CN116882279B - 针对电源的实验设计优化方法及装置 - Google Patents
针对电源的实验设计优化方法及装置 Download PDFInfo
- Publication number
- CN116882279B CN116882279B CN202310832439.XA CN202310832439A CN116882279B CN 116882279 B CN116882279 B CN 116882279B CN 202310832439 A CN202310832439 A CN 202310832439A CN 116882279 B CN116882279 B CN 116882279B
- Authority
- CN
- China
- Prior art keywords
- design
- sub
- power supply
- area
- particle
- 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
- 238000013461 design Methods 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005457 optimization Methods 0.000 title claims abstract description 70
- 238000002474 experimental method Methods 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000013401 experimental design Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims description 65
- 238000011156 evaluation Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000006185 dispersion Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000007667 floating Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000006698 induction Effects 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003050 experimental design method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/373—Design optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种针对电源的实验设计优化方法及装置，包括：基于先验信息确定电源的设计变量并对设计变量进行设计区域划分，得到一系列的子设计区域；计算各子设计区域的体积大小和波动性大小；基于各子设计区域的体积大小和波动性大小，确定各子设计区域的样本点个数，进而对各子设计区域进行采样得到试验样本点，将电源设计的试验样本点与电源实验后的导通电压组成样本集；基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的Kriging代理模型，完成电源的实验设计优化。本发明可以有效减少建模精度要求所带来的对实验样本量的需求。
Description
技术领域
本发明主要涉及到试验设计技术领域，尤其是一种针对电源的实验设计优化方法及装置。
背景技术
优化设计是以最优化理论为基础，以计算机为手段，根据所设定的性能指标建立目标函数，基于约束条件建立约束函数，寻求最优的设计方案。优化设计技术是数字化设计与制造以及产品创新设计的重要核心技术，对提高产品、装备、工程结构的设计水平、质量和性能、降低成本具有重要的意义。但是随着制造业的发展，复杂产品的输入输出关系往往是隐式的，属于“黑箱问题”，难以建立精确的数学表达式进行优化，同时依靠大量成本高昂且耗时的实验难以实现在较短研发周期内以较低成本达到优化目标。因此需要一定手段在满足设计要求的同时，减少实验成本。
为了在短时间内达到优化目标，并减少对实验样本量的需求，需要对优化设计进行改进。在实际优化领域，由于成本的约束，样本量无法满足优化设计的需求，因此最终优化结果是给定设计水平的局部最优值。若是能在实验数据的基础上建立数学模型，利用优化算法求取最优值则可以得到更优的结果。代理模型方法作为一种建立近似数学函数模型的方法，利用离散实验数据进行拟合，运用具有普遍性和很大的灵活性。
随着代理模型的研究和深入，Kriging建模方法由于其近似精度高，全局近似能力最强等众多优点逐渐成为解决复杂产品输入输出为“黑箱问题”的主流方法之一。Kriging模型的建立分为两部分，第一部分实验设计，通过设计出合适的样本点，通过实验得到实验数据，作为样本集；第二部分是模型建立，利用样本集进行插值计算，得到输入与输出之间的近似函数模型。
常用的实验设计方法所选用的样本点没有针对性，其所体现的真是模型信息量难以估量。而实验样本的信息量在极大程度上影响了模型的精度，因此实验设计的重点在于如何选取高质量的样本点，质量更高的样本点能反映出更多真实模型的信息，在一定程度上可以减少对实验样本量的需求。模型建立需要稳定且高效，因此其重点在于如何更快更准地求出Kriging模型的相关模型参数。
