CN114266199B - 磁饱和同步发电机稳态运行时内部变量的求解方法及系统 - Google Patents
磁饱和同步发电机稳态运行时内部变量的求解方法及系统 Download PDFInfo
- Publication number
- CN114266199B CN114266199B CN202111604140.6A CN202111604140A CN114266199B CN 114266199 B CN114266199 B CN 114266199B CN 202111604140 A CN202111604140 A CN 202111604140A CN 114266199 B CN114266199 B CN 114266199B
- Authority
- CN
- China
- Prior art keywords
- population
- generation sub
- state
- niche
- generation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 224
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 61
- 230000006978 adaptation Effects 0.000 claims abstract description 50
- 230000002787 reinforcement Effects 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000013461 design Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 12
- 229920006395 saturated elastomer Polymers 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000035772 mutation Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种磁饱和同步发电机稳态运行时内部变量的求解方法及系统，属于设计优化相关技术领域，所述方法包括：构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型；构建初始种群；基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法；基于强化学习模型和当前代子种群对应的小生境方法对当前代子种群中的个体进行差分进化，得到当前代子代个体一一对应的适应值；将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根；本发明解决了现有求解方法中种群多样性不足、变异策略需要提前给定、不能高效平衡勘探和开采的问题。
Description
技术领域
本发明属于设计优化相关技术领域，尤其涉及一种磁饱和同步发电机稳态运行时内部变量的求解方法及系统。
背景技术
非线性方程组在机械制造、经济、化学平衡、物理等实际领域有着广泛的应用，求解非线性方程组，尤其是包含多个根的非线性方程组问题，能够给工程人员在不同的环境下提供多种选择方案，提高生产效率，过高的计算耗时会导致一些复杂的工程设计问题无法优化，如何以有效的方式解决这些问题仍然是一个巨大的挑战。
数值方法是传统的非线性方程组求解方法，但是存在对初始值敏感、容易陷入局部最优，每次只能找到一个最优解等缺点；近年来，差分进化算法求解非线性方程组获得了较多的关注；但存在一些缺点：(1)目前多样性保持方法有很多种且具有不同的搜索特性，如何充分利用多样性特征充分探寻搜索空间需要进一步研究；(2)差分进化算法中具有多种变异策略，如何根据当前个体状态合理选择变异策略，也是当前智能优化算法领域研究的热点；在设计优化相关领域也存在着发展一种精度较好求解非线性方程组多根问题的方法的技术需求。采用结合强化学习和差分进化的非线性方程组求解方法，对磁饱和同步发电机稳定运行时这类具有非线性关系的内部变量进行高效求解是亟需的。
发明内容
针对现有技术中的上述不足，本发明提供的一种磁饱和同步发电机稳态运行时内部变量的求解方法及系统解决了现有求解方法中种群多样性不足、变异策略需要提前给定、不能高效平衡勘探和开采的技术问题。
为了达到上述发明目的，本发明采用的技术方案为：
本发明提供一种磁饱和同步发电机稳态运行时内部变量的求解方法，包括如下步骤：
S1、构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型；
S2、根据内部变量与目标响应值的关系模型定义计算空间，并在设计空间内构建初始种群；
S3、基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法；
S4、基于强化学习模型和当前代子种群对应的小生境方法对当前代子种群中的个体进行差分进化，得到当前代子代个体一一对应的适应值和适应值评价总次数；
S5、判断适应值评价总次数是否等于预设值，若是则进入步骤S6，否则返回步骤S3；
S6、将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根，完成磁饱和同步发电机稳态运行时内部变量的求解。
