自適應遺傳算法在電器產品優化設計中的研究

李佩

摘? 要： 傳統的基于人工神經網絡的電器產品優化方法，在對電器產品優化設計后花費的材料成本仍然較高，因此設計一種基于自適應遺傳算法的電器產品優化方法。首先，依據電器產品設計基本性能需求，建立電器產品優化目標函數，包括電器產品材料成本和最小變電損耗;然后，引入一個新的函數作為種群是否早熟的判斷依據，以降低計算時間，在此基礎上對電器產品優化點編碼;最后，利用自適應遺傳算法實現電器產品優化設計。通過實驗對比結果可知，此次設計的基于自適應遺傳算法的電器產品優化方法比傳統方法的電器產品設計成本低，證明了此次設計方法的有效性。

關鍵詞： 自適應遺傳算法; 電器產品優化; 適應度函數; 早熟度; 結構成本; 變電損耗

中圖分類號： TN911.1?34; TP274? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）19?0179?03

Abstract： The traditional electrical product optimization method based on artificial neural network still costs a lot of materials after the optimization design of electrical products， so an electrical product optimization method based on adaptive genetic algorithm is designed. According to the basic performance requirements of electrical product design， the electrical product optimization objective function which includes the cost of electrical product materials and the minimum transformation loss is established. Then， a new function is introduced as the judging basis of whether the population is premature or not， so as to reduce the calculation duration. On this basis， the optimization point of electrical product is coded. Finally， the optimization design of electrical product is realized with the adaptive genetic algorithm. The results of contrastive experiments show that the design cost of electrical products optimization method based on adaptive genetic algorithm is lower than that of the traditional method， which proves the effectiveness of the designed method.

Keywords： adaptive genetic algorithm; electrical product optimization; fitness function; precocity; structure cost; substation loss

0? 引? 言

隨著電器產品的發展，其體積越來越小，設備的結構越來越復雜，電器產品設計要求隨之提高，對電器產品優化設計已經是目前亟需解決的問題。電器產品優化設計是指在滿足規定的電器產品性能指標下，確定某一目標，如材料成本、變電損耗等，運用一定的優化算法尋求最優的產品設計方案。由于電器優化設計涉及的變量較多，傳統的基于人工神經網絡的電器產品優化方法在優化過程中需要解決的問題多，計算量較大，若亟需采用傳統方法優化設計，不僅需要花費大量的時間，還會增加優化設計成本。在實際對電器產品優化時，這種提供大量樣本的優化方法會造成實際應用困難，已經不適用于具有較多設計變量的電器結構優化設計中。可見，傳統的基于人工神經網絡的電器產品優化設計方法已經不能滿足目前應用。

在上述分析完成的基礎上，提出一種基于自適應遺傳算法的電器產品優化設計方法，自適應遺傳算法是對基本遺傳算法的一種改進，通過對遺傳參數的自適應調整，不僅能夠減少計算量，還能夠提高計算時的收斂速度。在后續實驗中，證明引入自適應遺傳算法對電器產品優化，具有實際應用可行性。

1? 電器產品優化目標函數建立

為使電器產品優化結果能夠滿足工程實際與制造的要求，建立的電器產品優化目標函數需要滿足電器產品性能和工藝[1]要求。由于在建立目標函數過程中，電器產品中各個目標的優化值和適應度會越來越接近，加快搜索速度[2]，因此設計相應的適應度函數，其表達式如下：

