专利名称：基于并行蚁群算法的功率电子电路优化方法
技术领域：
本发明涉及人工智能和功率电子两大领域，主要涉及功率电子电路的优化和设计。
技术背景 在最近二十年里，小信号模型被广泛运用于功率电子电路的设计当中。在众多的方法中，平均状态及其衍化用法是最普遍的一个。由于开关变换器含有一个输出电容，其截止频率大大低于开关频率，于是便可以得到一个线性时不变的模型，在操作点上近似时变的功率电子电路。应用传统控制理论，就可以设计电路的反馈网络部分。虽然这种方法很简易，但是它通常只适用于特定的电路和控制方法，并要求对电路的运作有全面的认识。此外，当电路被转换成数学模型，其状态变量被平均化，就不能得到任何有关响应波形的详细信息。在大信号的情况下，电路设计者很难精确预测电路的响应。随着功率电子技术的发展，对电路自动化生成的需求越来越大，优化电路的元件参数以达到指定的性能。大约在二十年前，模拟电路的自动设计技术开始出现。这些方法包括，启发式算法，知识库、模拟退火，和其它优化电路的算法。传统的优化方法，如梯度法，爬坡法等均有所运用。但是这些算法容易陷入局部最优点，导致次优的元件参数，限制了其在复杂空间中的运用。
蚁群算法是一种新型的模拟进化算法，通过模拟自然界中真实的蚂蚁搜索食物源的行为来求解很多组合优化问题。在自然世界里，蚂蚁通过释放信息素来进行个体之间的交流，可以在蚁巢和食物之间找到一条最短的路径。由于蚁群算法本身具有的正反馈性、并行性、强收敛性以及鲁棒性，使得其在组合优化问题中有很好的表现，如旅行商问题、调度问题、二次分配问题等。与其它的元启发式算法相比，蚁群算法具有较强的全局搜索能力和寻优能力，解的质量稳定并具有更高的搜索效率。在功率电子电路的自动优化设计中会往往涉及大量的电路仿真测试，所以在串行计算机中执行单一的优化进程将会十分耗时。蚁群算法具有天然的并行性，十分适合于在并行计算机上实现，因此并行蚁群算法将大大提高电路优化问题的求解速度。
发明内容
为解决在一台计算机上运用蚁群算法求解功率电子电路速度过慢的问题。本发明将并行蚁群算法运用到功率电子电路的优化设计中，该方法的优点在于提出的并行蚁群算法适合于在并行计算机上实现，因此能够大大提高功率电子电路优化问题的求解速度。
运用并行蚁群算法优化设计功率电子电路的具体方法如下。
将功率电子电路解耦为功率传输和反馈网络两部分。其中功率传输部分包含IP个电阻，JP个电感和KP个电容；反馈网络部分包含IF个电阻，JF个电感和KF个电容。分别用两个向量表示两部分中的无源元件 其中， 初始化两个蚁群算法的优化进程分别用以优化ΘP和ΘF。其中在进程一中，反馈网络部分的元件值ΘF是固定的，功率传输部分的元件值ΘP是可调的。而在进程二中，功率传输部分的元件是固定的，反馈网络部分的元件是可调的。
在并行计算机上同时运行两个蚁群算法的优化进程。蚁群算法的两个进程均包括以下几个步骤 1)将功率电子电路中的每个元件取值离散化为一系列的标称值，并将这些标称值映射到一个蚁群算法优化功率电子电路的构造图中。其中，每个元件都用一个列表表示，表中的每一个节点代表该元件的一个可能取得的标称值。其中每一个节点还被赋予了一定的信息素，用于指引蚂蚁的搜索。
2)初始化每个节点的信息素为一个初始值τo，初始化NP个蚂蚁用于搜索最佳的元件取值组合。
3)让每只蚂蚁根据节点上的信息素大小依次为优化进程中可调的元件选取一个标称值，从而形成一条路径。蚂蚁选择元件j的节点Cj[i]的概率为 其中τji表示元件j的第i个节点上的信息素。N为该元件的节点总数，也就是可能取得的标称值数，在第N+1个节点中保存的是历代最优路径上的取值，这使得最优值能对整个搜索产生更大的影响。在选择的过程中，信息素越大的节点被选择的概率就越高，相反信息素越小的节点被选择的机会越小。