本发明的有益效果为：本发明提供的一种磁饱和同步发电机稳态运行时内部变量的求解方法，基于强化学习模型分别构建了种群多样性的状态与小生境方法关系模型、子种群多样性的状态与小生境方法关系模型、个体的状态与进化方法关系模型和子代个体状态与进化方法关系模型，有效地利用不同多样性保持方法的搜索优点，较好的维持了种群的多样性，提高算法探寻更多的搜索空间，合理利用不同变异策略的搜索特性，较好地提升了算法的搜索效率，灵活性较好，适用性较强；本发明可以对非线性方程组进行较好的求解，并提高了最优解的精度，且可广泛适用于多模态问题的设计优化。
进一步地，所述步骤S2中构建初始种群的表达式如下：
其中，xi,j表示初始种群中的个体，x j表示计算空间的下限，randj表示0到1区间的随机数，·表示乘运算，
表示计算空间的上限；
采用上述进一步方案的有益效果为：提供了在计算空间中构建初始种群的计算方法，为子种群划分和种群内个体进化提供初始种群。
进一步地，所述步骤S3包括如下步骤：
S31、基于强化学习模型，定义种群多样性的状态、小生境方法和奖励值，并构建种群多样性的状态与小生境方法关系模型；
S32、基于状态与小生境方法关系模型划分初始种群，得到若干代子种群；
S33、利用密度聚类算法比较第p代子种群的数量与第p-1代子种群数量，得到第p代子种群奖励Rp+1；
S34、根据第p代子种群奖励Rp+1对种群多样性的状态与小生境方法关系模型更新，得到第p代子种群多样性的状态与小生境方法关系模型；
S35、利用第p代子种群多样性的状态与小生境方法关系模型和Softmax模型，得到第p代子种群对应的小生境方法；
S36、判断是否能继续划分种群，若是则将p代子种群的数量作为第p-1代子种群的数量，并返回步骤S33，否则进入步骤S37；
S37、将第p代子种群作为当前代子种群，并将第p代子种群对应的小生境方法作为当前代子种群对应的小生境方法。
采用上述进一步方案的有益效果为：基于强化学习模型构建种群多样性的状态与小生境方法关系模型，并通过子种群奖励更新种群多样性的状态与小生境方法关系模型，得到子种群多样性的状态与小生境方法关系模型，实现确定各子种群的小生境方法。
进一步地，所述步骤S31中种群多样性的状态与小生境方法关系模型的表达式如下：
其中，Q(s,a)表示种群多样性奖励值，a表示种群多样性的小生境方法，s表示种群多样性的状态，crowding表示邻域拥挤小生境方法，speciation表示邻域物种小生境方法，Better表示种群多样性为更好状态，Inferior表示种群多样性为更差状态。
采用上述进一步方案的有益效果为：提供种群多样性的状态与小生境方法关系模型，通过强化学习之后，种群自动选择某一种小生境的方法，如crowding或者speciation,来保持划分种群。
进一步地，所述步骤S34中第p代子种群多样性的状态与小生境方法关系模型表达式如下：
其中，Q(sps,apa)表示第p代子种群多样性奖励值，sps表示第p代子种群多样性的状态，apa表示第p代子种群多样性的小生境方法，crowding表示邻域拥挤小生境方法，speciation表示邻域物种小生境方法，Better表示种群多样性为更好状态，Inferior表示种群多样性为更差状态，α和γ分别表示学习率和折扣率，Rp+1表示第p代子种群奖励，Q(sps+1,apa)表示第p代子种群获得的总积累奖励，
表示取最大值，←表示赋值运算，diversity(iter-1)表示第p-1代子种群的数量，diversity(iter)表示第p代子种群的数量。
采用上述进一步方案的有益效果为：提供种群多样性的状态与小生境方法关系模型更新后子种群的状态与小生境方法关系模型，通过强化学习之后，子种群选择某一种小生境的，保证种群多样性。
进一步地，所述步骤S35中的Softmax模型表达式如下：
其中，π(sps,apa)表示邻域拥挤小生境方法和邻域物种小生境方法的分段概率值，Q(sps,apa)表示第p代子种群多样性奖励值，T表示控制参数。
采用上述进一步方案的有益效果为：提供子种群选择小生境方法的分段概率，当随机值落入两种小生境方法分别所属的概率段时，即选择该类小生境方法。
进一步地，所述步骤S4包括如下步骤：
S41、基于强化学习模型和各代子种群对应的小生境方法，定义当前代子种群中个体的状态、进化方法和奖励值，并构建个体的状态与进化方法关系模型；
S42、通过交叉操作，得到若干子代个体和各子代个体对应的适应值；
S43、通过比较第t代子代个体的适应值与第t-1代子代个体的适应值，得到第t代子代个体奖励Rt+1；
S44、根据第t代子代个体奖励Rt+1对个体的状态与进化方法关系模型更新，得到第t代子代个体状态与进化方法关系模型；
S45、获取当前适应值评价总次数；
S46、判断是否能继续进行子代划分，若是则将第t代子代个体作为第t-1代子代个体并返回步骤S43，否则进入步骤S47；
S47、将第t代子代个体的适应值作为当前代子代个体一一对应的适应值，并将当前适应值评价总次数作为适应值评价总次数。
采用上述进一步方案的有益效果为：基于强化学习模型构建个体的状态与进化方法关系模型，并通过子代个体奖励更新个体的状态与进化方法关系模型，得到子代个体状态与进化方法关系模型，实现每个个体都通过强化学习的方式，自动选择变异算法，让算法的搜索性能更优。
进一步地，所述步骤S41中个体的状态与进化方法关系模型的表达式如下：
