遗传算法电机优化设计简介
收稿日期:20001225 综 述
遗传算法电机优化设计简介
李鲲鹏
,胡虔生
(东南大学
,南京
210096)
BriefIntroductionofMotorOptimizingDesignBasedonGeneticAlgorithms
LIKun-
peng,HUQian-sheng
(
SoutheastUniversity,Nanjing210096,China)
摘 要
:介绍了遗传算法的基本思想及其特点
,实现了基
于遗传算法的电机优化设计
,讨论了保证其全局收敛性的方
法
,最后给出了基于遗传算法的电机优化设计实例。
关键词
:电机优化设计
;遗传算法
;全局收敛性
中图分类号
:TM302 文献标识码
:A
文章编号
:1004-7018(2001)04-0032-02
Abstract:Inthispaper,theessenceandapplicationsof
genetic
algorithmsarefriendlyintroduced.Basedoncomparisonsbetweenge2
neticalgorithmsandconventionalmethods,theapplicationofgenetic
algorithmtomotordesignisimplemented.
Inthisprocess,themeth2
odstoimprovetheglobalconvergenceofgeneticalgorithmaredis2
cussed.Finally,theresultsoftheoptimizationofthree-phaseelectri2
calmachinedesignbasedongeneticalgorithmsarepresented.
Keywords:motoroptimaldesign;geneticalgorithms(
GA)
;glob2
alconvergence
1遗传算法的基本思想及其特点
遗传算法是模拟生物进化机制的一种现代优化计
算方法。其基本思想是
:首先通过编码操作将问题空
间映射到编码空间(如
[0,1]L
)
,然后在编码空间内进
行选择、交叉、变异三种遗传操作及其循环迭代操作
,
模拟生物遗传进化机制
,搜索编码空间的最优解
,最后
逆映射到原问题空间
,从而得到原问题的最优解。选
择操作模拟了个体之间和个体与环境之间的生存竞
争
,优良个体有更多的生存繁殖机会。在这种选择压
力作用下
,个体之间通过交叉、变异遗传操作进行基因
重组
,期望得到更优秀的后代个体
,在这场竞争中胜
出。选择、交叉、变异遗传操作都是以概率值进行的。
这些概率值与当时生存环境和个体适应能力密切相
关。从这里可以看出遗传算法是一种随机性搜索算
法
,但是它不同于传统的随机搜索算法。遗传算法通
过交叉算子(
Crossoveroperator)和变异算子(
MutationOperator)的协同作用确保状态空间(
[0,1]L
)各点的概
率可达性
,在选择算子(
SelectionOperator)的作用下保
证迭代进程的方向性。
2电机优化设计的数学模型和一般优化方法
电机优化设计的一般数学模型
:
min/max:
f(
x)
g
i(
X)≤
0
,i=1
,2
,3
,…
,m
X
j∈
[a
j,b
j],j=
1
,2
,3
,…
,n(1)
其中
:
X=
[x
1,x
2,x
3,…
,x
n]为设计参量即电磁系统
的参数
,如冲片尺寸、绕组参量等。
g
i(
X)(
i=1
,2
,3
,
…
,m)为约束条件
,如性能约束和一般约束。由于目
标函数
f(
X)和约束条件
g
i(
X)都是
X的高度非线性
函数
,因此电机优化设计问题是求解约束非线性最优
化问题。
由于电机设计的目标函数
f(
X)不是一个单纯的
数学表达式
,而是一段电机设计分析计算程序
,在计算
目标函数值的同时还计算各个性能指标值
,即约束条
件函数值
,因此利用目标函数的梯度确定搜索方向的
优化方法在电机优化设计中是相当繁琐
,直接利用目
标函数值的优化方法在电机优化设计中具有优势
,遗
传算法通过选择、交叉、变异算子的协同作用
,既保证
了搜索的方向性
,又满足了状态空间各点的概率可达
性
,具有概率意义下的全局收敛性。遗传算法继承了
传统确定性算法和一般随机算法的优点
,是一种新的
启发式随机搜索算法。
遗传算法对约束的处理有两种思路
:增加修正算
子将约束条件反映在遗传算子的设计中
;利用惩罚函
数法将有约束优化问题转化为无约束优化问题。在电
机优化设计中常采取后者。基于遗传算法的惩罚函数
主要分为静态惩罚函数、动态惩罚函数和自适应惩罚
函数三种[4
]
。自适应惩罚函数法效果较好
,但较复杂
;
静态、动态惩罚函数相对较简单
,经常使用。约束条件23 微特电机
