JP2004046303A - 電磁石の最適構造設計方法 - Google Patents
電磁石の最適構造設計方法 Download PDFInfo
- Publication number
- JP2004046303A JP2004046303A JP2002199384A JP2002199384A JP2004046303A JP 2004046303 A JP2004046303 A JP 2004046303A JP 2002199384 A JP2002199384 A JP 2002199384A JP 2002199384 A JP2002199384 A JP 2002199384A JP 2004046303 A JP2004046303 A JP 2004046303A
- Authority
- JP
- Japan
- Prior art keywords
- electromagnet
- search
- constraints
- optimization
- pso
- 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
Images
Landscapes
- Electromagnets (AREA)
Abstract
【課題】モダンヒューリスティック手法の一つである、パーティクル・スウォーム・オプティマイゼーション(Particle Swarm Optimization: PSO)あるいはハイブリッド・パーティクル・スウォーム・オプティマイゼーション(Hybrid Particle Swarm Optimization: HPSO)を利用することによって良質の解を生成可能とした電磁石の最適化構造設計方法を提供しようとするものである。
【解決手段】電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化、あるいは最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるPSOおよびHPSOにより求めることを特徴とする電磁石の最適構造設計方法とした。
【選択図】 図1
【解決手段】電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化、あるいは最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるPSOおよびHPSOにより求めることを特徴とする電磁石の最適構造設計方法とした。
【選択図】 図1
Description
【0001】
【発明の属する技術分野】
本発明は、電磁石の最適構造設計方法に関するものである。
【0002】
【従来の技術】
電磁石の構造設計では、電磁石各部の寸法や巻線径を設計変数とし、有限要素法による磁界解析によって損失や吸引力を評価解析することによって、変更可能な設計パラメータである設計変数と、評価すべき応答との相関性を総合的に判断して最適化を行う。
【0003】
【発明が解決しようとする課題】
しかしながら、電磁石の構造設計では、一般に、考慮すべき設計変数の数が多く、さらに設計変数間の相互干渉が複雑であるため最適化過程で寸法の上下限や吸引力特性などの制約条件が動的に変化したりするため、設計変数と応答との関係は非線形となる。つまり、電磁石の構造設計は、大規模な非線形最適化問題となる。従って、従来の数理計画的な最適化アプローチや、感度に基づく方法などは適用が困難であった。
【0004】
そこで本発明では、モダンヒューリスティック手法の一つである、パーティクル・スウォーム・オプティマイゼーション(Particle Swarm Optimization: PSO)あるいはハイブリッド・パーティクル・スウォーム・オプティマイゼーション(Hybrid Particle Swarm Optimization: HPSO)を利用することによって良質の解を生成可能とした電磁石の最適化構造設計方法を提供しようとするものである。
【0005】
【課題を解決するための手段】
上記課題を解決するため、請求項1記載の発明に係る電磁石の最適構造設計方法は、
電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化または最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるパーティクル・スウォーム・オプティマイゼーション(PSO)により求めることを特徴とする。
【0006】
また、請求項2記載の発明に係る電磁石の最適構造設計方法は、
電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化または最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるハイブリッド・パーティクル・スウォーム・オプティマイゼーション(HPSO)により求めることを特徴とする。
【0007】
また、請求項3記載の発明に係る電磁石の最適構造設計方法は、
請求項1または請求項2に記載の電磁石の最適構造設計方法において、
制約条件を逸脱する解空間の探索を可能とした場合に、探索途中の最適解が制約条件を逸脱する時に、次回の探索点を決定する計算式のパラメータを変更して制約条件を満たす範囲への探索点を修正することを特徴とする。
【0008】
【発明の実施の形態】
以下に本発明の実施形態を説明する。
まず、電磁石構造設計において、その最適化問題を定式化する。つまり、目的関数、設計変数(状態変数)、および制約条件を定義する。一般的には、電磁石の損失や体積を最小化する目的関数を選び、電磁石各部の寸法を設計変数として、その各寸法の上下限および吸引力特性を制約条件とする場合が多い。例えば、目的関数として電磁石の体積最小化とし、設計変数として電磁石各部の寸法、制約条件として各部寸法の上下限、および吸引力の上下限とするような定式化が考えられる。
【0009】