目前，针对减少样本量需求的代理模型建立问题已经有了大量研究，主流方法是序贯实验设计方法，部分学者还研究了信赖域理论，深度优先算法等方法在这方面的应用，虽然优化设计领域已取得了较多成果，但仍然存在以下不足之处：
(1)序贯实验初始样本点的样本质量并没有有效提高。
(2)序贯实验设计需要多次迭代求解，延长了实验时间。
(3)Kriging相关模型参数稳定性不足，精确度不够。
因此，如何选取质量更高的试验样本点和如何更有效更稳定地建立代理模型，仍然是亟待解决的关键问题。
发明内容
针对现有技术存在的技术问题，本发明提出一种谐振器电容介质电荷积聚效应表征方法及装置。本发明旨在通过充分利用先验信息，建立一种针对电源的实验设计优化方法。
为实现上述目的，本发明采用的技术方案如下：
一方面本发明提出一种针对电源的实验设计优化方法，包括：
获取电源的设计变量及设计变量的设计空间范围；
对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的电源Kriging代理模型，完成电源的实验设计优化。
进一步地，所述电源的设计变量类型及设计变量的数目根据电源类型以及对应的电路结构确定，设计变量为电源电路中各组成元器件的物理参数，所述组成元器件包括电阻、电容或/和电感线圈，其中电阻的物理参数为电阻值，电容的物理参数为电容值，电感线圈的物理参数为线圈感量。
进一步地，获得一系列的子设计区域，方法包括：
由多个专家根据电源设计或/和电源实验结果先验信息对各设计变量的设计空间范围进行划分，不同专家对于同一设计变量的设计空间范围的划分段数相同，不同设计变量的设计空间范围的划分段数相同或者不同；
基于费马点对不同专家对于同一设计变量的划分结果进行择优，得到各设计变量的设计空间范围的最优划分结果；
根据各设计变量的设计空间范围的最优划分结果得到一系列的子设计区域。
进一步地，计算各子设计区域的波动性大小，包括：
设定电源波动性评价指标，包括导通电压U的浮动率C1、浮动范围C2以及最值出现可能性C3；同时给定各电源波动性评价指标的权重；
获得各专家对各子设计区域的评分结果，获得专家评分矩阵；
基于各专家对各子设计区域的评分结果，获得专家评分矩阵的RFm矩阵；
求解专家评分矩阵与RFm矩阵之间的距离矩阵；
基于所述距离矩阵得到得到各子设计区域下的专家客观权重
基于各子设计区域下的专家客观权重构建各子设计区域的加权犹豫模糊集；
基于各子设计区域的加权犹豫模糊集、各子设计区域下各电源波动性评价指标的得分值和离散度，计算各子设计区域中响应的波动性大小的评价结果。
另一方面，本发明提供一种针对电源的实验设计优化装置，包括：
第一模块，用于获取电源的设计变量及设计变量的设计空间范围；
第二模块，用于对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
第三模块，用于基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
第四模块，用于基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
第五模块，用于将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
第六模块，用于基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的Kriging代理模型，完成电源的实验设计优化。
另一方面，本发明提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取电源的设计变量及设计变量的设计空间范围；
对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的电源Kriging代理模型，完成电源的实验设计优化。
另一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取电源的设计变量及设计变量的设计空间范围；
对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的电源Kriging代理模型，完成电源的实验设计优化。
相比现有技术，本发明的技术效果：
本发明创造性的提出一种针对电源的实验设计优化方法，更有效地利用先验信息，用于指导电源实验设计，极大提高试验样本点成为高质量点的可能性。可以有效减少建模精度要求所带来的对实验样本量的需求。
进一步地，本发明以加权犹豫模糊集描述先验信息，使得先验信息的表达更加合理，很好地适应专家评价存在同质和冲突的情况的情况。
本发明在建立Kriging代理模型时，选取了质量更高的样本点，从而使得代理模型精度更高，对实验样本量的需求更小。
进一步地，本发明采用PSO算法与Kriging建模方法结合，使得Kriging相关模型参数的计算更加准确和有效。
进一步地，本发明的实验设计优化方法，其实不管针对电源这种类型的产品，对于其他产品通过给定产品的设计变量及设计变量的设计空间范围，基于本发明的方法划分子设计区域，构建各子设计区域的加权犹豫模糊集，计算各子设计区域的几何范围大小和波动性大小，进而确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点。最后基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的Kriging代理模型，完成对应产品的实验设计优化。因此本发明实质上提供了一种能够应用于各种产品的试验设计优化方法，可以广泛应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是一实施例的流程图；
