《Algorithms》:Spatial Constraint-Based Image Relationship Optimization for Large-Scale UAV SfM Reconstruction Using SC-DFS
编辑推荐:
专业术语翻译(摘要部分)
差分进化(Differential Evolution,DE)、教与学优化(Teaching–Learning-Based Optimization,TLBO)、灰狼优化(Grey Wolf Optimizer,GWO)以及阿里巴巴与
专业术语翻译(摘要部分)
差分进化(Differential Evolution,DE)、教与学优化(Teaching–Learning-Based Optimization,TLBO)、灰狼优化(Grey Wolf Optimizer,GWO)以及阿里巴巴与四十大盗算法(Ali Baba and the Forty Thieves Algorithm,AFTA)被用于理想七电平单相级联H桥(Cascaded H-Bridge,CHB)逆变器中开关角的计算比较。每种方法均使用30组配对种子(paired seeds)、1000个候选解以及201,000次目标函数评估(objective-function evaluations)。共同目标函数将截至第49次谐波的电压总谐波失真(Total Harmonic Distortion,THD49)与相对于250 V峰值的基波电压绝对误差相结合。DE和AFTA达到THD49 = 11.6691079%,并在全部30次运行中满足经验目标;TLBO在2次运行中成功,GWO则无一成功。DE达到目标所需评估次数的中位数为29,361次,而AFTA为53,822.5次。AFTA在完整预算下的平均运行时间最低,为1.2354 s,DE则为2.0742 s。经多重性校正的配对检验在最终目标函数值上将DE/AFTA与TLBO/GWO区分开来,但在所声明的数值分辨率下无法区分DE与AFTA。最佳THD值之间的最大差异仅为0.0004657个百分点。研究结果在单一分析运行条件下区分了数值精度、搜索代价与运行时间;但并未确立全局最优性,也未证明具有实际意义的电气优势。
论文解读
一、研究背景与意义
多电平逆变器能够利用多个直流电源合成阶梯电压,并通过合理选择开关时刻使输出波形逼近正弦信号。在众多拓扑结构中,级联H桥(CHB)逆变器因其模块化结构而受到广泛关注,通过串联多个单元可获得多级电压输出。对称七电平单相CHB逆变器中,第一象限内的三个开关角共同决定基波分量和奇次谐波分量,因此开关角的选择可被建模为受顺序和区间约束的非线性优化问题。然而,谐波失真的最小化不能孤立考虑:一组开关角在降低总谐波失真(THD)的同时可能改变基波幅值。此前基于差分进化(DE)的研究通过对调制指数进行扫描,发现不同角度组合产生不同THD值,凸显了在比较算法前必须明确电压参考与评估条件的重要性。
现有文献中,DE、教与学优化(TLBO)、灰狼优化(GWO)和阿里巴巴与四十大盗算法(AFTA)等群体元启发算法已被应用于多电平逆变器的谐波优化问题,但各算法的内部结构不同,迭代次数并不必然代表相同的搜索代价。特别是TLBO在教师阶段和学生阶段均生成候选解,其每次迭代消耗的评估次数与其他算法不同。因此,本研究提出在统一的目标函数评估预算下、以多种随机种子重复实验的方式对四种算法进行受控数值比较,以回答以下核心问题:产生几乎相同最优电压频谱的方法是否也需要相似的搜索代价和计算时间?该研究并非提出新拓扑或新优化器,而是提供一种受控的数值比较框架,其独特贡献在于配对运行级推断、达到经验目标的评估次数与运行时间分布,以及在共同评估预算下的独立计时。
二、研究设计与主要技术方法
研究人员采用理想傅里叶模型,构建七电平单相CHB逆变器的数学模型,三个直流源电压均固定为83.33 V,决策变量仅为三个开关角α1、α2、α3。目标函数为加权和形式:J(α) = THD49(α) + 10|250 ? V1(α)|,其中THD49为截至第49次谐波的电压总谐波失真(%),V1为基波峰值电压(V),权重系数λV = 10单位目标函数每伏特。该函数并非帕累托多目标优化,而是失真与电压绝对误差的加权求和。