そして、最適化における初期形状(初期状態)を生成し、その初期形状から始めてPSO(請求項1)あるいはHPSO(請求項2)による最適化を実施する。最適化過程での目的関数値の評価には、一般的に有限要素法による磁界解析を用いる。
【0010】
次に、HPSOの基本となるPSOの概要を説明する。
PSOは、簡単化した社会のモデルのシミュレーションを通して開発されたMH手法(モダンヒューリスティック手法)の一つであり、鳥の群れの動きを連続変数の2次元空間で表現することを通して開発された。なお、このPSOについては、J. Kennedy and R. Eberhartによる、”Particle Swarm Optimization” (Proc. of IEEE International Conrference on Neural Networks, Vol. IV, pp.1942−1948, Perth, Australia, 1995.)や、Y. Shi, and R. Eberhartによる、”A Modified Particle Swarm Optimizer” (Proc. of IEEE International Conference on Evolutionary Computation, Anchorage, May 1998.)、更には、吉田・福山ほかによる「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」(電気学会論文誌B、119巻12号、1999年12月)等に記載されている。
【0011】
PSOでは、各エージェント(一羽の鳥)の位置(状態量)をx,y座標で表現し、その速度をVx(x方向の速度)、Vy(y方向の速度)で表現する。これらの位置情報と速度情報から、次時点の各エージェントの位置を更新することができる。この概念に基づき、鳥の群れ全体が何らかの目的関数を最適化するような行動をとると考えると、以下のような最適化が考えられる。
【0012】
つまり、各エージェントは各々の探索における目的関数のそれまでの自己の最良値(pbest)と、その位置(状態量)を示すx,y座標とを覚えている。また、各エージェントは、pbestのうち集団の中で最も最良のもの、すなわち集団のそれまでの目的関数の最良値(gbest)情報を共有している。そして、各エージェントは、現在のx,y座標と速度Vx,Yy、およびpbestとgbestとの距離に応じて、pbest,gbestの存在する位置に方向を変更しようとする。この変更しようとする行動は速度で表現される。現在の速度と、pbestおよびgbestを用いて、各エージェントの速度は次式により修正される。
【0013】
【数1】
【0014】
ここで、
νi :エージェントiの速度、
rand():0〜1までの一様乱数、
si k :エージェントiの探索k回目の探索点、
pbesti :エージェントiのpbest、
w :エージェント速度に対する重み関数、
ci :各項に対する重み係数
【0015】
上記数式1を用いることにより各エージェントのこれまでの最良解および集団の最良解に確率的に近づくような速度が求められ、これにより各エージェントの現在の位置(探索点)を次式により修正する。
なお、本発明に即して言えば、各エージェントの位置が電磁石各部の寸法に相当し、速度が寸法の変化量に相当する。
【0016】
【数2】
si k+1=si k+νi k+1
【0017】
PSOは遺伝的アルゴリズム(Genetic Algorithm:以下、GA)等と同様に複数の探索点を持った多点探索で各探索点のpbestと集団のgbestを用いて各探索点を確率的に変更していくことにより、大域最適解(最良解)を得る方法である。
【0018】
また、これまでの速度を維持しようとする大域探索(数式1の右辺第1項)とpbest、gbestを用いてそれに近づこうとする局所探索(数式2の右辺第2,3項)をバランス良く行う機構をもった探索手法である。また、PSOは各ステップで目的関数値を評価する必要があるが、評価の回数は問題の規模によらずエージェント数のみで良いというメリットがある。従って、容易に大規模問題への適用が可能である。
【0019】
次に、HPSOの概要について説明する。
MH手法の多くは、自然淘汰に対応する選択の概念を入れている。選択は、探索空間の中で、他の探索点が最近探索した点と比較して相対的に有効である探索点に探索方向を向け直す機能となる。PSOもそれまでの探索で有効であった探索点(pbest,gbest)を利用しているが、その点自体にかなり依存してそれ以降の探索点が限定されてしまう。
【0020】
これに対し、ハイブリッドPSOは、通常のMH手法と同様に有効な点は利用するが、その点への依存が徐々に薄らいでいくような機能を実現している。具体的には、評価値のよいエージェントの探索点と速度を評価値の悪いエージェントの値にリプレイスする。この際、各エージェントのこれまで探索してきた最も評価が良い探索点(pbest)の情報は残す。このような方法により、有効な領域への探索の集中とこれまで探索してきた有効な領域への探索の方向の向け直しおよびその方向への弱い依存関係という機能を実現できる。HPSOの一般的なアルゴリズムは図1のようになる。また、図2に探索の概念図を示す。
【0021】
HPSOの一般的なアルゴリズムは図1のようになり、図1における探索ステップ2,3,4に対応する解空間における探索概念図が図2(a),(b),(c)である。すなわち、始めに各エージェントの初期探索点を生成する(ステップ1)。次に、個々のエージェントの探索点を評価する(ステップ2)。このとき、図2(a)の例ではエージェント1,2の評価が低く、エージェント3,4の評価が高いとする。
【0022】