图2是一实施例的子设计区域的划分图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，在本发明的一实施例中，提供一种针对电源的实验设计优化方法，包括：
获取电源的设计变量及设计变量的设计空间范围；
对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的电源Kriging代理模型，完成电源的实验设计优化。
可以理解，本发明的电源类型不限，如各种家用电器的电源、电子产品的电源等等均可以应用。进一步地，所述电源的设计变量类型及设计变量的数目根据电源类型以及对应的电路结构确定，设计变量为电源电路中各组成元器件的物理参数，所述组成元器件包括电阻、电容或/和电感线圈，其中电阻的物理参数为电阻值，电容的物理参数为电容值，电感线圈的物理参数为线圈感量。如一实施例以电饭锅电源作为实验设计优化的对象，将线圈感量L，线盘内锅高度H，谐振电容LC作为电饭锅电源的设计变量，本领域技术人员可以根据工作经验、公知常识或者惯用手段给定各设计变量的设计空间范围。然后由本领域的多位专家根据以往电源设计和相似产品的电源实验结果对设计变量(线圈感量L，线盘内锅高度H，谐振电容LC)进行设计区域划分，基于费马点思想计算最终设计区域划分划分结果。同样由专家根据先验信息和给定波动性指标(导通电压U的浮动率C1，浮动范围C2，最值出现可能性C3)评价划分后的子设计区域的波动性大小并构建加L，H和LC的权犹豫模糊集，由加权犹豫模糊集评价法衡量子设计区域波动性大小；根据子设计区域波动性大小和几何范围大小得到各子设计区域的试验样本点个数，以此分区域进行汉默斯里序列采样得到试验样本点，将电源设计的试验样本点与实验后的导通电压组成样本集。基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的电源Kriging代理模型，完成电源的实验设计优化。
一实施例中，提出一种获取子设计区域的方法，具体包括：
由多个专家根据电源设计或/和电源实验结果先验信息对各设计变量的设计空间范围进行划分，不同专家对于同一设计变量的设计空间范围的划分段数相同，不同设计变量的设计空间范围的划分段数相同或者不同；
基于费马点对不同专家对于同一设计变量的划分结果进行择优，得到各设计变量的设计空间范围的最优划分结果；
根据各设计变量的设计空间范围的最优划分结果得到一系列的子设计区域。
一实施例中，以电饭锅电源作为实验设计优化的对象，电饭锅电源优化设计的决策问题表述如下：假设专家ek(k＝1,2,...,t)根据评价导通电压U的浮动率C1，浮动范围C2，最值出现可能性C3对待选方案Ai(i＝1,2,...,n)给出打分对于获取子设计区域的方法，包括：
给定三个设计变量Xa(a＝1,2,3)的实验区间，这三个设计变量分别是：线圈感量L，线盘内锅高度H和谐振电容LC。由专家ek(k＝1,2,...,t)根据以往电源设计和相似产品的实验结果将各实验区间划分成{[xak1,xak2],[xak2,xak3],...,[xak(b-1),xakb]}，其中b＝2,3,...,ga，同一因素划分的段数相同，不同的因素段数可不同。
基于费马点的思想，将不同专家对同一因素的划分结果利用(1)式计算，得到作为最终分段结果，即：/>其中/>代表因素Xa实验区间得最终分段结果中第ga-1个区间的左端点。
由分段结果获得子设计域Ai(i＝1,2,...,n)，并计算各子设计域的几何范围大小其中/>以线圈感量L，线盘内锅高度H两因子为例，线圈感量L分为两段，线盘内锅高度H分为三段，则子设计域共2×3＝6个子设计域，子设计域如图2所示，区域4的面积/>计算为：/>
一实施例中，提出一种计算各子设计区域的波动性大小的方法，包括：
设定电源波动性评价指标，包括导通电压U的浮动率C1、浮动范围C2以及最值出现可能性C3；同时给定各电源波动性评价指标的权重；
获得各专家对各子设计区域的评分结果，获得专家评分矩阵；
基于各专家对各子设计区域的评分结果，根据获得专家评分矩阵的RFm矩阵，其中t表示专家的总数，k代表第k个专家的序号，/>代表待求的RFm矩阵中第i行、第j列的元素，其中i代表第i个子设计区域的序号，j代表第j个电源波动性评价指标的序号，/>表示第k个专家根据第j个电源波动性评价指标对第i个子设计区域的评分结果；
求解专家评分矩阵与RFm矩阵之间的距离矩阵D，其中距离矩阵D中的元素m代表电源波动性评价指标的总数；
基于所述距离矩阵得到得到各子设计区域下的专家客观权重n代表子设计区域的总数；
基于各子设计区域下的专家客观权重构建各子设计区域的加权犹豫模糊集其中/> 表示第i个子设计区域Ai在第j个电源波动性评价指标Cj下的犹豫模糊元，ωrij为rij的权重，rij表示最值出现可能性C3对第i个子设计区域Ai的给出评价值，rij∈[0,1]；N(rij)为给出评价值rij的评价者人数，且/>
计算各子设计区域下各电源波动性评价指标的得分值和离散度；
基于各子设计区域下各电源波动性评价指标的得分值和离散度，计算各子设计区域中响应的波动性大小的评价结果Sci。
一实施例中，提出一种计算各子设计区域下各电源波动性评价指标的得分值的方法，具体地通过下式计算各子设计区域下各电源波动性评价指标的得分值：
其中sij表示第i个子设计区域Ai在第j个电源波动性评价指标下的得分值；