其中，Q′(s′,a′)表示个体进化奖励值，s′表示个体进化状态，a′表示个体进化方法，better表示个体为更好状态，inferior表示个体为更差状态，DE/rand/1表示随机进化方法，DE/best/1表示最优进化方法，DE/current-to-best/1表示迈向最优进化方法。
采用上述进一步方案的有益效果为：提供个体的状态与进化方法关系模型，通过强化学习之后，个体自动选择某一种进化方法，让算法的搜索性能更优。
进一步地，所述步骤S44中第t代子代个体状态与进化方法关系模型的表达式如下：
其中，Q′t(s′ts,a′ta)表示第t代子代个体进化奖励值，s′ts表示第t代子代个体进化状态，a′ta表示第t代子代个体进化方法，better表示个体为更好状态，inferior表示个体为更差状态，DE/rand/1表示随机进化方法，DE/best/1表示最优进化方法，DE/current-to-best/1表示迈向最优进化方法，α和γ分别表示学习率和折扣率，Rt+1表示第t代子代个体奖励，Q(s′ts+1,a′ta)表示第t代子代个体获得的总积累奖励，
表示取最大值，←表示赋值运算，f(xt)表示第t代子代个体的适应值，f(xt+1)表示第t+1代子代个体的适应值。
采用上述进一步方案的有益效果为：提供个体状态与进化方法关系模型更新后子代个体状态与进化方法关系模型，通过强化学习之后，每个个体都通过强化学习的方式，自动选择变异算法，让算法的搜索性能更优。
本发明还提供一种磁饱和同步发电机稳态运行时内部变量的求解方法的系统，包括：
关系模型构建模块，用于构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型；
初始种群构建模块，用于根据内部变量与目标响应值的关系模型定义计算空间xi,j，并在设计空间内构建初始种群；
种群划分小生境方法获取模块，用于基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法；
个体适应值和适应值评价总次数获取模块，基于强化学习模型和当前代子种群对应的小生境方法对当前代子种群中的个体进行差分进化，得到当前代子代个体一一对应的适应值和适应值评价总次数；
适应值评价总次数判断模块，用于判断适应值评价总次数是否等于预设值；
磁饱和同步发电机内部变量根获取模块，将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根，完成磁饱和同步发电机稳态运行时内部变量的求解。
本发明的有益效果为：本发明提供的磁饱和同步发电机稳态运行时内部变量的求解方法的系统为本发明提供的磁饱和同步发电机稳态运行时内部变量的求解方法对应设置的系统，用于实现磁饱和同步发电机稳态运行时内部变量的求解方法。
附图说明
图1为本发明实施例中磁饱和同步发电机稳态运行时内部变量的求解方法的步骤流程图。
图2为本发明实施例中磁饱和同步发电机稳态运行时内部变量的求解方法与NCDE算法和NSDE算法效果比较图。
图3为本发明实施例中磁饱和同步发电机稳态运行时内部变量的求解方法的系统框图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，本发明提供一种磁饱和同步发电机稳态运行时内部变量的求解方法，包括如下步骤：
S1、构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型；
某同步发电机的饱和系数
同步电抗xd＝xq＝2.264，电枢反应电抗xad＝xaq＝2.104，励磁绕组自感xF＝2.209，励磁绕组电阻rF＝0.0008，定子电阻r＝0.02(均为不饱和值)，稳态运行有功为P＝0.8，无功为Q＝0.4，机端电压为U＝1.0∠0，需求解该机组内部变量；
由同步发电机稳态运行时各内部变量的关系以及磁路饱和因素构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型，所述磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的表达式如下：
其中，δ表示功率角，
表示功率因素角，Eq表示气隙电势，xad(sa)和xad(un)分别表示饱和直轴电枢反应电抗以及不饱和直轴电枢反应电抗，IΣ表示合成电流；
S2、根据内部变量与目标响应值的关系模型定义计算空间，并在设计空间内构建初始种群；
所述步骤S2中构建初始种群的表达式如下：
其中，xi,j表示初始种群中的个体，x j表示计算空间的下限，randj表示0到1区间的随机数，·表示乘运算，
表示计算空间的上限；
S3、基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法；
所述步骤S3包括如下步骤：
S31、基于强化学习模型，定义种群多样性的状态、小生境方法和奖励值，并构建种群多样性的状态与小生境方法关系模型；
所述步骤S31中种群多样性的状态与小生境方法关系模型的表达式如下：
其中，Q(s,a)表示种群多样性奖励值，a表示种群多样性的小生境方法，s表示种群多样性的状态，crowding表示邻域拥挤小生境方法，speciation表示邻域物种小生境方法，Better表示种群多样性为更好状态，Inferior表示种群多样性为更差状态；
所述邻域拥挤小生境方法crowding包括如下步骤：
A1、计算种群中个体xi到种群