次に、各エージェントの探索点に対し選択を実行する(ステップ3)。このステップはHPSOに特有のものであり、図2(b)の例では、評価が低かったエージェント1,2の探索点を、選択によって評価が高いエージェント3,4の探索点にリプレイスしている。その後、PSOと同様に、各エージェントの速度及び探索点(位置)を数式1,2により修正する(ステップ4)。図2(c)の例では、図2(b)の各エージェント1〜4の位置が修正される。特に、エージェント1とエージェント3とはそれぞれのpbest(pbest1,pbest3)が異なるため、探索方向(矢印の方向)も異なってくる。つまり、エージェント1はpbest1方向に引き続き向かっているのに対し、エージェント3はpbest3方向に向かうことになる。
【0023】
上記アルゴリズムによりHPSOはPSOとMH手法のダイナミクスの混合となる。HPSOとオリジナルのPSOのメカニズムとしての差は少ないが、この選択手法を加えることによって、オリジナルのPSOより、より良い解を見つけることができる探索メカニズムとなる。
HPSOについては、例えばP. Angelineによる ”Using Selection to Improve Particle Swarm Optimization”(Proc. of IEEE International Conference on Evolutionary Computation, Anchorage, May 1998.)等に記載されているが、この文献によれば、MHのベンチマークである4つの関数に対して、HPSOによれば、4個中3個の関数の最適化においてPSOより良い結果が得られたと報告されている。
【0024】
次に、請求項3に記載した発明の実施形態について説明する。前記のPSOあるいはHPSOによる最適化過程においては、一般に実行可能領域内のみを探索する。従って、数式2により探索点を修正する際に制約条件を満たすかどうかを調べ、制約条件を満たさない(つまり実行可能領域外)場合には制約条件を満たす範囲へ探索点を修正する。
【0025】
しかしながら、電磁石の構造設計において吸引力を制約条件とした場合には、その吸引力の値そのものが目的関数値を磁場解析等によって求めるまで得られないため、探索点を修正する際には制約条件を満たしているかどうかを評価することができない。そこで、探索範囲を実行可能領域外にも拡大し、かつ制約条件を考慮するために、吸引力の制約条件逸脱量をペナルティ項として目的関数に加えることとし、この目的関数を最小化するよう最適化を実施する。これにより最終的にペナルティ項の値が零になるまで探索を行うことによって実行可能な最適解を得ることができる。
【0026】
このとき、エージェントの速度を求める数式1における、w:エージェント速度に対する重み関数、およびci:各項に対する重み係数を、エージェント、pbest、およびgbestのそれぞれの位置が実行可能領域内かどうかによって変更する。例えば、pbestが実行可能領域外であるときにはpbestに関わる項(数式1の右辺第2項)の重み係数c1を小さくする。このことにより、エージェントの位置が実行可能領域外に集中しすぎることのないようにすることができ、効率的な探索を行うことが可能になる。
【0027】
【実施例】
次に本発明の実施例を説明する。
目的関数は電磁石コアの体積最小化とし、設計変数は電磁石の各部寸法、そして制約条件として各寸法の上下限、および空隙寸法2点における吸引力上下限とした定式化においてPSOを用いた方法を適用し、その有効性を検証した。
【0028】
数式1における重み関数wは、前述の文献「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」(電気学会論文誌B、119巻12号、1999年12月)と同様に次式の関数とした。
【0029】
【数3】
【0030】
ここで、
wmax =0.9,
wmin =0.4,
itermax :最大検索回数,
iter :現在の検索回数
【0031】
また、数式1におけるc1およびc2は、それぞれ、pbestおよびgbestが実行可能領域内のとき2.0とし、実行可能領域外のとき0.5とした。エージェント数は6、50回までの反復による最良値を求める試行を10回行った。また、初期値はこれまでに人の手によって最適化された形状データを用いている。
その結果、吸引力等の諸制約条件を満たし、初期形状と比較して約10%体積の小さい最適化形状を求めることができ、本手法の有効性を確認することができた。
【0032】
【発明の効果】
本発明によれば、考慮すべき設計変数の数が多く、設計変数間の相互干渉が複雑であるため最適化過程で制約条件が動的に変化したり、設計変数と応答との関係は非線形であるため、大規模な非線形最適化問題となる電磁石の最適化構造設計に対して、MH手法であるPSOまたはHPSOを用いて、前記設計変数の相互干渉に起因する制約条件の動的変化や、前記非線形性に起因する目的関数の不連続性などの問題を解消することにより、良質の解を生成可能とした電磁石の最適化構造設計方法を実現することができる。
【図面の簡単な説明】
【図1】HPSOの一般的なアルゴリズムを示すフローチャートある。
【図2】フロー中のステップ2,3,4に対する、解空間における探索概念図である。
【発明の属する技術分野】
本発明は、電磁石の最適構造設計方法に関するものである。
【0002】
【従来の技術】
電磁石の構造設計では、電磁石各部の寸法や巻線径を設計変数とし、有限要素法による磁界解析によって損失や吸引力を評価解析することによって、変更可能な設計パラメータである設計変数と、評価すべき応答との相関性を総合的に判断して最適化を行う。
【0003】
【発明が解決しようとする課題】
しかしながら、電磁石の構造設計では、一般に、考慮すべき設計変数の数が多く、さらに設計変数間の相互干渉が複雑であるため最適化過程で寸法の上下限や吸引力特性などの制約条件が動的に変化したりするため、設計変数と応答との関係は非線形となる。つまり、電磁石の構造設計は、大規模な非線形最適化問題となる。従って、従来の数理計画的な最適化アプローチや、感度に基づく方法などは適用が困難であった。
【0004】