一实施例中，提出一种计算各子设计区域下各电源波动性评价指标的离散度的方法，具体地通过下式计算各子设计区域下各电源波动性评价指标的离散度：
其中，vij表示第i个子设计区域Ai在第j个电源波动性评价指标下的离散度。
一实施例中，提供一种计算各子设计区域中响应的波动性大小的评价结果的方法，具体地包括：
基于各子设计区域在各电源波动性评价指标下的得分值、离散度，计算各子设计区域的加权犹豫模糊集之间的距离，包括：对于第i个子设计区域Ai和其他任意一个子设计区域Ai′，i≠i′，i′＝1,2,...,n，Eω(Ai)和Eω(Ai′)分别是子设计区域Ai和子设计区域Ai′的加权犹豫模糊集，子设计区域Ai与子设计区域Ai′的加权犹豫模糊集之间的距离通过下式计算：
其中，Wj为电源波动性评价指标Cj权重；F为收缩因子，与rij的精度有关，当rij精度为0.1时，F取0.55；取最优理想解s+的得分函数值为1，v+离散度为0；sij表示第i个子设计区域Ai在第j个电源波动性评价指标下的得分值，vij表示第i个子设计区域Ai在第j个电源波动性评价指标下的离散度；
基于各子设计区域的加权犹豫模糊集之间的距离，计算各子设计区域间响应的波动性大小的评价结果，其中子设计区域Ai与子设计区域Ai′的响应的波动性大小的评价结果
一实施例中，提供一种确定各子设计区域的样本点个数的方法，具体地各子设计区域的样本点个数由下式确定：
其中num为给定的总样本点数目，为子设计区域Ai的几何范围大小，/>为子设计区域Ai的样本点个数。
接下来，根据各子设计区域的样本点个数安排分别对各子设计区域区域进行汉默斯里序列采样，并进行实验获得导通电压，将试验样本点与导通电压值组成样本集。
一实施例中，提供一种Kriging代理模型构建方法，具体地：所述Kriging代理模型描述为：
Y(X)＝f(X)β+z(X)
式中f(X)＝[f1(X),f2(X),...,fp(X)]T为基函数，β为基函数的系数，z(X)为一个均值为0，方差为σ2，协方差为σ2Rh(θ,Xp,Xq)的随机过程，Xp，Xq表示第p和q个试验样本点，Rh(θ,Xp,Xq)为Kriging模型的相关模型，表征试验样本点之间的相关性，其值随着样本距离的增加而减小，总样本点个数为num，试验样本点为X，基于试验样本点进行电源实验后得到的导通电压值为Y；
则有：
其中r表示第r个试验样本点的序号，θ为相关模型的相关参数。
由无偏估计得到β和σ2的无偏估计值为：
式中F代表基函数f(X)；R代表num×num的相关矩阵，其中元素由相关模型公式求得。
在极大似然估计的条件下，相关参数θ的最优解的优化问题可转化为无约束优化问题对该问题进行求解得到相关参数θ的最优解。
可以理解，本领域技术人员，可以基于现有技术中公开的优化算法中选择一种现有的优化算法去求解本发明上述相关参数θ的无约束优化问题，得到对于的最优解。也就是，本发明不限制优化算法的具体类型，如选用经典的粒子群算法等。
在本发明一优选实施例中提出一种改进的粒子群算法以获得更优的相关参数θ的最优解，采用改进的粒子群算法求解所述相关参数θ的无约束优化问题，得到相关参数θ的最优解，返回Kriging代理模型，得到最终的高精度的电源Kriging代理模型。
为了提高经典粒子群算法搜索质量，以更大概率搜索到全局最优解，本实施例中提出一种改进的粒子群算法将从粒子初始化、方向初始化、划分搜索阶段、自适应学习因子和修正系数四个方面进行改进，具体地：
方向初始化：在随随机生成的初始方向的基础上，给予一个初始化修正方向：
其中表示随机生成的初始方向，/>代表拉丁超立方采样得到的初始粒子点(对应相关参数θ)，/>表示拉丁超立方采样分区间后初始点所属区域的中间点，/>为初始化修正方向，即指向区域边界的方向。
划分搜索阶段：将搜索过程分成粒子各区域搜索和传统粒子群搜索两个阶段。粒子搜索速度公式更新为：
其中，f＝1,2,...,M，M为粒子个数；为当前第k代粒子的速度；c1，c2为学习因子；rand是(0,1)之间的随机数；/>是第f个粒子的历史最优点；/>是整个群体的历史最优点；/>是粒子当前位置；/>为指向中心点的方向，保证粒子由所属区域边界向区域中心进行探索；c3为修正系数，当c3＞0时，搜索过程处于粒子各区域搜索阶段，此时粒子搜索路径主要受各自区域中心点和个体粒子历史最优点影响；当c3＝0时，搜索速度公式和传统粒子群搜索公式一致，搜索过程处传统粒子群搜索阶段。
自适应学习因子和修正系数：传统粒子群算法中c1，c2为常数，会导致探索不充分或无法收敛的问题。为保证粒子前期充分搜索，不过早收敛，c1应该大于c2；为保证算法后期收敛效率高，c1应该小于c2。因此设计学习因子更新公式为：
式中，p为压缩因子，一般取0.5；K表示搜索进度，由下式计算可得：
式中，amax和amin是搜索进度的的最大值和最小值；k为粒子迭代次数；N总代表总迭代次数。
粒子各区域搜索过程中，c3影响粒子搜索方向，避免粒子搜索区域集中于个体粒子历史最小值，保证充分探索各区域，其更新公式为：
式中，Kt为前期搜索终止条件值。
一实施例中，提出一种针对电源的实验设计优化装置，包括：
第一模块，用于获取电源的设计变量及设计变量的设计空间范围；
第二模块，用于对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
第三模块，用于基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
第四模块，用于基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