式中：[Fn]代表此時電器產品優化的最大增廣目標函數值[3];[di]代表電器產品優化過程中的目標函數;[z]，[kn]分別代表電器產品優化過程中的約束條件。

在此基礎上，建立電器產品優化目標函數，此次建立的目標函數主要包括電器產品材料成本和最小變電損耗。電器產品主要材料成本的單目標優化函數為：

式中：[BUP]代表[B]型電器產品所需的電器產品設計質量參數;[Sy]代表一組設計變量。

變電損耗最小的單目標[4]優化公式為：

式中：[d]代表電器產品主要材料成本;[Y]代表電器產品損耗的相關權重;[Ci]，[s]分別代表電器產品損耗因子。

將電器產品優化問題轉換為非約束問題[5]，將轉換后的增廣目標函數和懲罰函數選取為：

式中：[a]代表懲罰因子，該因子根據優化問題的性質不同取不同的值;[P]代表待轉換的問題;[k]代表待優化函數。

根據上述定義，完成電器產品優化目標函數的建立，為電器產品優化提供基礎依據。

2? 電器產品優化點編碼

在傳統的遺傳算法中，交叉概率[6]、變異概率與種群進化過程無關，用交叉概率、變異概率控制遺傳進化，容易造成早熟，降低算法的搜索效率。因此引入一個新的函數作為種群是否早熟的判斷依據：

式中：[f]代表種群早熟的判斷因子;[gy]代表種群的秩;[m]代表遺傳代數。

以式（5）為判斷依據，以合理顯示出秩隨迭代數增加的變化情況。

采用自適應遺傳算法[7]，使交叉概率、變異概率在進化過程中根據目標函數的實際情況，隨機調整大小，以適應不同的電器產品優化問題，優化目標適應度調整過程如圖1所示。

圖1中，[pc]，[pm]分別代表交叉概率和變異概率，具體的函數意義如下述公式所示。

在電器產品優化設計的自適應遺傳算法中，采用如下公式對交叉率和變異率自適應調整[8]：

式中：[fmax]代表優化目標中的最大適應度值;[fc]代表群體平均適應度值;[fn]，[f′n]分別代表要交叉或要變異個體的適應度值;[k1]，[k2]代表常數。

使用自適應遺傳算法對電器產品優化點編碼，采用實數編碼技術[9]將編碼染色體表示為如下向量：

式中：[hk]代表優化問題中的向量;[j]代表編碼因子。

根據上述定義，完成已知目標函數的電器產品優化點的編碼，選取的點越多，優化的輪廓越光滑。

3? 電器產品優化實現

在上述電器產品優化目標函數建立和電器產品優化點編碼完成的基礎上，利用自適應遺傳算法建立優化初始種群對電器產品優化。具體步驟如下所示：

Step1：建立優化初始種群[11]。以提高種群多樣性，首先產生[N]個在[0，1]之間均勻分布的隨機數[r]，[N]代表種群規模，然后將上述得到的目標函數轉化為求最大值的適應度函數，將其描述為：

式中：[Js]代表最大適應度函數值;[?]為一小數，目的是避免除零運算;[Jga]代表優化目標轉換參數。

Step2：加密區間調整[12]。基于自適應遺傳算法的優化區間大小隨著優化進程的變化不斷調整，在優化過程中，加密區間隨之縮小，使電器產品優化問題集中在一個較小的區間：

式中：[ki]代表區間半徑;[xk-1]代表收縮因子;[V]代表電器產品優化問題參數。

Step3：電器產品優化樣本點的分布[13]。隨著自適應遺傳算法的訓練，電器產品優化逐漸以最優點為中心，樣本點分布示意圖如圖2所示。

Step4：自適應遺傳操作。利用自適應遺傳算法中的適應度比例法進行復制，通過適應度函數對上述染色體的適應度函數值[14]求解，從而得到每個染色體對應的復制概率。將復制概率與目標函數結合，建立如下的目標函數：

式中：[min ?x]代表結合后的電器產品優化目標;[η]為電器產品成本優化目標。

在實際使用時，選擇不同的優化目標權重系數[15]，根據實際優化需要修改上述公式，形成多個目標以對電器產品優化設計。根據上述定義，完成基于自適應遺傳算法的電器產品優化設計。

4? 仿真測試

為保證基于自適應遺傳算法在電器產品優化設計上的有效性，在Matlab 7.0環境下設置實驗。為了保證實驗的嚴謹性，將傳統的電器產品優化方法與此次設計的方法對比。實驗時，保證電器產品性能與材料相同，并對比兩種方法在電器產品優化設計后的產品材料成本。