4)当所有蚂蚁都构造完路径之后，对每个蚂蚁的路径进行电路仿真测试，并根据适应值函数Φ计算路径的适应值。在两个优化进程中的适应值函数是相同的， 其中，ph表示蚂蚁选择的路径。vin为输入电压，它以步长δvin从Vin，min变化到Vin，max。RL别为负载值，它以步长δRL从RL，min变化到RL，max。OF1，OF2，OF3，OF4分别如下定义。
OF1用于评估在输出电压的稳定状态误差。定义一个方差累积方程E2，用以评估输出电压vo与参考电压vref在Ns个仿真点的接近程度 如果E2的取值较小，则稳定状态误差小，OF1会较大。公式OF1的定义如下 其中，K1是OF1能达到的最大值，K2用以调整OF1对E2的敏感度。
OF2用于评估在启动期间输出电压的建立时间，最大的过冲和下冲。OF4用于评估电路在输入电压和输出电阻扰动时的动态性能。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-vo OF2和OF4用以评估vd，包括1)最大过冲，2)最大下冲，3)在启动或扰动期间，响应的建立时间。OF6和OF8的基本形式可以表示如下 OF2＝OV(RL，vin，ph)+UV(RL，vin，ph)+ST(RL，vin，ph) 其中NT是在性能测试中输入和负载扰动的次数。
在以上的公式中，OV，UV和ST是最小化最大过冲，最大下冲和vd建立时间的目标函数。它们如下定义 其中K3是这个目标函数可以达到的最大值，Mp0是最大过冲，Mp是实际的过冲，K4是通带常数。
其中K5是这个目标函数可以达到的最大值，Mv0是最大下冲，Mv是实际的下冲，K6是通带常数。
其中K7是这个目标函数可以达到的最大值，Ts0是一个常数，Ts是实际的建立时间，K8用于调整敏感度。Ts定义为vd落入α±σ％通带中的建立时间。也就是， |vd(t)|≤0.01σ，t≥Ts OF3用评估输出电压上的稳定波纹电压。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中衡量路径ch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定义如下 其中，K9是OF3能达到的最大值，K10是衰减常数，A1是超出允许边带的仿真点个数。可见，当A1增加的时候，OF3减小。
5)更新节点上的信息素。对于较好的m条路径上的节点的信息素进行加强，更新公式为 τji＝α×τji+β×Δτ 其中，α为蒸发系数，β为控制信息素增加的系数，Δτ为信息素增加的单位值。对于最好的路径β＝m，第二好的路径β＝m-1，以此类推。
对于其余较差的路径，只对这些路径上节点的信息素进行蒸发 τji＝α×τji 设置节点上的信息素最小值为τmin，当节点上的信息素降低到τmin时，将不再对该节点进行信息素的蒸发。
6)对蚂蚁选择的历代最佳路径进行一个随机局部搜索更新，对其元件取值在一个限定的范围内进行局部搜索。对于第i个元件，其搜索半径为Ri，在对最优路径进行局部搜索时，将每个元件原来的取值改变为搜索半径内的另一个标称值，并对新的路径进行评估。
若新的路径优于原路径，则用新的路径代替原最佳路径，并加大所有节点的搜索半径shrink∈(0，1)为缩放系数。
若新的路径差于原路径，则保持原路径不变，并减小所有节点的搜索半径Ri＝Ri×shrink。
7)不断重复步骤3)至步骤6)以达到蚁群寻优的目的。
