电磁场逆向问题分析计算的优化算法精品文档完整版.docx

电磁场逆向问题分析计算的优化算法精品文档完整版.docx

《电磁场逆向问题分析计算的优化算法精品文档完整版.docx》由会员分享，可在线阅读，更多相关《电磁场逆向问题分析计算的优化算法精品文档完整版.docx（10页珍藏版）》请在冰豆网上搜索。

电磁场逆向问题分析计算的优化算法精品文档完整版

电磁场逆向问题分析计算的优化算法

SY1502112李佳宁

（北京航空航天大学电子信息工程学院，北京100191）

摘要

随着计算机技术的发展和电磁场数值计算理论、方法的不断丰富与完善,以及工程技术发展的客观需求,以电磁装置的优化设计为背景的电磁场逆向问题已成为国内外计算电磁学的研究热点之一。

目前,对于电磁场逆向问题的求解,都是将其分解为一系列正向问题,然后采用一定的优化方法通过迭代解算达到最终优化设计的目的。

有鉴于此,本文对电磁场逆向问题的核心内容之一—即优化算法,进行了较为深入系统的研究。

在充分分析、归纳国内外现有优化算法的基础上,列举了几种具有工程实用价值的新快速全局优化算法。

一方面,本文对归属随机类优化算法的遗传算法和粒子群算法进行了重点研究。

在分析各自特点基础上,为提高遗传算法和粒子群算法的全局搜索能力和快速寻优能力,分别列举了若干改进措施,得到了适用于电磁装置单目标多峰函数全局优化设计的改进遗传算法、禁忌算法、基因算法、改进粒子群算法等。

另一方面，本文分析了这些算法的相似处和不同的地方。

总结出一些解决电磁场逆向问题的有效优化方法。

关键词：

电磁场逆向问题改进遗传算法改进粒子群算法

第一章绪论

1.1课题的背景和意义

在电磁场工程技术的研究中，已知一个系统或装置的源参数、结构参数和媒质参数的情况下,由源求解电磁场的信息及相关特性的问题称为电磁场正问题。

而由电磁场反求源，几何参数或介质参数,以至整个装置的结构和参数的问题称为电磁场逆问题。

电磁场正向问题的求解己经具有相当完善的理论体系,发展了许多各具特色的解析方法和数值方法。

然而随着科技的发展，正向问题的求解往往已经不能满足工程技术发展需要,实际工程中越来越多需要解决的是与电磁场正向问题相对应的电磁场逆问题。

电磁场逆向问题虽然是整个电磁场理论和数值计算方法的有机部分,但是由于其研究历史短,以及问题本身的特点,至今仍缺少相对成熟的理论体系和快速可靠的算法。

本论文即是结合本人的研究方向“电磁逆散射”与“智能优化方法”，综述一些全局优化方法在电磁场逆向问题研究方面的应用。

1.2国内外研究现状

解决一个电磁场逆向问题,首先应建立它的数学模型,然后再对数学模型进行分析、求解[1]。

从数学角度来看,电磁场逆向问题可归结为非线性数学规划问题,具体表述为:

（1-1）

式中,n为设计变量个数,xi为第

枚设计变量,f（x）为目标函数,

为约束条件。

由于大多数工程电磁场问题不具有解析解并且有些问题的优化变量和电磁场量不存在显式的确定关系,因此,目前国内外学者对于电磁场逆向问题的求解,都是把它们分解成一系列正向问题,然后利用一定的优化方法进行迭代运算。

因而,电磁场逆向问题的研究主要围绕电磁场“数值计算方法”和“优化设计方法”两方面进行。

在第一方面的研究中,那些主要数值计算方法的理论基础已经成熟,算法也比较完善,因此电磁场逆向问题研究基本采用拿来主义。

在电磁场逆向问题优化算法研究方面,由于电磁装置设计中所有优化问题（包括电磁场逆向问题）几乎都可归结为多（冲突）目标函数的非线形规划问题，而每一目标函数又大多为多极值点的非凸函数,因此,全局优化算法的研究在电磁场逆向问题优化算法研究中居主导地位。

