weixin_57125065的博客

原创 智能优化算法——SA

其中分子的运动大小跟温度值T有关，温度值T也会随着时间的流逝慢慢下降。在函数中就相当于函数的自变量会随机移动，移动的大小跟温度值T有关。其主要是模拟的退火的状态，参数中有温度T，温度高那么分子的运动就大，温度低分子的运动就小，最终趋于稳定。在上文中，我们认为如果得到更优的值那么必定接受，对于更差的值一定概率接受。例如我们要取函数的最大值，如果函数的自变量移动时发现函数值反而减小了，如何处理呢？的值为0时，概率刚好为1。①自变量的随机移动实现函数值的增加，那么我们接受这种移动。可以公式(1)中看出，如果。

原创 无感FOC——高频旋转脉振注入(SIMULINK)

R2018b。

原创 无感FOC——高频方波注入检测转子初始位置SIMULINK

R2018b。

原创 无感FOC高频方波注入——SIMULINK

2018b。

原创 智能优化算法——ACO

其主要概念就是蚂蚁在选择的过程中会依据TSP中本次地点到下一个地点的距离来进行释放信息素，其中一个蚂蚁的信息素的总量一样的，但是其释放会根据路程的长短进行变化（路程越短释放越多，路程越长释放越少）。信息素会随着时间的变换进行消退，因此对于越短的路程，由于其信息素浓度越高，蚂蚁都会选择这条路劲，那么会呈现一个正反馈；反之，越长的路径由于信息素的浓度越来越低，不会有蚂蚁进行选择，从而达到了最终的收敛。除信息素之外，还有一个启发信息的概念，其与路径的长度成反比（路径越小，启发信息越大）。——为信息素的控制参数；

原创 智能优化算法——GA

现附上matlab代码，一维空间。最重要的是迭代之后的择优过程，如果每个基因在选择、交叉、变异之后的适应度大于变化之前的基因，那么进行保留。由于不可避免的会陷入局部最优，因此在调参过程中可以调整变异的概率或者每次变异的基因的个数让粒子跳出局部最优。在这里选择通过轮盘赌来实现，将所有的适应度进行除以适应度的总和，那么得到每个适应度对应在[0,1]区间内，通过随机数的产生，来随机选择基因。由于适应度大的基因除以适应度的总和的数较大，那么其被选择的概率也就越高。

原创 智能优化算法——PSO

（个体学习速率）为粒子个体对于该个体历史最优位置的学习速率，就是假定认为相对适应度高的位置附近搜索到更优的值几率更高。（群体学习速率）为粒子个体对于该群体历史最优位置的学习速率，认为群体中最优适应度处位置能够搜索到更优位置几率更高，因此设定该学习速率让个体粒子能够往群体最优解当中靠近，有一个朝向作用。所谓PSO算法其实就是定义一个搜索空间，将粒子群随机分布在定义搜索空间内，通过计算个体在搜寻过程中的最佳适应度与位置和群体中的最优适应度和位置。为该粒子群体的历史最优适应度处的粒子位置。为该粒子t时刻的位置。

原创 kalman filter推导

对于kalman 滤波五大公式进行了推导

原创 PMSM数学模型推导

详细推导了PMSM的数学模型

原创 李雅普诺夫稳定性判据第二法（直接法）

原创 滑膜观测器SMO

原创 FOC+SVPWM总结

包括FOC中Park,Clark,SVPWM等，给出了相应的simulink仿真模型