CN118036399A - 一种带有偏好的无线充电系统优化设计方法 - Google Patents
一种带有偏好的无线充电系统优化设计方法 Download PDFInfo
- Publication number
- CN118036399A CN118036399A CN202410292412.0A CN202410292412A CN118036399A CN 118036399 A CN118036399 A CN 118036399A CN 202410292412 A CN202410292412 A CN 202410292412A CN 118036399 A CN118036399 A CN 118036399A
- Authority
- CN
- China
- Prior art keywords
- individuals
- preference
- preference area
- points
- population
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013461 design Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 230000005291 magnetic effect Effects 0.000 claims abstract description 41
- 230000008878 coupling Effects 0.000 claims abstract description 36
- 238000010168 coupling process Methods 0.000 claims abstract description 36
- 238000005859 coupling reaction Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims abstract description 9
- 239000006185 dispersion Substances 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UXUFTKZYJYGMGO-CMCWBKRRSA-N (2s,3s,4r,5r)-5-[6-amino-2-[2-[4-[3-(2-aminoethylamino)-3-oxopropyl]phenyl]ethylamino]purin-9-yl]-n-ethyl-3,4-dihydroxyoxolane-2-carboxamide Chemical compound O[C@@H]1[C@H](O)[C@@H](C(=O)NCC)O[C@H]1N1C2=NC(NCCC=3C=CC(CCC(=O)NCCN)=CC=3)=NC(N)=C2N=C1 UXUFTKZYJYGMGO-CMCWBKRRSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种带有偏好的无线充电系统优化设计方法，包括：(1)确定系统磁耦合机构的优化目标、偏好区域以及待优化参数；(2)建立遗传算法的初始种群，仿真计算种群个体的适应度；(3)根据适应度对个体进行非支配排序，优先选取高支配层级的个体进行交叉变异，生成新一代种群，依此迭代并选取较优的个体作为系统磁耦合机构的参数优化设计方案。本发明通过引入偏好的方式增加各项指标均满足要求的个体的密度，可以大幅度增加偏好区域内个体的密度。
Description
技术领域
本发明属于电力电子系统设计技术领域，具体涉及一种带有偏好的无线充电系统优化设计方法。
背景技术
无线充电系统通常采用磁谐振原理传输电能，直流电源经高频逆变器逆变为高频交流电后，通过磁耦合机构以及与之相配套的补偿拓扑电路以磁谐振的方式传输电能。由于磁谐振原理无线充电的输出电压、电流与发射、接收线圈之间的互感具有强相关性，因此若线圈之间的互感发生变化，无线充电系统的输出电压、电流也会相应的发生变化。但在实际应用中，发射端和接收端之间经常会出现偏移现象，即发射端与接收端并未完全对准。若磁耦合机构未针对抗偏移性能进行优化，则在偏移发生时，发射端和接收端的互感会发生较大变化，进而导致传输功率发生变化。常见的针对抗偏移性能进行优化的方式往往存在用线量大，线圈内阻大等问题，需要对无线充电系统的磁耦合机构进行多目标优化，但常规的多目标算法随着优化目标数量的增加，各项指标均满足要求的个体急剧减少，因此需要使用有偏好的多目标优化算法对无线充电系统的磁耦合结构进行优化。