中所有个体的欧式距离dis；
所述欧氏距离表达式如下：
其中，xk表示种群
中任一个体；
A2、根据dis找出离xi最近的m个个体，形成子种群；
A3、通过个体变异、交叉和旋转等操作得到子种群；
所述领域物种小生境方法speciation包括如下步骤：
B1、对种群中个体的目标函数值从小到大排列；
B2、计算xi到种群
中所有个体的欧式距离；
B3、找出离xi最近的m个个体，形成子种群；
B4、判断种群
的个数是否为0，若是则子种群划分结束，否则返回步骤B2；
S32、基于状态与小生境方法关系模型划分初始种群，得到若干代子种群；
S33、利用密度聚类算法比较第p代子种群的数量与第p-1代子种群数量，得到第p代子种群奖励Rp+1；
所述密度聚类算法为：分别对当前种群多样性和上一代种群的多样性进行判断，并确定当前子种群状态，当子种群数量多于上一代种群数量时，表示示当前种群多样性比上一代要好，那么状态为Better，否则，状态为Inferior；
S34、根据第p代子种群奖励Rp+1对种群多样性的状态与小生境方法关系模型更新，得到第p代子种群多样性的状态与小生境方法关系模型；
所述步骤S34中第p代子种群多样性的状态与小生境方法关系模型表达式如下：
其中，Q(sps,apa)表示第p代子种群多样性奖励值，sps表示第p代子种群多样性的状态，apa表示第p代子种群多样性的小生境方法，crowding表示邻域拥挤小生境方法，speciation表示邻域物种小生境方法，Better表示种群多样性为更好状态，Inferior表示种群多样性为更差状态，α和γ分别表示学习率和折扣率，Rp+1表示第p代子种群奖励，Q(sps+1,apa)表示第p代子种群获得的总积累奖励，
表示取最大值，←表示赋值运算，diversity(iter-1)表示第p-1代子种群的数量，diversity(iter)表示第p代子种群的数量；
S35、利用第p代子种群多样性的状态与小生境方法关系模型和Softmax模型，得到第p代子种群对应的小生境方法；
所述步骤S35中的Softmax模型表达式如下：
其中，π(sps,apa)表示邻域拥挤小生境方法和邻域物种小生境方法的分段概率值，Q(sps,apa)表示第p代子种群多样性奖励值，T表示控制参数，当随机值落入crowding和speciation两种小生境方法分别所属的概率段时，即选择该类小生境方法；
S36、判断是否能继续划分种群，若是则将p代子种群的数量作为第p-1代子种群的数量，并返回步骤S33，否则进入步骤S37；
S37、将第p代子种群作为当前代子种群，并将第p代子种群对应的小生境方法作为当前代子种群对应的小生境方法。
S4、基于强化学习模型和当前代子种群对应的小生境方法对当前代子种群中的个体进行差分进化，得到当前代子代个体一一对应的适应值和适应值评价总次数；
所述步骤S4包括如下步骤：
S41、基于强化学习模型和各代子种群对应的小生境方法，定义当前代子种群中个体的状态、进化方法和奖励值，并构建个体的状态与进化方法关系模型；
所述步骤S41中个体的状态与进化方法关系模型的表达式如下：
其中，Q′(s′,a′)表示个体进化奖励值，s′表示个体进化状态，a′表示个体进化方法，better表示个体为更好状态，inferior表示个体为更差状态，DE/rand/1表示随机进化方法，DE/best/1表示最优进化方法，DE/current-to-best/1表示迈向最优进化方法；
所述随机进化方法rand的表达式如下：
Vi＝xr1+F·(xr2-xr3)
所述最优进化方法best的表达式如下：
Vi＝xr1+F·(xbest-xr3)
所述迈向最优进化方法current-to-best的表达式如下：
Vi＝xr1+F·(xbest-xr1)+F·(xr2-xr3)
其中，Vi表示进化后的子代个体，xr1、xr2和xr3分别表示第一个体、第二个体和第三个体，xbest表示最优个体，F表示缩放因子，其中，F＝0.5；
S42、通过交叉操作，得到若干子代个体和各子代个体对应的适应值；
所述子代个体ui,j表达式如下：
其中，j表示当前维度，CR表示交叉概率，其中CR＝0.9，randj表示0到1间的随机数，jrand表示决策变量的某一随机维度，otherwise表示其它情况，υi,j表示变异个体，xi,j表示初始种群中的个体；
S43、通过比较第t代子代个体的适应值与第t-1代子代个体的适应值，得到第t代子代个体奖励Rt+1；
S44、根据第t代子代个体奖励Rt+1对个体的状态与进化方法关系模型更新，得到第t代子代个体状态与进化方法关系模型；
所述步骤S44中第t代子代个体状态与进化方法关系模型的表达式如下：
其中，Q′t(s′ts,a′ta)表示第t代子代个体进化奖励值，s′ts表示第t代子代个体进化状态，a′ta表示第t代子代个体进化方法，better表示个体为更好状态，inferior表示个体为更差状态，DE/rand/1表示随机进化方法，DE/best/1表示最优进化方法，DE/current-to-best/1表示迈向最优进化方法，α和γ分别表示学习率和折扣率，Rt+1表示第t代子代个体奖励，Q(s′ts+1,a′ta)表示第t代子代个体获得的总积累奖励，
表示取最大值，←表示赋值运算，f(xt)表示第t代子代个体的适应值，f(xt+1)表示第t+1代子代个体的适应值；
S45、获取当前适应值评价总次数；