在提出的并行蚁群算法中，两个优化进程并不是孤立的。假设进程中第k代的最优路径的适应值为Φ(k)。由于采取了最优保留的策略，所以有Φ(k)≥Φ(k-1)。计算每一代Φ(k)的变化，ΔΦ(k)＝Φ(k)-Φ(k-1)。如果ΔΦ(k)＞0，则对一个迁移计数器N+加1。如果N+大于一个参考值v，则说明该进程已经准备好迁移了。当两个进程都可以进行迁移时，将进程一中可调的功率传输部分元件值ΘP迁移到进程二中作为固定的参量，进程二中可调的反馈网络部分元件值ΘF迁移到进程一中作为固定的参量。总的来说，太频繁的迁移将会使得并行蚁群算法和传统的蚁群算法效果相似。而过少的迁移会导致两个进程相对隔离，容易使得它们陷入各自的局部最优解。因此，v的取值是影响算法效率的关键因素。
在本发明中v是通过比较Φ(k)和期望的上下限Φmax(k)和Φmin(k)而自适应调整的。在第k代中，通过构造一条通过点U1[k-2，Φmax(k-2)]和U2[k-1，Φmax(k-1)]的直线来预测上限
。运用线性外推法，
可以表示为 同样的，下限的预期值也可以表示为 如果，那么 否则，运用线性内插法为Φmax(k)和Φmin(k)计算新的取值Φmin′(k)和Φmax′(k)。
Φmax′(k)＝Φ(k)+ΔΦ(k)＝2Φ(k)-Φ(k-1) Φmin′(k)＝Φ(k)-ΔΦ(k)＝Φ(k-1) 基于以上的方法，分以下四种情况以调整v。
情况1如果保持v的值不变。
情况2如果保持v的值不变， 情况3如果这说明在此优化进程中的不可调参量和可调参量的协作性很高。在当前进程中的可调参量很有可能可以进一步优化。因此，进程之间的迁移应该被延迟v＝v+1。同时，Φmax(k)＝Φmax′(k)，Φmin(k)＝Φmin′(k)。
情况4如果这说明在此优化进程中的不可调参量和可调参量的协作性很低。当前进程中的可调参量可以进一步优化可能性较低。因此，要加快进程之间的迁移v＝v-1。同时，Φmax(k)＝Φmax′(k)，Φmin(k)＝Φmin′(k)。
可以看出v在整个并行蚁群算法的优化中是自适应地进行调整的。v作为自适应的参数控制着两个进程进行迁移的频率。当一个进程没有潜力作更深入的优化时迁移频率将增加，反之，当一个进程有潜能作更深入的优化时迁移频率会降低。
图1并行蚁群算法的执行过程示意图 图2时的计算方法示意图 图3时的计算方法示意图 图4时的计算方法示意图 图5时的计算方法示意图
具体实施例方式 下面结合附图和具体实施方式
对本发明作进一步的描述。
并行蚁群算法的执行过程如图1所示。在进程一中带阴影的为不可调的参量ΘF，在进程二中带阴影的为不可调的参量ΘP。两个蚁群算法的进程在并行计算机上同时执行，步骤如下 1.根据蚁群算法中的步骤更新优化进程一中蚂蚁选择的路径，并且计算适应值函数Φ(k)和ΔΦ(k)。如果ΔΦ(k)＞0，N+＝N++1。否则，N+保持不变。
2.根据公式 分别计算
和
3.如果v＝v+1。根据公式 Φmax(k)＝Φmax′(k)＝2Φ(k)-Φ(k-1)，Φmin(k)＝Φmin′(k)＝Φ(k-1) 计算Φmax(k)和Φmax(k)，如图2所示。
4.如果v＝v-1。根据公式 Φmax(k)＝Φmax′(k)＝2Φ(k)-Φ(k-1)，Φmin(k)＝Φmin′(k)＝Φ(k-1) 计算Φmax(k)和Φmax(k)，如图3所示。
5.如果保持v不变， 如图4所示。
6.如果同样保持v不变。根据公式 计算Φmax(k)和Φmax(k)，如图5所示。
7.如果N+＜v，进程一重复步骤1到6。如果N+＝v，进程一中的最佳可调参量就准备好迁移到进程二中了。进程一会等待直到进程二也准备好进行迁移。要注意的是，步骤1到6同时也在进程二中执行。
8.当两个进程都准备好时，就会执行迁移的步骤。在进程一中最优的ΘP将会迁移到进程二中作为固定的参量，而进程二中最优的ΘF则将会迁移到进程一中作为固定的参量。
9.迁移执行以后，N+会被设置为1，然后继续为两个进程重复步骤1到9。