2001年第
4期
© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.netg
i(
X)(
i=1
,2
,3
,…
,m)具有层次性
,有些是必须满足
的
,如主要性能指标等
;有些在一定违约范围内是可以
接受的
,如齿、轭部磁密等
,因此需要根据约束类型采
取不同的惩罚强度。根据不同的约束条件设计惩罚函数
P
i(X)
,依此建立增广目标函数F(
X)
,这样电机优
化设计数学模型(以目标最小化为例)可写为
:
min:
F(
X)
=f(
X)
+Σm
i=1p
i(
X)
X={X|X
j∈
[a
j,b
j],j=1
,2
,3
,…
,
m(2)
3遗传算法电机优化设计的实现
如图所示
,可以看出遗传算法的实现主要分为如
下几个步骤
:编译码设计、初始群体生成、适应度函数
定标、遗传算子设计和遗传控制参数确定。
遗传算法的基本结构图
4计算实例
下面给出一台额定电压为
380V,频率为
50Hz,额
定功率为
5.5kW,4极
,Δ
接法的小型三相笼型异步电
动机用遗传算法进行优化的实例。优化目标为每台电
机的有效材料成本。优化变量为
:铁心长度、每槽导体
数、线规、定子槽底宽、定子槽身高、转子槽肩宽、转子
槽身高。为了便于比较
,约束条件值以
Y系列电动
机[13]
的主要性能数据为参考。
表
1
5.5kW,4极三相笼型异步电动机遗传优化成本、性能比较
性能有效材料
成本(元)功率
(
%)功率
因数最大转矩
倍数起动转矩
倍数起动电流
倍数热负荷
(
108
A/m3
)
约束值
>85.5>0.84>2.2>2.2<7.0<1700
初始值
44685.80.882.62.26.01208
优化值
36885.50.853.02.86.91505
表
2
5.5kW,4极三相笼型异步电动机遗传优化方案比较
优化变量
铁心长度
(
mm)每槽
导体数线规
(
mm)定子
槽底宽
(
mm)定子
槽身宽
(
mm)转子
槽肩宽
(
mm)转子
槽身高
(
mm)
初始方案
130.00461×
0.908.8013.585.5021.70
1×
0.95
优化方案
107.00471×
0.858.8012.015.4921.67
1×
0.90
注
:有效材料的单价为
:铜
21000.00元
/吨
,硅钢片
7000.00元
/吨
,
铝
14000.00元
/吨。
通过比较优化后的结果可以看出
:在满足约束的条件下
,优化目标函数有效材料成本明显下降
,与初始
方案的有效材料成本相比下降了
17.5%。但是这并不
表示所有的性能指标都比初始值高
,而是在满足约束
的条件下有的增加
,有的减少。优化设计正是使初始
方案中某些性能指标由不必要的过高降到适中为代
价
,使电机总的性能指标更趋合理
,达到一种新的较高
水平的平衡
,使目标函数值得以优化。
5结 论
遗传算法是一种具有普适性、潜在的全局收敛性
和有效性的现代优化算法
,因而具有广阔的应用前景。
实践证明将它应用于电机优化设计是可行的
,但是在
实施中还有一些问题需要改进和完善。遗传算法更有
效的应用有待于对遗传算法和电机优化设计更深入的
研究
,使两者有机融合起来。
参考文献
:
[1] 王冲权
.电机的计算机辅助设计与优化技术
[M].上海交通大学出
版社
,1989.
[2] 席裕庚
.遗传算法综述
[J].控制理论与应用
,1996,10.
[3] 李凡
.遗传算法种群多样性的度量
[J].武汉华中理工大学报
,
1997,7.
[4]
ZbigniewMichalewicz.GeneticAlgorithms+DataStructures=Evolution
Programs[M].1998,7.
[5]
BianchiN,BolognaniS,Designoptimizationofelectricmotorsbygenetic
algorithms[J].IEEProc-ElectrAppl.1998,145.
[6] 吴浩杨
.基于种群过早收敛程度定量分析的改进自适应遗传算法
[J].西安交通大学报
,1999,11.
[7] 杨振强
.自适应复制、交叉和变异的遗传算法
[J].电子科学学刊
,
2001,11.
[8] (日)玄光男
.遗传算法与工程设计
[M].北京
:科学出版社
,2000,
1.
[9] 翟旭平
.基于遗传算法的异步电机多目标优化设计的研究
[C].东
南大学硕士学位论文
,2000,4.
[10] 边润强
,陈增强
.一种改进的遗传算法及其在系统辨识中的应用
[J].控制与决策
,2000,5.
[11] 杨启文
.应用逻辑操作改善遗传算法的性能
[J].控制与决策
,
2000,7.
[12] 田夫光
,周春光
.遗传算法中基因缺失的预防
[J],小型微型计算
机系统
,2000,9.
