【技术实现步骤摘要】
本专利技术涉及个体优化方法，具体涉及一种多目标优化方法、装置、设备及存储介质。
技术介绍
1、电机的优化目标包括峰值扭矩、损耗、反电动势、短路电流、扭矩波动、径向力等，这些多目标优化之间具有高度非线性、多变量、多目标等特性，各个参数之间存在强耦合关系，不同优化目标之间相互矛盾，选择合适的优化方法是电机多目标优化的关键。
2、当前用于电机多目标优化的方法多为带精英策略的非支配排序遗传算法nsga-ii，以及基于参考点机制的非支配排序遗传算法nsga-iii。其中带精英策略的非支配排序遗传算法nsga-ii是最常用的电机优化算法，通过拥挤度比较个体的优异程度，提高了种群的计算效率，具有运行速度快、解集收敛性好的优点，但其搜索精度和种群多样性都十分有限，在电机多目标优化中nsga-ii算法陷入局部最优解的概率极大。nsga-iii在nsga-ii的基础上引入了参考点机制，对于那些非支配并且接近参考点的种群个体进行保留，一定程度上改善了nsga-ii种群多样性差、全局搜索精度低的缺点，使得更多目标优化成为可能，近几年来得到了一定的推广应用，但nsga-iii算法保留了更少的边界解，前沿收敛速度较慢，优化效率低。现阶段，在有限的计算资源和计算时间内搜索到电机多目标优化全局最优解依然是业界难题。
3、有鉴于此，在多目标优化问题中，提出一种基于最大化目标距离(maximum targetdistance,mtd)的非支配遗传算法nsga-mtd，改进了非支配遗传算法的选择机制，比nsga-ii和nsga-iii具有更好
技术实现思路
1、本专利技术公开了一种多目标优化方法、装置、设备及存储介质，通过基于最大化目标距离(maximum target distance,mtd)的非支配遗传算法nsga-mtd来寻求帕累托前沿中的精英个体，以得到最优的个体种群。
2、本专利技术通过实施例公开了一种个体多目标优化方法，包括如下步骤：
3、s1、建立父代种群，将父代种群进行交叉和变异得到子代种群；
4、s2、在父代种群和子代种群中，基于个体的最大化目标距离选取精英个体；
5、s3、以选取的精英个体作为父代种群，重复步骤s1、s2，直到达到迭代次数。
6、进一步地，交叉和变异的方法为遗传算法中的交叉和变异方法。具体的，对父代种群中的个体进行交叉和变异时，交叉操作是通过将两个或多个父代解的某些基因片段进行互换，生成新的子代解。这种基因互换的方式可以增加解的多样性，并通过组合不同的特征来产生更优的解。通常的，交叉操作使用一定的交叉概率来决定是否进行交叉以及交叉的位置和方式。变异操作是对父代解中的某些基因进行突变，引入新的变量值或改变原有的变量值。变异操作能够在解空间中引入新的搜索方向，以避免陷入局部最优解。通常的，变异操作也需要设置一定的变异概率来控制变异的程度。
7、进一步地，最大化目标距离选取精英个体的方法如下：
8、对父代种群和子代种群合并后进行非支配排序，得到帕累托前沿；
9、将种群中每个个体的每个目标适应度进行归一化后，分别计算每两个前沿个体之间目标适应度的距离矩阵。
10、若第一级帕累托前沿中的个体数量不足预设的精英个体数量，则从第一级帕累托前沿起，依次加上后面每级帕累托前沿中的个体数量，直到个体总数超过预设的精英个体数量；再在相加的每级帕累托前沿中，将最后一级帕累托前沿之前的每级帕累托前沿中的个体作为精英个体，最后再从最后一级帕累托前沿中挑选个体补足精英个体的数量。以第一、二级帕累托前沿中个体的数量相加不足预设的精英个体数量，第一、二、三级帕累托前沿中个体的数量相加超过预设的精英个体数量为例，此时，将第一、二级帕累托前沿中的个体作为精英个体，再在第三级帕累托前沿中挑选个体补足精英个体的数量。值得说明的是，若第一、二级帕累托前沿中个体的数量相加恰好等于的精英个体数量，则不再考虑第三级帕累托前沿，直接进行下一步。
11、若第一级帕累托前沿中的个体数量大于预设的精英个体数量，则从第一级帕累托前沿中挑选预设数量的个体作为精英个体。
12、优选地，归一化方法采用0-1归一化，具体的，分别对每个个体之间的相同目标适应度进行归一化，得到每个个体每个目标适应度的归一化后目标适应度。可表述为：
13、
14、其中，x(i,j)表示第i个个体归一化后的第j个目标适应度，x(i,j)表示第i个个体的第j个目标适应度，minx(j)和maxx(j)分别表示所有个体中第j个目标适应度的最小值和最大值。
15、可选地，归一化的方法还可以采用z-score归一化或非线性归一化。
16、优选地，距离矩阵为欧几里得距离，其计算方法如下：
17、计算两个个体之间所有相同目标的归一化后目标适应度之差的平方；将所有平方相加得到平方和，再对平方和开平方，得到欧几里得距离。具体的，可表述为：
18、
19、可选地，距离矩阵还可以采用曼哈顿距离、切比雪夫距离或闵可夫斯基距离。
20、进一步地，从最后一级帕累托前沿中挑选个体补足精英个体的数量的方法如下：
21、获取最后一级帕累托前沿中每个个体与所有已选的精英个体的最小距离矩阵，在最小距离矩阵中，选取最大的一个距离所对应的个体，加入已选的精英个体中；再次对最后一级帕累托前沿中剩余的每个个体重复上述步骤，直到得到预设数量的精英个体。