そこで本発明では、モダンヒューリスティック手法の一つである、パーティクル・スウォーム・オプティマイゼーション(Particle Swarm Optimization: PSO)あるいはハイブリッド・パーティクル・スウォーム・オプティマイゼーション(Hybrid Particle Swarm Optimization: HPSO)を利用することによって良質の解を生成可能とした電磁石の最適化構造設計方法を提供しようとするものである。
【0005】
【課題を解決するための手段】
上記課題を解決するため、請求項1記載の発明に係る電磁石の最適構造設計方法は、
電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化または最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるパーティクル・スウォーム・オプティマイゼーション(PSO)により求めることを特徴とする。
【0006】
また、請求項2記載の発明に係る電磁石の最適構造設計方法は、
電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化または最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるハイブリッド・パーティクル・スウォーム・オプティマイゼーション(HPSO)により求めることを特徴とする。
【0007】
また、請求項3記載の発明に係る電磁石の最適構造設計方法は、
請求項1または請求項2に記載の電磁石の最適構造設計方法において、
制約条件を逸脱する解空間の探索を可能とした場合に、探索途中の最適解が制約条件を逸脱する時に、次回の探索点を決定する計算式のパラメータを変更して制約条件を満たす範囲への探索点を修正することを特徴とする。
【0008】
【発明の実施の形態】
以下に本発明の実施形態を説明する。
まず、電磁石構造設計において、その最適化問題を定式化する。つまり、目的関数、設計変数(状態変数)、および制約条件を定義する。一般的には、電磁石の損失や体積を最小化する目的関数を選び、電磁石各部の寸法を設計変数として、その各寸法の上下限および吸引力特性を制約条件とする場合が多い。例えば、目的関数として電磁石の体積最小化とし、設計変数として電磁石各部の寸法、制約条件として各部寸法の上下限、および吸引力の上下限とするような定式化が考えられる。
【0009】
そして、最適化における初期形状(初期状態)を生成し、その初期形状から始めてPSO(請求項1)あるいはHPSO(請求項2)による最適化を実施する。最適化過程での目的関数値の評価には、一般的に有限要素法による磁界解析を用いる。
【0010】
次に、HPSOの基本となるPSOの概要を説明する。
PSOは、簡単化した社会のモデルのシミュレーションを通して開発されたMH手法(モダンヒューリスティック手法)の一つであり、鳥の群れの動きを連続変数の2次元空間で表現することを通して開発された。なお、このPSOについては、J. Kennedy and R. Eberhartによる、”Particle Swarm Optimization” (Proc. of IEEE International Conrference on Neural Networks, Vol. IV, pp.1942−1948, Perth, Australia, 1995.)や、Y. Shi, and R. Eberhartによる、”A Modified Particle Swarm Optimizer” (Proc. of IEEE International Conference on Evolutionary Computation, Anchorage, May 1998.)、更には、吉田・福山ほかによる「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」(電気学会論文誌B、119巻12号、1999年12月)等に記載されている。
【0011】
PSOでは、各エージェント(一羽の鳥)の位置(状態量)をx,y座標で表現し、その速度をVx(x方向の速度)、Vy(y方向の速度)で表現する。これらの位置情報と速度情報から、次時点の各エージェントの位置を更新することができる。この概念に基づき、鳥の群れ全体が何らかの目的関数を最適化するような行動をとると考えると、以下のような最適化が考えられる。
【0012】
つまり、各エージェントは各々の探索における目的関数のそれまでの自己の最良値(pbest)と、その位置(状態量)を示すx,y座標とを覚えている。また、各エージェントは、pbestのうち集団の中で最も最良のもの、すなわち集団のそれまでの目的関数の最良値(gbest)情報を共有している。そして、各エージェントは、現在のx,y座標と速度Vx,Yy、およびpbestとgbestとの距離に応じて、pbest,gbestの存在する位置に方向を変更しようとする。この変更しようとする行動は速度で表現される。現在の速度と、pbestおよびgbestを用いて、各エージェントの速度は次式により修正される。
【0013】
【数1】
【0014】
ここで、
νi :エージェントiの速度、
rand():0〜1までの一様乱数、
si k :エージェントiの探索k回目の探索点、
pbesti :エージェントiのpbest、
w :エージェント速度に対する重み関数、
ci :各項に対する重み係数
【0015】
上記数式1を用いることにより各エージェントのこれまでの最良解および集団の最良解に確率的に近づくような速度が求められ、これにより各エージェントの現在の位置(探索点)を次式により修正する。
なお、本発明に即して言えば、各エージェントの位置が電磁石各部の寸法に相当し、速度が寸法の変化量に相当する。
【0016】
【数2】
si k+1=si k+νi k+1
【0017】
PSOは遺伝的アルゴリズム(Genetic Algorithm:以下、GA)等と同様に複数の探索点を持った多点探索で各探索点のpbestと集団のgbestを用いて各探索点を確率的に変更していくことにより、大域最適解(最良解)を得る方法である。
【0018】
