差分控制演算法

『壹』 什麼是差分演算法

在數值計算中，常用差分近似微分。
例如：
向前差分：f'(n)=f(n+1)-f(n)
向後差分：f'(n)=f(n)-f(n-1)

『貳』 什麼是有限差分演算法

有限差分法(FDM)的起源,討論其在靜電場求解中的應用.以鋁電解槽物理模型為例,採用FDM對其場域進行離散,使用MATLAB和C求解了各節點的電位.由此,繪制了整個場域的等位線和電場強度矢量分布.同時,討論了加速收斂因子對超鬆弛迭代演算法迭代速度的影響,以及具有正弦邊界條件下的電場分布.
有限差分法
有限差分方法(FDM)是計算機數值模擬最早採用的方法，至今仍被廣泛運用。
該方法將求解域劃分為差分網格，用有限個網格節點代替連續的求解域。有限差分法以Taylor級數展開等方法，把控制方程中的導數用網格節點上的函數值的差商代替進行離散，從而建立以網格節點上的值為未知數的代數方程組。該方法是一種直接將微分問題變為代數問題的近似數值解法，數學概念直觀，表達簡單，是發展較早且比較成熟的數值方法。
分類
對於有限差分格式，從格式的精度來劃分，有一階格式、二階格式和高階格式。從差分的空間形式來考慮，可分為中心格式和逆風格式。考慮時間因子的影響，差分格式還可以分為顯格式、隱格式、顯隱交替格式等。目前常見的差分格式，主要是上述幾種形式的組合，不同的組合構成不同的差分格式。差分方法主要適用於有結構網格，網格的步長一般根據實際地形的情況和柯朗穩定條件來決定。
構造差分的方法
構造差分的方法有多種形式，目前主要採用的是泰勒級數展開方法。其基本的差分表達式主要有三種形式：一階向前差分、一階向後差分、一階中心差分和二階中心差分等，其中前兩種格式為一階計算精度，後兩種格式為二階計算精度。通過對時間和空間這幾種不同差分格式的組合，可以組合成不同的差分計算格式
時域有限差分法在GIS局部放電檢測中的應用
1 前言
GIS由於其佔地面積小以及高度的可靠性被廣泛應用，但也有因為固定微粒、自由微粒以及絕緣子內部缺陷而發生的絕緣故障。一般發生絕緣故障都伴隨有局部放電發生，因而局部放電檢測是診斷電力設備絕緣狀況的有效方法之一。超高頻局部放電檢測方法因為具有強的抗干擾能力和故障點定位能力而受到製造廠家和研究部門的普遍關注，並且已有部分產品應用於現場。超高頻局部放電檢測方法一般直接檢測出局部放電脈沖的時域信號或者頻譜信號，因為不同的研究者所研製的檢測用感測器的帶寬和檢測系統(內部感測器法和外部感測器法)不同，以及感測器和局部放電源的相對位置對檢測結果的影響，檢測所得結果存在較大差異，缺乏可比性，因此有必要對局部放電信號的傳播規律進行研究。
時域有限差分(Finite-Difference Time-Domain)法最早是由KaneS.Yee在1966年提出的，是一種很有效的電磁場的數值計算方法，不需要用到位函數，是一種在時間域中求解的數值計算方法。這種方法被應用於天線技術、微波器件、RCS計算等方面。
本文藉助時域有限差分法對252KV GIS內部局部放電所激發的電磁波傳播進行模擬，並用外部感測器超高頻局部放電檢測方法在實驗室對252kV GIS固定高壓導體上的固定微粒局部放電信號進行實測，模擬結果和實驗結果基本一致，為超高頻局部放電檢測結果提供了有效的理論依據。
2 時域有限差分法
時域有限差分法是一種在時域中求解的數值計算方法，求解電磁場問題的FDTD方法是基於在時間和空間域中對Maxwell旋度方程的有限差分離散化一以具有兩階精度的中心有限差分格式來近似地代替原來微分形式的方程。FDTD方法模擬空間電磁性質的參數是按空間網格給出的，只需給定相應空間點的媒質參數，就可模擬復雜的電磁結構。時域有限差分法是在適當的邊界和初始條件下解有限差分方程，使電磁波的時域特性直接反映出來，直接給出非常豐富的電磁場問題的時域信息，用清晰的圖像描述復雜的物理過程。網格剖分是FDTD方法的關鍵問題，Yee提出採用在空間和時間都差半個步長的網格結構，通過類似蛙步跳躍式的步驟用前一時刻的磁、電場值得到當前時刻的電、磁場值，並在每一時刻上將此過程算遍整個空間，於是可得到整個空間域中隨時間變化的電、磁場值的解。這些隨時間變化的電、磁場值是再用Fourier變換後變到相應頻域中的解。
在各向同性媒質中，Maxwell方程中的兩個旋度方程具有以下形式(式(1)~(2))。