最后，如果迁移在一定的代数Nmax后仍然没有发生，就会执行一个强制性的迁移。这样可以防止两个进程陷于它们的局部最优解，而成为两个独立的互不相关的蚁群算法优化进程。此外，如果NSM次以上没有发生自发的迁移，则可以认为算法已经达到了最优解。在这种情况下，两个进程中的最优解就是优化得到的最终值。
权利要求
1、一种基于并行蚁群算法的功率电子电路优化方法，其特征在于，该方法具体如下将功率电子电路解耦为功率传输和反馈网络两部分。初始化两个蚁群算法的优化进程。其中在进程一中，反馈网络部分的元件值是固定的，功率传输部分的元件值是可调的。而在进程二中，功率传输部分的元件是固定的，反馈网络部分的元件是可调的。在并行计算机上同时运行两个蚁群算法的优化进程，这两个优化进程并不是孤立的。假设进程中第k代的最优路径的适应值为Φ(k)，计算每一代Φ(k)的变化，ΔΦ(k)＝Φ(k)-Φ(k-1)。如果ΔΦ(k)＞0，则对一个迁移计数器N+加1。如果N+大于一个参考值v，则说明该进程已经准备好迁移了。当两个进程都可以进行迁移时，将进程一中可调的功率传输部分最优的元件值迁移到进程二中作为固定的参量，进程二中可调的反馈网络部分最优的元件值迁移到进程一中作为固定的参量。
2、基于权利要求1所述的一种基于并行蚁群算法的功率电子电路优化方法，其特征在于在并行蚁群算法中，v是通过比较Φ(k)和期望的上下限Φmax(k)和Φmin(k)而自适应调整的。在第k代中，通过构造一条通过点U1[k-2，Φmax(k-2)]和U2[k-1，Φmax(k-1)]的直线来预测上限
。运用线性外推法，
可以表示为
同样的，下限的预期值也可以表示为
如果，那么
否则，运用线性内插法为Φmax(k)和Φmin(k)计算新的取值Φmin′(k)和Φmax′(k)。
Φmax′(k)＝Φ(k)+ΔΦ(k)＝2Φ(k)-Φ(k-1)
Φmin′(k)＝Φ(k)-ΔΦ(k)＝Φ(k-1)
基于以上的方法，分以下四种情况以调整v。
情况1如果保持v的值不变。
情况2如果保持v的值不变，
情况3如果这说明在此优化进程中的不可调参量和可调参量的协作性很高。在当前进程中的可调参量很有可能可以进一步优化。因此，进程之间的迁移应该被延迟v＝v+1。同时，
Φmax(k)＝Φmax′(k)，Φmin(k)＝Φmin′(k)。
情况4如果这说明在此优化进程中的不可调参量和可调参量的协作性很低。当前进程中的可调参量可以进一步优化的可能性较低。因此，要加快进程之间的迁移v＝v-1。同时，Φmax(k)＝Φmax′(k)，Φmin(k)＝Φmin′(k)。
3、基于权利要求1所述的一种基于并行蚁群算法的功率电子电路优化方法，其特征在于如果迁移在一定的代数Nmax后仍然没有发生，就会执行一个强制性的迁移。这样可以防止两个进程陷于它们的局部最优解，而成为两个独立的互不相关的蚁群算法优化进程。此外，如果NSM次以上没有发生自发的迁移，则可以认为算法已经达到了最优解。在这种情况下，两个进程中的最优解就是优化得到的最终值。
全文摘要
一种基于并行蚁群算法的功率电子电路优化方法，涉及智能计算和功率电子两大领域。首先将功率电子电路解耦为功率传输和反馈网络两部分。再运用两个基于蚁群算法的优化进程分别对这两部分进行优化。在优化进程一中，功率传输部分的元件参数是可调的，而反馈网络部分的参数是固定的。在优化进程二中，功率传输部分的元件参数不可调，而反馈网络部分的参数可调。这两个优化进程并不是孤立的，在一个进程中的最优可调参数将会迁移到另一个进程中作为不可调的参数，其中的迁移策略是自适应控制的。这种优化设计方法十分适用于计算机的并行处理，有效地提高了优化的速度。
文档编号H02M1/00GK101252308SQ20081002567
公开日2008年8月27日 申请日期2008年1月7日 优先权日2008年1月7日
发明者军 张, 钟树鸿, 韬 黄 申请人:中山大学