S46、判断是否能继续进行子代划分，若是则将第t代子代个体作为第t-1代子代个体并返回步骤S43，否则进入步骤S47；
S47、将第t代子代个体的适应值作为当前代子代个体一一对应的适应值，并将当前适应值评价总次数作为适应值评价总次数；
S5、判断适应值评价总次数是否等于预设值，若是则进入步骤S6，否则返回步骤S3；
S6、将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根，完成磁饱和同步发电机稳态运行时内部变量的求解；
通过万能公式转换磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型得到一多项式方程组如下：
其中，机组内部变量
x2＝IΣ，x3＝xad(sa)，x4＝id，x5＝Uq，x6＝iq，x7＝if，x8＝Eq，各不同变量的最小值为xmin＝[-3,-1,-2,-1,-1,-0.5,-1.5,-1.5]，各不同变量的最大值为xmax＝[1,1,2,1,1,0.5,1.5,1.5]；
如图2所示，通过本实施例提供的磁饱和同步发电机稳态运行时内部变量的求解方法，即基于两阶段强化学习的差分进化算法TSRL-DE与基于拥挤的邻域差分进化算法NCDE和基于物种的邻域差分进化算法NSDE进行对比，其中DE表示差分进化，设置适应值评价总次数NFE＝500000，每个算法测试30次，并采用平均找根率(RR)和成功找到所有根的概率(SR)验证算法性能，对比结果如表1所示：
表1
| Metrics(指标) | NCDE | NSDE | TSRL-DE |
| RR | 0.53 | 0.48 | 0.92 |
| SR | 0.00 | 0.00 | 0.51 |
通过表1得到，在相同的时间成本限制内，本实施例的方法获得了最好的结果，且稳定性比较高，本实例的方法在计算非线性方程组问题中有良好的表现；此外在对比的所有算法中，本实施例的收敛速度最快，可以体现本实施例在提高多根查找效率上的有效性。
本发明的有益效果为：本发明提供的一种磁饱和同步发电机稳态运行时内部变量的求解方法，基于强化学习模型分别构建了种群多样性的状态与小生境方法关系模型、子种群多样性的状态与小生境方法关系模型、个体的状态与进化方法关系模型和子代个体状态与进化方法关系模型，有效地利用不同多样性保持方法的搜索优点，较好的维持了种群的多样性，提高算法探寻更多的搜索空间，合理利用不同变异策略的搜索特性，较好地提升了算法的搜索效率，灵活性较好，适用性较强；本发明可以对非线性方程组进行较好的求解，并提高了最优解的精度，且可广泛适用于多模态问题的设计优化；本发明提供的方法结合了强化学习的学习能力和差分进化算法的寻优能力，加快了算法多根查找的速度，提高了RR和SR值，灵活性好，适用性强。
如图3所示，在本发明的另一个实用实例中，本发明提供一种磁饱和同步发电机稳态运行时内部变量的求解方法的系统，包括：
关系模型构建模块，用于构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型；
初始种群构建模块，用于根据内部变量与目标响应值的关系模型定义计算空间xi,j，并在设计空间内构建初始种群；
种群划分小生境方法获取模块，用于基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法；
个体适应值和适应值评价总次数获取模块，基于强化学习模型和当前代子种群对应的小生境方法对当前代子种群中的个体进行差分进化，得到当前代子代个体一一对应的适应值和适应值评价总次数；
适应值评价总次数判断模块，用于判断适应值评价总次数是否等于预设值，若是则将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根，否则基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法；
磁饱和同步发电机内部变量根获取模块，将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根，完成磁饱和同步发电机稳态运行时内部变量的求解；
实施例提供的磁饱和同步发电机稳态运行时内部变量的求解方法的系统可以执行上述方法实施例磁饱和同步发电机稳态运行时内部变量的求解方法所示的技术方案，其实现原理与有益效果类似，此处不再赘述。
本发明实施例中，本申请可以根据磁饱和同步发电机稳态运行时内部变量的求解方法进行功能单元的划分，例如可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现，也可以采用软件功能单元的形式来实现。需要说明的是，本发明中对单元的划分是示意性的，仅仅为一种逻辑划分，实际实现时可以有另外的划分方式。
本发明实施例中，基于磁饱和同步发电机稳态运行时内部变量的求解方法的系统为了磁饱和同步发电机稳态运行时内部变量的求解方法的原理与有益效果，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本发明所公开的实施例描述的各示意单元及算法步骤，本发明能够以硬件和/或硬件和计算机软件结合的形式来实现，某个功能以硬件还是计算机软件驱动的方式来执行，取决于技术方案的特定应用和设计约束条件，可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
Claims (9)
