一种基于并行分布式粒子群算法的功率电子电路优化方法技术

本发明专利技术公开了一种基于并行分布式粒子群算法的功率电子电路优化方法，具体为：设置n个进程，先进行功率传输优化后再进行反馈网络优化。本发明专利技术在分布式环境下实现算法的并行化，这样明显缩短了计算的时间。使得粒子群算法更好的应用于大规模、复杂适应值和实时性强的问题中。

A Parallel Distributed Particle Swarm Optimization Method for Power Electronic Circuits

The invention discloses a power electronic circuit optimization method based on parallel distributed particle swarm optimization algorithm, which is specifically as follows: n processes are set up, power transmission optimization is carried out before feedback network optimization is carried out. The invention realizes the parallelization of the algorithm in the distributed environment, thus significantly shortening the computing time. Particle swarm optimization (PSO) can be better applied to large-scale, complex adaptive and real-time problems.

【技术实现步骤摘要】
一种基于并行分布式粒子群算法的功率电子电路优化方法
本专利技术涉及功率电子领域，尤其涉及一种基于并行分布式粒子群算法的功率电子电路优化方法。
技术介绍
功率电子电路能够通过调整供应电流或者电压来有效地控制电能传输，适应用户的负载，目前广泛应用于各种日常设备中，如移动设备、计算机、电视机和不间断电源等。而随着半导体技术和电子封装技术的进步，对功率电子电路自动化生成的需求越来越高。在现有技术中，对于功率电子电路的优化有很多方法，经典的算法包括如梯度法和爬山法等，但这些方法往往容易落入局部极小值的陷阱，导致优化结果不理想。同时，由于传统的设计优化方法计算得到的优化选取值在实际生产中无法找到相对应的标称值元件，因此，不能实现真正的自动设计和优化。因此，一种随机化的进化算法应运而生，比如遗传算法、蚁群算法等。遗传算法的应用还比较少，多数处于研究阶段。而粒子群算法是进化算法的一个分支，粒子群算法由于其定义清晰，简单实用，自提出以来就得到了广发的应用，例如动态分配、医学图形配准、机器学习与训练、数据挖掘与分类和信号控制等各领域。与其它的进化算法相比，粒子群算法具有收敛速度快，解的质量稳定等优点，因此十分适合于功率电子电路设计这样的优化问题。但是适应值在电路优化问题中的计算是非常耗时的，随着问题规模的增加需要的计算资源也显著增加，这样计算的时间也会随之变长。计算时间的增加导致粒子群算法在功率电子电路优化方面遇到瓶颈。使得一些大规模、适应值复杂和实时性的问题得不到很好的解决。随着计算机技术的发展，云计算为我们提供了很多计算资源。计算资源的发展使得我们突破了单进程的限制，可以让计算值在不同的进程中同时计算，这就是分布式并行计算的思想。在并行的环境下，算法的执行时间显著减少。把每个粒子分配到不同的进程同时计算，能够减少程序的运行时间。因此，在分布式并行环境下进行运算对于解决复杂的大规模问题和实时性要求高的问题具有很好的运用前景。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于并行分布式粒子群算法的功率电子电路优化方法。本专利技术的目的能够通过以下技术方案实现：一种基于并行分布式粒子群算法的功率电子电路优化方法，具体为：设置n个进程，先进行功率传输优化后再进行反馈网络优化；其中，0号进程用于初始化及优化；所述功率传输优化，具体包括：A1、0号进程初始化功率传输优化的粒子群，并根据给定元件确定粒子群的上下限；A2、计算每个粒子的适应值，并将计算得到的适应值发回给0号进程；A3、0号进程接收发回的适应值，更新每个粒子的历史最优位置向量，以及所有粒子的全局最优位置向量；A4、更新每个粒子的速度和位置向量；A5、对粒子的每一维随机生成0到1之间的随机数r；当r小于变异概率Pm时，就随机改变相对应元件的取值；A6、当满足功率传输优化的结束条件，则执行反馈网络优化，否则回到步骤A1。