应度函数是效率与互感M的函数。所示方程组可根据基本电路定理对整个系统进行分析推 导出来，其中代表线圈1^的电压，?:1为输入电流，^负载电流，本算法采用的适应度函数 是效率与互感M的函数，所以当两线圈之间的距离变化，导致M也会变化时，适应度函数也 会发生变化，这时根据当前电压激励频率以及方程组可求出M，进一步确定系统当前距离 下的适应度函数；
[0023] (4)、设定算法初始化个体极值t bf；st= 0和全局极值f; glrest= 0,个体极值用f; bf；st 表示，所代表的含义是第i个粒子截止到第t次迭代时搜寻到的最优适应度函数值，全局极 值用A gtest表示，所代表的含义是截止到第t次迭代时，全部粒子搜索到的最优适应度函数 值，将步骤（3)中得到的粒子适应度函数值A和个体极值f i test及全局极值f i gtest相比较， 如果?? f i bf3St，那么fi bf3St= f i，Pi= X i;p i表示适应度函数值为f i bf3St的粒子位置，X ;是 所对适应度函数值为fi粒子的位置，如果f f i gbest，那么fi gbest= f i，Pg = Xi;P g是粒子种 群中全局最优值为A gtest的粒子位置；
[0024] (5)用公式
生成下一代粒子种群，其中Npresent为粒 子群当前规模，Nmax为最大粒子群规模，MaxNum为最大迭代次数，t为当前迭代次数，η为 控制粒子群规模变化规律的幂指数，通过参数η可调节粒子群规模变化快慢程度。按公式
更新下一代 粒子种群每个粒子的速度和位置，然后令迭代次数t = t+Ι，转向步骤(6)，其中Vlt+1代表 t+Ι次迭代第i个粒子的速度，代表当前第t次迭代第i个粒子的速度，c JP c 2代表学习 因子，本次设C1= 2, c 2= 2, rand代表[01]之间的随机数。p ;表示适应度函数值为f ; bf；st的粒子位置，Pg是粒子种群中全局最优值为f i gtest的粒子位置，X广1代表t+1次迭代第i个 粒子位置，At代表第t次迭代第i个粒子当前位置，w代表惯性权重。本次实验，其粒子群 规模变化曲线轮廓为指数曲线。用η调节粒子规模变化快慢的程度，其中η = 2,本算法在 搜索前期，粒子群规模减小速度较慢，有利于全局搜索，在搜索中期，粒子群规模变化程度 加快，在算法搜索后期，粒子群规模变为最小，算法提高了收敛速度，减少运行时间； CN 105184077 A 说明书 5/5 页
[0025] (6)、根据公式
计算粒子适应度函数值的方差之 和，favg为全部粒子适应度函数值的平均值，其中如果有
，否 贝1J，a = 1。判断方差是否小于某一精度值ε或者算法是否达到最大迭代次数，ε根据寻 优对象确定，如果否，则转向步骤（3)，如果是则转向步骤（7);
[0026] (7)、输出搜索到最优频率值，即粒子适应度值为全局最优值A gtest的粒子位置 Pg;
[0027] (8)、用电流传感器检测负载电流i2的峰值，设△为设定的最大电流峰值波动范 围，i2_为所检测的负载电流峰值，i2_(k)为负载的第k个电流周期电流峰值，i2_(k+l) 为负载的第k+1个电流周期的电流峰值，判断
是否成立，如果判 断结果为是，则转向步骤（1)，算法重启，如果判断结果为否，算法转向步骤（7)。
[0028] 为了能够很清楚的了解本算法的优势，分别在图2和图3中给出了一般粒子群算 法和本算法寻优结果的仿真图，图4为粒子群规模随迭代次数增加减小图。
[0029] 图2 -般粒子群算法寻优结果图，其中算法用时9. 964000秒，所搜索效率最大值 为0. 93778,效率最大值所对应的频率为13872937. 4085Hz。
[0030] 图3为本发明算法所寻优结果图，本算法用时为4. 300000秒，比普通算法节约 5. 5664 秒。
[0031] 图4表示本算法粒子群规模随着迭代次数增加逐渐减小的过程。
[0032] 以上实施例描述了本发明的基本原理、主要特征及优点，本行业的技术人员应该 了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原 理，在不脱离本发明原理的范围下，本发明还会有各种变化和改进，这些变化和改进均落入 本发明保护的范围内。
【主权项】