1.一种磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，包括如下步骤：
S1、构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型；
S2、根据内部变量与目标响应值的关系模型定义计算空间，并在设计空间内构建初始种群；
S3、基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法；
所述步骤S3包括如下步骤：
S31、基于强化学习模型，定义种群多样性的状态、小生境方法和奖励值，并构建种群多样性的状态与小生境方法关系模型；
S32、基于状态与小生境方法关系模型划分初始种群，得到若干代子种群；
S33、利用密度聚类算法比较第p代子种群的数量与第p-1代子种群数量，得到第p代子种群奖励Rp+1；
S34、根据第p代子种群奖励Rp+1对种群多样性的状态与小生境方法关系模型更新，得到第p代子种群多样性的状态与小生境方法关系模型；
S35、利用第p代子种群多样性的状态与小生境方法关系模型和Softmax模型，得到第p代子种群对应的小生境方法；
S36、判断是否能继续划分种群，若是则将p代子种群的数量作为第p-1代子种群的数量，并返回步骤S33，否则进入步骤S37；
S37、将第p代子种群作为当前代子种群，并将第p代子种群对应的小生境方法作为当前代子种群对应的小生境方法；
S4、基于强化学习模型和当前代子种群对应的小生境方法对当前代子种群中的个体进行差分进化，得到当前代子代个体一一对应的适应值和适应值评价总次数；
S5、判断适应值评价总次数是否等于预设值，若是则进入步骤S6，否则返回步骤S3；
S6、将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根，完成磁饱和同步发电机稳态运行时内部变量的求解。
2.根据权利要求1所述的磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，所述步骤S2中构建初始种群的表达式如下：
其中，xi,j表示初始种群中的个体，xj表示计算空间的下限，randj表示0到1区间的随机数，·表示乘运算，
表示计算空间的上限。
3.根据权利要求1所述的磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，所述步骤S31中种群多样性的状态与小生境方法关系模型的表达式如下：
其中，Q(s,a)表示种群多样性奖励值，a表示种群多样性的小生境方法，s表示种群多样性的状态，crowding表示邻域拥挤小生境方法，speciation表示邻域物种小生境方法，Better表示种群多样性为更好状态，Inferior表示种群多样性为更差状态。
4.根据权利要求1所述的磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，所述步骤S34中第p代子种群多样性的状态与小生境方法关系模型表达式如下：
其中，Q(sps,apa)表示第p代子种群多样性奖励值，sps表示第p代子种群多样性的状态，apa表示第p代子种群多样性的小生境方法，crowding表示邻域拥挤小生境方法，speciation表示邻域物种小生境方法，Better表示种群多样性为更好状态，Inferior表示种群多样性为更差状态，α和γ分别表示学习率和折扣率，Rp+1表示第p代子种群奖励，Q(sps+1,apa)表示第p代子种群获得的总积累奖励，
表示取最大值，←表示赋值运算，diversity(iter-1)表示第p-1代子种群的数量，diversity(iter)表示第p代子种群的数量。
5.根据权利要求1所述的磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，所述步骤S35中的Softmax模型表达式如下：
其中，π(sps,apa)表示邻域拥挤小生境方法和邻域物种小生境方法的分段概率值，Q(sps,apa)表示第p代子种群多样性奖励值，T表示控制参数。
6.根据权利要求1所述的磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，所述步骤S4包括如下步骤：
S41、基于强化学习模型和各代子种群对应的小生境方法，定义当前代子种群中个体的状态、进化方法和奖励值，并构建个体的状态与进化方法关系模型；
S42、通过交叉操作，得到若干子代个体和各子代个体对应的适应值；
S43、通过比较第t代子代个体的适应值与第t-1代子代个体的适应值，得到第t代子代个体奖励Rt+1；
S44、根据第t代子代个体奖励Rt+1对个体的状态与进化方法关系模型更新，得到第t代子代个体状态与进化方法关系模型；
S45、获取当前适应值评价总次数；
S46、判断是否能继续进行子代划分，若是则将第t代子代个体作为第t-1代子代个体并返回步骤S43，否则进入步骤S47；
S47、将第t代子代个体的适应值作为当前代子代个体一一对应的适应值，并将当前适应值评价总次数作为适应值评价总次数。
7.根据权利要求6所述的磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，所述步骤S41中个体的状态与进化方法关系模型的表达式如下：