所述反馈网络优化，具体包括：B1、0号进程初始化反馈网络优化的粒子群，并根据给定元件确定粒子群的上下限；B2、计算每个粒子的适应值，并将计算得到的适应值发回给0号进程；B3、0号进程接收发回的适应值，更新每个粒子的历史最优位置向量，以及所有粒子的全局最优位置向量；B4、更新每个粒子的速度和位置向量；B5、对粒子的每一维随机生成0到1之间的随机数r；当r小于变异概率Pm时，就随机改变相对应元件的取值；B6、当满足功率传输优化的结束条件，则结束优化，否则回到步骤B1。具体地，所述功率传输优化中计算适应值的函数为：其中，CPn表示与功率传输优化相对应的粒子群个体编码，vin和RL分别表示输入电压和负载值，Vin,max和Vin,min分别表示输入电压的最大和最小值，RL,max和RL,min分别表示负载的最大和最小值，δvin和δRL分别表示改变输入电压和负载的步长。OF1用于评估输出电压的稳定状态误差，OF2用于评估电路工作的约束条件，OF3用于计算输出电压上的稳定状态纹波电压，OF4用于评估元件的固有性质，如总体价格，物理大小等。具体地，所述反馈网络优化中计算适应值的函数为：其中，CFn表示与反馈网络优化相对应的粒子群个体编码，vin和RL分别表示输入电压和负载值，Vin,max和Vin,min分别表示输入电压的最大和最小值，RL,max和RL,min分别表示负载的最大和最小值，δvin和δRL分别表示改变输入电压和负载的步长。OF5用于评估在输出电压的稳定状态误差，OF6用于评估最大的过冲和下冲，以及在启动期间输出电压的建立时间，OF7用评估输出电压上的稳定波纹电压，OF8用于评估电路在输入电压和输出电阻扰动时的动态性能。具体地，在功率传输优化及反馈网络优化中，采用了并行计算的方法来计算适应值。0进程设置为主进程，其余进程设置为从进程。主进程用于发送和接收适应值并完成相应的计算。从进程接收来自主进程的适应值且同时并行计算适应值，计算完成后把适应值发送回主进程。发送采取顺序发送法，即第一个参数发送给1号进程，第二个参数发送给2号进程，依此类推循环发送，直到所有参数发送完成为止。在总参数除不尽从进程数的情况下这种方法依然可以适用。更进一步地，对于功率传输优化中计算适应值函数的参数OF1，OF2，OF3，OF4，具体为：对于OF1，定义一个方差累积方程E2，用以评估vo与vref在Ns个仿真点的接近程度，计算公式为：其中，vo表示通过时域仿真得到的电压，vref表示参考电压。如果E2的取值较小，则稳定状态误差小，OF1会较大。OF1表示为：其中，K1表示OF1能达到的最大值，K2用以调整OF1对E2的敏感度。对于OF2，在稳定状态条件下，一些波形会受到约束条件的控制。假设λC,m表示控制量qm在第m个约束条件下的极限，则OF2表示为：其中，NC表示约束条件的个数，K3,m表示第m个约束条件的最大取值，而K4,m表示控制量qm的敏感度。λC表示开关的最大额定电压，q表示实际的电压，当q＞＞λC时，OF2将会很大。对于OF3，vo上的纹波电压必须在预期输出vo,exp附近的±Δvo限度以内。在OF3中衡量CPn的方法是计算在NS个仿真点中，vo超出vo,exp±Δvo的仿真点个数。OF3表示为：其中，K5表示OF3能达到的最大值，K6为衰减常数，A1表示超出允许边带的仿真点个数。当A1增加的时候，OF3减小。对于OF4，在这个目标函数中主要考虑一些和元件相关的内在因素，这些因素包含总体价格，物理大小，元件寿命等。OF4表示为：其中，Ip表示电阻元件个数；Jp表示电感元件个数；Kp表示电容元件个数；ΦR，ΦL和ΦC是测量不同元件类型的目的函数，分别表示为：其中，Ri，Lj和Ck分别表示电阻i、电感j、电容k；K7,i，K8,j和K9,k分别表示ΦR，ΦL和ΦC分别能达到的最大值。Ri,max，Lj,max和Ck,max分别表示Ri，Lj和Ck的最大值。更进一步地，对于反馈网络优化中计算适应值函数的参数OF5，OF6，OF7，OF8，具体为：对于OF5，这个目标函数与OF1相似，表示为：对于OF6和OF8，在启动或外部扰动期间，将会出现一个瞬时响应vd，其中，vd＝vref-v'o，v'o表示通过时域仿真得到的瞬时电压；OF6和OF8用以评估vd，包括1本文档来自技高网...