[13] 上海市电子电器技术学会
.中小型电机修理手册
[M].上海科学
技术出版社
,1990.
33遗传算法电机优化设计简介
© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
遗传算法优化工程设计
遗传算法优化工程设计
简介
工程设计是一个复杂的过程，往往需要在众多的设计参数、约束条件和目标函数之间进行权衡和优化。传统的优化方法往往面临计算复杂度高和找到全局最优解的困难。而遗传算法是一种模拟生物进化过程的优化算法，通过对候选解进行适度度量、选择、交叉和变异等操作，使得解集在搜索空间内逐渐向全局最优解靠近。因此，遗传算法被广泛应用于工程设计的优化问题中。
遗传算法在工程设计中的应用
遗传算法在工程设计中通过模拟遗传和进化的过程来搜索最佳解决方案。在工程设计中的具体应用包括但不限于以下几个方面：
1. 参数优化：工程设计往往涉及到各种参数的选择和调整，而这些参数之间往往存在着相互制约关系。通过遗传算法，可以对设计参数进行全局搜索，找到最佳的参数组合，从而实现设计目标的最优化。
2. 设备优化：在工程设计中，经常需要选择合适的设备或零部件以满足特定的需求。遗传算法可以用于设备优化，通过搜索不同的设备或零部件组合，并评估它们的性能指标，从而找到最佳的组合方案。
3. 结构优化：在结构设计中，选择合适的结构材料、尺寸和形状对结构的性能至关重要。遗传算法可以通过调整结构参数的方式来优化结构设计，从而提高结构的性能并满足特定的要求。
4. 路线规划：在交通和物流领域，遗传算法可以应用于路线规划问题。通过搜索不同的路径和交通网络，遗传算法可以找到最短路径、最节能路径或最少交通拥堵的路径。 5. 布局优化：在工厂或办公室的布局规划中，遗传算法可以帮助寻找最优的布局方案。通过调整工位、设备和人员的位置，可以提高工作效率、减少材料流动和减少能源消耗。
6. 调度优化：在生产计划和项目管理中，优化调度是一个复杂的问题。遗传算法可以应用于资源调度、任务分配和作业排序等问题，从而提高生产效率、降低成本并满足交货期。
遗传算法优化工程设计的优势
相比传统的优化方法，遗传算法在工程设计中具有以下几个优势：
1. 全局搜索能力：遗传算法采用一种随机搜索的策略，通过对候选解进行选择、交叉和变异操作，能够在搜索空间内全局搜索解决方案，而不仅仅局限于局部最优解。
基于遗传算法的汽车直流电机优化设计
第４６卷 ２０１３正 第９期 ９月 藏 ＭＩＣＲ０ＭＯＴ０ＲＳ Ｖｏ１．４６．Ｎｏ．９ Ｓｅｐ．２０１３
基于遗传算法的汽车直流电机优化设计
史振兴，宁银行，刘 闯
（南京航空航天大学自动化学院，南京２１００１６）
摘要：本文研究了影响汽车用永磁直流电动机体积、质量、效率和成本等性能的因素，分析了利用遗传算法以其 为目标进行优化设计的研究思路，并在Ｍａｔｌａｂ中进行了建模及其实现，仿真结果表明该方法优化效果明显，为后续 有限元仿真及样机生产提供了有价值的设计制造依据。 关键词：遗传算法；汽车用永磁直流电动机；优化设计 中图分类号：ＴＭ３５１；ＴＭ３８１ 文献标志码：Ａ 文章编号：１００１—６８４８（２０１３）０９－００２７－０４
Ｏｐｔｉｍａｌ Ｄｅｓｉｇｎ ｏｆ Ａｕｔｏｍｏｂｉｌｅ ＤＣ Ｍｏｔｏｒ Ｂａｓｅｄ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ＳＨＩ Ｚｈｅｎｘｉｎｇ，ＮＩＮＧ Ｙｉｎｈａｎｇ，ＬＩＵ Ｃｈｕａｎｇ （Ｎａ ｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＡｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ，Ｎａ ｎｇ ２１００１６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｓｔｕｄｉｅｄ ｔｈｅ ｉｍｐａｃｔ ｆａｃｔｏｒｓ ｏｎ ｔｈｅ ｖｏｌｕｍｅ，ｍａｓｓ，ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｃｏｓｔ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ａｎ ａｕｔｏｍｏｂｉｌｅ ｐｅｒｍａｎｅｎｔ ｍａｇｎｅｔ ＤＣ ｍｏｔｏｒ，ａｎａｌｙｚｅｄ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ（ＧＡ）ｏｎ ｔｈｅ ｍｏｔｏｒ＇ｓ ｏｐｔｉｍｉｚａｔｉｏｎ ｄｅｓｉｇｎ．