常见的多目标优化算法有穷举法[Sun K,Wang J,Burgos R,et al.Design andmulti-objective optimization of coil and magnetic for wireless power transferin auxiliary power network[C]//2020IEEE Applied Power Electronics Conferenceand Exposition(APEC).IEEE,2020:819-824]、NSGA-II算法[Tang W,Jing L,Cao W,etal.Optimization of magnetic coupling mechanism of dynamic wireless powertransfer based on NSGA-II algorithm[J].Scientific Reports,2024,14(1):5121]、MOPSO算法[Lee J H,Kim J W,Song J Y,et al.Distance-based intelligent particleswarm optimization for optimal design of permanent magnet synchronous machine[J].IEEE Transactions on Magnetics,2017,53(6):1-4]等，其中穷举法通过穷举所有可能的参数组合，并使用仿真，实验等手段得到结果后，筛选出符合要求的参数组合，但随着待优化参数的增加，参数组合的数量将呈指数级增长，穷举所有的参数组合将耗费大量的时间。NSGA-II算法通过初始化一定数量的种群，而后进行交叉，变异产生子代后，通过非支配排序算法，拥挤度算法以及交叉变异对种群进行迭代更新，在满足停止条件后，输出最终结果。MOPSO算法通过初始化一定数量的种群，然后通过非支配排序算法以及自适应网格算法选出各个粒子所需要跟随的目标，进而通过速度合成确定粒子的新位置，完成种群迭代，之后不断重复该过程，直到满足停止条件。上述两种算法尽管可以大幅度减少计算量，但其目标均是使得所有个体尽可能均匀的分布在整个帕累托前沿上，随着待优化目标数量的增加，在种群大小相同的情况下，个体密度将急剧减小，以至于难以找到各项指标均符合要求的个体。
发明内容
鉴于上述，本发明提供了一种带有偏好的无线充电系统优化设计方法，通过引入偏好的方式增加各项指标均满足要求的个体的密度。
一种带有偏好的无线充电系统优化设计方法，包括如下步骤：
(1)根据实际需求确定系统磁耦合机构的优化目标、偏好区域、待优化参数及其取值范围；
(2)根据实际需求确定遗传算法的相关参数；
(3)建立遗传算法的初始种群，种群中每一个体即对应磁耦合机构所有待优化参数的一组数值组合；
(4)通过仿真计算种群个体的适应度；
(5)根据适应度对个体进行非支配排序，从而把所有个体划分为多个支配层级；
(6)优先选取高支配层级的个体，并对选中的个体进行交叉变异，生成新一代种群，依此迭代；
(7)当满足迭代终止条件后，输出当前新的一代种群，并从中选取较优的个体作为系统磁耦合机构的参数优化设计方案。
所述无线充电系统由逆变器、发射端补偿电路、磁耦合机构、接收端补偿电路以及整流桥组成，其中磁耦合机构包括发射线圈和接收线圈，发射线圈与发射端补偿电路级联后一同连接在逆变器交流侧两端，接收线圈与接收端补偿电路级联后一同连接在整流桥交流侧两端，整流桥的直流侧与负载相连接，接收线圈放置在发射线圈正上方，二者之间具有一定距离且存在有一定程度的偏移。
进一步地，所述步骤(1)中以磁耦合机构包括匝数、尺寸、形状在内的各项参数作为待优化参数，同时根据几何约束关系以及实际需求确定这些参数的取值范围；同时以磁耦合机构的互感、互感变化率、内阻作为优化目标，将这些优化目标的取值范围即作为偏好区间。
进一步地，所述步骤(2)中遗传算法的相关参数包括种群个体数、交叉率、变异率、分散因子，其中种群个体数根据实际情况确定，且考虑便于拉丁超立方抽样方法建立初始种群，选取完全平方数或其他便于构造正交表的数字；交叉率初始值选取为0.7～0.9并随算法迭代次数的增加逐渐下降，变异率初始值选取为0.05～0.1并随算法迭代次数的增加逐渐增加，分散因子的选取与适应度的分布有关且满足以下关系式：
其中：D为分散因子，di为第i个待优化参数的取值范围即最大值与最小值之差，n为磁耦合机构待优化参数的数量。
进一步地，所述步骤(3)中采用拉丁超立方抽样(Latin Hypercube Sampling，LHS)方法来建立遗传算法的初始种群，即对于任一待优化参数，将其取值范围均匀划分为多个水平值，然后构造对应的正交表，在每个水平值所对应的区域内部随机取一个点，并代入正交表中的水平值组合，即完成拉丁超立方抽样。
进一步地，所述步骤(4)中对于任一种群个体，通过对磁耦合机构进行建模以及有限元分析，得到该个体对应参数组合下的仿真数据包括磁耦合机构的互感、互感变化率以及内阻值，并对这些仿真数据进行预处理，从而得到适应度数据即各个优化目标的具体值。
进一步地，所述步骤(5)中对个体进行非支配排序的标准为：对于任意两个体A和B，若满足以下条件，则认为个体A支配个体B，且A所处的支配层级较高；
其中：Ai和Bi分别为个体A和B关于优化目标i的适应度值，i为优化目标的索引号，Φ表示优化目标集合；若某一个体未被任何个体支配，则其处于最高支配层级，其余个体以此类推，即可对所有个体进行非支配排序。
进一步地，所述步骤(6)的具体实现方式为：首先确定所要选取的个体数量(一般为种群数量的1/2左右)，然后开始从最高支配层级中选取个体，并根据层级从高到低依次选取个体；当选到某一支配层级，该支配层级的个体数量大于最后剩余要选取的个体数量N，则对该支配层级进行末行处理策略。
进一步地，所述末行处理策略首先将当前支配层级的个体视为多维空间内的点，空间的维度即为优化目标的个数，点的坐标即对应个体的各适应度值，根据优化目标的偏好区间确定优化目标在多维空间内对应的偏好区域，优先选择点坐标在偏好区域内的个体，然后再分以下三种情况进行处理：
①点坐标在偏好区域内的个体数量大于N，则对于偏好区域内的任一点p，计算点p与偏好区域内其他各点的距离，取其中的最小距离作为点p的评价指标值，最后选取偏好区域内评价指标值最大的前N个点；
②点坐标在偏好区域内的个体数量小于N且还需要从偏好区域外再选取一个点，则计算偏好区域外的所有点与偏好区域中心的距离，最后从中选取与偏好区域中心距离最小的一个点；
③点坐标在偏好区域内的个体数量小于N且还需要从偏好区域外再选取M个点，M为大于1的自然数；则对于偏好区域外的任一点q，计算点q与偏好区域外其他各点的距离，取其中的最小距离作为点q的评价指标值，若该评价指标值小于分散因子，则舍弃点q；此时若偏好区域外未被舍弃的点数量大于等于M，则计算这些点与偏好区域中心的距离，最后从中选取与偏好区域中心距离最小的前M个点；若偏好区域外未被舍弃的点的数量为K且K＜M，则先将这K个未被舍弃的点选中，然后再从被舍弃的点中选取评价指标值最大的前M-K个点。
进一步地，所述步骤(7)中的迭代终止条件为达到最大迭代次数或新种群中个体的适应度收敛，然后从新种群中选取最高支配层级的个体或处于偏好区域内的个体输出作为系统磁耦合机构的参数优化设计方案。
基于上述技术方案，本发明方法可以大幅度增加偏好区域内个体的密度。在实际应用中，由于有限元仿真通常比较缓慢，因此难以在一次迭代中仿真较多的参数组合，即同一代的个体数量有限；而随着优化目标数量的增加，帕累托前沿上个体的密度也会急剧降低，导致传统的多目标优化难以找到满足实际需求的个体，但本发明方法可以提升在偏好区域内的个体密度，即更容易找到满足要求的个体。
附图说明
图1为无线充电系统的结构示意图。
图2为本发明磁耦合机构优化设计方法的步骤流程示意图。
图3为本发明实施例中嵌套线圈的待优化参数示意图。
图4为遗传算法迭代过程个体在空间中的分布变化示意图。
图5为本发明算法与传统NSGAII算法在迭代过程中偏好区域内个体数量的变化示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明针对的无线充电系统包括高频逆变器、发射端补偿拓扑、磁耦合机构、接收端补偿拓扑以及整流桥，其中磁耦合机构包括发射线圈和接收线圈，发射线圈与发射端补偿拓扑相级联，而后一同连接在高频逆变器两端；接收线圈与接收端补偿拓扑相级联，而后一同连接在整流桥两端；整流桥的输出端与负载可根据实际情况进行连接，接收端线圈放置在发射端线圈正上方，二者之间具有合理距离且允许存在一定程度的偏移。
如图2所示，本发明磁耦合机构优化设计方法包括如下步骤：
(1)根据实际需求，确定待优化参数以及其取值范围与偏好区域。
本发明以磁耦合机构的各项参数如匝数、尺寸、形状等参数作为待优化参数，同时根据几何约束关系以及实际需求确定其取值范围；采用磁耦合机构的互感、互感变化率以及内阻等参数作为优化的目标，而这些参数的取值范围即为偏好区间；上述参数均可通过对仿真软件结果进行适当计算得到。
(2)根据实际需求，确定算法各项参数。
