基于粒子群算法的LCLC谐振变换器优化设计

LCLC谐振变换器广泛应用在空间行波管放大器(TWTA)中,起到升压的作用。在LCLC谐振变换器中,具有多个谐振参数,即变压器漏感、串联谐振电容、励磁电感以及并联谐振电容。多个谐振参数增加了LCLC谐振变换器总损耗优化的难度。该文提出一种基于粒子群优化算法的LCLC谐振变换器优化设计方法,解决LCLC谐振变换器由于多个谐振参数造成的总损耗优化困难的问题。首先,推导了LCLC谐振变换器的总损耗公式;其次,采用粒子群优化算法,对LCLC谐振变换器的总损耗进行了优化,得到了总损耗最小时的谐振变换器参数;最后,基于优化的LCLC谐振变换器参数,搭建了LCLC谐振变换器,并进行了一系列实验。实验结果证明了该优化设计方法的有效性。     

LLC变换器PSPICE仿真的收敛性及参数优化

针对LLC变换器使用PSPICE仿真器进行DC分析和瞬态分析时经常遇到不收敛的问题进行实验,列出了5种有效改进方法。比较了LLC谐振变换器3个参数优化设计的各种方案,提出并验证了运用PSPICE进行多参数优化设计的方法。实验表明,合理运用PSPICE,在谐振开关电源设计中常常会取得比其他方法(软件)更令人满意的效果。     

半桥型LLC变换器稳态建模与参数设计

本文介绍了LLC型谐振变换器的主电路结构和工作原理。通过基波分析法对半桥型LLC谐振变换器进行稳态建模分析,得出了谐振腔的等效电路和直流增益表达式。基于稳态模型的基础上,给出了半桥型LLC谐振电容、谐振电感和励磁电感的设计方法。最后通过saber仿真验证了半桥型LLC谐振变换器稳态模型与参数设计方法的正确性。     

一类零电流谐振开关电容变换器的特性分析

具有零电流开关特性的谐振开关电容变换器是开关电容变换器的一种新拓扑形式.本文着重分析电路寄生参数和变换器运行条件对该类谐振开关电容变换器稳态特性的影响,推出变换器输出电压和效率的数学表达式,为研究负载或输入电压变化时变换器的输出性能提供了分析和设计依据.基于输出电压表达式,还提出谐振开关电容变换器的频率控制方案.全文以一个降压式谐振开关电容变换器为例详细说明公式的推导过程,并将此稳态特性分析推广到其它类型的谐振开关电容变换器.最后,文中设计了一台12V/5V/2.5A降压式谐振开关电容变换器样机,实验结果验证了本文的理论分析结果.     

微带天线谐振频率的小波粒子群小波神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败。本文基于改进的小波变异粒子群优化算法该算法的小波神经网络对矩形微带天线的谐振频率进行建模,可以有效地提高神经网络的建模精度。仿真试验表明,改进的小波变异粒子群优化算法是一种有效的方法,可以有效提高小波神经网络的泛化能力,基于该算法所建立的微带天线的谐振频率模型好于此问题的已有结论。     

基于改进粒子群优化算法的分布式电源规划

针对目前配电网中存在的分布式电源规划问题,在最大化电压静态稳定性、最小化配电网损耗以及最小化全年综合费用三个方面建立了分布式电源规划的优化模型。在规划模型的基础上,采用拥挤距离排序的多目标量子粒子群优化算法(MOQPSO-CD)以及基于量子行为特性的粒子群优化算法(QPSO),来更新和维护外部存储器中的最优解,通过对全局最优最小粒子的选择引导粒子群能够对分布式电源的配置容量与接入点位置的真实Pareto最优解集进行查找,获得对多个目标参数进行合理优化。最后采用IEEE33节点的配电系统,在模拟仿真实验过程中获得了分布式电源容量配置以及介入位置的合理方案,验证了优化算法的可行性。     

基于神经网络集成的微带天线谐振频率建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.提出基于十进制粒子群优化(DePSO)算法和二进制粒子群优化(BiPSO)算法的选择性神经网络集成方法,通过粒子群优化(PSO)算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响.为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异策略.仿真试验表明:混沌PSO算法可以有效提高神经网络集成的泛化能力,基于混沌PSO算法的选择性神经网络集成所建立的微带天线的谐振频率模型好于此问题的已有结论.     

一种快速收敛的非参数粒子群优化算法及其收敛性分析

如何调整粒子群算法的参数引起了大量研究人员的关注.本文提出了一种快速收敛的非参数粒子群优化算法.为了平衡全局搜索和局部搜索,本文算法融合了基于exemplar的学习策略和多交叉操作.根据进一步的稳定性分析,粒子群收敛于搜索空间中的一个固定位置,同时粒子群的位置方差收敛于零点.本文收集了常用的24个准则函数,与7个类似的粒子群算法进行了比较.实验结果表明,本文搜索算法在大部分准则函数上的搜索性能均优于同类算法.同时本文算法在收敛速度上要远优于同类算法.     

基于并行粒子群优化的三维点云配准算法

针对基于群智能优化的点云配准算法计算时间长的问题,提出一种基于CUDA的并行粒子群配准算法.以点对点距离最短为适应度函数,利用粒子群算法各粒子天然的并行性,将运算过程分配到GPU的各个线程中计算变换参数.由于GPU多个线程运算同时执行互不干扰,极大地提高了粒子群的运算速度,从而可以实现点云的快速、精确配准.实验结果表明,该算法既克服了ICP算法对点云初始位置要求高的缺点,又有效解决了基于群智能优化的点云配准算法计算时间长的问题.     

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。