1.过近距离下共振电能传输系统效率寻优粒子群指数方法，其特征在于：将一般粒子 群算法中的粒子群规模分开设定，分别为最大粒子群规模Nmax = 30和最小粒子群规模 Nmin = 2,粒子群规模随着迭代次数增加而沿着指数曲线的方式逐渐减小，其具体实施步 骤为： (1) 、初始化算法，包括设定粒子种群维数D，最大迭代次数MaxNum，同时限定粒子最大 速度v_，初始化惯性权重w，随机初始化粒子的速度V和粒子的位置； (2) 、初始化粒子群规模Nmax为30,并设定最小粒子群规模Nmin = 2,初始化迭代次数 t = 1 ； (3) 、计算当前种群每个粒子的适应度函数值L A表示第i个粒子的适应度函 数值，其中适应度函数值^根据适应度函数计算得到，式中，ω = 为当前激励频率， ω为激励电源的角频率，M为发射和接收线圈之间的互感，L1, L2为发射线圈和接收线圈电 感，C1, C2为电容，Rs为电源内阻，L为负载电阻，R ρ私为回路中电阻； (4) 、设定算法初始化个体极值t bf3St= 0和全局极值f ; gbf3St= 0,个体极值用f ; bf3St表 示，所代表的含义是第i个粒子截止到第t次迭代时搜寻到的最优适应度函数值，全局极值 用^ gtest表示，所代表的含义是截止到第t次迭代时，全部粒子搜索到的最优适应度函数 值，将步骤（3)中得到的粒子适应度函数值A和个体极值f i test及全局极值f i gtest相比较， 如果?? f i bf3St，那么fi bf3St= f i，Pi= X i，Pi表示适应度函数值为f i bf3St的粒子位置，X ;是 所对适应度函数值为fi粒子的位置，如果f i f i gbest，男P 么 f i gbest f i， Pg= X i，Pg是粒子 种群中全局最优值为A gtest的粒子位置； (5) 、用公式1生成下一代粒子种群，其中Npresent为粒 子群当前规模，Nmax为最大粒子群规模，Nmin为最小粒子群规模，MaxNum为最大迭代次 数，t为当前迭代次数，η为控制粒子群规模变化规律的幂指数，通过参数η可调节粒子群 规模变化的快慢程度，按公式和公 式X丨+1 =X丨+V广更新下一代粒子种群每个粒子的速度和位置，然后令迭代次数t = t+Ι，转 向步骤(6)，其中v/+7代表t+Ι次迭代第i个粒子的速度，v/代表当前第t次迭代第i个 粒子的速度，cdP c 2代表学习因子，rand代表[01]之间的随机数，P1表示适应度函数值为 ^ test的粒子位置，P g是粒子种群中全局最优值为f i gtest的粒子位置，：*严代表t+Ι次迭代 第i个粒子位置，代表第t次迭代第i个粒子当前位置，w代表惯性权重； (6) 、根据公式计算粒子适应度函数值的方差之和，favg 为全部粒子适应度函数值的平均值，其中如果有（fi_favg) >1，则a = max (fi-favg)，否则，a = I，判断方差是否小于某一精度值ε或者粒子群算法是否达到最大迭代次数，ε根据寻优 对象确定，如果否，则转向步骤（3)，如果是则转向步骤（7); (7) 、输出搜索到最优频率值，即粒子适应度值为全局最优值仁gtest的粒子位置ρ g; (8) 、用电流传感器检测负载电流i2的峰值，设△为设定的最大电流峰值波动范围， i2_为所检测的负载电流峰值，i 2_〇〇为负载的第k个电流周期电流峰值，i2_(k+l)为负 载的第k+Ι个电流周期的电流峰值，判断|i 2_ (k+1) |-|i2_(k) |>Δ是否成立，如果判断结 果为是，则转向步骤（1)，算法重启，如果判断结果为否，算法转向步骤（7)。
【专利摘要】本发明公开了一种过近距离下共振电能传输系统效率寻优粒子群指数方法，将一般粒子群算法中的粒子群规模分开设定，分别为最大粒子群规模<i>Nmax</i>=30和最小粒子群规模<i>Nmin</i>=2，粒子群规模随着迭代次数增加而逐渐减小，其中粒子群规模总体的减小方式类似于指数型变化的曲线，本发明算法能够使搜索时间减小。
【IPC分类】G06F19/00, G06N3/00
【公开号】CN105184077
【申请号】CN201510559047
【发明人】王萌, 孙长兴, 施艳艳, 梁洁
【申请人】河南师范大学
【公开日】2015年12月23日
【申请日】2015年9月6日