第五模块，用于将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
第六模块，用于基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的Kriging代理模型，完成电源的实验设计优化。
上述各模块的实现方法以及模型的构建均可采用前述任一实施例的中所描述的方法，在此不再赘述。
另一方面，本发明提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一实施例中所提供的针对电源的实验设计优化方法的步骤。该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
另一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中所提供的针对电源的实验设计优化方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明未尽事宜为公知技术。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的优选的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.针对电源的实验设计优化方法，其特征在于，包括：
获取电源的设计变量及设计变量的设计空间范围；
对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的电源Kriging代理模型，完成电源的实验设计优化，其中所述Kriging代理模型描述为：
Y(X)＝f(X)β+z(X)
式中f(X)＝[f1(X),f2(X),...,fnum(X)]T为基函数，β为基函数的系数，z(X)为一个均值为0，方差为σ2，协方差为σ2Rh(θ,Xp,Xq)的随机过程，Xp，Xq表示第p和q个试验样本点，Rh(θ,Xp,Xq)为Kriging模型的相关模型，表征试验样本点之间的相关性，其值随着样本距离的增加而减小，总样本点个数为num，试验样本点为X，基于试验样本点进行电源实验后得到的导通电压值为Y；
则有：
其中r表示第r个试验样本点的序号，θ为相关模型的相关参数；
由无偏估计得到β和σ2的无偏估计值为：
式中F代表基函数f(X)；R代表num×num的相关矩阵，其中元素由相关模型公式求得；
在极大似然估计的条件下，相关参数θ的最优解的优化问题可转化为无约束优化问题对该问题ψ(θ)进行求解得到相关参数θ的最优解；
采用改进的粒子群算法求解所述相关参数θ的无约束优化问题，得到相关参数θ的最优解，返回Kriging代理模型，得到最终的高精度的电源Kriging代理模型，其中所述改进的粒子群算法中：
粒子初始化：以拉丁超立方采样获得均匀性更强的初始粒子，其中拉丁超立方采样将整个设计域均匀划分为多个区域，每一个采样点属于不同的区域中；
方向初始化：在随机生成初始方向的基础上，给予一个初始化修正方向/> 代表拉丁超立方采样得到的初始粒子点，/>表示拉丁超立方采样分区间后初始点所属区域的中间点；
划分搜索阶段：将搜索过程分成粒子各区域搜索和粒子群搜索两个阶段，粒子搜索速度公式更新为：
其中，f＝1,2,...,M，M为粒子个数；为当前第l代粒子的速度；c1，c2为学习因子；rand是(0,1)之间的随机数；/>是第f个粒子的历史最优点；/>是整个群体的历史最优点；/>是粒子当前位置；/>为指向中心点的方向，保证粒子由所属区域边界向区域中心进行探索；c3为修正系数，当c3＞0时，搜索过程处于粒子各区域搜索阶段，此时粒子搜索路径主要受各自区域中心点和个体粒子历史最优点影响；当c3＝0时，搜索速度公式和粒子群搜索公式一致，搜索过程处粒子群搜索阶段；
设计学习因子更新公式为：
式中，p为压缩因子，取0.5；K表示搜索进度，由下式计算可得：
式中，amax和amin是搜索进度的的最大值和最小值；l为粒子迭代次数；N总代表总迭代次数；
c3其更新公式为：
式中，Kt为前期搜索终止条件值。
2.根据权利要求1所述的针对电源的实验设计优化方法，其特征在于，所述电源的设计变量类型及设计变量的数目根据电源类型以及对应的电路结构确定，设计变量为电源电路中各组成元器件的物理参数，所述组成元器件包括电阻、电容或/和电感线圈，其中电阻的物理参数为电阻值，电容的物理参数为电容值，电感线圈的物理参数为线圈感量。
3.根据权利要求2所述的针对电源的实验设计优化方法，其特征在于，获得一系列的子设计区域，方法包括：
由多个专家根据电源设计或/和电源实验结果先验信息对各设计变量的设计空间范围进行划分，不同专家对于同一设计变量的设计空间范围的划分段数相同，不同设计变量的设计空间范围的划分段数相同或者不同；
基于费马点思想，对不同专家ek对于同一设计变量Xa的划分结果利用进行择优，得到各设计变量的设计空间范围的最优划分结果/>其中k＝1,2,...,t；
根据各设计变量的设计空间范围的最优划分结果得到一系列的子设计区域。
4.根据权利要求2或3所述的针对电源的实验设计优化方法，其特征在于，计算各子设计区域的波动性大小，包括：
设定电源波动性评价指标，包括导通电压U的浮动率C1、浮动范围C2以及最值出现可能性C3；同时给定各电源波动性评价指标的权重；
获得各专家对各子设计区域的评分结果，获得专家评分矩阵；
基于各专家对各子设计区域的评分结果，根据获得专家评分矩阵的/>矩阵，其中t表示专家的总数，k代表第k个专家的序号，/>代表待求的RFm矩阵中第i行、第j列的元素，其中i代表第i个子设计区域的序号，j代表第j个电源波动性评价指标的序号，/>表示第k个专家根据第j个电源波动性评价指标对第i个子设计区域的评分结果；