由于各种确定类的优化算法都不能有效地搜索到全局最优解,同时理论上只要满足一定的条件,随机类算法均能搜索到全局最优点。

因而随机类全局优化算法进一步成为电磁场逆向问题研究的主要内容之一。

通过对社会、自然或物理现象的模拟,人们提出了电磁场逆向问题分析、计算的遗传算法、自适应对偶种群算法、基因算法、禁忌算法和粒子群算法等全局优化算法。

与确定类算法相比,这类算法的突出优点是算法具有“上山性”,因而算法能够跳出局部极值点而搜索到全局最优解。

与传统的随机类算法相比,这些算法的“上山性”具有目的性,从而可以较少的计算代价取得满意的计算结果。

为此,研究工作主要围绕以下几个方面进行:

（l）对算法本身的结构参数等进行改进。

由此发展出各种改进的遗传算法、粒子群算法、改进禁忌算法以及并行遗传算法等;

（2）分析这些算法的相似处与不同处。

总结出一类解决电磁场逆向问题的有效优化方法。

第二章电磁场逆向问题分析计算的各种改进算法

2.1电磁场逆向问题分析计算的改进遗传算法

在《电磁场逆问题分析计算的快速全局优化算法研究—张慧（浙江大学）》一文中，为了解决群体的多样性和群体早熟的问题，作者主要采用划分迭代阶段、自适应遗传算法和适应值比例变换法等机制对基本遗传算法（SGA）进行改进。

（1）划分迭代阶段

为提高搜索效率,将优化过程划分为两个不同的阶段,即随机搜索和局部优

化两个阶段。

（2）自适应遗传算子

本文所采用的自适应遗传算法对于交叉概率Pc和变异概率Pm采用动态值,根据适应度的大小来改变取值。

即当种群各个体的适应度趋于一致或局部最优时,Pc和Pm增加;而当群体适应度比较分散时,Pc和Pm减少。

同时,对于高适应度的个体,对应于低Pc和Pm,使之得到保护进入下一代;对于低的适应度的个体,对应于高Pc和Pm，使之被淘汰出局[2]。

（2-1）

（3）适应度的指数尺度变换

本文采用原来适应值的指数尺度变换的方法,其新的适应度是原来适应度的某个指数。

（2-2）

（4）算法终止规则

本文设定当下式成立时算法终止迭代过程:

（2-3）

其中,

和

分别是一代种群中最好和最坏个体的适应值。

Ԑ是一设定的正

常数,用来控制算法终止,其取值根据实际问题而定[3]。

2.2电磁场逆向问题分析计算的另一种改进遗传算法

在《改进的遗传算法及其在电磁场全局优化问题中的应用--陈旭东（浙江大学）》一文中，作者的迭代阶段的划分与算法终止规则与前一篇论文相同，但在新的子代产生规则和适应性变异概率方面有区别

（1）新的子代产生规则

首先对N个父代个体进行交叉和变异,产生N枚子代个体,然后从这2N枚个体中选最好的N枚个体作为新的一代。

（2）适应性变异概率

本文算法采用了适应性的变异算子:

（2-4）

这不仅有利于防止发生早熟现象，而且在局部优化阶段,种群中的个体也已经比较接近全局最优解[4][5]。

2.3电磁场逆向问题分析计算的自适应对偶种群算法

为提高标准遗传算法的局部寻优能力进而提高算法的搜索效率，《基于遗传算法与并行计算的电磁场逆问题研究——徐斌（浙江大学）》一文提出适应于当前种群最优个体的自适应对偶种群遗传算法。

算法引入自适应对偶种群及新的子代产生规则来保证种群多样性提高算法局部寻优能力,引入自适应终止规则保证算法计算效率[6]。

（1）自适应对偶种群

自适应对偶种群和子代产生规则,父代种群为{

｜i=1,2,...,N},其中

是

最佳个体,经过遗传操作,产生新种群仅{

｜i=1,2,...,N},以父代的最佳个体

为中心对称点,得到{

｜i=1,2,...,N}关于

的对偶种群{

｜i=1,2,...,N},如果{

｜i=1,2,...,N}中存在个体在可行搜索区域外则随机生成一个搜索区域内的新个体。

（2）子代产生规则

选择当前两对偶种群的适应度前50%个体作为子代种群。

（3）自适应算法终止规则

自适应算法终止规则如下:

（2-5）

这里,i为当前迭代次数;

和

分别是当前种群中的最优个体和最差个体的函数适应值；

为第i次迭代时的控制算法终止迭代的精度函数。

这是个跟迭代次数有关的单调递减函数,其中a、b、c、d均为设定常量,其值的选择需保证算法刚开始时,Ԑ（i）值较大,算法处于随机搜索阶段,随着i的增大,Ԑ（i）逐渐变小,算法进入局部细化搜索阶段[7]。

2.4电磁场逆向问题分析计算的改进的禁忌算法

禁忌算法是对局部邻域搜索的一种扩展,是一种全局逐步寻优算法。

算法具有跳出局部极值点而收敛到全局最优点的能力，有效地避免了迭代过程中可能出现的死循环,又保证了算法足够均匀地搜索整个可行空间。

《电磁场逆问题分析计算的进化算法研究—聂曼（浙江大学）》一文为了充分利用己经搜索过的空间状态点的信息以加快算法的收敛速度,对禁忌算法做了如下改进：

（1）细化搜索过程

本文将基因算法引入禁忌算法,即将整个搜索过程分为细化和多样化搜索两个过程"多样化的搜索过程由禁忌算法实现,而细化搜索过程则由基因算法成。

（2）多样化搜索过程

措施1应用新邻域生成规则产生邻域点。

措施2短期和长期存储相结合的使用方法。

措施3在多样化的搜索过程中,总是从最后接受的个体而不是搜索到的最

好个体开始重新搜索[8]。

（3）己搜索过状态空间的存储

除存储基因算法的种群外,本文算法设置了一个禁忌表用来存储最新搜索过的

枚状态。

在新点的产生过程中,如果产生的新点与种群或禁忌表中存储的状态的距离小于给定的极限值,算法将放弃该点,再重新产生一新点,直到满足给定的距离要求为止[9]。

2.5电磁场逆向问题分析计算的并行遗传算法

由于目标函数的适应值由数值方法计算所得,其计算时间冗长,整个优化过程的耗时相当庞大。

《基于遗传算法与并行计算的电磁场逆问题研究——徐斌（浙江大学）》一文还采用了并行遗传算法来改变优化时间冗长的问题。

全局模型是将串行遗传算法直接并行化的方案。

它的基本思想是由主进程将一个带求解的任务分解成一些子任务,分发给从进程；而从进程则接受主进程发送的任务,完成计算后将结果返回主进程；最终在主进程汇总计算结果得到最终解。

这种方式简单易行,只是单纯的对函数适应度值的计算并行处理或者对遗传算子并行处理,并没有改变串行遗传算法的结构,每个个体与其他个体之间的杂交竞争都在整个种群范围内[10]。

本文分别采用一级主从模型（全局模型）并行遗传算法和二级主从模型并行

遗传算法对SMES系统进行优化设计。

前者考虑了遗传算法优化电磁场逆向问题目标函数适应度计算时间长的特点适合全局模型;后者结合改进后的自适应对偶种群遗传算法结构和粗粒度模型的优点,采用近似于粗粒度模型的二级主从并行模型[11]。

2.6电磁场逆向问题分析计算的改进粒子群算法

基本粒子群算法在许多复杂的优化问题处理中,其全局搜索能力与局部搜索能力难以得到很好的平衡。

为提高系统的全局搜索能力和快速寻优能力,《电磁场逆问题分析计算的快速全局优化算法研究—张慧（浙江大学）》一文提出了一种有效的改进的粒子群算法。

（1）速度矢量更新机制

为平衡并充分利用粒子的自身经验和粒子群内的社会经验,本文提出了如下的速度矢量更新机制:

（2-6）

其中

和

是两个正常数;

和

是[0,1]区间内的随机数。

（2）位置矢量组合算子和子群搜索策略

本文算法中对粒子群中的若干停滞的近代内粒子的位置矢量进行重组,以期得到更优解,并增加粒子的多样性以跳出寻优的停滞[12]。

（3）算法终止规则

在本文的粒子群算法中,使用了两种算法的终止规则。

第一种规则为,当算

法的迭代次数达到某一预先确定的次数时,算法被终止;第二种规则为,当算法

在

的迭代中的目标函数数值未能改进时,搜索过程也终止[12]。

2.7电磁场逆向问题分析计算的粒子群鲁棒性优化算法

为提高粒子群算法求解电磁场逆向问题鲁棒最优解的收敛能力,《电磁场逆问题鲁棒优化设计理论和算法研究——吴烈（浙江大学）》一文提出了一种改进的粒子群鲁棒优化算法。

（1）速度矢量与位置矢量更新算法

（2-7）

（2-8）

（2）“年龄”变量的引入

为防止这种现象的发生,对

和

每个极值点设置一个“年龄”变量。

即每增加一代迭代,上述极值点的年龄就都增加一岁[13]。

（3）“越界”控制

粒子的位置矢量不在可行域内时,首先应用下式变换速度矢量:

（2-9）

（4）邻域定义

为有效降低附加釆样点的个数,本文算法中粒子相邻关系是根据粒子间的距离,某一粒子的“邻居”是由与该粒子最近的粒子组成,而且在优化过程中某一粒子的“邻居”是不断变化的[14]。

（5）期望适值函数賦值机制

为了尽可能减少对中间过程解的期望适值函数值的计算次数,同时避免进行中间过渡得到的解是不是为局部最优解的逻辑推理,我们提出了一种新的期望适值函数赋值机制。

在每一迭代周期中,只计算本代中群体最优和个体最优解,以及约束条件边界上点的鲁棒性能参数。

显然,采用本文策略可大幅减少期望适值计算所需的计算资源,从而可提高算法的收敛速度[15]。

（6）新点的产生规则

为提高期望适值计算的精度,改进算法附加采样点的产生满足正态分布规律,即采样点满足如下的概率分布:

（2-10）

（7）期望适值函数计算

改进算法提出了如下的期望适值函数计算式:

（2-11）

第三章全文总结

维持群体多样性通常可以用如下方法:

①增加种群规模,但是要考虑计算量

增加的因素；②实施单一化,即不允许种群中有若干个相同的个体出现；③实施

局部化,即把种群分割成若干子群体,每个小群体独立地进行遗传操作,这样可

以使由于出现不适当个体而产生未成熟收敛的现象局部化；④增大配对的个体的

海明距离,因为相似的个体配对会导致近亲繁殖而使得交叉结果不能产生新的个体,可以用海明距离来定义两个父个体的相似度,并由此来判断是否配对；⑤根据进化的不同阶段动态的改变遗传参数中的交叉概率和变异概率,即所谓的自适应遗传算法[9]。

为了解决群体多样性问题，防止群体早熟，《2.1电磁场逆向问题分析计算的改进遗传算法》采用划分迭代阶段、自适应遗传算法和适应值比例变换法等机制对基本遗传算法进行改进。

《2.2电磁场逆向问题分析计算的另一种改进遗传算法》节在迭代阶段的划分与算法终止规则与2.1节相同，但设计了新的子代产生规则和适应性变异概率。

为提高标准遗传算法的局部寻优能力进而提高算法的搜索效率，《2.3电磁场逆向问题分析计算的自适应对偶种群算法》重新设计了自适应对偶种群和自适应算法终止规则。

这三篇文章均是在标准遗传算法的基础上，利用原有标准遗传算法的优点，并改进遗传算法的某几个步骤达到防止群体早熟和提高局部寻优能力和搜索效率的目的。

所以其他科研人员可以借鉴此种方法，研究自主改进的遗传算法。

《2.4电磁场逆向问题分析计算的改进的禁忌算法》另辟蹊径，将禁忌算法与基因算法的优点相结合，充分利用己经搜索过的空间状态点的信息以加快算法的收敛速度。

这也是可借鉴的研究方法之一，将不同的优化方法结合起来，发挥其各自长处来优化电磁场逆向问题。

并行种群模型对串行遗传算法的处理包含两个方面[16]:

第一,把串行遗传算法单一种群分成多个子种群;第二,在分成多个子种群前提下按设定的方式交换子种群个体信息"不同的处理方法产生不同的PGA结构,不同的结构产生不同的PGA模型:

全局模型、粗粒度模型、细粒度模型以及混合模型[17]。

《2.5电磁场逆向问题分析计算的并行遗传算法》虽并未对原有的标准算法进行改进，但其采用的并行结构，一层考虑了遗传算法优化电磁场逆向问题目标函数适应度计算时间长的特点适合全局模型;另一层结合改进后的自适应对偶种群遗传算法结构和粗粒度模型的优点,采用近似于粗粒度模型的二级主从并行模型。

