用于构造一个新的解Yi,具体表示为:Yi=[yi1,yi2,…,yiD];
所述更新模块用于执行更新操作:计算每个新产生的解Yi的适应值,如果有进步,用Yi更新原位置Xi,否则,保留原位置Xi;
所述判断模块用于判断是否达到预设的功率传输结束条件,若达到预设的功率传输结束条件,则结束优化,若未达到预设的功率传输结束条件,则返回计算每个可行解的适应值。
7.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5任一项所述的基于头脑风暴算法的功率电子电路优化方法。
8.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现如权利要求1-5任一项所述的基于头脑风暴算法的功率电子电路优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010927568.3A CN112163387B (zh) | 2020-09-07 | 2020-09-07 | 基于头脑风暴算法的功率电子电路优化方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010927568.3A CN112163387B (zh) | 2020-09-07 | 2020-09-07 | 基于头脑风暴算法的功率电子电路优化方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163387A true CN112163387A (zh) | 2021-01-01 |
CN112163387B CN112163387B (zh) | 2022-09-20 |
Family
ID=73857728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010927568.3A Active CN112163387B (zh) | 2020-09-07 | 2020-09-07 | 基于头脑风暴算法的功率电子电路优化方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163387B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050002329A (ko) * | 2003-06-30 | 2005-01-07 | 주식회사 케이티 | 데이터 및 음성 전송을 위한 회선 연결 연결을 위한지능화 알고리즘 |
US20060212279A1 (en) * | 2005-01-31 | 2006-09-21 | The Board of Trustees of the University of Illinois and | Methods for efficient solution set optimization |
CN101446997A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的功率电子电路优化方法 |
CN102096728A (zh) * | 2010-11-29 | 2011-06-15 | 中山大学 | 基于分布估计算法的功率电子电路优化方法 |
CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
CN109066710A (zh) * | 2018-07-13 | 2018-12-21 | 国网安徽省电力有限公司滁州供电公司 | 一种多目标无功优化方法、装置、计算机设备及存储介质 |
CN109388858A (zh) * | 2018-09-17 | 2019-02-26 | 西安航空电子科技有限公司 | 基于头脑风暴优化算法的非线性传感器校正方法 |
CN109614224A (zh) * | 2018-11-12 | 2019-04-12 | 华南理工大学 | 一种功率电子电路优化方法 |
CN109670210A (zh) * | 2018-11-26 | 2019-04-23 | 华南理工大学 | 一种基于并行分布式粒子群算法的功率电子电路优化方法 |
CN110413116A (zh) * | 2019-07-24 | 2019-11-05 | 西安交通大学 | 一种基于fpga的稳态视觉诱发电位脑-机接口系统设计方法 |
CN111382941A (zh) * | 2020-03-09 | 2020-07-07 | 河海大学常州校区 | 一种多约束条件的并行任务调度方法 |
CN111582429A (zh) * | 2020-05-12 | 2020-08-25 | 陕西师范大学 | 一种基于头脑风暴优化算法求解演化博弈问题的方法 |
-
2020
- 2020-09-07 CN CN202010927568.3A patent/CN112163387B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050002329A (ko) * | 2003-06-30 | 2005-01-07 | 주식회사 케이티 | 데이터 및 음성 전송을 위한 회선 연결 연결을 위한지능화 알고리즘 |
US20060212279A1 (en) * | 2005-01-31 | 2006-09-21 | The Board of Trustees of the University of Illinois and | Methods for efficient solution set optimization |
CN101446997A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的功率电子电路优化方法 |
CN102096728A (zh) * | 2010-11-29 | 2011-06-15 | 中山大学 | 基于分布估计算法的功率电子电路优化方法 |
CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
CN109066710A (zh) * | 2018-07-13 | 2018-12-21 | 国网安徽省电力有限公司滁州供电公司 | 一种多目标无功优化方法、装置、计算机设备及存储介质 |
CN109388858A (zh) * | 2018-09-17 | 2019-02-26 | 西安航空电子科技有限公司 | 基于头脑风暴优化算法的非线性传感器校正方法 |
CN109614224A (zh) * | 2018-11-12 | 2019-04-12 | 华南理工大学 | 一种功率电子电路优化方法 |
CN109670210A (zh) * | 2018-11-26 | 2019-04-23 | 华南理工大学 | 一种基于并行分布式粒子群算法的功率电子电路优化方法 |
CN110413116A (zh) * | 2019-07-24 | 2019-11-05 | 西安交通大学 | 一种基于fpga的稳态视觉诱发电位脑-机接口系统设计方法 |
CN111382941A (zh) * | 2020-03-09 | 2020-07-07 | 河海大学常州校区 | 一种多约束条件的并行任务调度方法 |
CN111582429A (zh) * | 2020-05-12 | 2020-08-25 | 陕西师范大学 | 一种基于头脑风暴优化算法求解演化博弈问题的方法 |
Non-Patent Citations (9)
Title |
---|