求解专家评分矩阵与RFm矩阵之间的距离矩阵D，其中距离矩阵D中的元素m代表电源波动性评价指标的总数；
基于所述距离矩阵得到得到各子设计区域下的专家客观权重n代表子设计区域的总数；
基于各子设计区域下的专家客观权重构建各子设计区域的加权犹豫模糊集其中/> 表示第i个子设计区域Ai在第j个电源波动性评价指标Cj下的犹豫模糊元，/>为rij的权重，rij表示最值出现可能性C3对第i个子设计区域Ai的给出评价值，rij∈[0,1]；N(rij)为给出评价值rij的评价者人数，且/>
计算各子设计区域下各电源波动性评价指标的得分值和离散度；
基于各子设计区域下各电源波动性评价指标的得分值和离散度，计算各子设计区域中响应的波动性大小的评价结果Sci。
5.根据权利要求4所述的针对电源的实验设计优化方法，其特征在于，通过下式计算各子设计区域下各电源波动性评价指标的得分值：
其中sij表示第i个子设计区域Ai在第j个电源波动性评价指标下的得分值；
通过下式计算各子设计区域下各电源波动性评价指标的离散度：
其中，vij表示第i个子设计区域Ai在第j个电源波动性评价指标下的离散度。
6.根据权利要求5所述的针对电源的实验设计优化方法，其特征在于，计算各子设计区域中响应的波动性大小的评价结果Sci，包括：
基于各子设计区域在各电源波动性评价指标下的得分值、离散度，计算各子设计区域的加权犹豫模糊集之间的距离，包括：对于第i个子设计区域Ai和其他任意一个子设计区域Ai′，i≠i′，i′＝1,2,...,n，Eω(Ai)和Eω(Ai′)分别是子设计区域Ai和子设计区域Ai′的加权犹豫模糊集，子设计区域Ai与子设计区域Ai′的加权犹豫模糊集之间的距离通过下式计算：
其中，Wj为电源波动性评价指标Cj权重；F为收缩因子，与rij的精度有关，当rij精度为0.1时，F取0.55；取最优理想解s+的得分函数值为1，v+离散度为0；sij表示第i个子设计区域Ai在第j个电源波动性评价指标下的得分值，vij表示第i个子设计区域Ai在第j个电源波动性评价指标下的离散度；
基于各子设计区域的加权犹豫模糊集之间的距离，计算各子设计区域间响应的波动性大小的评价结果，其中子设计区域Ai与子设计区域Ai′的响应的波动性大小的评价结果
各子设计区域的样本点个数由下式确定：
其中num为给定的总样本点数目，为子设计区域Ai的几何范围大小，/>为子设计区域Ai的样本点个数。
7.针对电源的实验设计优化装置，其特征在于，包括：
第一模块，用于获取电源的设计变量及设计变量的设计空间范围；
第二模块，用于对设计变量的设计空间范围进行设计区域划分，获得一系列的子设计区域；
第三模块，用于基于各子设计区域的几何范围大小和波动性大小，确定各子设计区域的样本点个数；
第四模块，用于基于确定的各子设计区域的样本点个数对各子设计区域进行采样，得到试验样本点；
第五模块，用于将试验样本点以及基于试验样本点进行电源实验后得到的导通电压组成样本集；
第六模块，用于基于所述样本集建立Kriging代理模型，并采用优化算法进行寻优，得到高精度的Kriging代理模型，完成电源的实验设计优化，其中，其中所述Kriging代理模型描述为：
Y(X)＝f(X)β+z(X)
式中f(X)＝[f1(X),f2(X),...,fnum(X)]T为基函数，β为基函数的系数，z(X)为一个均值为0，方差为σ2，协方差为σ2Rh(θ,Xp,Xq)的随机过程，Xp，Xq表示第p和q个试验样本点，Rh(θ,Xp,Xq)为Kriging模型的相关模型，表征试验样本点之间的相关性，其值随着样本距离的增加而减小，总样本点个数为num，试验样本点为X，基于试验样本点进行电源实验后得到的导通电压值为Y；
则有：
其中r表示第r个试验样本点的序号，θ为相关模型的相关参数；
由无偏估计得到β和σ2的无偏估计值为：
式中F代表基函数f(X)；R代表num×num的相关矩阵，其中元素由相关模型公式求得；
在极大似然估计的条件下，相关参数θ的最优解的优化问题可转化为无约束优化问题对该问题ψ(θ)进行求解得到相关参数θ的最优解；
采用改进的粒子群算法求解所述相关参数θ的无约束优化问题，得到相关参数θ的最优解，返回Kriging代理模型，得到最终的高精度的电源Kriging代理模型，其中所述改进的粒子群算法中：
粒子初始化：以拉丁超立方采样获得均匀性更强的初始粒子，其中拉丁超立方采样将整个设计域均匀划分为多个区域，每一个采样点属于不同的区域中；
方向初始化：在随机生成初始方向的基础上，给予一个初始化修正方向/> 代表拉丁超立方采样得到的初始粒子点，/>表示拉丁超立方采样分区间后初始点所属区域的中间点；
划分搜索阶段：将搜索过程分成粒子各区域搜索和粒子群搜索两个阶段，粒子搜索速度公式更新为：
其中，f＝1,2,...,M，M为粒子个数；为当前第k代粒子的速度；c1，c2为学习因子；rand是(0,1)之间的随机数；/>是第f个粒子的历史最优点；/>是整个群体的历史最优点；是粒子当前位置；/>为指向中心点的方向，保证粒子由所属区域边界向区域中心进行探索；c3为修正系数，当c3＞0时，搜索过程处于粒子各区域搜索阶段，此时粒子搜索路径主要受各自区域中心点和个体粒子历史最优点影响；当c3＝0时，搜索速度公式和粒子群搜索公式一致，搜索过程处粒子群搜索阶段；
设计学习因子更新公式为：
式中，p为压缩因子，取0.5；K表示搜索进度，由下式计算可得：