4.1? 實驗準備

采用TSMC0.25工藝庫，工作電壓為2.5 V，實驗計算機采用Ultra?10工作站，CPU400，256 MB內存，種群代數為200代。實驗環境如圖3所示。

在實驗過程中，設置相同的實驗時間，并從某電器產品廠內抽選10類產品，這10類電器產品參數不同。分別使用兩種方法對這10種電器產品優化設計，對比兩種方法優化設計后的電器產品材料的設計成本。

4.2? 實驗結果

在保證實驗環境穩定的前提下進行實驗，記錄10次電器產品設計時花費的成本，詳細的實驗結果如表1所示。

分析表1可知，在10個實驗項目中，傳統的電器產品優化方法的材料花費成本均比此次設計的優化方法的材料花費成本高，并且相差較大。這是因為此次設計的優化方法能夠利用自適應遺傳算法對電器產品優化問題進行調整，以滿足電器產品優化需要，從而在保證電器產品性能的前提下，減少電器產品設計成本。實驗結果證明此次設計的電器產品優化方法是有效的，能夠滿足電器產品的優化需求。

5? 結? 語

本文在對自適應遺傳算法分析完成的基礎上，建立基于自適應遺傳算法的電器產品優化設計方法。經驗證，該方法切實可行，優化效果明顯，能夠大大地減少電器產品設計成本。同時，此次設計的基于自適應遺傳算法的電器產品優化設計方法在其他工程領域中同樣具有很大的應用價值。此后，在實際應用該方法時，應不斷根據更新的電器產品選擇優化方法，從而推動電器產品的發展。

參考文獻

[1] 戴水東，夏克文，張麗英，等.采用CDE算法的新型多回路斷路器優化設計[J].高壓電器，2017，53（12）：188?194.

[2] 李化，陳麒任，李浩原，等.交流高壓金屬化膜電容器溫升特性和優化設計[J].高壓電器，2018，54（1）：1?8.

[3] 王翰林，劉清念，周翔，等.基于CFD及FEM的聚氨酯泡沫塑料低溫絕熱結構優化設計[J].塑料工業，2018，46（6）：44?47.

[4] 程賢福，高東山，萬麗云.基于雙層規劃的參數化產品族優化設計[J].機械設計與研究，2018，34（3）：140?144.

[5] 梁德堅，鄧其貴，萬選明.基于GRNN神經網絡的汽車塑件工藝優化設計[J].塑料，2018，47（3）：98?102.

[6] 肖斌，楊文英.電磁繼電器額定壽命優化設計[J].哈爾濱工業大學學報，2019，51（3）：29?36.

[7] 施錦文，張新剛，時政欣，等.基于遺傳算法的高性能賦形天線優化設計[J].微波學報，2019，35（3）：16?19.

[8] 陳舒敏，錢喬龍，曹文杰，等.基于改進遺傳算法的捷變相位編碼組優化設計[J].現代雷達，2019，41（5）：86?90.

[9] 楊昆，劉振明，周磊，等.采用遺傳算法的電控增壓器電磁閥優化設計[J].國防科技大學學報，2019，41（3）：56?62.

[10] 張河山，鄧兆祥，妥吉英，等.基于改進人工蜂群算法的輪轂電機多目標優化[J].西南交通大學學報，2019，54（4）：671?678.

[11] 黃亦欣，湯亞芳，于淼，等.并網逆變器LCL濾波器的參數優化設計[J].電測與儀表，2019，56（12）：85?89.

[12] 周紅杰，丁勤衛，李春，等.基于多島遺傳算法的漂浮式風力機TMD參數優化[J].動力工程學報，2018，38（5）：406?411.

[13] 張笑，唐敦兵，楊俊，等.立式振動磨關鍵結構參數的多目標優化設計[J].機械科學與技術，2018，37（6）：821?827.

[14] 陳玉玉，李幫義，柏慶國，等.基于產品拆卸性設計的循環率規制的影響研究[J].計算機集成制造系統，2019，25（7）：1817?1827.

[15] 汪建成，謝文剛，宮瑞磊，等.550 kV GIL三支柱絕緣子設計[J].高壓電器，2018，54（5）：114?118.