【技术保护点】
1.一种基于并行分布式粒子群算法的功率电子电路优化方法，其特征在于，具体为：设置n个进程，先进行功率传输优化后再进行反馈网络优化；其中，0号进程用于初始化及优化；所述功率传输优化，具体包括：A1、0号进程初始化功率传输优化的粒子群，并根据给定元件确定粒子群的上下限；A2、计算每个粒子的适应值，并将计算得到的适应值发回给0号进程；A3、0号进程接收发回的适应值，更新每个粒子的历史最优位置向量，以及所有粒子的全局最优位置向量；A4、更新每个粒子的速度和位置向量；A5、对粒子的每一维随机生成0到1之间的随机数r；当r小于变异概率Pm时，就随机改变相对应元件的取值；A6、当满足功率传输优化的结束条件，则执行反馈网络优化，否则回到步骤A1；所述反馈网络优化，具体包括：B1、0号进程初始化反馈网络优化的粒子群，并根据给定元件确定粒子群的上下限；B2、计算每个粒子的适应值，并将计算得到的适应值发回给0号进程；B3、0号进程接收发回的适应值，更新每个粒子的历史最优位置向量，以及所有粒子的全局最优位置向量；B4、更新每个粒子的速度和位置向量；B5、对粒子的每一维随机生成0到1之间的随机数r；当r小于变异概率Pm时，就随机改变相对应元件的取值；B6、当满足功率传输优化的结束条件，则结束优化，否则回到步骤B1。...

【技术特征摘要】
1.一种基于并行分布式粒子群算法的功率电子电路优化方法，其特征在于，具体为：设置n个进程，先进行功率传输优化后再进行反馈网络优化；其中，0号进程用于初始化及优化；所述功率传输优化，具体包括：A1、0号进程初始化功率传输优化的粒子群，并根据给定元件确定粒子群的上下限；A2、计算每个粒子的适应值，并将计算得到的适应值发回给0号进程；A3、0号进程接收发回的适应值，更新每个粒子的历史最优位置向量，以及所有粒子的全局最优位置向量；A4、更新每个粒子的速度和位置向量；A5、对粒子的每一维随机生成0到1之间的随机数r；当r小于变异概率Pm时，就随机改变相对应元件的取值；A6、当满足功率传输优化的结束条件，则执行反馈网络优化，否则回到步骤A1；所述反馈网络优化，具体包括：B1、0号进程初始化反馈网络优化的粒子群，并根据给定元件确定粒子群的上下限；B2、计算每个粒子的适应值，并将计算得到的适应值发回给0号进程；B3、0号进程接收发回的适应值，更新每个粒子的历史最优位置向量，以及所有粒子的全局最优位置向量；B4、更新每个粒子的速度和位置向量；B5、对粒子的每一维随机生成0到1之间的随机数r；当r小于变异概率Pm时，就随机改变相对应元件的取值；B6、当满足功率传输优化的结束条件，则结束优化，否则回到步骤B1。2.根据权利要求1所述的一种基于并行分布式粒子群算法的功率电子电路优化方法，其特征在于，所述功率传输优化中计算适应值的函数为：其中，CPn表示与功率传输优化相对应的粒子群个体编码，vin和RL分别表示输入电压和负载值，Vin,max和Vin,min分别表示输入电压的最大和最小值，RL,max和RL,min分别表示负载的最大和最小值，δvin和δRL分别表示改变输入电压和负载的步长；OF1用于评估输出电压的稳定状态误差，OF2用于评估电路工作的约束条件，OF3用于计算输出电压上的稳定状态纹波电压，OF4用于评估元件的固有性质。3.根据权利要求1所述的一种基于并行分布式粒子群算法的功率电子电路优化方法，其特征在于，所述反馈网络优化中计算适应值的函数为：其中，CFn表示与反馈网络优化相对应的粒子群个体编码，vin和RL分别表示输入电压和负载值，Vin,max和Vin,min分别表示输入电压的最大和最小值，RL,max和RL,min分别表示负载的最大和最小值，δvin和δRL分别表示改变输入电压和负载的步长；OF5用于评估在输出电压的稳定状态误差，OF6用于评估最大的过冲和下冲，以及在启动期间输出电压的建立时间，OF7用评估输出电压上的稳定波纹电压，OF8用于评估电路在输入电压和输出电阻扰动时的动态性能。4.根据权利要求1所述的一种基于并行分布式粒子群算法的功率电子电路优化方法，其特征在于，在功率传输优化及反馈网络优化中，采用了并行计算的方法来计算适应值；0进程设置为主进程，其余进程设置为从进程；主进程用于发送和接收适应值并完成相应的计算；从进程接收来自主进程的适应值且同时并行计算适应值，计算完成后把适应值发送回主进程；发送采取顺序发送法，即第一个参数发送给1号进程，第二个参数发送给2号进程，依此类推循环发送，直到所有参数发送完成为止；在总参数除不尽从进程数的情况下这种方法依然可以适用。5.根据权利要求2所述的一种基于并行分布式粒子群算法的功率电子电路优化方法，其特征在于，对于功率传输优化中计算适应值函数的参数OF1，OF2，OF3，...

【专利技术属性】
技术研发人员：张军，陈伟能，詹志辉，余维杰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44