其中，Q′(s′,a′)表示个体进化奖励值，s′表示个体进化状态，a′表示个体进化方法，better表示个体为更好状态，inferior表示个体为更差状态，DE/rand/1表示随机进化方法，DE/best/1表示最优进化方法，DE/current-to-best/1表示迈向最优进化方法。
8.根据权利要求6所述的磁饱和同步发电机稳态运行时内部变量的求解方法，其特征在于，所述步骤S44中第t代子代个体状态与进化方法关系模型的表达式如下：
其中，Qt′(st′s,at′a)表示第t代子代个体进化奖励值，st′s表示第t代子代个体进化状态，at′a表示第t代子代个体进化方法，better表示个体为更好状态，inferior表示个体为更差状态，DE/rand/1表示随机进化方法，DE/best/1表示最优进化方法，DE/current-to-best/1表示迈向最优进化方法，α和γ分别表示学习率和折扣率，Rt+1表示第t代子代个体奖励，Q(st′s+1,at′a)表示第t代子代个体获得的总积累奖励，
表示取最大值，←表示赋值运算，f(xt)表示第t代子代个体的适应值，f(xt+1)表示第t+1代子代个体的适应值。
9.一种磁饱和同步发电机稳态运行时内部变量的求解方法的系统，其特征在于，包括：
关系模型构建模块，用于构建磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型；
初始种群构建模块，用于根据内部变量与目标响应值的关系模型定义计算空间xi,j，并在设计空间内构建初始种群；
种群划分小生境方法获取模块，用于基于强化学习模型，并动态选择小生境方法划分初始种群，得到当前代子种群和当前代子种群对应的小生境方法，包括如下步骤：
S31、基于强化学习模型，定义种群多样性的状态、小生境方法和奖励值，并构建种群多样性的状态与小生境方法关系模型；
S32、基于状态与小生境方法关系模型划分初始种群，得到若干代子种群；
S33、利用密度聚类算法比较第p代子种群的数量与第p-1代子种群数量，得到第p代子种群奖励Rp+1；
S34、根据第p代子种群奖励Rp+1对种群多样性的状态与小生境方法关系模型更新，得到第p代子种群多样性的状态与小生境方法关系模型；
S35、利用第p代子种群多样性的状态与小生境方法关系模型和Softmax模型，得到第p代子种群对应的小生境方法；
S36、判断是否能继续划分种群，若是则将p代子种群的数量作为第p-1代子种群的数量，并返回步骤S33，否则进入步骤S37；
S37、将第p代子种群作为当前代子种群，并将第p代子种群对应的小生境方法作为当前代子种群对应的小生境方法；
个体适应值和适应值评价总次数获取模块，基于强化学习模型和当前代子种群对应的小生境方法对当前代子种群中的个体进行差分进化，得到当前代子代个体一一对应的适应值和适应值评价总次数；
适应值评价总次数判断模块，用于判断适应值评价总次数是否等于预设值；
磁饱和同步发电机内部变量根获取模块，将当前子代个体中适应值为零的子代个体作为磁饱和同步发电机稳态运行时内部变量与目标响应值的关系模型的根，完成磁饱和同步发电机稳态运行时内部变量的求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604140.6A CN114266199B (zh) | 2021-12-24 | 2021-12-24 | 磁饱和同步发电机稳态运行时内部变量的求解方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604140.6A CN114266199B (zh) | 2021-12-24 | 2021-12-24 | 磁饱和同步发电机稳态运行时内部变量的求解方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114266199A CN114266199A (zh) | 2022-04-01 |
| CN114266199B true CN114266199B (zh) | 2023-06-16 |
Family
ID=80830263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111604140.6A Active CN114266199B (zh) | 2021-12-24 | 2021-12-24 | 磁饱和同步发电机稳态运行时内部变量的求解方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266199B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829552B (zh) * | 2024-03-04 | 2024-06-14 | 北京理工大学 | 一种基于赛汝生产调度的鲁棒优化方法、装置和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160196A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工业大学 | 一种基于动态变异策略的群体全局优化方法 |
| CN113504568A (zh) * | 2021-07-09 | 2021-10-15 | 吉林大学 | 一种基于小生境差分进化算法的中值滤波方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106646347B (zh) * | 2016-11-25 | 2019-01-04 | 天津津航计算技术研究所 | 基于小生境差分进化的多重信号分类谱峰搜索方法 |
