基于粒子融合NSGA―Ⅱ永磁无刷直流电机多目标优化.docVIP

基于粒子融合NSGA―Ⅱ永磁无刷直流电机多目标优化 　　【摘要】为了更好地解决永磁无刷直流电机设计中的复杂非线性模型多目标优化问题，设计了一种基于粒子融合机制改进的精英保留非劣排序遗传算法（NSGA-Ⅱ），用多目标粒子群优化算法中的粒子位置更新模式替代NSGA-Ⅱ的交叉操作，大幅提高了算法的搜索性能。将该算法应用于永磁无刷直流电机优化设计，通过计算达到了减小电机的体积重量、减小转子转动惯量及机电时间常数、提高永磁无刷直流电动机功率密度的目的。仿真结果表明该优化设计方法效果比较理想，对电机的优化设计有较大的参考价值。 　　【关键词】多目标优化；永磁无刷直流电机；NSGA-Ⅱ；粒子融合 　　1.前言 　　电机的优化设计技术是在满足国家标准、用户要求以及特定约束的条件下，使电机效率、体积、功率、重量等设计性能指标达到最优的一种设计技术，被描述为一个有约束、多目标、多变量以及多峰值的复杂非线性问题，属于典型的多目标优化问题。永磁无刷直流电动机的优化设计中，由于电机磁路中导磁材料磁化曲线的非线性及电枢反应的非线性，决定了其目标函数、约束函数多为非线性程度很高的数值函数，使其优化设计的难度更大，因此选择适合于永磁无刷直流电机的优化设计方法是优化设计能否成功的关键[1]。 　　人们一直致力于探寻非线性的电动机的优化数学模型，以期得到全局最优解及其优化算法，电机优化设计方法经历了以单纯形法、可变容差法、梯度法为代表的传统方法到以模拟退火算法、遗传算法、禁忌搜索算法等全局优化算法为代表的新型优化算法[2]。近年来，有研究将全局优化算法与直接搜索法相结合的混合寻优策略应用于某些类型电机的优化设计，如将遗传算法和模拟退火算法相结合，充分利用了遗传算法全局搜索能力强而模拟退火算法局部搜索能力强的优点，成功地进行了长定子同步直线电动机的优化设计[3]。有研究将多种优化算法综合，引入电机优化中，如先应用模糊优化设计算法建立电机的优化设计数学模型，再利用Tabu算法对目标函数进行优化，减少电机体积和设计时间，提高电机的力能指标[4]。 　　但是，目前流行的各类随机优化方法和确定性优化方法远没有完美地解决避免陷入局部最优解的问题[，并且优化搜索的收敛速度缓慢，不能令人满意，迫切需要探索新型的优化算法[5][6]。本文提出了基于粒子融合机制的改进NSGA-Ⅱ，并将其应用于永磁无刷直流电机的优化设计，实验结果表明与以往的电机优化方法相比，这种新型优化算法建立的电机优化模型在全局优化搜索和收敛速度方面有很好的优势，具有重要的指导意义。 　　2.算法描述 　　精英非支配解排序遗传算法（NSGA-Ⅱ）最早由印度研究人员Srinivas和Deb提出，是近年来最有效、最流行的多目标进化算法[2]，它在解决多目标优化问题上具有独特的优势，但采用的交叉算子搜索性能相对较弱，在一定程度上限制了算法的搜索性能，使得NSGA-Ⅱ在收敛速度和多样性保持方面仍需改进。而粒子群优化算法是一种基于群体智能的演化算法，具有更快的收敛速度，这就为本文设计一种新的基于粒子融合机制的改进NSGA-Ⅱ算法提供了现实的可行性。 　　2.1 基于粒子融合的NSGA-Ⅱ算法 　　考虑到在NSGA-Ⅱ中是按二进制随机竞赛选择方法选择用于产生后代的个体，而MOPSO中选择外部档案中最佳的个体作为leader时具有较快收敛速度，按如下折中方法从父代群体中选择leader。如果则选择父代群体中程度最大的个体，否则基于拥挤程度按二进制随机竞赛选择方法从父代群体中选择。其中，为选择父代群体中拥挤距离最大个体的概率，rand为[0，1]间的随机数。 　　2.1.2 粒子融合NSGA-Ⅱ的算法流程 　　本文算法流程描述大致如下[7]： 　　第一步：产生N个初始父代种群Pt并按比例经交叉变异形成N个子代种群Qt； 　　第二步：组合父代种群Pt和子代种群Qt为种群Rt，并对Rt中个体进行非支配排序，确定Pareto前沿F1； 　　第三步：计算F1中单个个体的局部拥挤距离，并删除F1在目标空间重叠的多余个体； 　　第四步：先排除F1中极端个体，再将其他个体按拥挤距离从大到小排列； 　　第五步：按步骤二、三、四的结果依据拥挤距离选取N个个体作为新的父代种群Pt+1； 　　第六步：对于子代群体Qt的每个个体（粒子），根据差异问题解决策略，选择父代种群Pt+1中拥挤距离最大个体或者基于拥挤距离按二进制随机竞赛选择方法从父代群体Pt+1中选择粒子的leader，同时按式（3）更新个体位置，对位置更新后的Qt中所有个体各基因座按变异概率Pm进行NSGA-Ⅱ中的多项式变异，得到子代群体Qt+1； 　　2.2.3 优化结果分析 　　用本文设计的优化算法对一台270V，10kW，10000r/min的永磁无刷直流电动机进行优化设计计算。在满