式中，amax和amin是搜索进度的的最大值和最小值；k为粒子迭代次数；N总代表总迭代次数；
c3其更新公式为：
式中，Kt为前期搜索终止条件值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832439.XA CN116882279B (zh) | 2023-07-07 | 2023-07-07 | 针对电源的实验设计优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832439.XA CN116882279B (zh) | 2023-07-07 | 2023-07-07 | 针对电源的实验设计优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116882279A CN116882279A (zh) | 2023-10-13 |
| CN116882279B true CN116882279B (zh) | 2024-04-12 |
Family
ID=88258015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310832439.XA Active CN116882279B (zh) | 2023-07-07 | 2023-07-07 | 针对电源的实验设计优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882279B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867083A (zh) * | 2012-08-30 | 2013-01-09 | 浙江大学 | 考虑不确定性的压力机滑块机构高刚度轻量化设计方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN108268728A (zh) * | 2018-01-22 | 2018-07-10 | 上海交通大学 | 基于两步式改进粒子群优化算法的汽车尾门结构优化方法 |
| CN108835704A (zh) * | 2018-08-28 | 2018-11-20 | 云南中烟工业有限责任公司 | 一种基于费马点的烟叶配方设计方法及组合烟叶 |
| CN109063355A (zh) * | 2018-08-15 | 2018-12-21 | 北京理工大学 | 基于粒子群优化与Kriging模型的近似优化方法 |
| CN115099657A (zh) * | 2022-07-06 | 2022-09-23 | 西南科技大学 | 一种处理异质犹豫模糊偏好关系的群决策方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852011B (zh) * | 2019-11-08 | 2022-09-20 | 大连理工大学 | 一种基于序列Kriging代理模型的结构非梯度拓扑优化方法 |
-
2023
- 2023-07-07 CN CN202310832439.XA patent/CN116882279B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867083A (zh) * | 2012-08-30 | 2013-01-09 | 浙江大学 | 考虑不确定性的压力机滑块机构高刚度轻量化设计方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN108268728A (zh) * | 2018-01-22 | 2018-07-10 | 上海交通大学 | 基于两步式改进粒子群优化算法的汽车尾门结构优化方法 |
| CN109063355A (zh) * | 2018-08-15 | 2018-12-21 | 北京理工大学 | 基于粒子群优化与Kriging模型的近似优化方法 |
| CN108835704A (zh) * | 2018-08-28 | 2018-11-20 | 云南中烟工业有限责任公司 | 一种基于费马点的烟叶配方设计方法及组合烟叶 |
| CN115099657A (zh) * | 2022-07-06 | 2022-09-23 | 西南科技大学 | 一种处理异质犹豫模糊偏好关系的群决策方法 |
Non-Patent Citations (10)
| Title |
|---|
| A new approach for multiple attribute group decision making with interval-valued intuitionistic fuzzy information;Junda Qiu , Lei Li;Applied Soft Computing;20170812;第61卷;111-121 * |
| 一种通过加入中继节点以修复大面积网络损坏的能量均衡算法;黄健文;倪卫明;;微型电脑应用;20130420(第04期);全文 * |
| 三端点区间数的判断矩阵分解及基于Fermat的算法集结研究;李磊;李静;;数学的实践与认识;20150908(第17期);全文 * |
| 基于Isight的开关电源近似建模研究;王聪;牛皓;孙博;李大维;翟国富;;电器与能效管理技术;20160530(第10期);18-27 * |
| 基于Kriging自适应代理模型的气动优化方法;夏露;王丹;;航空计算技术;20130115(01);全文 * |