| US10705492B2 (en) * | 2017-06-12 | 2020-07-07 | PassiveLogic, Inc. | Heuristic method of automated and learning control, and building automation systems thereof |
| CN108512707A (zh) * | 2018-04-18 | 2018-09-07 | 南京邮电大学 | Web服务组合的参数自适应小生境差分进化方法 |
| CN113010986B (zh) * | 2021-03-17 | 2023-02-14 | 西北大学 | 一种基于强化学习与随机优化算法的天线阵列设计方法 |
-
2021
- 2021-12-24 CN CN202111604140.6A patent/CN114266199B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160196A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工业大学 | 一种基于动态变异策略的群体全局优化方法 |
| CN113504568A (zh) * | 2021-07-09 | 2021-10-15 | 吉林大学 | 一种基于小生境差分进化算法的中值滤波方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114266199A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114266199B (zh) | 磁饱和同步发电机稳态运行时内部变量的求解方法及系统 | |
| CN102750286B (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
| CN103927580A (zh) | 一种基于改进人工蜂群算法的工程约束参数优化方法 | |
| CN106411572A (zh) | 一种结合节点信息和网络结构的社区发现方法 | |
| CN111709560A (zh) | 一种基于改进蚁群算法的解决车辆路径问题方法 | |
| Epitropakis et al. | Multimodal optimization using niching differential evolution with index-based neighborhoods | |
| CN113098008A (zh) | 一种基于改进政治优化算法的光储容量优化配置方法 | |
| CN113052537A (zh) | 一种基于启发式粒子群算法的物流车辆低碳路线规划方法 | |
| CN104731887B (zh) | 一种协同过滤中的用户相似度度量方法 | |
| Furqan et al. | Performance of arithmetic crossover and heuristic crossover in genetic algorithm based on alpha parameter | |
| CN114580762A (zh) | 一种基于XGBoost的水文预报误差校正方法 | |
| CN106600119A (zh) | 基于k均值的电力用户聚类方法及装置 | |
| CN104657949B (zh) | 一种煤泥浮选泡沫图像去噪中结构元素优化的方法 | |
| CN106815656B (zh) | 一种梯级水库蓄能调度图获取方法 | |
| CN106548301A (zh) | 电力用户聚类方法及装置 | |
| CN107507157B (zh) | 一种改进的图像增强方法 | |
| CN111161089A (zh) | 基于copra的重叠社区划分方法 | |
| CN104021563B (zh) | 基于多目标模糊聚类和反对学习的噪声图像分割方法 | |
| CN115221787A (zh) | 基于nsga-ⅱ的圆筒型永磁直线电机多目标优化方法和系统 | |
| CN112101655B (zh) | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 | |
| CN107679326A (zh) | 一种二值fprm电路面积与延时综合优化方法 | |
| Pei et al. | Image segmentation based on differential evolution algorithm | |
| CN108876648B (zh) | 基于节点覆盖范围的社交网络影响力最大化方法及系统 | |
| CN108363303B (zh) | 基于ar偏好信息的差分进化铝电解多目标优化方法 | |
| CN112183843A (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 |
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 |