Ｉｔ ｔｈｅｎ ｍｏｄｅｌｅｄ ｔｈｅ ｍｏｔｏｒ ａｎｄ ｉｍｐｌｅｍｅｎｔｅｄ ｔｈｅ ＧＡ ｉｎ Ｍａｔｌａｂ．Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｈｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ＧＡ ｉｓ ｅｆｆｅｃｔｉｖｅ．Ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｂｔａｉｎｅｄ ｓａｔｉｓｆｉｅｓ ｔｈｅ ｒｅｑｕｉｒｅｍｅｎｔ ａｎｄ ｃａｎ ｓｅｒｖｅ ａｓ ａ ｒｅｆｅｒｅｎｃｅ ｆｏｒ ｔｈｅ ｆｏｌｌｏｗｉｎｇ ＦＥＭ ｓｉｍｕｌａｔｉｏｎ ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｍａｎｕｆａｃｔｕｒｉｎｇ ｏｆ ａ ｐｒｏｔｏｔｙｐｅ ｍｏｔｏｒ． Ｋｅｙ ｗｏｒｄｓ：ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ｐｅｒｍａｎｅｎｔ ＤＣ ｍｏｔｏｒ ｆｏｒ ａｕｔｏｍｏｂｉｌｅ；ｏｐｔｉｍｉｚａｔｉｏｎ ｄｅｓｉｇｎ
遗传算法在电力系统优化中的实践技巧
遗传算法在电力系统优化中的实践技巧
随着电力系统规模的不断扩大和电力需求的增长，电力系统的优化问题变得越来越复杂。传统的优化方法在解决这些问题时面临着挑战，而遗传算法作为一种基于生物进化原理的优化算法，逐渐成为电力系统优化的重要工具。本文将介绍遗传算法在电力系统优化中的实践技巧。
1. 遗传算法的基本原理
遗传算法是一种模拟自然进化过程的优化算法。它通过模拟自然选择、交叉和变异等操作，逐步优化问题的解。在电力系统优化中，遗传算法可以用来解决诸如电力调度、电网规划和电力市场交易等问题。
2. 问题建模与编码
在使用遗传算法解决电力系统优化问题之前，首先需要将问题进行建模，并将问题的解编码成染色体。例如，对于电力调度问题，可以将发电机出力和负荷需求作为染色体的基因，通过遗传算法来寻找最优的发电机出力方案。
3. 适应度函数的设计
适应度函数是遗传算法中的核心部分，它用来评估染色体的适应度，即解的优劣程度。在电力系统优化中，适应度函数可以根据具体问题进行设计。例如，在电力调度问题中，适应度函数可以考虑发电成本、供电可靠性和环境影响等因素。
4. 选择操作
选择操作是遗传算法中的一项重要操作，它决定了哪些染色体将被选中作为父代，进而产生下一代的解。在电力系统优化中，选择操作可以采用轮盘赌选择、锦标赛选择等方法。选择操作的目标是根据染色体的适应度来确定其被选中的概率，从而保留优秀的解。 5. 交叉操作
交叉操作是遗传算法中的另一个重要操作，它模拟了生物进化中的基因交换过程。在电力系统优化中，交叉操作可以用来产生新的解，并引入新的基因组合。例如，在电力调度问题中，交叉操作可以将两个染色体的基因进行交换，从而生成新的发电机出力方案。
6. 变异操作
变异操作是遗传算法中的一种随机操作，它用来引入新的基因变异，增加解的多样性。在电力系统优化中，变异操作可以用来引入新的发电机出力值或负荷需求值。变异操作的目的是增加解的搜索空间，从而提高算法的全局搜索能力。
基于遗传算法的直线感应电动机力能指标优化设计
．设计 靳∥． 微持电棚 ２１）１）８年第３期 ：… 张 ≥……………………………………………………………………一 一工一 ………．… ： ．．二＝：…．．
基于遗传算法的直线感应电动机力能指标优化设计
王立强 ，季琦
（１．浙江大学，浙江杭州３１００２７；２．浙江中烟工业有限责任公司，浙江杭州３１０００８）
摘要：介绍了遗传算法的基本原理，提出电机设计中约束条件的一种简化处理方法，并结合标准遗传算法对
一台扁平型双边直线感应电动机进行了优化设计，优化设计后，电机的力能指标有显著提高。
关键词：遗传算法；直线感应电动机；优化设计
中图分类号：ＴＭ３５９．４；ＴＭ３４３ 文献标识码：Ａ 文章编号：１００４－７０１８（２００８）０３－００１４一ｏ３
Ｏｐｔｉｍｕｍ Ｄｅｓｉｇｎ ｏｆ Ｌｉｎｅａｒ Ｉｎｄｕｃｔｉｏｎ Ｍｏｔｏｒ Ｂａｓｅｄ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ
ＷＡＮＧ Ｌｉ—ｑｉａｎｇ ，Ｊｌ Ｑｉ
（１．Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ ３ １００２７，Ｃｈｉｎａ；
２．Ｃｈｉｎａ Ｔｏｒａｃｃｏ Ｚｈｅｊｉａｎｇ Ｉｎｄｕｓｔｒｉａｌ Ｃｏ．，ＬＴＤ．，Ｈａｎｇｚｈｏｕ ３１０００８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｂａｓｉｃ ｐｒｉｎｃｉｐｌｅｓ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ（ＧＡ）ｗａｓ ｉｎｔｒｏｄｕｃｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａｎｄ ａ ｓｉｍｐｌｅ ｍｅｔｈｏｄ ｏｆ ｃｏｎ—
ｓｔｒａｉｎｔ ｃｏｎｄｉｔｉｏｎ ｈａｎｄｌｉｎｇ ｉｎ ｔｈｅ ｍｏｔｏｒ ｏｐｔｉｍｕｎ ｄｅｓｉｇｎ ｗａｓ ｐｒｅｓｅｎｔｅｄ．Ｔｈｉｓ ｓｉｍｐｌｉｆｉｅｄ ｍｅｔｈｏｄ ａｎｄ ｓｔａｎｄａｒｄ ＧＡ ｗｅｒｅ ａｐｐｌｉｅｄ
ｔｏ ｔｈｅ ｏｐｔｉｍｕｎ ｄｅｓｉｇｎ ｏｆ ａ ｆｉａｔ—ｔｙｐｅ ｄｏｕｂｌｅ—ｓｉｄｅｄ ｌｉｎｅａｒ ｉｎｄｕｃｔｉｏｎ ｍｏｔｏｒ．Ａｓ ｏｐｔｉｍａｌ ｒｅｓｕｌｔｓ，ｔｈｅ ｔｈｒｕｓｔ／ｐｏｗｅｒ ｒａｔｉｏ ｉｎｄｅｘ
电力系统优化中的遗传算法使用教程
电力系统优化中的遗传算法使用教程
电力系统在当今社会中扮演着至关重要的角色，为人们的生活提供了必要的能源。然而，电力系统的运行面临着许多挑战，如需求的不断增长、发电成本的提高以及环境保护的要求等。因此，电力系统优化成为了一个重要的研究领域。在电力系统优化中，遗传算法被广泛应用于多个问题的求解，本篇文章将介绍遗传算法在电力系统优化中的应用以及如何使用遗传算法来解决电力系统相关的问题。
一、遗传算法简介
遗传算法是一种模拟生物进化过程的优化算法。它模拟了自然界中的遗传、交叉和变异等操作，通过不断迭代的方式来寻找最优解。遗传算法由一个初始种群开始，通过选择、交叉、变异等操作产生下一代种群，经过多次迭代后，最终得到一个满足优化目标的解。遗传算法具有全局搜索能力，对于复杂问题的求解效果较好。
二、遗传算法在电力系统优化中的应用
1. 发电机组经济调度
发电机组经济调度是电力系统优化中常见的问题之一。其目标是确定各个发电机组的出力，以最小化发电成本，同时满足电力需求和环境等约束条件。遗传算法可以用于求解这一问题。通过建立适应度函数，将发电成本作为优化目标，约束条件包括发电能力、电力需求和环境保护等方面，利用遗传算法寻找最优解。
2. 配电网规划
配电网规划是电力系统优化的另一个重要问题。它的目标是确定合理的电网结构和设备布局，以最小化投资成本和运行成本，同时满足电力供应的可靠性要求。遗传算法可以用于求解配电网规划问题。通过建立适应度函数，将投资成本和运行成本作为优化目标，约束条件包括电力需求、供电可靠性和设备容量等方面，利用遗传算法来搜索最优解。 3. 输电线路优化
输电线路优化是电力系统优化中的一个关键问题。其目标是确定合理的输电线路走向和容量分配，以最小化输电损耗和投资成本，同时满足电力质量和可靠性要求。遗传算法可以用于求解输电线路优化问题。通过建立适应度函数，将输电损耗和投资成本作为优化目标，约束条件包括电力质量、可靠性和线路容量等方面，利用遗传算法来搜索最优解。
基于遗传算法的永磁无刷直流电动机优化设计
计 斩 ．， 舨持电棚 ２０１０年第２期 ……ｃ， ／ ２ § …一……………………－－＿………………．……………………… 一…一……………．…一一
基于遗传算法的永磁无刷直流电动机优化设计
钱强，王淑红 （太原理工大学，山西太原０３００２４）
摘要：利用遗传算法对一台４相７对极外转子永磁无刷直流电动机的永磁体尺寸、气隙高度、电枢长径比、极 弧系数以及槽口宽度进行了优化设计，并用有限元电磁场分析软件Ｍａｘｗｅｌｌ ２Ｄ分析了优化前后电机磁力线、气隙磁 密、电机转矩和转速随时间变化过程。仿真结果表明，优化的电机转矩脉动明显削弱，证明了遗传算法与有限元数 值计算相结合对无刷直流电动机优化设计有较好的效果。 关键词：无刷直流电动机；优化设计；遗传算法；转矩脉动；有限元 中图分类号：ＴＭ３３ 文献标识码：Ａ 文章编号：１００４—７０１８（２０１０）０２—００１８—０３
Ｏｐｔｉｍａｌ Ｄｅｓｉｇｎ ｏｆ Ｐｅｒｍａｎｅｎｔ Ｍａｇｎｅｔ Ｂｒｕｓｈｌｅｓｓ ＤＣ Ｍｏｔｏｒｓ Ｂａｓｅｄ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ＱＩＡＮ Ｑｉａｎｇ，ＷＡＮＧ Ｓｈｕ—ｈｏｎｇ （Ｔａｉｙｕａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ ０３００２４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｓｉｚｅ，ａｉｒ ｇａｐ ｈｅｉｇｈｔ，ａｒｍａｔｕｒｅ ａｓｐｅｃｔ ｒａｔｉｏ，ｐｏｌｅ－ａｒｃ ｃｏｅｆｆｉｃｉｅｎｔ ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｎｏｔｃｈ ｗｉｄｔｈ ｏｆ ＰＭ ｂｒｕｓｈ・ ｌｅｓｓ ＤＣ ｍｏｔｏｒｓ ｗｉｔｈ ａ ｓｅｖｅｎ－ｐａｉｒ ｆｏｕｒ－ｐｈａｓｅ ｏｕｔｅｒ ｒｏｔｅｒ ｗｅｒｅ ｏｐｔｉｍａｌｌｙ ｄｅｓｉｇｎｅｄ ｕｓｉｎｇ ｔｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ．Ｗｉｔｈ ｔｈｅ ｈｅｌｐ ｏｆ ＦＥＡ ｓｏｆｔｗａｒｅ Ｍａｘｗｅｌｌ ２Ｄ，ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｒｅｓｕｌｔｓ ｂｅｆｏｒｅ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ａｆｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ ｗａｓ ｃｏｎｄｕｃｔｅｄ ｉｎ ｔｅｒｍｓ ｏｆ ｍａｇｎｅｔｉｃ ｆｉｅｌｄ ｌｉｎｅｓ，ａｉｒ—ｇａｐ ｆｌｕｘ ｄｅｎｓｉｔｙ，ｒａｒｉｎｇ ｐｒｏｃｅｓｓ ｏｆ ｔｉｍｅ ａｎｄ ｔｏｒｑｕｅ．Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｔｏｒｑｕｅ ｒｉｐｐｌｅ ｉｓ ｃｌｅａｒｌｙ ｒｅｄｕｃｅｄ ａｆｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ．Ｉｔ ｐｒｏｖｅｓ ｔｈａｔ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ ＦＥＭ ｓｏｕｎｄｓ ａ ｇｏｏｄ ｗａｙ ｆｏｒ ｏｐｔｉｍａｌ ｄｅｓｉｇｎ ｏｆ ｂｒｕｓｈｌｅｓｓ ＤＣ ｍｏｔｏｒｓ． Ｋｅｙ ｗｏｒｄｓ：ｂｒｕｓｈｌｅｓｓ ＤＣ ｍｏｔｏｒ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ｄｅｓｉｇｎ ｏｐｔｉｍｉｚａｔｉｏｎ；ｔｏｒｑｕｅ ｒｉｐｐｌｅ；ＦＥＭ
遗传算法在汽车永磁发电机全局优化中的应用
２００８年第３期 深圳职业技术学院学报 Ｊｏｕｒｎａｌ ｏｆ Ｓｈｅｎｚｈｅｎ Ｐｏｌｙｔｅｃｈｎｉｃ Ｎｏ．３．２００８
遗传算法在汽车永磁发电机全局优化中的应用
王 瑾
（深圳职业技术学院工业中心，广东深圳５１８０５５）
摘要：采用遗传算法对３５０～１５００Ｗ６种规格的汽车永磁发电机进行了优化设计，获得了高质量的全局最
优解。采用爪极与横向磁体布置相结合的转子结构，以永磁体为主、电励磁为辅助调节的并联此路，保证了汽 车发动机在变速、变载工况下保持恒压的可靠性。 关键词：遗传算法；汽车永磁发电机；全局最优
中图分类号：ＴＭ３０２ 文献标识码：Ａ 文章编号：１６７２—０３１８（２００８）０３—０００７—０５
１ 遗传算法应用于汽车永磁发电
机进行优化设计的数学模型
电机优化设计的数学模型包括：优化变量、
约束条件和目标函数３个方面。首先简介遗传算 法（ＧＡ）的基本过程，然后就汽车永磁发电机讨
论如何选择和处理这些变量、条件和函数，以建
立其优化设计的数学模型。
１．１遗传算法的基本过程 遗传算法（ＧＡ）是一种通用的自适应随机搜 索方法。遗产算法的基本过程如下： １）问题参数的编码。ＧＡ首先要将搜索空问 解的表示映射成遗传空间解的表示，这一操作称
为编码，其相反操作称为解码。 ２）群体的初始化。遗传空间的解又称基因 或染色体。多个基因组成一个群体供ＧＡ使用。 ＧＡ随机产生一个给定大小的初始种群，该种群 被称为第一代。
３）评价个体优劣。①解码群体中的各位串 得相应的参数；②由参数值计算目标函数值；③
由目标函数值得相应位串的适值。 ４）繁殖。适值愈高的个体具有愈高的优良
品质，赋予其愈高的选中概率。带有较高适值的 那些染色体更可能产生后代。后代是父母的产物， 他们由来自父母的基因结合而成。 ５）交叉。首先要确定交叉方式，然后随机选
择交配对象，根据交叉算子发生概率随机选择交叉
点进行交叉。 ６）变异。根据变异算子发生概率，随机选择
遗传算法在电机系列优化设计中的应用研究
西安交通大学学报990204
西安交通大学学报
JOURNAL OF XI′AN JIAOTONG
UNIVERSITY 1999年 第33卷 第2期 VOL.33 No.2 1999
遗传算法在电机系列优化设计中的应用研究
吴德荣， 李景川， 励庆孚， 孙 萍
摘 要：电机的系列优化是一个复杂的有约束、非线性、混合离散多目标规划问题．文章在传统遗传算
法的基础上，对算法进行了改进，使之适用于电机系列优化设计．并且把该算法应用于Y系列电机的系列优
化设计中，优化设计结果表明这种算法效果是比较理想的．
关键词：遗传算法； 异步电机；系列设计； 优化方法
中国图书资料分类法分类号： TM343
Design Optimization of Series Electrical Machines
Using Genetic Algorithms
Wu Derong， Li Jingchuan， Li Qingfu， Sun Ping
（Xi′an Jiaotong University， X i′an 710049， China）
Abstract：Design optimization of series electrical machines is a nonlinear constrained and mixed-discrete multiple
objective optimization problem. Based on the traditional genetic algorithms, an improved algorithm is proposed and
successfully applied to the design optimization of Y series electrical machines. The optimization results show that the
基于遗传算法的优化设计在机械工程中的应用
基于遗传算法的优化设计在机械工程中的应用
在现代机械工程领域，为了提高产品的性能和效率，优化设计已经成为一项关键的技术。而基于遗传算法的优化设计正是其中一种重要的方法。本文将介绍遗传算法的原理与特点，并从实际应用案例出发，探讨其在机械工程中的实际应用。
一、遗传算法原理与特点
遗传算法是一种模拟自然进化过程的优化算法。它模拟了生物进化中的遗传、变异和选择等过程，通过不断的迭代求解最佳解。遗传算法的求解过程主要包括编码、适应度评价、选择、交叉和变异等步骤。
在遗传算法中，个体的编码通常使用二进制编码或实数编码。通过适应度评价，我们可以将个体的优劣转化为数值，以便进行选择操作。选择操作中，根据适应度的大小，优秀的个体被选中用于进化。而交叉和变异操作则可以使得新一代的个体具有更好的性状和优势基因。通过多代的迭代，遗传算法可以逐渐寻找到优化目标的最佳解。
遗传算法具有以下特点：首先，遗传算法适用于多目标优化问题，例如同时考虑产品性能和成本的设计问题。其次，遗传算法具有全局搜索能力，不容易陷入局部最优解。再次，遗传算法的自适应性能较好，可以根据问题的复杂度和实际需求进行调节。最后，遗传算法的并行性较强，可以利用计算机并行计算的优势加速求解过程。
二、遗传算法在机械工程中的应用