实验采用30个独立种子(1至30),每种算法执行30次独立运行,每次运行包含201,000次目标函数评估(1,000次初始种群评估加200,000次搜索评估),对应DE、GWO、AFTA各200个批次,TLBO则对应100个完整教师-学习者循环(每循环两个阶段各1,000次评估)。所有算法共享相同的角度修复程序(reparar_angulos_71)、目标函数(objetivo_chb)和可行性优先的比较规则。每种方法-种子配对执行两次计时:一次记录每次最优可行目标改进的精确评估次数、角度向量、THD、基波电压和经过时间;另一次在相同种子下不记录详细事件日志,提供完整预算运行时间。实验环境为MATLAB R2024b,AMD Ryzen 7 7445HS处理器,串行执行,无并行或GPU加速。
统计推断以种子为区组、方法为处理因素,对最终J、THD、绝对电压误差和完整预算运行时间分别应用Friedman检验(含结校正和渐近卡方参考),并计算Kendall's W。配对比较采用双侧符号秩检验(signed-rank test),同时报告精确符号检验作为敏感性分析,所有24个配对比较(6个方法对×4个指标)采用Holm校正。分析前将J、THD和电压误差量化至10?9,运行时间量化至10?6 s,以防止浮点差异被解释为实质性排序差异。
三、研究结果
3.1 最终质量与计算行为
共记录120次执行,每种元启发算法30次。DE和AFTA在显示精度下达到J = THD49 = 11.6691079213%,V1 = 250 V,角度约为[10.157139°, 31.056272°, 58.982498°]。TLBO和GWO的最小J值分别为11.6698774657和11.6701368957,其平均THD分别超出最佳参考值约0.00197和0.00278个百分点。完整预算平均运行时间(不含详细改进日志)为:DE 2.0742 ± 0.0461 s,TLBO 1.4068 ± 0.0551 s,GWO 1.4451 ± 0.0704 s,AFTA 1.2354 ± 0.0526 s。AFTA平均运行时间比DE低40.44%。折算至每次评估的摊销总成本分别为10.3194、6.9990、7.1896和6.1463 μs。
3.2 最优解的傅里叶频谱
对每种算法J值最小的运行,利用傅里叶级数计算各奇次谐波幅值并归一化至基波。四种最优解中,第15次谐波均占主导地位,其次为第17、9和11次谐波。DE与AFTA的频谱在显示精度下完全一致,TLBO和GWO产生微小差异并重新分配谐波含量。DE最优解角度为[10.157139264°, 31.056272134°, 58.982497976°],V1 = 250.000000000 V,THD49 = 11.669107921%,最大谐波分量为15次(6.0083%)和17次(4.3686%)。AFTA最优解与DE在显示精度下匹配,但其搜索代价和运行时间不同。
3.3 解析波形重构
利用各方法全精度最优J角度重构一个电周期内的理想输出电压。四种阶梯电压在图形尺度下几乎不可区分,与相近的谐波频谱一致。该图为同一解析模型的一致性展示,而非独立电路仿真。
3.4 逐运行目标达成
经验目标(J ≤ Jref + 0.001且|250 ? V1| ≤ 0.1 V,其中Jref = 11.6691079213354为数据集中最小最终J)的达成情况为:DE 30/30次、AFTA 30/30次、TLBO 2/30次、GWO 0/30次。DE达到目标所需评估次数的中位数为29,361次,AFTA为53,822.5次;中位仪器化时间分别为0.3079 s和0.3477 s。两次成功的TLBO运行分别需要159,528和177,234次评估。按独立重启解释的估计运行时间(ERT)为:DE 29,283次、AFTA 51,958.9次、TLBO 2,982,381次;GWO因无成功运行而无法获得有限估计。
3.5 统计比较与效应量
经结校正的Friedman统计量在四个指标上均拒绝种子内排名相同的原假设,Kendall's W介于0.8889至0.9613之间。对最终J,DE和AFTA均显著低于TLBO和GWO(Holm校正后符号秩p = 4.47 × 10?8,|r| = 1);DE与AFTA在10?9分析分辨率下完全并列(p = 1,r = 0);TLBO与GWO在校正后无显著差异(p = 0.9113)。THD和绝对电压误差呈现相同的拒绝模式,符号检验敏感性分析结果一致。所有完整预算运行时间配对在校正后均可区分,AFTA平均运行时间最低,TLBO与GWO的中位配对差为?0.03125 s(校正后p = 3.60 × 10?5,r = ?0.8624)。
四、讨论与结论
讨论部分指出,四种最优解的谐波分布中第15次谐波均占主导,DE与AFTA在显示精度下频谱一致,TLBO和GWO产生微小变化。最优解THD范围从DE/AFTA的11.6691079213%到GWO的11.6695736079%,仅相差0.0004656866个百分点,对应250 V峰值基波下截断谐波RMS幅值约0.0008232 V的差异,量化了数值差异的电气尺度之小。统计分离最强的是DE/AFTA与TLBO/GWO之间的最终指标差异,但其工程意义仍然很小——所有最终基波电压误差均低于0.1 V,最大观测误差仅0.0006238 V。AFTA最小化完整预算运行时间,而DE具有更小的达到经验目标的中位评估次数和仪器化时间,选择取决于相关成本是完成完整预算还是达到指定数值精度。严格成功率为DE和AFTA 100%、TLBO 6.7%、GWO 0%,该指标取决于阈值Jref + 0.001,不等同于物理逆变器的电气验收测试。研究局限性包括:DE与AFTA的吻合证明实验内最佳点的重复出现,但不证明其为函数全局最小值;30种子重复仅在Np = 1000和指定算子设置下刻画随机变异性,不建立对种群规模或超参数的鲁棒性;THD仅描述电压且截断至第49次谐波,不描述RL负载中的电流THD或开关源行为;死区时间、半导体压降和电源不平衡均未纳入;运行时间比较仅适用于所提供的MATLAB代码和机器。
结论部分翻译如下:四种群体元启发算法实现被评估用于理想七电平单相CHB逆变器的开关角优化。协议在方法间配对30个种子,每次运行使用201,000次评估,并将截至第49阶的电压THD与相对于250 V峰值的绝对基波电压误差相结合。运行级改进事件和独立计时通过区分最终解质量、目标达成代价和完整预算计算成本。DE和AFTA达到相同显示精度下的最优THD49 = 11.6691079%,角度接近[10.157139°, 31.056272°, 58.982498°],并在全部30次运行中达到经验目标。其达到目标的中位评估次数分别为29,361和53,822.5。AFTA具有最低的平均完整预算运行时间(1.2354 s),DE为2.0742 s;DE具有更短的中位仪器化达标时间(0.3079对0.3477 s)。这些指标回答不同的计算问题,不确立全局最优性。经24个配对比较校正后,DE和AFTA在最终J、THD和绝对电压误差上与TLBO和GWO不同,但DE与AFTA在所声明的统计分辨率下不可区分。TLBO与GWO在这些最终电气/目标指标上未被分离,其目标达成率分别为2/30和0/30。四种方法均保持在基波电压容差内,统计分离因此不意味着实际重要的电气改进。频谱分析表明最优解在电气上相似,第15次谐波在所有情况下均占主导。NR仍作为确定性参考,其定量评估需要定义初始条件、考虑失败并计入线性系统和雅可比矩阵的代价。研究结果以解析模型、250 V参考、Np = 1000和指定算法设置为条件,支持在固定配置下对所提供实现的比较,而非种群无关或最优调参的算法排名。种群规模、超参数和运行条件敏感性仍是未经检验的局限。当前结论涉及解析仿真和优化器行为,不构成样机性能的声明。