对于粒子速度初始化kv = 1， 单向禪合映像格子时空混浊序列禪合强度εη = 0.85，初始位置表示为[Xml(0 )，Xm2 (0 )，Xm3 (0)，Xm4(0)，Xm5(0)，Xm6(0)]，初始速度表示[Vml(O)，Vm2(0)，Vm3(0)，Vm4(0)，Vm5(0)，Vm6(0)]， 其中m=l，2,
[0094] 步骤3,计算种群中每个个体对应的目标函数的值
[0095] 将当前种群(第k代）中粒子m，m=l，···，M，所代表的多维参数Xmn化），n = l，···，N，代 入待优化问题，计算该次迭代中粒子m对应的所有目标函数的值，表示为[Ji(m，k)，j2(m， k)，...，Jns(m，k)];
[0096] 对于实施例，建立复合有源巧位软开关Ξ相功率因数校正变换器双闭环控制仿真 模型。仿真模型参数设置如下:Ξ相输入相电压化η = 22〇ν;Ξ相输入电感标称值L = 20mH;电 感和开关等效电阻R=1 Ω ;开关管并联电容Ci = C2 =…= C? =化F;谐振电感以=10化H;巧 位电容Cc = 40yF;输出滤波电容C=1500yF;负载电阻Rl = 300 Q ;输出期望电压Udcref = 600V;开关频率f =10曲Z。将当前粒子的六个参数[Xml化），Xm2化），Xm3化），Xm4化），Xm5化），Xm6 化）]代入复合有源巧位软开关Ξ相功率因数校正变换器仿真模型，运行仿真程序，采集输 出直流电压，电流波形及对应的功率因数值，从而计算得到粒子m在第k代时对应的目标函 数·1"(111，1〇^'2(111，1〇，11(111，1〇的值；
[0097] 步骤4,更新个体历史的最优解
[0098] 对于当前第k代中的第m个粒子，比较其对应的多个目标函数的值与其自身历史最 优位置对应的多个目标函数的值，如果该粒子的每个目标函数的值都不劣于该粒子的历史 最优位置对应的目标函数的值，那么用该粒子的目标函数的值替换个体历史最好目标函数 的值，同时将该粒子位置保存入个体最优集中，具体过程是：
[0099] 若Jl(m，k) Ulmax(m)&j2(m，k) U2max(m)&--.&Jns(m，k) Unsmax(m)，"&"表示逻辑与 操作，贝リJlmax(m)=Jl(m，k)，J2max(m)=J2(m，k) ?…？ Jnsmax (m)二 Jns(rn,k),Pm(im,:)二[Xml (k), Xm2化），…，XmN(k) ]，im=im+l ;其中Pm表示个体m的最优解集，i代表个体最优解集中个体最 优解的数目，Pm(im，：）表示满足上述粒子m非劣解条件从而保存入的个体最优解集中的第im 个N维粒子;每个粒子都有一个个体历史最优解集，其中保存了该粒子(在前k次迭代中）的 历史最优解；
[0100] 对于本实施例，具体过程是:若Jvl(m，k) Uvlmax(m)&Jv2(m，k) Uv2max(m)&Ji(m，k) ^ Jimax(rn),贝！J Jvlmax(rn)二 Jvl (m , k) , Jv2max(rn)二 Jv2 (m , k ) , Jimax(rn)二 Ji(m,k) :)二[Xml 化），Xm2化），…，Xm6化)]，im = im+1 ;其中Pm表示个体m的最优解集，im代表个体m最优解集中个 体最优解的数目，Pm(im，：）表示满足上述粒子m非劣解条件从而保存入的个体m最优解集中 的第im个N维粒子；
[0101 ] 步骤5，更新粒子速度和位置
[0102]粒子速度和位置的更新迭代公式为
[010；3] Vmn(；k+l)=wVmn(；k)+ci;ri(Ym(n)-Xmn(；k))+C2r2(Yg(n)-Xmn(；k))， （14)
[0104] Xmn 化+l)=Xmn化)+Vmn化）， （15)
[0105] 式中Xmn(k)表示粒子m在第k代的第η维位置坐标;Vmn化)表示粒子m在第k代的第η 维坐标上的速度(位置变化率）；C1和C2为学习因子，是非负常数;ri和η是介于[0，1]之间两 个独立的随机数;W为惯性权重;Ym(n)从个体历史最优解集中随机选取，Ym(n)=Pm(iim，n)， iim=random( 1，im-1)，Yg(n)为粒子第η维的全局最优解位置；
[0106] 对于本实施例，学习因子。1 = 2.5，。2=1.5;惯性权重￥ = 0.9;速度限幅￥11131=1，1'1 和η是介于[0，1]之间两个独立的随机数;W为惯性权重;Ym(n)从个体历史最优解集中随机 选取，￥111(11)=?111。：[111，11)，；[；[111=招]1(1〇111(14111-1)，￥8(11)为粒子的全局最优解第]1维位置；
[0107] 步骤6,更新全局最优解集
[0108] 比较当前第k代种群中所有Μ个粒子对应的每个目标函数的值，将种群中所有粒子 中，任意一个目标函数的值为最大的粒子保存入化reto最优解集Pg中，同时该粒子对应目 标函数的值保存入化reto最优目标函数值集合Pj中，具体算法为：
[0109] 若Jl(m，k)=max{Jl(l，k)，...，Jl(M，k)}orJ2(m，k)=max{J2(l，k)，...，J2(M，k)} 〇!···〇! Jns(m，k)=max{Jns(l，k)，···，Jns(M，k)}，其中"or"为逻辑或操作，则粒子m的目标函 数的值保存入化reto最优目标函数值集中，即Pj( j，：）= [Ji(m，k)，..·，Jns(m，k)]，粒子m的 位置保存入化reto全局最优解集Pg( j，：）= [Xml化），…，XmN化）]，j = j+1，j代表化reto最优 解集中个体最优解的数目.
[0110] 对于本实施例，更新全局最优解集的具体算法为:若Jvi(m，k)=max{Jvi(l，k)，···， Jvi(M，k)}or Jv2(m，k)=max{Jv2(l，k)，...，Jv2(M，k)}or Ji(m，k) =max{Ji(l，k)，...，Ji(M, k)};贝lJPg( j，：）= [Xmi化），···，Xm6化）]，所对应的Pareto最优目标函数集Pj( j，：）= [Jvi(m, k)，Jv2(m，k)，Ji(m，k)]，j = j+1，j代表肚reto最优解集中个体最优解的数目；
[0111] 步骤7，更新全局最优解Yg
[0112] 求取化reto最优解集中每个粒子对应的多个目标函数与其解集中各目标函数最 大值间的欧式距离，选取欧式距离最小的粒子最为全局最优解，具体过程是：
[0113] 选取全局最优解Yg= [Yg(l)，Yg(2)，…，Yg(N)] =Pg( j j，：），其中j j为满足下式e
…，足附])的系数，其中[jgi，…， J g η S ]为P a r e t 0最优目标函数集中各目标函数分别能达到的最大值，即
[?/yi，...，Λ,,,.])表示向量的欧式距离，Pj(q,:)表示化reto最优目标函数集第q行所有元素；
[0114] 对于本实施例，全局最优解Yg的更新过程表达为：
[0115] 选取全局最优解Yg=[Yg(l)，Yg(2)，…，Yg(6)]=Pyg(jj，：），其中jj满足下式S
其中[Jgvl，Jgv2, Jgi]为 P a r e t 0最优目标函数集中各目标函数分别能达到的最大值，即
，,/扣，*4,'])表示向量的欧式距离，q，：）表示化re to最优目标函数集第q行所有元素；
[0116] 步骤8,更新k = k+l，若达到停止条件，即k = kmax，则返回最优粒子Yg作为待优化问 题的解，同时返回其对应的目标函数的值;否则k = k+l，返回步骤3,重新进行更新。
[0117] 本发明多参数多目标混浊粒子群优化方法，能够获得满足多目标控制性能综合要 求的一组PI控制参数，该方法初始粒子能够在多维解空间中实现混浊分布，其效率和稳定 性要优于一般随机初始化W及现有混浊映射初始化方法，同时解决了现有加权多目标优化 中权值难W选择的问题，能够大大缩短参数调制过程，降低对于设计者的经验要求。
[0118] 验证本发明方法的效果
[0119] 图6为现有Logistic混浊映射和本发明单向禪合映像格子时空混浊映射分布比较 图。图6和图7是两种方法针对多维粒子(N=50时)不同粒子m所对应用于描述分布均匀性的 箱形图，图中箱格的长度越长表明该粒子的N维元素分布越均匀。从图6与图7的比较中可W 看到，对于每一个粒子m，本发明所采用时空混浊模型粒子多维元素分布的均匀性都要优于 现有Logistic混浊映射。图8为两种方法当选取粒子m=30时N维元素的分布情况，可W看 到，相对于现有Logistic映射，单向禪合映像格子时空混浊映射具有更为严格的边界条件， 即图8中采用Logistic方法产生的多维粒子包含的"星点"代表的控制参数为0,实际控制中 是不合理的，其在单向禪合映像格子时空混浊映射中是没有出现的。
[0120] 本发明所提方法具有产生粒子在多维解空间中均匀分布的优点，有助于提升优化 算法稳定性及加快算法收敛速度，为了证明运一点，基于同样的多目标粒子群环境，采用本 发明时空混浊模型粒子初始化方法，随机数初始化方法和现有Logistic映射初始化方法的 仿真比较结果如表1所示。表1结果为将上述方法均多次运行(50次）后的结果比较，其中kr 表示不同方法达到优化稳定解所需的平均迭代次数，可W看到，本发明方法具有最快的优 化捜索速度和最大平均目标函数值，即优化效果最好。
[0121] 表1、不同粒子初始化方法效果比较
[0122]
[0123] 为了验证本发明方法基于化reto最优解的多目标混浊粒子群的有效性，与现有PI 控制参数整定方法，加权多目标混浊粒子群方法（目标函数为J = 2Jvi+3Jv2+Ji)的仿真比较 结果如表2所示。
[0124] 表2、Ξ种不同方法优化结果比较
[0125]
[0126]
[0127] 从表2可W看到本