また、これまでの速度を維持しようとする大域探索(数式1の右辺第1項)とpbest、gbestを用いてそれに近づこうとする局所探索(数式2の右辺第2,3項)をバランス良く行う機構をもった探索手法である。また、PSOは各ステップで目的関数値を評価する必要があるが、評価の回数は問題の規模によらずエージェント数のみで良いというメリットがある。従って、容易に大規模問題への適用が可能である。
【0019】
次に、HPSOの概要について説明する。
MH手法の多くは、自然淘汰に対応する選択の概念を入れている。選択は、探索空間の中で、他の探索点が最近探索した点と比較して相対的に有効である探索点に探索方向を向け直す機能となる。PSOもそれまでの探索で有効であった探索点(pbest,gbest)を利用しているが、その点自体にかなり依存してそれ以降の探索点が限定されてしまう。
【0020】
これに対し、ハイブリッドPSOは、通常のMH手法と同様に有効な点は利用するが、その点への依存が徐々に薄らいでいくような機能を実現している。具体的には、評価値のよいエージェントの探索点と速度を評価値の悪いエージェントの値にリプレイスする。この際、各エージェントのこれまで探索してきた最も評価が良い探索点(pbest)の情報は残す。このような方法により、有効な領域への探索の集中とこれまで探索してきた有効な領域への探索の方向の向け直しおよびその方向への弱い依存関係という機能を実現できる。HPSOの一般的なアルゴリズムは図1のようになる。また、図2に探索の概念図を示す。
【0021】
HPSOの一般的なアルゴリズムは図1のようになり、図1における探索ステップ2,3,4に対応する解空間における探索概念図が図2(a),(b),(c)である。すなわち、始めに各エージェントの初期探索点を生成する(ステップ1)。次に、個々のエージェントの探索点を評価する(ステップ2)。このとき、図2(a)の例ではエージェント1,2の評価が低く、エージェント3,4の評価が高いとする。
【0022】
次に、各エージェントの探索点に対し選択を実行する(ステップ3)。このステップはHPSOに特有のものであり、図2(b)の例では、評価が低かったエージェント1,2の探索点を、選択によって評価が高いエージェント3,4の探索点にリプレイスしている。その後、PSOと同様に、各エージェントの速度及び探索点(位置)を数式1,2により修正する(ステップ4)。図2(c)の例では、図2(b)の各エージェント1〜4の位置が修正される。特に、エージェント1とエージェント3とはそれぞれのpbest(pbest1,pbest3)が異なるため、探索方向(矢印の方向)も異なってくる。つまり、エージェント1はpbest1方向に引き続き向かっているのに対し、エージェント3はpbest3方向に向かうことになる。
【0023】
上記アルゴリズムによりHPSOはPSOとMH手法のダイナミクスの混合となる。HPSOとオリジナルのPSOのメカニズムとしての差は少ないが、この選択手法を加えることによって、オリジナルのPSOより、より良い解を見つけることができる探索メカニズムとなる。
HPSOについては、例えばP. Angelineによる ”Using Selection to Improve Particle Swarm Optimization”(Proc. of IEEE International Conference on Evolutionary Computation, Anchorage, May 1998.)等に記載されているが、この文献によれば、MHのベンチマークである4つの関数に対して、HPSOによれば、4個中3個の関数の最適化においてPSOより良い結果が得られたと報告されている。
【0024】
次に、請求項3に記載した発明の実施形態について説明する。前記のPSOあるいはHPSOによる最適化過程においては、一般に実行可能領域内のみを探索する。従って、数式2により探索点を修正する際に制約条件を満たすかどうかを調べ、制約条件を満たさない(つまり実行可能領域外)場合には制約条件を満たす範囲へ探索点を修正する。
【0025】
しかしながら、電磁石の構造設計において吸引力を制約条件とした場合には、その吸引力の値そのものが目的関数値を磁場解析等によって求めるまで得られないため、探索点を修正する際には制約条件を満たしているかどうかを評価することができない。そこで、探索範囲を実行可能領域外にも拡大し、かつ制約条件を考慮するために、吸引力の制約条件逸脱量をペナルティ項として目的関数に加えることとし、この目的関数を最小化するよう最適化を実施する。これにより最終的にペナルティ項の値が零になるまで探索を行うことによって実行可能な最適解を得ることができる。
【0026】
このとき、エージェントの速度を求める数式1における、w:エージェント速度に対する重み関数、およびci:各項に対する重み係数を、エージェント、pbest、およびgbestのそれぞれの位置が実行可能領域内かどうかによって変更する。例えば、pbestが実行可能領域外であるときにはpbestに関わる項(数式1の右辺第2項)の重み係数c1を小さくする。このことにより、エージェントの位置が実行可能領域外に集中しすぎることのないようにすることができ、効率的な探索を行うことが可能になる。
【0027】
【実施例】
次に本発明の実施例を説明する。
目的関数は電磁石コアの体積最小化とし、設計変数は電磁石の各部寸法、そして制約条件として各寸法の上下限、および空隙寸法2点における吸引力上下限とした定式化においてPSOを用いた方法を適用し、その有効性を検証した。
【0028】
数式1における重み関数wは、前述の文献「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」(電気学会論文誌B、119巻12号、1999年12月)と同様に次式の関数とした。
【0029】
【数3】
【0030】
ここで、
wmax =0.9,
wmin =0.4,
itermax :最大検索回数,
iter :現在の検索回数
【0031】