其他研究人员可以再深入研究细粒度模型和混合模型的优点，研究出其他并行结构，这也是一个改进优化算法的大的突破口。

《2.6电磁场逆向问题分析计算的改进粒子群算法》也效仿改进遗传算法的方法，在原有的标准算法的某些步骤上进行了改进，以达到优化的目的。

《2.7电磁场逆向问题分析计算的粒子群鲁棒性优化算法》在改进算法的研究上走的更远，不仅改进了标准粒子群算法的某些步骤，而且引入了自己设计的某些变量，如“年龄”变量，还定义了某些规则，如“邻域”，并在期望适值函数计算方面优化了规则和公式。

这一切算法的改进均能使原有算法更好的适应研究目的，使研究结果朝着作者预期的方向进行。

所以，通过研究算法优化的发展历程，发现早些年的算法改进集中在原有标准算法步骤上的改进，这样固然可以优化算法，但算法本身带有的弊病很难通过这种方法根除。

现代研究开始深入研究算法核心，寻找算法的漏洞，在原有标准算法的步骤上自己重新设计算法步骤和规则。

说明只有更高层次的创新，才能更进一步推进算法优化的的进程。

参考文献

[1]黄卡玛,赵翔.电磁场中的逆向问题及其应用.北京,科学出版社,2005.

[2]石山,励庆浮,王兴华.基于自适应遗传算法的无刷直流电机的优化设计[J].西安交通

大学学报,2002,36（12）:

1215-1218.

[3]张慧.电磁场逆向问题分析计算的快速全局优化算法研究[M].浙江：

浙江大学，2007.

[4]汪友华,颜威利,张冠生等.自适应模拟退火法在电磁场逆向问题中的应用[J].中国电机工

程学报,1995,4:

234-238.

[5]陈旭东，乔静秋,倪光正.改进的遗传算法及其在电磁场全局优化问题中的应用[J].电机与控制学报,2001,12:

233-236

[6]Villasanti,Lucken,BaranC.DievsPatehofhydroeleetricgeneratingunitsusingmultiobjectiveolutionaryalgorithms[C].TransmissionandDistributionConferenceandExPosition:

LatinAmerica,IEEE/PES.2004（11）:

929一934

[7]徐斌.基于遗传算法与并行计算的电磁场逆向问题研究[M].浙江：

浙江大学，2012.

[8]IoanCristianTrelea,ThePartielesvannoPtimizationalgoritllm:

convergence

AnalysisandParameterseleetion,InformationProeessingLetters,2003:

317一325

[9]聂曼.电磁场逆向问题分析计算的进化算法研究[M].浙江：

浙江大学，2006.

[10]倪光正,杨仕友,钱秀英,邱捷,等.工程电磁场数值计算[M].北京，机械工业出版社,2010.

[11]何笑帆.并行遗传算法及其在MRI永磁主磁体优化设计中的应用[M].沈阳:

沈阳工业大学,2007.

[12]安斯光.电磁场逆问题分析、计算的进化算法研究[D].浙江：

浙江大学,2012.

[13]J.S.Han,B.M.Kwak.RobustOptimizationusingagradientindex:

memsapplications[J].

StructuralandMultidisciplinaryOptimization,2004（6）:

469-478.

[14]吴烈.电磁场逆向问题鲁棒优化设计理论和算法研究[M].浙江：

浙江大学，2012.

[15]肖方豪,蹇开林,鲁棒优化方法在结构力学中的应用[J].工程力学.vol.24,pp.62-65,

2007.

[16]HoSL,YangShiyou,NiGuangzheng,WongHC.Aparticleswarmoptimizationmethod

withenhancedglobalsearchabilityfordesignoptimizationsofelectromagneticdevices[J].

IEEETransactionsonMagnetics,2006,42（4）:

1107-1110.

[17]YoshioYokose,VlatkoCingoshki,HidelYamasita.GeneticAlgorithmswithAssistant

ChromosomesforInverseShapeOptimizationofElectromagneticDevices[J].IEEE

TransactionsonMagnetics,2000,36（4）:

1052-1056.