22、优选地，从第一级帕累托前沿中挑选预设数量的个体作为精英个体的方法如下：
23、a1、获取第一级帕累托前沿中，每个个体与其他个体的最小距离矩阵，在最小距离矩阵中，选取最大的一个距离所对应的个体，作为第一个精英个体；
24、a2、获取第一级帕累托前沿中，剩余的每个个体与所有已选的精英个体的最小距离矩阵，在最小距离矩阵中，选取最大的一个距离所对应的个体，加入已选的精英个体中；
25、a3、重复步骤a2，直到获得预设数量的精英个体。
26、优选地，从第一级帕累托前沿中挑选预设数量的个体作为精英个体的方法还可以为如下方法：
27、b1、在第一级帕累托前中随机选取一个个体，作为第一个精英个体；
28、b2、获取第一级帕累托前沿中，剩余的每个个体与所有已选的精英个体的最小距离矩阵，在最小距离矩阵中，选取最大的一个距离所对应的个体，加入已选的精英个体中；
29、b3、重复步骤b2，直到获得预设数量的精英个体。
30、进一步地，以上描述的对多目标进行优化的方法中，所述个体为电机。
31、进一步地，电机的优化目标包括电机的峰值扭矩、损耗、反电动势、短路电流、扭矩波动和径向力。
32、为了实现上述目的，本专利技术还提供了一种多目标优化装置，包括交本文档来自技高网...
【技术保护点】
1.一种多目标优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的多目标优化方法，其特征在于：所述交叉和变异采用遗传算法中的交叉和变异方法。
3.如权利要求1所述的多目标优化方法，其特征在于，所述最大化目标距离选取精英个体的方法如下：
4.如权利要求3所述的多目标优化方法，其特征在于，所述归一化方法包括0-1归一化，具体的：分别对每个个体之间的相同目标适应度进行归一化，得到每个个体每个目标适应度的归一化后目标适应度。
5.如权利要求3所述的多目标优化方法，其特征在于，所述归一化方法包括Z-score归一化。
6.如权利要求3所述的多目标优化方法，其特征在于，所述归一化方法包括非线性归一化。
7.如权利要求3所述的多目标优化方法，其特征在于，所述距离矩阵包括欧几里得距离，其计算方法如下：
8.如权利要求3所述的多目标优化方法，其特征在于，所述距离矩阵包括曼哈顿距离。
9.如权利要求3所述的多目标优化方法，其特征在于，所述距离矩阵包括切比雪夫距离。
10.如权利要求3所
11.如权利要求4和/或7所述的多目标优化方法，其特征在于：所述从最后一级帕累托前沿中挑选个体补足精英个体的数量的方法如下：
12.如权利要求4和/或7所述的多目标优化方法，其特征在于：所述从第一级帕累托前沿中挑选预设数量的个体作为精英个体的方法如下：
13.如权利要求4和/或7所述的多目标优化方法，其特征在于：所述从第一级帕累托前沿中挑选预设数量的个体作为精英个体的方法如下：
14.如权利要求1-13任一项所述的多目标优化方法，其特征在于：所述个体包括电机。
15.如权利要求14所述的多目标优化方法，其特征在于：所述电机的目标包括电机的峰值扭矩、损耗、反电动势、短路电流、扭矩波动和径向力。
16.一种多目标优化装置，其特征在于，包括交叉变异模块、精英选取模块、归一化模块和距离矩阵计算模块；
17.一种多目标优化设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-15中任一项所述的多目标优化方法。
18.一种存储介质，其特征在于，存储有若干计算机指令，用于执行计算权利要求1-15任一项所述的多目标优化方法。
...【技术特征摘要】
1.一种多目标优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的多目标优化方法，其特征在于：所述交叉和变异采用遗传算法中的交叉和变异方法。
3.如权利要求1所述的多目标优化方法，其特征在于，所述最大化目标距离选取精英个体的方法如下：
4.如权利要求3所述的多目标优化方法，其特征在于，所述归一化方法包括0-1归一化，具体的：分别对每个个体之间的相同目标适应度进行归一化，得到每个个体每个目标适应度的归一化后目标适应度。
5.如权利要求3所述的多目标优化方法，其特征在于，所述归一化方法包括z-score归一化。
6.如权利要求3所述的多目标优化方法，其特征在于，所述归一化方法包括非线性归一化。
7.如权利要求3所述的多目标优化方法，其特征在于，所述距离矩阵包括欧几里得距离，其计算方法如下：
8.如权利要求3所述的多目标优化方法，其特征在于，所述距离矩阵包括曼哈顿距离。
9.如权利要求3所述的多目标优化方法，其特征在于，所述距离矩阵包括切比雪夫距离。
10.如权利要求3所述的多目标优化方法，其特征在于，所述距离矩阵包括闵可夫斯基距离。
11.如权利要求4和/或7所述的多目标优化方法...
【专利技术属性】
技术研发人员：孙大堡，陈益辉，林福，
申请(专利权)人：联合汽车电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。