电机电器优化讲解
电机电器优化设计基于遗传算法的永磁无刷直流电机电磁方案优化设计前言永磁电机以其优越的电磁性能在高性能驱动系统中得到广泛应用，但是，由于永磁电机几何结构比较复杂，永磁材料性能比较特殊，使得永磁电机的优化设计变得相当困难。迄今为止，已经出现了许多用于永磁电机优化的方法，如复合形法、罚函数法、单纯形法等。与传统优化方法不同，JohnHolland提出了一种新型优化方法—遗传算法，它适用于解决复杂的非线性和多维空间寻优问题，已经成功地应用到许多领域的优化问题中，如实时机器人控制、机器视觉和自适应学习等。本文把遗传算法引入永磁同步电机优化设计中，并对永磁无刷直流电机电动机进行优化设计，取得了满意的结果。1遗传算法基本原理电机优化设计是以最优化数学理论为基础，借助于计算机，自动寻求最优设计方案的一种设计方法，它是一个多极值、有约束的非线性问题，其目标函数和约束条件都难以用关系式直接表示。长期以来，如何改进电机优化模型和优化设计算法是人们普遍关注的问题。传统的电机优化设计多采用SWIFT(序贯加权加速因子法、ALAM(乘子罚函数法、Complex(复形法、PoweU(罚函数法以及爬山类算法等，这些方法在不同程度上得到了成功的应用，但是上述方法也有很多缺点，如容易收敛于局部最优点，优化结果与初始点的选取有关，对离散变量处理有一定困难等。遗传算法是近年来迅速发展起来的一种新的全局优化算法。它是由美国密西根大学的霍兰(Holland教授和他的学生们在70年代初提出而创立的。该算法植根于自然进化与遗传机理，最早是用于模拟自然界的自适应(适者生存现象，后来被引向于广泛的工程问题，而快速发展成一种“自适应启发式概率性迭代式全局搜索算法”。1.1编码1
电机电器优化设计最简单的编码方案是二进制编码，在这种编码中，每个设计变量编码成由0或l组成的有限长度字符申，其长度由设计变量的取值范围和所要求的精度定。例如，设计变量x的取值范围为[0，3l]。如果采用5位二进制对x进行编码，x的值对应直进制字符串的1/31，其中0对应于00000，3l对应于11ll1。1.2确定种群大小在遗传算法中，种群就是由优化问题所有可能结果组成的集合，该算法就是在此集合上进行搜索寻优。种群大小是一个非常重要的参数，直接影响遗传算法的性能。如果种群太小可能丢失一些有用的字符串，反之将导致寻优速度较慢，种群大小根据设计变量多少来设定，一般种群数目在20～160之间比较合适。1.3适应值适应值是衡量种群中编码串优劣的数字指标，种群中的每个编码串都有一个适应值与之对应，适应值可以通过目标函数或它的变形来计算。例如，目标函数为则x的适应值可以通过下式计算：minfx且fx>0，Fx=1/fx,其中Fx代表x的适应值。1.4选择遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作：适应度高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下一代群体中的概率小。选择操作的任务就是按某种方法从父代群体中选取一些个体，遗传到下一代群体。基本遗传算法中选择算子采用轮盘赌选择方法。轮盘赌选择又称比例选择算子，它的基本思想是：各个个体被选中的概率与其适应度函数值大小成正比。1.5交叉完成繁殖过程之后，种群中的编码串通过交叉过程交换信息。具体过程是：首先随机选取两个编码串作为亲代，然后产生一个介于l和L-l之间的随机数[L为编码串长度]