电机电器优化.docx

基于遗传算法的永磁无刷直流电机电磁方案优化设计前 言永磁电机以其优越的电磁性能在高性能驱动系统中得到广泛应用，但是，由于永磁电机几何结构比较复杂，永磁材料性能比较特殊，使得永磁电机的优化设计变得相当困难。迄今为止，已经出现了许多用于永磁电机优化的方法，如复合形法、罚函数法、单纯形法等。与传统优化方法不同，John Holland 提出了一种新型优化方法—遗传算法，它适用于解决复杂的非线性和多维空间寻优问题，已经成功地应用到许多领域的优化问题中，如实时机器人控制、机器视觉和自适应学习等。本文把遗传算法引入永磁同步电机优化设计中，并对永磁无刷直流电机电动机进行优化设计，取得了满意的结果。1 遗传算法基本原理电机优化设计是以最优化数学理论为基础，借助于计算机，自动寻求最优设计方案的一种设计方法，它是一个多极值、有约束的非线性问题，其目标函数和约束条件都难以用关系式直接表示。长期以来，如何改进电机优化模型和优化设计算法是人们普遍关注的问题。传统的电机优化设计多采用SWIFT(序贯加权加速因子法)、ALAM(乘子罚函数法)、Complex(复形法)、PoweU(罚函数法)以及爬山类算法等，这些方法在不同程度上得到了成功的应用，但是上述方法也有很多缺点，如容易收敛于局部最优点，优化结果与初始点的选取有关，对离散变量处理有一定困难等。遗传算法是近年来迅速发展起来的一种新的全局优化算法。它是由美国密西根大学的霍兰(Holland)教授和他的学生们在70年代初提出而创立的。该算法植根于自然进化与遗传机理，最早是用于模拟自然界的自适应(适者生存)现象，后来被引向于广泛的工程问题，而快速发展成一种“自适应启发式概率性迭代式全局搜索算法”。1.1编码最简单的编码方案是二进制编码，在这种编码中，每个设计变量编码成由0或l组成的有限长度字符申，其长度由设计变量的取值范围和所要求的精度定。例如，设计变量x的取值范围为[0，3l]。如果采用5位二进制对x进行编码，x的值对应直进制字符串的1/31，其中0对应于00000，3l对应于11ll1。1.2确定种群大小在遗传算法中，种群就是由优化问题所有可能结果组成的集合，该算法就是在此集合上进行搜索寻优。种群大小是一个非常重要的参数，直接影响遗传算法的性能。如果种群太小可能丢失一些有用的字符串，反之将导致寻优速度较慢，种群大小根据设计变量多少来设定，一般种群数目在20～160之间比较合适。1.3适应值适应值是衡量种群中编码串优劣的数字指标，种群中的每个编码串都有一个适应值与之对应，适应值可以通过目标函数或它的变形来计算。例如，目标函数为且0，则x的适应值可以通过下式计算：,其中代表x的适应值。1.4选择遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作：适应度高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下一代群体中的概率小。选择操作的任务就是按某种方法从父代群体中选取一些个体，遗传到下一代群体。基本遗传算法中选择算子采用轮盘赌选择方法。轮盘赌选择又称比例选择算子，它的基本思想是：各个个体被选中的概率与其适应度函数值大小成正比。1.5交叉完成繁殖过程之后，种群中的编码串通过交叉过程交换信息。具体过程是：首先随机选取两个编码串作为亲代，然后产生一个介于l和L-l之间的随机数[L为编码串长度]，这个随机数就是交叉将要发生的位置。通过交叉两个亲代编码串中从交叉位置到编码串结尾之间的所有位互相交换，其他位保持不变，这样就产生两个子代。例如，两个亲代编码串分别为A=10 101和B=0l 010，交叉位置为2，那么经过交叉，新产生的两个子代为A′=10 010和B′=01 101。交叉是在一定的交叉概率下发生的，通常采用的交叉概率从0.25到1.00之间变化，以0.05递增。1.6变异变异过程就是随机地改变编码串中的某位，使该位由0变为1或由l变为0的过程（对0，1编码来说）。通过变异可以增加种群中编码串的多样性，从而利于搜索寻优，太小不会产生新的基因块；太大会使GA变成随机搜索。一般取0.01～0.20。1.7遗传算法流程图遗传算法中, 优化变量组成了问题的解空间。对问题最优解的搜索是通过对染色体的搜索过程来进行的, 从而由所有的染色体就组成了问题的搜索空间。遗传算法的运算对象是由一定数量的个体所组成的集合, 成为群体。其运算过程是一个反复迭代的过程, 初始群体经过个体评价后，通过选择选出优良的个体, 优良个体经过遗传操作(交叉和变异)得到新的群体。新的个体又不断经过个体评价、选择、遗传操作的循环过程, 并且每次都按照优胜劣汰的规则将适应度较高的个体更多地遗传到下一代。这样最终在群体中将会得到一个优良的个体X,它所对应的表现值X将达到或接近于问题的最优解X*。遗传算法优化 过程如图