また、数式1におけるc1およびc2は、それぞれ、pbestおよびgbestが実行可能領域内のとき2.0とし、実行可能領域外のとき0.5とした。エージェント数は6、50回までの反復による最良値を求める試行を10回行った。また、初期値はこれまでに人の手によって最適化された形状データを用いている。
その結果、吸引力等の諸制約条件を満たし、初期形状と比較して約10%体積の小さい最適化形状を求めることができ、本手法の有効性を確認することができた。
【0032】
【発明の効果】
本発明によれば、考慮すべき設計変数の数が多く、設計変数間の相互干渉が複雑であるため最適化過程で制約条件が動的に変化したり、設計変数と応答との関係は非線形であるため、大規模な非線形最適化問題となる電磁石の最適化構造設計に対して、MH手法であるPSOまたはHPSOを用いて、前記設計変数の相互干渉に起因する制約条件の動的変化や、前記非線形性に起因する目的関数の不連続性などの問題を解消することにより、良質の解を生成可能とした電磁石の最適化構造設計方法を実現することができる。
【図面の簡単な説明】
【図1】HPSOの一般的なアルゴリズムを示すフローチャートある。
【図2】フロー中のステップ2,3,4に対する、解空間における探索概念図である。
Claims (3)
- 電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化または最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるパーティクル・スウォーム・オプティマイゼーション(PSO)により求めることを特徴とする電磁石の最適構造設計方法。
- 電磁石の構造設計において、励磁電圧、周波数、寸法制約、吸引力特性などの仕様が与えられたときに、損失、体積、表面積などの特定の値を最小化または最大化する目的関数を充足するような電磁石構造形状を、最適化手法であるハイブリッド・パーティクル・スウォーム・オプティマイゼーション(HPSO)により求めることを特徴とする電磁石の最適構造設計方法。
- 請求項1または請求項2に記載の電磁石の最適構造設計方法において、
制約条件を逸脱する解空間の探索を可能とした場合に、探索途中の最適解が制約条件を逸脱する時に、次回の探索点を決定する計算式のパラメータを変更して制約条件を満たす範囲への探索点を修正することを特徴とする電磁石の最適構造設計方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002199384A JP2004046303A (ja) | 2002-07-09 | 2002-07-09 | 電磁石の最適構造設計方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002199384A JP2004046303A (ja) | 2002-07-09 | 2002-07-09 | 電磁石の最適構造設計方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004046303A true JP2004046303A (ja) | 2004-02-12 |
Family
ID=31706533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002199384A Pending JP2004046303A (ja) | 2002-07-09 | 2002-07-09 | 電磁石の最適構造設計方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2004046303A (ja) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006088122A1 (ja) * | 2005-02-21 | 2006-08-24 | Fujifilm Corporation | 拡散フィルムの設計方法及び製造方法並びにそれにより得られる拡散フィルム |
JP2008069772A (ja) * | 2006-09-15 | 2008-03-27 | Man Diesel Sa | 内燃機関の燃料噴射ノズルの最適化方法 |
JP2008191860A (ja) * | 2007-02-02 | 2008-08-21 | Casio Comput Co Ltd | 電磁誘導型入力パネル及び電磁誘導型入力パネルを備えた液晶表示装置 |
CN101837591A (zh) * | 2010-03-12 | 2010-09-22 | 西安电子科技大学 | 基于双群协同竞争粒子群和Ferguson样条的机器人路径规划方法 |
JP2011243126A (ja) * | 2010-05-21 | 2011-12-01 | Hitachi Ltd | 電磁機器の最適設計システム |
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
CN104252383A (zh) * | 2014-09-16 | 2014-12-31 | 江苏科技大学 | 基于混沌粒子群算法的可重构计算的软硬件任务划分方法 |
CN104616072A (zh) * | 2015-01-23 | 2015-05-13 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
KR101600001B1 (ko) * | 2014-09-22 | 2016-03-14 | 주식회사 져스텍 | 모터의 최적 설계 방법 |
CN107871024A (zh) * | 2016-09-23 | 2018-04-03 | 中国电力科学研究院 | 一种高温超导环形储能磁体的电磁优化方法和装置 |
CN109409595A (zh) * | 2018-10-19 | 2019-03-01 | 南京南瑞继保电气有限公司 | 一种园区多能互补系统日前调度方法 |
CN109543226A (zh) * | 2018-10-22 | 2019-03-29 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
CN110334467A (zh) * | 2019-07-16 | 2019-10-15 | 全球能源互联网研究院有限公司 | 一种基于多策略粒子群算法的电磁斥力机构优化设计方法 |
CN111881498A (zh) * | 2020-07-08 | 2020-11-03 | 东南大学建筑设计研究院有限公司 | 基于改进粒子群算法的框-剪结构墙体布局优化方法 |
-
2002
- 2002-07-09 JP JP2002199384A patent/JP2004046303A/ja active Pending
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006088122A1 (ja) * | 2005-02-21 | 2006-08-24 | Fujifilm Corporation | 拡散フィルムの設計方法及び製造方法並びにそれにより得られる拡散フィルム |
US7781013B2 (en) | 2005-02-21 | 2010-08-24 | Fujifilm Corporation | Method of designing a diffusion film, a process for producing the same, and a diffusion film obtained thereby |
JP2008069772A (ja) * | 2006-09-15 | 2008-03-27 | Man Diesel Sa | 内燃機関の燃料噴射ノズルの最適化方法 |
KR101306526B1 (ko) * | 2006-09-15 | 2013-09-09 | 만 디젤 앤 터보 에스이 | 내연기관용 분사 노즐의 최적화 방법 |
JP2008191860A (ja) * | 2007-02-02 | 2008-08-21 | Casio Comput Co Ltd | 電磁誘導型入力パネル及び電磁誘導型入力パネルを備えた液晶表示装置 |
CN101837591A (zh) * | 2010-03-12 | 2010-09-22 | 西安电子科技大学 | 基于双群协同竞争粒子群和Ferguson样条的机器人路径规划方法 |
JP2011243126A (ja) * | 2010-05-21 | 2011-12-01 | Hitachi Ltd | 電磁機器の最適設計システム |
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
CN104252383A (zh) * | 2014-09-16 | 2014-12-31 | 江苏科技大学 | 基于混沌粒子群算法的可重构计算的软硬件任务划分方法 |
CN104252383B (zh) * | 2014-09-16 | 2018-01-30 | 江苏科技大学 | 基于混沌粒子群算法的可重构计算的软硬件任务划分方法 |
KR101600001B1 (ko) * | 2014-09-22 | 2016-03-14 | 주식회사 져스텍 | 모터의 최적 설계 방법 |
CN104616072B (zh) * | 2015-01-23 | 2017-12-01 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
CN104616072A (zh) * | 2015-01-23 | 2015-05-13 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
CN107871024A (zh) * | 2016-09-23 | 2018-04-03 | 中国电力科学研究院 | 一种高温超导环形储能磁体的电磁优化方法和装置 |
CN107871024B (zh) * | 2016-09-23 | 2023-07-18 | 中国电力科学研究院 | 一种高温超导环形储能磁体的电磁优化方法和装置 |
CN109409595A (zh) * | 2018-10-19 | 2019-03-01 | 南京南瑞继保电气有限公司 | 一种园区多能互补系统日前调度方法 |
CN109543226A (zh) * | 2018-10-22 | 2019-03-29 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
CN109543226B (zh) * | 2018-10-22 | 2023-03-21 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
CN110334467A (zh) * | 2019-07-16 | 2019-10-15 | 全球能源互联网研究院有限公司 | 一种基于多策略粒子群算法的电磁斥力机构优化设计方法 |
CN110334467B (zh) * | 2019-07-16 | 2023-06-30 | 全球能源互联网研究院有限公司 | 一种基于多策略粒子群算法的电磁斥力机构优化设计方法 |
CN111881498A (zh) * | 2020-07-08 | 2020-11-03 | 东南大学建筑设计研究院有限公司 | 基于改进粒子群算法的框-剪结构墙体布局优化方法 |
CN111881498B (zh) * | 2020-07-08 | 2024-01-19 | 东南大学建筑设计研究院有限公司 | 基于改进粒子群算法的框-剪结构墙体布局优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Ant colony optimization for traveling salesman problem based on parameters optimization | |
Wang et al. | Minimizing the total flow time in a flow shop with blocking by using hybrid harmony search algorithms | |
JP2004046303A (ja) | 電磁石の最適構造設計方法 | |
Liu et al. | An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning | |
Huang et al. | Bat algorithm based on an integration strategy and Gaussian distribution | |
Hou et al. | A multi-objective discrete particle swarm optimization method for particle routing in distributed particle filters | |
Dubey et al. | Uniform mutation and SPV rule based optimized PSO algorithm for TSP problem | |
Wang et al. | Latency-aware mapping for 3D NoC using rank-based multi-objective genetic algorithm | |
Juan et al. | Optimization of fuzzy rule based on adaptive genetic algorithm and ant colony algorithm | |
Datta et al. | Individual penalty based constraint handling using a hybrid bi-objective and penalty function approach | |
Marinakis et al. | Combinatorial neighborhood topology particle swarm optimization algorithm for the vehicle routing problem | |
Valdez et al. | Bio-inspired optimization methods on graphic processing unit for minimization of complex mathematical functions | |
Zhang et al. | A hybrid differential evolution and tree search algorithm for the job shop scheduling problem | |
Zharfi et al. | A novel metaheuristic for travelling salesman problem | |
Lattarulo et al. | Application of the multi-objective alliance algorithm to a benchmark aerodynamic optimization problem | |
Wang et al. | A modified cuckoo search algorithm for flow shop scheduling problem with blocking | |
CN116405493A (zh) | 一种基于mogwo策略的边缘云协同任务卸载方法 | |
Darmawan et al. | Grid computing process improvement through computing resource scheduling using genetic algorithm and Tabu Search integration | |
Kaveh et al. | A general model for meta-heuristic algorithms using the concept of fields of forces | |
Raj et al. | Regular paper optimal power flow solution for combined economic emission dispatch problem using particle swarm optimization technique | |
Zapotecas Martínez et al. | A multi-objective meta-model assisted memetic algorithm with non gradient-based local search | |
Vasant et al. | Swarm-based intelligent strategies for charging plug-in hybrid electric vehicles | |
Kalra et al. | Application of intelligent water drops algorithm to workflow scheduling in cloud environment | |
Kondo et al. | A study on distributed parameter free genetic algorithm for TSP problem | |
Wu et al. | A particle swarm optimization variant with an inner variable learning strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040812 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070125 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070523 |