遗传算法及其应用于电磁装置优化设计的研究

论文摘要

电磁装置最优化问题的目标函数常常是非线性、多峰值、不可导甚至不连续,并且求解这些问题需要大量计算。连续运动带材横向磁通感应加热装置的优化问题涉及三维涡流场与温度场的耦合计算和全局优化设计问题。本文从分析遗传算法产生早熟现象的原因入手,受生物进化过程中突变和灾难等现象的启发,提出了自适应群体消亡遗传算法并对其性能进行了详细分析。首先从个体的海明距离引出反映群体相似性程度的多样性度量函数,继而导出了随群体多样性自适应变化的个体消亡个数,并随机补充相同数量的新个体以便维持群体规模、抑制早熟现象的出现。该算法提高了遗传算法的寻优能力和效率,可有效改善群体的分布特性,克服早熟现象,并减小了遗传算法对初始群体性能的依赖性。赋予精英策略的自适应群体消亡算法既具有克服早熟现象的能力,又具有较高的搜索速度和收敛率,是一种性能优异的遗传算法。为克服标准遗传算法的早熟现象,受生物基因重组现象和逆转算子的启发,提出了循环移位遗传算法并对其性能进行了详细分析。在标准遗传算法的基础上,以不同的策略和一定的概率,实施循环移位算子,使得个体的基因串在一定程度上发生类似于基因重组的现象,并借以产生新个体,为维持群体的多样性提供新的手段和途径。仿真测试结果表明,不同策略下的循环移位遗传算法的平均收敛代数均比标准遗传算法有较大的提高,说明循环移位算子可有效提高遗传算法的搜索能力,加快遗传算法的收敛速度。利用自适应群体消亡遗传算法和循环移位遗传算法完成了拍合式电磁继电器的优化设计。根据遗传算法的宏观策略和混合遗传算法的设计思想,本文提出了一种将遗传算法和粒子群算法结合组成新的混合遗传算法的新结构,即嵌入式结构,该结构根据粒子群算法的特点,将粒子群算法缩成算子形式,并与标准遗传算法结合,形成新的混合遗传算法。仿真结果表明,该算法在搜索质量和搜索效率方面明显优于其各自组成算法,并在横向磁通感应加热温度场预测神经网络权值优化设计中获得了成功的运用。在上述工作的基础上,对连续运动带材横向磁通感应加热装置的优化设计问题进行了研究。首先利用通用电磁场分析软件对连续运动带材横向磁通感应加热问题进行了数值仿真,并对线圈的形状及其尺寸与出口处热源及温度分布关系进行了对比研究。其次为了提高计算效率,采用了神经网络预测方法,建立了该装置温度场预测的神经网络模型,并利用上述仿真结果作为神经网络训练学习的样本完成了该神经网络的训练。最后建立了以频率、电流及线圈外径与带材宽度比值为设计变量的连续运动带材横向磁通感应加热问题的数学模型,并利用上述设计的循环移位遗传算法和神经网络对该问题进行了优化设计,并获得了预期的结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1-1 遗传算法简介
• 1-1-1 遗传算法的起源和发展
• 1-1-2 遗传算法的特点
• 1-1-3 遗传算法研究现状
• §1-2 遗传算法在电磁领域的应用
• §1-3 本文的研究意义及主要工作
• 1-3-1 本文的研究意义
• 1-3-2 本文的主要研究工作
• 第二章 遗传算法的基本原理和基本方法
• §2-1 标准遗传算法
• 2-1-1 标准遗传算法的具体操作
• 2-1-2 标准遗传算法的运算步骤
• §2-2 遗传算法的基本原理
• 2-2-1 模式定理
• 2-2-2 积木块假设
• 2-2-3 收敛性准则
• 2-2-4 隐含并行性
• 2-2-5 性能评估方法
• §2-3 遗传算法的基本方法
• 2-3-1 制定编码方案
• 2-3-2 设定适应值函数
• 2-3-3 设定选择策略
• 2-3-4 设定交叉和变异操作
• 2-3-5 选取控制参数
• §2-4 本章小结
• 第三章 遗传算法的微观策略和宏观策略
• §3-1 遗传算法的微观策略
• 3-1-1 标准遗传算法的改进
• 3-1-2 自适应群体消亡遗传算法
• 3-1-3 循环移位遗传算法
• §3-2 遗传算法的宏观策略
• 3-2-1 混合遗传算法（Hybrid Genetic Algorithm--HGA）的基本思想
• 3-2-2 粒子群算法
• 3-2-3 基于粒子群算法的混合遗传算法
• 3-2-4 HGAPSO 的性能分析和测试
• §3-3 本章小结
• 第四章 遗传算法的优化设计模型
• §4-1 最优化设计问题及其分类
• §4-2 优化算法及其分类
• §4-3 基于遗传算法的优化设计
• 4-3-1 遗传优化的一般过程
• 4-3-2 遗传优化面临的主要问题
• 4-3-3 约束条件的处理
• §4-4 电磁继电器优化设计
• 4-4-1 建立优化设计的数学模型
• 4-4-2 优化设计结果
• §4-5 本章小结
• 第五章 遗传算法与神经网络
• §5-1 概述
• §5-2 神经网络的起源和发展
• 5-2-1 神经网络简介
• 5-2-2 学习算法
• 5-2-3 神经网络预测模型
• §5-3 遗传算法与神经网络优化设计
• 5-3-1 BP 算法收敛性能分析
• 5-3-2 遗传优化神经网络权值的一般过程
• 5-3-3 遗传优化神经网络的几个主要问题
• 5-3-4 混合遗传算法应用于神经网络优化设计
• §5-4 本章小结
• 第六章 横向磁通感应加热装置优化设计
• §6-1 感应加热问题简介
• 6-1-1 感应加热技术的发展及研究现状
• 6-1-2 横向磁通感应加热
• §6-2 横向磁通感应加热相关问题简介
• 6-2-1 感应加热技术的数值仿真
• 6-2-2 电磁场分析软件简介
• §6-3 三维涡流场和温度场分析
• 6-3-1 三维涡流场分析
• 6-3-2 三维温度场分析
• §6-4 线圈形状和尺寸对热源分布的影响
• 6-4-1 线圈形状对热源分布的影响
• 6-4-2 线圈尺寸对热源分布的影响
• §6-5 遗传算法应用于横向磁通感应加热装置优化设计
• §6-6 本章小结
• 第七章 结论
• §7-1 本文工作总结
• §7-2 需要进一步研究的问题
• 参考文献
• 致谢
• 攻读学位期间所取得的相关科研成果