HASSANEIN, A ET AL.: "Parallel hardware implementation of the brain storm optimization algorithm using FPGAs", 《MICROPROCESSORS AND MICROSYSTEMS》 * |
LIANGJUN KE: "A brain storm optimization approach for the cumulative capacitated vehicle routing problem", 《MEMETIC COMPUTING》 * |
ZHI-HUI ZHAN ET AL.: "Orthogonal learning particle swarm optimization for power electronic circuit optimization with free search range", 《2011 IEEE CONGRESS OF EVOLUTIONARY COMPUTATION (CEC)》 * |
刁鸣等: "差分头脑风暴算法及其在频谱感知中的应用", 《应用科技》 * |
彭建新等: "自适应步长和发现概率的布谷鸟搜索算法", 《济南大学学报(自然科学版)》 * |
杨欢: "动态多目标头脑风暴优化方法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
林诗洁等: "新型群智能优化算法综述", 《计算机工程与应用》 * |
赵曙光等: "模拟电路自动设计的多目标自适应进化方法", 《仪器仪表学报》 * |
韩力英: "集成电路中版图处理及互连线优化技术的研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112163387B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019109757A1 (zh) | 运用粒子群算法优化功率电子电路的方法 | |
Gorissen et al. | A practical guide to robust optimization | |
Bhullar et al. | Enhanced crow search algorithm for AVR optimization | |
Zafiropoulos et al. | Reliability prediction and failure mode effects and criticality analysis (FMECA) of electronic devices using fuzzy logic | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN111459022B (zh) | 设备参数调整方法、设备控制装置和计算机可读存储介质 | |
Shiva et al. | Comparative performance assessment of a novel quasi‐oppositional harmony search algorithm and internal model control method for automatic generation control of power systems | |
KR102285516B1 (ko) | 반도체 소자 모델링 방법 및 시스템 | |
Zhang et al. | Decoupling capacitor selection algorithm for PDN based on deep reinforcement learning | |
Zhang et al. | Adaptive neural dynamic surface control of output constrained non‐linear systems with unknown control direction | |
Tavakoli et al. | Fuzzy-PSS and fuzzy neural network non-linear PI controller-based SSSC for damping inter-area oscillations | |
US20230071450A1 (en) | System and method for controlling large scale power distribution systems using reinforcement learning | |
CN101221586A (zh) | 基于解耦技术和遗传算法的功率电子电路优化方法 | |
CN112163387B (zh) | 基于头脑风暴算法的功率电子电路优化方法及其应用 | |
Moradi Far et al. | Cost-effective optimal allocation and sizing of active power filters using a new fuzzy-MABICA method | |
Mahata et al. | Optimal approximation of fractional‐order systems with model validation using CFOA | |
Liu et al. | Decoupling capacitors selection algorithm based on maximum anti‐resonance points and quality factor of capacitor | |
Li et al. | Nonlinear cascade sliding mode control based on extended state observer method for a DC-DC buck converter: Design and hardware experimentation | |
CN112163388A (zh) | 基于自适应分布式差分进化算法的功率电子电路优化方法 | |
Anh et al. | Robust extreme learning machine neural approach for uncertain nonlinear hyper‐chaotic system identification | |
CN112163389A (zh) | 基于自适应分布式粒子群优化算法的功率电子电路优化方法 | |
Li et al. | Designing of power system stabilizer based on neural-like P systems | |
Gallegos et al. | Robust mixed order backstepping control of non‐linear systems | |
Tianjing et al. | Parallel deep reinforcement learning‐based power flow state adjustment considering static stability constraint | |
Malek et al. | Robust scheme for voltage regulation and power sharing among DERs in DC microgrids |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |