[发明专利]多参数多目标混沌粒子群参数寻优方法

摘要

本发明公开了一种多参数多目标混沌粒子群参数寻优方法，步骤包括：步骤1，确定目标函数和待优化参数；步骤2，算法初始化；步骤3，计算种群中每个个体对应的目标函数；步骤4，更新个体历史最优解；步骤5，更新粒子速度和位置；步骤6，更新全局最优解集；步骤7，更新全局最优解；步骤8，结果判断。与一般的随机初始化方法和现有混沌Logistic映射粒子群初始化方法相比，本发明方法提高了全局寻优的性能且稳定性好；与一般的多目标加权的优化方法相比，本发明方法采用了Pareto最优解技术，解决了多目标加权方法中权重选取困难的问题。

主权项

1.一种多参数多目标混沌粒子群参数寻优方法，用于复合有源箝位软开关三相功率因数校正变换器的双闭环比例积分控制器的参数优化，其特征在于，按照以下步骤实施：步骤1，确定目标函数和待优化参数确定待优化参数数量为N，待优化目标函数个数ns，针对问题的不同优化目标选取合适的目标函数J1，J2，…，Jns；对于复合有源箝位软开关三相功率因数校正变换器，待优化参数为双闭环比例积分控制器参数，双闭环比例积分控制器参数的数量N＝6，分别为kvp、kvi、kidp、kidi、kiqp及kiqi；待优化的目标函数为ns＝3个，针对控制器需要满足的3个目标是：1)电压外环作为控制器要求具有较快的响应速度和较小的超调，该目标函数定义为Jv1；2)要求电压环的稳态误差为0，目标函数定义为Jv2；3)电流内环应快速平稳的控制输入电流跟踪电压，目标函数定义为Ji，则有：其中，L1代表输出直流电压在瞬态阶段的数据长度；L2代表输出直流电 压在稳态阶段的数据长度；L3代表功率因数值的数据长度；ei和ej分别表示输出直流电压误差和功率因数误差，ei＝Udcref(iT)‑Udc(iT)，ej＝PF(jT)‑1；T为采样间隔，PF(jT)表示在第j个采样时间段的功率因数值；ε表示稳态误差的限，用于区分瞬态和稳态阶段，误差大于ε时计入目标函数Jv1，否则计入目标函数Jv2；步骤2，算法初始化初始化粒子种群规模为M＝100，粒子为多维粒子，其维数等于待优化参数的数目为N＝6，第k代的粒子m表示为Xm1(k)、Xm2(k)、Xm3(k)、Xm4(k)、Xm5(k)和Xm6(k)，代表双闭环PI控制器六个控制参数kvp、kvi、kidp、kidi、kiqp和kiqi；最大迭代次数为kmax＝10，随机初始化全局粒子最优位置Yg＝[Yg1,Yg2,Yg3Yg4,Yg5,Yg6]∈[0,5]，初始化个体历史最优目标函数Jv1max(m)＝0，Jv2max(m)＝0，…，Jnsmax(m)＝0，m＝1,2,…,M；针对多个待优化参数，采用单向耦合映像格子时空混沌模型初始化粒子群优化算法的粒子初始位置及初始速度，初始位置表示为Xmn(0),初始速度表示Vmn(0)，其中m＝1,2,…,M，n＝1,2,…,N，分别表示为第0次迭代时第m个粒子第n维的位置、飞行速度；所述的单向耦合映像格子时空混沌映射模型为：Ln(m+1)＝(1‑εn)f[Ln(m)]+εnf[Ln‑1(m)]，其中，f[Ln(m)]为Logistic混沌映射，f[Ln(m)]＝μLn(m)(1‑Ln(m))，Ln(m)为状态变量；n为空间格点位置，对应维数；m代表离散时间，对应种群规模；εn为耦合强度，采用时空混沌映射，在优化算法开始阶段，直接生成具有多维解空间均匀分布的初始粒子位置和速度，即选取粒子位置Xmn(0)＝kx*Ln(m)，Vmn(0)＝kv*Ln(m+M)，其中kx和kv分别为比例系数，将混沌时空模型的状态从[0，1]间通过乘以对应的系数转换到对应位置和速度参数取值范围内；步骤3，计算种群中每个个体对应的目标函数的值将当前第k代粒子m,m＝1,…,M，所代表的多维参数Xmn(k)，n＝1,…,N，代入待优化问题，计算该次迭代中粒子m对应的所有目标函数的值，表示为[J1(m,k)，J2(m,k)，…，Jns(m,k)]；建立复合有源箝位软开关三相功率因数校正变换器双闭环控制仿真模型，仿真模型参数设置如下：三相输入相电压Uin＝220V；三相输入电感标称值L＝20mH；电感和开关等效电阻R＝1Ω；开关管并联电容C1＝C2＝…＝C7＝2nF；谐振电感Lr＝100μH；箝位电容CC＝40μF；输出滤波电容C＝1500μF；负载电阻RL＝300Ω；输出期望电压Udcref＝600V；开关频率f＝10kHz；将当前粒子的六个参数[Xm1(k),Xm2(k),Xm3(k),Xm4(k),Xm5(k),Xm6(k)]代入复合有源箝位软开关三相功率因数校正变换器仿真模型，运行仿真程序，采集输出直流电压，电流波形及对应的功率因数值，从而计算得到粒子m在第k代时对应的目标函数Jv1(m,k)，Jv2(m,k)，Ji(m,k)的值；步骤4，更新个体历史最优解对于当前第k代中的第m个粒子，比较其对应的多个目标函数的值与其自身历史最优位置对应的多个目标函数的值，如果该粒子的每个目标函数的值都不劣于该粒子的历史最优位置对应的目标函数的值，那么用该粒子的目标函数的值替换个体历史最好目标函数的值，同时将该粒子位置保存入个体最优集中，具体过程是：若J1(m,k)≥J1max(m)&J2(m,k)≥J2max(m)&…&Jns(m,k)≥Jnsmax(m)，"&"表示逻辑与操作，则J1max(m)＝J1(m,k)，J2max(m)＝J2(m,k)，…，Jnsmax(m)＝Jns(m,k)，Pm(im，:)＝[Xm1(k),Xm2(k),…,XmN(k)]，im＝im+1；其中Pm表示个体m的最优解集，i代表个体最优解集中个体最优解的数目，Pm(im，:)表示满足上述粒子m非劣 