1. 产品结构优化设计 在机械工程中，产品结构的优化设计是一项重要任务。通过遗传算法，我们可以将产品结构的各个参数进行编码，并通过不断的进化，找到最优的设计方案。例如，在飞机设计中，通过遗传算法可以优化机翼的形状和结构，提高飞行性能和燃油效率。
2. 工艺参数优化
机械工程中的工艺参数优化也是一个复杂且具有挑战性的问题。例如，在喷涂工艺设计中，优化涂层材料的组成和喷涂参数可以提高涂层的附着力和耐磨性。通过遗传算法，可以找到最佳的工艺参数组合，从而提高工艺的效率和质量。
3. 机构设计优化
机构设计是机械工程中的一个重要环节。通过优化机构的参数和结构，可以提高机构的运动精度和效率。遗传算法在机构设计中的应用主要体现在寻找最佳的参数组合和结构布局上。例如，在机器人运动学设计中，通过遗传算法可以优化关节的角度和尺寸，实现机器人的高精度运动。
基于遗传算法的汽车永磁发电机多目标优化设计
系统解决方案 。 “— 孽 。≯
基于遗传算法的汽车永磁发电机
多目标优化设计
王瑾 （深圳职业枝术学院工业中心，广东深圳５１８０５５）
摘要：提出了一种基于遗传算法的汽车永磁发电机多目标优化设计。该设计通过改进的遗传算法进行多目标优化。 改进的遗传算法采用二进制编码，规范化几何秩选择，混合交叉及均匀变异。优化结果表明，在单目标函数和多目标函数 情形下均搜索到全局最优解，遗传算法为多目标优化提供了有效的途径。同时经过反复计算后，获得一些具有实用价值的 经验数据，对永碰电机的设计起到一定指导作用。 关键词：汽车永磁发电机；多目标优化；遗传算法；全局最优 中图分类号：ＴＭ３０２文献标识码：Ａ
Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ Ｏｐｔｉｍａｌ Ｄｅｓｉｇｎ ｏｆ Ａｕｔｏｍｏｂｉｌｅ Ｐｅｒｍａｎｅｎｔ Ｍａｇｎｅｔ Ｇｅｎｅｒａｔｏｒ Ｂａｓｅｄ
ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ＷＡＮＧ Ｊｉｎ （Ｉｎｄｕｓｔｒｉａｌ Ｃｅｎｔｅｒ，Ｓｈｅｎｚｈｅｎ Ｐｏｌｙｔｅｃｈｎｉｃ，Ｓｈｅｎｚｈｅｎ ５１８０５５，Ｃｌ￣ａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍａｌｄｅｓｉｇｎｏｆａｕｔｏｍｏｂｉｌｅｐｅｒｍａｎｅｎｔｍａｇｎｅｔｇｅｎｅｒａｔｏｒｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｄｅｓｊ曩ｎｓｏｌｖｅｓａｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍａｌｐｒｏｂｌｅｍｕｓｉｎｇｉｍｐｍｖｅｄＧＡ—ＴｈｅｉｍｐｒｏｖｅｄＧＡｕｓｅｓｂｉｎａｒｙ ｓｔｒｉｎｇｓｅｎｃｏｄｅｄ，ｎｏｒｍａｌｉｚｅｄｇｅｏｍｅｔｒｉｃｒａｎｋｉｎｇ ｓｅｌｅｃｔｉｏｎ，ｈｙｂｒｉｄｃｒｏｓｓｏｖｅｒａｎｄｕｎｉｆｏｒｍｍｕｔａｔｉｏｎ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｔｈａｔｔｈｅｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ ｃａｎｂｅ ｓｅａｒｃｈｅｄｗｉｔｈｔｈｅｍｕｌｔｉｏｂｊｅｃｔｉｖｅ．．ＴｈｅＧＡ ｐｒｏｖｉｄｅｓａｌｌｅｆｆｅｃｔｉｖｅｔｏｏｌｆｏｒｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍａｌｄｅｓｉｇｎ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｓｏｍｅｅｘｐｅｒｉｅｎｃｅｄａｔａｉｓｏｂｔａｉｎｅｄｔｈｒｏｕｇｈｃａｌｃｕｌａｔｉｏｎ．Ｉｔｇｉｖｅｓｄｉｒｅｃｔｉｏｎｓ ｔｏｔｈｅｄｅｓｉｇｎｏｆａｕｔｏｍｏｂｉｌｅｐｅｒｍａｎｅｎｔｍａｇｎｅｔｇｅｎｅｒａｔｏｒ． Ｋｅｙｗｏｒｄｓ：ａｕｔｏｍｏｂｉｌｅｐｅｒｍａｎｅｎｔｍａｇｎｅｔｇｅｎｅｒａｔｏｒ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ｇｌｏｂａｌ ｍａｌ ｓｏｌｕｔｉｏｎ；ｍｔｄｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍａｌｄｅｓｉｇｎ