微粒群优化算法在PN结二极管参数提取中应用.docVIP

微粒群优化算法在PN结二极管参数提取中的应用 王恺尔 浙江师范大学数理与信息工程学院 摘要：发光二极管作为一种新型的照明材料正在全球经济生活多方面发挥着越来越重要的作用。一个潜能巨大的市场正在形成。发光二极管的性能改进中PN结二极管模型的参数估计是个相当繁琐的工作，为了提高参数估算的准确性、提高运算效率，笔者将微粒群优化算法应用于PN结二极管模型的参数估计中，结果表明：粒子群优化算法为PN结二极管模型的参数估计问题提供了一种新的方法。微粒群优化算法是一种新兴的演化算法，计算简便、收敛速度快和收敛准确。本文将对微粒群优化算法应用于PN结二极管模型的参数估计作详细介绍。 关键词：微粒群优化算法；PN结二极管；参数提取 Application of PSO for Parameter Estimation of PN Diode Parameters Wang Kai-Er (College of Science and Information Engineering，Zhejiang Normal University，Jinhua,321004,Zhejiang,China) Abstract：Particle swarm optimization(PSO) algorithm is a newly developing algorithm with characteristics of easy calculating、fast and exact convergence．In this paper，the PSO algorithm is used to estmate the parameters of PN Diode model．The experimental results show that the PSO algorithm provides an new method to estimate parameters of PN Diode model． Keywords：particle swarm optimization(PSO)；PN Diode model；parameter estimation 1．引言 通常使用的二极管模型为 式子中，是二极管反向饱和电流，是二极管串联电阻，n是二极管理想因子，k为波尔兹曼常数，T为绝对温度，q为电子电荷，是并联电导。作为二极管的器件参数，在用电路模拟软件进行电路分析时，有重要的作用。但是如何确定这四个参数，方法一是通过实际测量，非常不方便；方法二是通过实验数据解(1)式。（1）式是一个复杂的非线性超越方程，联列方程将无法求解，而且也无法将(1)式转化为I=f(V)形式。目前常用的方法是通过牛顿法将非线性方程线性化后数值求解，但是从文献的结果看出牛顿法所得出的参数精度还不是很高，且计算过程复杂，对数学要求很高。本文将智能算法中的微粒群优化算法应用于二极管模型的参数提取中，基于群体演化算法的的微粒群优化算法（Particle Swarm Optimization，简称PSO），思想来源于人工生命和演化计算理论，是一种有效的随机全局优化技术。PSO算法对优化目标函数形式没有特殊的要求，其优势在于算法的简洁性，易于实现，没有很多参数需要调整。我们应用PSO算法来优化二极管模型的参数，实例计算表明了该算法的有效性和可行性。 2．微粒群优化算法 2．1算法原理 微粒群优化算法的基本思想是在D维空间中散布一群随机粒子，每个粒子代表所优化问题的一个解。粒子通过给定的适应度函数进行位置和速度的更新，在每一次迭代中，追踪粒子自己的最好解和整个种群中的最好解，逐渐接近最优化的值。 速度和位置的更新方程是： 其中i=1,2.3…m（m是种群数量）；为加速系数，合理地设置的值可以防止粒子收敛过快陷入局部最优；为惯性权重；是0与1之间的随机数；pbest是粒子找到自身最好解时的位置；gbest是整个种群目前找到的最好解的位置。 2．2算法流程 step1 初始化粒子的位置和速度，将每个粒子的当前位置设为pbest，通过适应度函数的计算与每个粒子的比较，得出全局极值，并用gbest标注。 step2 利用适应度函数评价每一个粒子 对每个粒子，用它的适应度值和个体极值pbest比较，如果较好，则替换pBest; 对每个粒子，用它的适应度值和全局极值gbest比较，如果较好，则替换gBest; step3 利用速度和位置的更新方程对粒子进行更新 step4如果满足结束条件（误差达到要求或到达最大迭代次数）退出，否则回到step2。 3．提取PN结二极管模型的参数 PSO程序的适应度函数采用如下形式 其中为二极管V-I特性曲线的实际值，为二极管V-I特性