解条件从而保存入的个体最优解集中的第im个N维粒子；每个粒子都有一个个体历史最优解集，其中保存了该粒子的历史最优解；具体过程是：若Jv1(m,k)≥Jv1max(m)&Jv2(m,k)≥Jv2max(m)&Ji(m,k)≥Jimax(m)，则Jv1max(m)＝Jv1(m,k)，Jv2max(m)＝Jv2(m,k)，Jimax(m)＝Ji(m,k)，Pm(im，:)＝[Xm1(k),Xm2(k),…,Xm6(k)]，im＝im+1；其中Pm表示个体m的最优解集，im代表个体m最优解集中个体最优解的数目，Pm(im，:)表示满足上述粒子m非劣解条件从而保存入的个体m最优解集中的第im个N维粒子；步骤5，更新粒子速度和位置粒子速度和位置的更新迭代公式为：Vmn(k+1)＝wVmn(k)+c1r1(Ym(n)‑Xmn(k))+c2r2(Yg(n)‑Xmn(k))，Xmn(k+1)＝Xmn(k)+Vmn(k)，其中，Xmn(k)表示粒子m在第k代的第n维位置坐标；Vmn(k)表示粒子m在第k代的第n维坐标上的速度；c1，c2为学习因子，是非负常数；r1，r2是介于[0，1]之间两个独立的随机数；w为惯性权重；Ym(n)从个体历史最优解集中随机选取，Ym(n)＝Pm(iim，n)，iim＝random(1，im‑1)，Yg(n)为粒子第n维的全局最优解位置；学习因子c1＝2.5，c2＝1.5；惯性权重w＝0.9；速度限幅Vmax＝1，r1和r2是介于[0,1]之间两个独立的随机数；w为惯性权重；Ym(n)从个体历史最优解集中随机选取，Ym(n)＝Pm(iim，n)，iim＝random(1,im‑1)，Yg(n)为粒子的全局最优解第n维位置；步骤6，更新全局最优解集比较当前种群中所有M个粒子对应的每个目标函数的值，将种群中所有 粒子中，任意一个目标函数为最大的粒子保存入Pareto全局最优解集Pg中，同时该粒子对应的目标函数的值保存入Pareto最优目标函数值集合PJ中，具体算法为：若J1(m,k)＝max{J1(1,k),…,J1(M,k)}or J2(m,k)＝max{J2(1,k),…,J2(M,k)}or…or Jns(m,k)＝max{Jns(1,k),…,Jns(M,k)}，其中“or”为逻辑或操作，则粒子m的目标函数的值保存入Pareto最优目标函数值集中，即PJ(j，:)＝[J1(m,k),…,Jns(m,k)]，粒子m的位置保存入Pareto全局最优解集Pg(j，:)＝[Xm1(k),…,XmN(k)]，j＝j+1，j代表Pareto最优解集中个体最优解的数目；更新全局最优解集的具体算法为：若Jv1(m,k)＝max{Jv1(1,k),…,Jv1(M,k)}or Jv2(m,k)＝max{Jv2(1,k),…,Jv2(M,k)}or Ji(m,k)＝max{Ji(1,k),…,Ji(M,k)}；则Pg(j，:)＝[Xm1(k),…,Xm6(k)]，所对应的Pareto最优目标函数集PJ(j，:)＝[Jv1(m,k),Jv2(m,k),Ji(m,k)]，j＝j+1，j代表Pareto最优解集中个体最优解的数目；步骤7，更新全局最优解Yg求取Pareto全局最优解集中每个粒子对应的多个目标函数与其解集中各目标函数最大值间的欧式距离，选取欧式距离最小的粒子作为全局最优解，具体过程是：选取全局最优解Y_g＝[Y_g1,Y_g2,…,Y_gN]＝P_g(jj,:)，其中jj为满足下式ε 的系数，其中[J_g1,…,J_gns]为Pareto最优目标函数集中各目标函数分别能达到的最大值，即 ε(P_J(q,:),[J_g1,…,J_gns])表示向量的欧式距离，P_J(q,:)表示Pareto最优目标函数集第q行所有元素；全局最优解Yg的更新过程表达为：选取全局最优解Y_g＝[Y_g(1),Y_g(2),…,Y_g(6)]＝P_yg(jj,:)，其中jj满足下式其中[J_gv1,J_gv2,J_gi]为Pareto最优目标函数集中各目标函数分别能达到的最大值，即 ε(P_J(q，:),[J_gv1,J_gv2,J_gi])表示向量的欧式距离，P_J(q，:)表示Pareto最优目标函数集第q行所有元素；步骤8，结果判断k＝k+1，若达到停止条件，即k＝kmax，则返回最优粒子Yg作为待优化问题的解，同时返回其对应的目标函数的值；否则k＝k+1，返回步骤3重新更新。