| 基于非线性规划的开关电源最优设计技术;郑耀添;;微计算机信息;20070110(第01期);全文 * |
| 多极值过程实验设计及建模研究;刘慧华;中国优秀硕士学位论文全文数据库（基础科学辑）;20151215;2015年(第12期);A002-258 * |
| 梯度增强的Kriging模型与Kriging模型在优化设计中的比较研究;刘俊;宋文萍;韩忠华;王乐;;西北工业大学学报;20151015(第05期);全文 * |
| 粒子群优化与Kriging模型相结合的结构非概率可靠性分析;乔心州等;应用数学和力学;20221231;第43卷(第12期);1412-1421 * |
| 考虑随机不确定性的常态仿真模型确认试验设计;锁斌;孙东阳;曾超;张保强;;控制与决策;20190613(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116882279A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107332240B (zh) | 基于优化模型的电力系统静态电压稳定域边界搜索的方法 | |
| KR20100026133A (ko) | 등가정하중을 이용한 위상최적설계방법 | |
| JP4887909B2 (ja) | シミュレーション用パラメータ決定方法 | |
| CN112597610B (zh) | 机械臂结构轻量化设计的优化方法、装置及设备 | |
| Pan et al. | Identifying protein complexes from protein-protein interaction networks based on fuzzy clustering and GO semantic information | |
| CN108427756A (zh) | 基于同类用户模型的个性化查询词补全推荐方法和装置 | |
| Duan et al. | An improved initialization center k-means clustering algorithm based on distance and density | |
| CN116882279B (zh) | 针对电源的实验设计优化方法及装置 | |
| Daxini et al. | Structural shape optimization with meshless method and swarm-intelligence based optimization | |
| CN115878963B (zh) | 电容式电压互感器计量误差预测方法、系统、终端及介质 | |
| Dinh et al. | Online Markov decision processes with non-oblivious strategic adversary | |
| CN113128617A (zh) | 基于Spark和ASPSO的并行化K-means的优化方法 | |
| CN111460734A (zh) | 一种结合先进自适应采样和人工神经网络的微波器件自动建模方法 | |
| Javadian et al. | A numerical optimization approach to switching surface design for switching LPV control | |
| Petersson et al. | Optimization based LPV-approximation of multi-model systems | |
| CN110210691B (zh) | 资源推荐方法、装置、存储介质及设备 | |
| Ding et al. | Application of improved collaborative filtering algorithm in recommendation of batik products of miao nationality | |
| EP0421684B1 (en) | Method of analyzing semiconductor device operation, method of analyzing specific physical phenomena, and apparatus for performing these methods | |
| Zhou et al. | An active learning variable-fidelity metamodeling approach for engineering design | |
| CN117610169A (zh) | 一种变压器绕组挡油板结构优化方法、系统、设备和介质 | |
| CN110942149B (zh) | 一种基于信息变化率及条件互信息的特征变量选择方法 | |
| Mohapatra et al. | Movie recommender system using improvised Cuckoo search | |
| CN115495863B (zh) | 一种平滑边界表达的散热拓扑优化方法 | |
| CN117574783B (zh) | 基于深度高斯过程的天线优化方法、装置、设备和介质 | |
| CN110648021B (zh) | 一种两级电力负荷预测结果协调方法、装置及设备 |
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 |