式中，ε為媒質的介電常數；μ為媒質的磁導率；σ為媒質的電導率；σ*為媒質的等效磁阻率，它們都是空間和時間變數的函數。
在直角坐標系中，矢量式(1)～(2)可以展開成以下六個標量式。

為了用差分離散的代數式恰當地描述電磁場在空間的傳播特性，Yee提出了Yee Cell結構，在這種結構中，每一磁場分量總有四個電場分量環繞，同樣每一電場分量總有四個磁場分量環繞，Yee對和分量在網格單位上的分布情況如圖1所示。為達到精度，Yee計算和時在時間上錯開半個步長，用中心差商展開偏微分方程組，得到x軸方向電場和磁場FDTD迭代公式(式(9)~(10))，Y軸和z軸迭代公式與x軸迭代公式成對稱形式(略)。

FDTD方法是Maxwell方程的一種近似求解方法，為了保證計算結果的可靠性，必須考慮差分離散所引起的演算法穩定性和數值色散問題，時間步長和空間步長應滿足(11)~(12)條件。

其中，δ=min(△x，△y，△z)；υmax為電磁波在媒質中傳播的最大相速；λmin為電磁波在媒質中的最小波長值。
式中△x，△y和△z分別是在x，y和z坐標方向的空間步長，△t是時間步長，ij和k和n是整數。
3 GIS局部放電電磁模擬和超高頻檢測
SF6氣體絕緣的GIS中局部放電的脈沖持續時間極短，其波頭時間僅幾個ns。為了簡化分析，將局部放電電流看成對稱脈沖，一般用如下的Gaussian形狀的脈沖模型來表示，根據式13和文獻6本文模擬用局部放電源高斯脈沖的峰值電流取30mA，脈沖寬度取5ns，波形如圖2所示。

GIS局部放電信號頻帶較寬，用於接收信號的感測器(天線)應該滿足檢測要求，本文採用超寬頻(300MHz~3000MHz)自補結構的雙臂平面等角螺旋天線，天線結構如圖3所示。

該天線在一定頻率范圍內可以近似認為具有非頻變天線的特性，因為GIS局放信號的頻率是在一個范圍內變化，對於不同頻率的GIS局放信號，該天線的阻抗不隨頻率變化，可方便實現天線和傳輸線的阻抗匹配，避免波形畸變。用HP8753D網路分析儀對天線的駐波比進行測試，結果在300MHz~3000MHz的頻率范圍內駐波比小於2.0，根據電磁理論當駐波比小於2.0時可以不考慮駐波的影響，表明該平面等角螺旋天線在設計頻率具有良好的頻響特性，所測結果可靠。
超高頻法把GIS看作同軸波導(如圖4所示)，局部放電產生的短脈沖沿軸向傳播，感測器作為接收天線，接收局部放電所激發的電磁波。

本文針對252KV GIS內高壓導體上φ0.05×lcm固定突起發生局部放電進行模擬，GIS內部高壓導體外直徑為10.2cm，外殼內直徑為29.4cm，長度為4米。採用1×l×lcm網格進行剖分，邊界用完全匹配層(PML)材料吸收邊界，其中絕緣子相對介電常數取3.9。採用IMST Empire電磁模擬軟體分別對圖4的GIS發生局部放電時內部點1和外部點2處的信號進行模擬，模擬結果如圖5所示。
圖5(a)和(b)的模擬結果表明在GIS內部發生局部放電時，局部放電脈沖可以激發上升沿很陡的信號，由於其內部為不連續波導結構，電磁波在其內部將引起反射和復雜諧振，頻率成分可高達GHz。另外，比較內部點1和外部點2處的模擬結果，內部點1處的信號幅值是外部點2處的兩倍，表明信號可以從絕緣縫隙泄漏，但由於絕緣子和縫隙的影響幅值將明顯發生衰減，並且信號在絕緣縫隙處發生的折射和散射，外部信號比內部信號復雜。圖5(c)表明局部放電頻帶比較寬，可高達GHz，信號成分較為豐富。

採用外部感測器超高頻局部放電檢測系統對252KV GIS內高壓導體φ0.05×1cm固定突起局部放電進行實測。由於局部放電信號比較微弱，加之高頻信號傳播過程中衰減較大，在測試系統中採用增益不低於20dB的寬頻放大器。在實驗過程中對空氣中的局部放電高頻信號進行衰減特性研究發現該檢測系統有效檢測范圍為17米。在外部點2處(距離GIS外殼絕緣縫隙10cm)的檢測結果如圖6所示。比較圖5(b)和圖6表明，模擬結果和實測結果基本一致，這個結論為超高頻局部放電檢測結果提供了理論支持。

超高頻局部放電檢測方法已經表明是非常有效的局部放電檢測方法，本文借用時域有限差分法從信號的時域特徵出發來驗證局部放電檢測結果，但由於不同電壓等級的GIS結構存在差異，以及故障微粒的狀態不同，對檢測結果都有影響，並且目前還沒有找出超高頻方法和傳統檢測方法之間的內在關系，有待進一步深入研究。
4 結論
時域有限差分法對GIS局部放電脈沖所激發的電磁波模擬結果表明，局部放電信號上升沿較陡，頻率可達GHz；由於絕緣子以及絕緣縫隙的影響，使得同軸波導結構不連續，將產生很復雜的電磁波。
a.由於絕緣子以及絕緣縫隙的影響，使信號幅值發生明顯衰減，外部信號的幅值是內部信號幅值的一半。
b.實驗結果和模擬結果基本一致，進一步從理論上論證了超高頻局部放電檢測方法的有效性。

『叄』 優化演算法筆記（七）差分進化演算法

（以下描述，均不是學術用語，僅供大家快樂的閱讀）
差分進化演算法（Differential Evolution Algorithm，DE）是一種基於群體的進化演算法，它模擬了群體中的個體的合作與競爭的過程。演算法原理簡單，控制參數少，只有交叉概率和縮放比例因子，魯棒性強，易於實現。
差分進化演算法中，每一個個體的基因表示待求問題的一個候選解。每次迭代將先進行變異操作，選擇一個或多個個體的基因作為基，然後選擇不同的個體的差分來構成差分基因，最後將作為基的基因與差分基因相加來得出新的個體。交叉操作將新的個體將於父代的對應個體交叉，然後進行選擇操作，比較交叉後的個體與父代的對應個體，選擇較優的個體保留至下一代。在迭代完成之後將選擇種群中最優個體的基因作為解。
差分進化演算法可以算是我所使用過的優化演算法中大魔王級別的演算法，雖然它每個方面都沒有強到離譜，但是綜合起來的效果好於大多數演算法。它就像一個每個科目都能考到90分（百分制）的學生，雖然沒門課都不是最優秀的，但是論綜合，論總分，它有極大的概率是第一名。

在我研究優化演算法的小路上，我的目標就是找到一個能打敗大魔王或是能在大多數方面壓制魔王的演算法。

這次的主角就選魔王軍吧（或者蟻王軍，為了與蟻群演算法區別還是叫魔王軍吧），個體則稱之為魔王兵。
魔王兵的能力取決於它們的基因，它們可以根據環境或者需要改變自己的基因使得自己更加強大，更方便的處理問題，問題的維度與基因維度相同。

表示第i個魔王兵在進化了第t次後的基因，該個體有D位基因。
與遺傳演算法同為進化演算法的差分進化演算法，它們的操作（運算元）也都非常相似的，都是交叉，變異和選擇，流程也幾乎一樣（遺傳演算法先交叉後變異，差分進化演算法先變異後交叉）。

說到差分進化演算法中的變異，我就想到一句論語 「三人行，必有我師焉。擇其善者而從之，其不善者而改之。」 ，其實這句論語已經向我們說明了差分進化演算法的整個流程：
「三人行，必有我師焉」——變異，交叉。
「擇其善者而從之，其不善者而改之」——選擇。
差分進化演算法中，當一個魔王兵變異時，它會先找來3個小夥伴，當然是隨機找來3個小夥伴，避免同化。在一個小夥伴的基因上加上另外兩個小夥伴基因之差作為自己的目標基因。其變異公式如下：

表示第i個魔王兵找到了編號為r1、r2和r3的三個魔王兵，當然了i、r1、r2、r3為互不相同的整數，F為縮放比例因子，通常 ，一般取F=0.5。 為第i個魔王兵交叉後的目標基因圖紙，不過這是個半成品，再經過交叉後，目標基因圖紙才算完成。
其實現在我們已經有了5個基因圖紙了 ，接下來將進行交叉操作。由於變異操作，差分進化演算法的種群中個體數至少為4，即魔王軍中至少有4個小兵。

交叉操作中，魔王兵i會將目標基因圖紙 進行加工得到 ，加工過程如下：

其中 。 為交叉概率，其值越大，發生交叉的概率越大，一般取 。 為{1,2,…,D}中的隨機整數，其作用是保證交叉操作中至少有一維基因來自變異操作產生的基因，不能讓交叉操作的努力白費。
從公式上可以看出交叉操作實際上是從變異操作得出的基因圖紙上選擇至少一位基因來替換自己的等位基因，得到最終的基因圖紙。

選擇操作相對簡單，魔王兵i拿到了最終的基因圖紙 ，大喊一聲，進化吧，魔王兵i的基因改變了。它拿出了能力測量器fitness function,如果發現自己變強了，那麼就將基因 保留到下一代，否則它選擇放棄進化，讓自己還原成 。

實驗又來啦，還是那個實驗 ，簡單、易算、好畫圖。
實驗1 ：參數如下

圖中可以看出在第20代時，群體已經非常集中了，在來看看最終得出的結果。

這結果真是好到令人發指，惡魔在心中低語「把其他的優化演算法都丟掉吧」。不過別往心裡去，任何演算法都有優缺點，天下沒有免費的午餐，要想獲得某種能力必須付出至少相應的代價。
實驗2：
將交叉率CR設為0,即每次交叉只選擇保留一位變異基因。

看看了看圖，感覺跟實驗1中相比沒有什麼變化，那我們再來看看結果。

結果總體來說比實驗1好了一個數量級。為什麼呢？個人感覺應該是每次只改變一位基因的局部搜索能力比改變多位基因更強。下面我們將交叉率CR設為1來看看是否是這樣。
實驗3：
將交叉率CR設為1,即每次交叉只選擇保留一位原有基因。

實驗3的圖與實驗1和實驗2相比好像也沒什麼差別,只是收斂速度好像快了那麼一點點。再來看看結果。

發現結果比實驗2的結果還要好？那說明了實驗2我得出的結論是可能是錯誤的，交叉率在該問題上對差分進化演算法的影響不大，它們結果的差異可能只是運氣的差異，畢竟是概率演算法。
實驗4：
將變異放縮因子設為0，即變異只與一個個體有關。

收斂速度依然很快，不過怎麼感覺結果不對，而且個體收斂的路徑好像遺傳演算法，當F=0，時，差分進化演算法退化為了沒有變異、選擇操作的遺傳演算法，結果一定不會太好。

果然如此。下面我們再看看F=2時的實驗。
實驗5：
將變異放縮因子設為2。

實驗5的圖可以明顯看出，群體的收斂速度要慢了許多，到第50代時，種群還未完全收斂於一點，那麼在50代時其結果也不會很好，畢竟演算法還未收斂就停止進化了。

結果不算很好但也算相對穩定。

通過上面5個實驗，我們大致了解了差分進化演算法的兩個參數的作用。
交叉率CR，影響基因取自變異基因的比例，由於至少要保留一位自己的基因和變異的基因導致CR在該問題上對演算法性能的影響不大（這個問題比較簡單，維度較低，影響不大）。
變異放縮因子F，影響群體的收斂速度，F越大收斂速度越慢，F絕對值越小收斂速度越快，當F=0是群體之間只會交換基因，不會變異基因。

差分進化演算法大魔王已經如此強大了，那麼還有什麼可以改進的呢？當然有下面一一道來。
方案1 .將3人行修改為5人行，以及推廣到2n+1人行。
實驗6：
將3人行修改為5人行，變異公式如下：

五人行的實驗圖看起來好像與之前並沒有太大的變化，我們再來看看結果。

結果沒有明顯提升，反而感覺比之前的結果差了。反思一下五人行的優缺點，優點，取值范圍更大，缺點，情況太多，減慢搜索速度。

可以看出演算法的收斂速度比之前的變慢了一點，再看看結果。

比之前差。

差分進化演算法的學習在此也告一段落。差分進化演算法很強大，也很簡單、簡潔，演算法的描述都充滿了美感，不愧是大魔王。不過這里並不是結束，這只是個開始，終將找到打敗大魔王的方法，讓新的魔王誕生。
由於差分進化演算法足夠強，而文中實驗的問題較為簡單導致演算法的改進甚至越改越差（其實我也不知道改的如何，需要大量實驗驗證）。在遙遠的將來，也會有更加復雜的問題來檢驗魔王的能力，總之，後會無期。
以下指標純屬個人yy,僅供參考

目錄
上一篇 優化演算法筆記（六）遺傳演算法
下一篇 優化演算法筆記（八）人工蜂群演算法

優化演算法matlab實現（七）差分進化演算法matlab實現

『肆』 差分演算法是什麼

在數值計算中,常用差分近似微分.
最簡單的差分格式有向前、向後和中心3種.
向前差分：f'(n)=f(n+1)-f(n)
向後差分：f'(n)=f(n)-f(n-1)
中心差分：f'(n)=[f(n+1)-f(n-1)]/2