待确定的主要参数有种群个体数、交叉/变异率、分散因子等，其中种群个体数可根据实际情况选取，同时为便于使用拉丁超立方抽样选取初始种群，应当选取完全平方数或者其他便于构造正交表的数字；由于个体数较少，交叉率初始值可选为0.7～0.9，并随算法迭代次数的增加逐渐下降，在算法结束时可为0.5～0.7；变异率初始值可选为0.05～0.1，在算法后期逐渐增加到0.3～0.5；分散因子的选取与适应度的分布有关，一般可按照下式选取：
其中：di为第i个待优化参数的取值范围，即其最大值与最小值之差，D为分散因子。
(3)采用拉丁超立方抽样方法确定算法初始种群。
本发明将每个变量均匀划分为数个水平值，而后构造对应的正交表，在每个变量的每个水平值所对应的区域内部随机取一个点，并代入正交表中的水平值组合，即完成拉丁超立方抽样。
(4)对种群中所有个体进行仿真，并依据优化目标处理仿真结果，计算适应度。
本发明通过对磁耦合机构进行建模，进行有限元分析，从而得到不同情况下磁耦合机构的互感、互感变化率以及内阻值；根据步骤(1)中提出的要求对仿真得到的数据进行处理，从而得到适应度数据。
(5)使用非支配排序算法对种群进行排序，选择高支配层级的个体。
若两个个体A和B满足如下条件，则认为个体A支配个体B：
其中：Ai和Bi分别是A、B两个个体第i个优化目标的适应度值，N为优化目标数量。
若某一个体未被任何个体支配，则其处于最高支配层级，其余个体以此类推，即可对所有个体进行非支配排序，而后按照支配层及从高到低选取个体。
(6)在当前支配层及个体无法全部选中时，对该层级进行末行处理。
使用双层排序确定该层级被选中的个体，第一层排序是个体与偏好区域中心点的距离，其中偏好区域的中心点可由下式给出：
其中：centi为偏好区域中心点第i个维度取值，Pimax和Pimin分别是第i个维度的取值上限与取值下限。
为确保处于偏好区域内个体被优先选取，将处于偏好区域内的个体与偏好区域中心点的距离设置为-1，下式被用于判断个体是否在偏好区域内：
其中：ibot和itop分别是偏好区域第i维度的上下限值，ai为该个体在第i维度的坐标值。
(7)若满足结束条件，则输出结果，否则对选中个体进行交叉变异后，对新种群重复步骤(4)～(7)。
首先判断迭代次数是否达到最大迭代次数，若达到，则停止迭代并输出结果；其次，判断其他终止条件是否满足，若满足，同样停止迭代并输出结果；若不满足停止条件，则可按照二进制交叉与多项式变异来生成新的种群，而后返回执行步骤(4)计算。
下面我们以嵌套线圈的优化为例，需要优化的参数是发射器侧的外部线圈匝数N1、发射器侧的内部线圈匝数N2、接收器侧的匝数NR、传输距离H以及接收器侧的尺寸LR，线圈参数和优化参数之间的关系如图3所示。因为参数N1、N2和NR是线圈的匝数，所以它们应该是整数，取值范围是1～19；参数LR的范围为150～230mm，步进为10mm，而H的范围为30～70mm，步进也为10mm。当参数超出范围时，使用以下策略使其在范围内：如果参数N1、N2或NR不是整数，则将它们四舍五入到最接近的整数，如果参数大于20或小于1，则使用1到20之间的随机整数来替换它；如果参数LR和H不是10的倍数，则使用最接近的10的倍数来替换它们，如果它们超出范围，则使用该范围内的10的随机倍数来替换。
本实施例使用了3个优化目标：分别是正对互感与19.5uH的差，120mm以内的互感波动以及线圈电阻，计算方式如下，G1～G3为三个目标。
RTx＝1.35(17.86(LT1+LT2)-15.59)
RRx＝17.86LR-15.59
G3＝RTx+RRx
在偏好区域方面，G1被设置为小于0.3，G2被设置为少于0.25，G3被设置为小于0.6以提高效率，该算法的其他参数如表1所示，初始个体的数量设置为25，以简化拉丁超立方抽样的进程。
表1
当算法满足结束条件时，表2中显示了偏好区域中的一些个体，并选择粗体和斜体的个体进行实验，个体的适应度如图4所示，优选区域如蓝色立方体所示，随着算法的发展，个体越来越集中在偏好区域内，并在该区域内均匀分布。
表2
同时，本实施例使用了传统的NSGAII算法进行对比，除偏好区域外，其他条件均相同。在算法运行结束后，两种算法在偏好区域内的个体数量如图5所示，其中红线为T-NSGAII算法(基本发明算法)，蓝线为传统的NSGAII算法，可见T-NSGAII算法可以在偏好区域中聚集更多的个体，从而大大提升选择的丰富性。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明，熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (9)
1.一种带有偏好的无线充电系统优化设计方法，包括如下步骤：
(1)根据实际需求确定系统磁耦合机构的优化目标、偏好区域、待优化参数及其取值范围；
(2)根据实际需求确定遗传算法的相关参数；
(3)建立遗传算法的初始种群，种群中每一个体即对应磁耦合机构所有待优化参数的一组数值组合；
(4)通过仿真计算种群个体的适应度；
(5)根据适应度对个体进行非支配排序，从而把所有个体划分为多个支配层级；
(6)优先选取高支配层级的个体，并对选中的个体进行交叉变异，生成新一代种群，依此迭代；
(7)当满足迭代终止条件后，输出当前新的一代种群，并从中选取较优的个体作为系统磁耦合机构的参数优化设计方案。
2.根据权利要求1所述的无线充电系统优化设计方法，其特征在于：所述步骤(1)中以磁耦合机构包括匝数、尺寸、形状在内的各项参数作为待优化参数，同时根据几何约束关系以及实际需求确定这些参数的取值范围；同时以磁耦合机构的互感、互感变化率、内阻作为优化目标，将这些优化目标的取值范围即作为偏好区间。
3.根据权利要求1所述的无线充电系统优化设计方法，其特征在于：所述步骤(2)中遗传算法的相关参数包括种群个体数、交叉率、变异率、分散因子，其中种群个体数根据实际情况确定，且考虑便于拉丁超立方抽样方法建立初始种群，选取完全平方数或其他便于构造正交表的数字；交叉率初始值选取为0.7～0.9并随算法迭代次数的增加逐渐下降，变异率初始值选取为0.05～0.1并随算法迭代次数的增加逐渐增加，分散因子的选取与适应度的分布有关且满足以下关系式：
其中：D为分散因子，di为第i个待优化参数的取值范围即最大值与最小值之差，n为磁耦合机构待优化参数的数量。
4.根据权利要求1所述的无线充电系统优化设计方法，其特征在于：所述步骤(3)中采用拉丁超立方抽样方法来建立遗传算法的初始种群，即对于任一待优化参数，将其取值范围均匀划分为多个水平值，然后构造对应的正交表，在每个水平值所对应的区域内部随机取一个点，并代入正交表中的水平值组合，即完成拉丁超立方抽样。
5.根据权利要求1所述的无线充电系统优化设计方法，其特征在于：所述步骤(4)中对于任一种群个体，通过对磁耦合机构进行建模以及有限元分析，得到该个体对应参数组合下的仿真数据包括磁耦合机构的互感、互感变化率以及内阻值，并对这些仿真数据进行预处理，从而得到适应度数据即各个优化目标的具体值。
6.根据权利要求1所述的无线充电系统优化设计方法，其特征在于：所述步骤(5)中对个体进行非支配排序的标准为：对于任意两个体A和B，若满足以下条件，则认为个体A支配个体B，且A所处的支配层级较高；
Ai＜Bi
其中：Ai和Bi分别为个体A和B关于优化目标i的适应度值，i为优化目标的索引号，Φ表示优化目标集合；若某一个体未被任何个体支配，则其处于最高支配层级，其余个体以此类推，即可对所有个体进行非支配排序。
7.根据权利要求1所述的无线充电系统优化设计方法，其特征在于：所述步骤(6)的具体实现方式为：首先确定所要选取的个体数量，然后开始从最高支配层级中选取个体，并根据层级从高到低依次选取个体；当选到某一支配层级，该支配层级的个体数量大于最后剩余要选取的个体数量N，则对该支配层级进行末行处理策略。
8.根据权利要求7所述的无线充电系统优化设计方法，其特征在于：所述末行处理策略首先将当前支配层级的个体视为多维空间内的点，空间的维度即为优化目标的个数，点的坐标即对应个体的各适应度值，根据优化目标的偏好区间确定优化目标在多维空间内对应的偏好区域，优先选择点坐标在偏好区域内的个体，然后再分以下三种情况进行处理：
①点坐标在偏好区域内的个体数量大于N，则对于偏好区域内的任一点p，计算点p与偏好区域内其他各点的距离，取其中的最小距离作为点p的评价指标值，最后选取偏好区域内评价指标值最大的前N个点；
②点坐标在偏好区域内的个体数量小于N且还需要从偏好区域外再选取一个点，则计算偏好区域外的所有点与偏好区域中心的距离，最后从中选取与偏好区域中心距离最小的一个点；
③点坐标在偏好区域内的个体数量小于N且还需要从偏好区域外再选取M个点，M为大于1的自然数；则对于偏好区域外的任一点q，计算点q与偏好区域外其他各点的距离，取其中的最小距离作为点q的评价指标值，若该评价指标值小于分散因子，则舍弃点q；此时若偏好区域外未被舍弃的点数量大于等于M，则计算这些点与偏好区域中心的距离，最后从中选取与偏好区域中心距离最小的前M个点；若偏好区域外未被舍弃的点的数量为K且K＜M，则先将这K个未被舍弃的点选中，然后再从被舍弃的点中选取评价指标值最大的前M-K个点。
9.根据权利要求1所述的无线充电系统优化设计方法，其特征在于：所述步骤(7)中的迭代终止条件为达到最大迭代次数或新种群中个体的适应度收敛，然后从新种群中选取最高支配层级的个体或处于偏好区域内的个体输出作为系统磁耦合机构的参数优化设计方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410292412.0A CN118036399A (zh) | 2024-03-14 | 2024-03-14 | 一种带有偏好的无线充电系统优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410292412.0A CN118036399A (zh) | 2024-03-14 | 2024-03-14 | 一种带有偏好的无线充电系统优化设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118036399A true CN118036399A (zh) | 2024-05-14 |
Family
ID=91003935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410292412.0A Pending CN118036399A (zh) | 2024-03-14 | 2024-03-14 | 一种带有偏好的无线充电系统优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118036399A (zh) |
-
2024
- 2024-03-14 CN CN202410292412.0A patent/CN118036399A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109787367B (zh) | 基于层叠式耦合机构的ec-wpt系统及其参数优化方法 | |
| CN110118566B (zh) | 机器人运行路径生成方法及装置 | |
| CN108737191B (zh) | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 | |
| CN110909787A (zh) | 基于聚类的进化算法进行多目标批调度优化的方法和系统 | |
| CN113381517A (zh) | 基于人工蜂群算法的磁共振式无线充电系统参数设计方法 | |
| CN111091239A (zh) | 基于差分进化算法的能源服务商电价策略制定方法及装置 | |
| CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
| CN103761212A (zh) | 片上网络中任务与节点间映射方案与拓扑结构的设计方法 | |
| CN107871024B (zh) | 一种高温超导环形储能磁体的电磁优化方法和装置 | |
| CN109583072A (zh) | 一种绝缘芯变压器补偿参数的遗传算法优化方法及系统 | |
| CN110461006A (zh) | 降低wlan干扰方法、装置及终端设备 | |
| CN118036399A (zh) | 一种带有偏好的无线充电系统优化设计方法 | |
| CN107295081B (zh) | 一种联合路由优化的能量补充装置及其能量补充方法 | |
| CN112434461B (zh) | 无线电能传输的自动化耦合线圈优化设计方法 | |
| CN114444354B (zh) | 一种改进多目标灰狼算法的无线充电系统参数优化方法 | |
| CN111026534B (zh) | 云计算环境下基于多种群遗传算法的工作流执行优化方法 | |
| CN117278578A (zh) | 一种片上网络高速数据采集系统数据传输路径优化的方法 | |
| CN115310353B (zh) | 一种基于快速多目标优化的电力变压器设计方法 | |
| CN111178528B (zh) | 一种应用于无线充电系统的精英遗传算法改进方法 | |
| CN110752594B (zh) | 基于改进凝聚层次聚类法的配电网路径优化方法 | |
| Su et al. | Genetic algorithm based edge computing scheduling strategy | |
| CN110321638A (zh) | 一种基于Gilliland关联式的蒸馏塔塔板数获取方法 | |
| CN113937898B (zh) | 一种无线充电系统的双参数辨识方法 | |
| CN115833144A (zh) | 基于减少风能浪费率的多灵活资源聚合匹配方法 | |
| CN115085396A (zh) | 一种基于电感解耦的三线圈耦合机构多参数优化方法 |
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 |