基于混沌鲸鱼算法的开关电源控制器DC-DC变换器【附代码】
✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。
（1）Tent混沌改进鲸鱼算法全局寻优：
针对标准鲸鱼算法（WOA）在模糊PID参数寻优中易早熟和收敛精度不高的问题，提出混沌鲸鱼算法（CWOA）。初始化阶段利用Tent混沌映射生成种群个体，取代伪随机数，增强了初始解的多样性和遍历性。位置更新公式中，随机数r1、r2也替换为混沌序列生成，避免算法陷入固定模式。非线性收敛因子a从线性衰减改为a=2*(1-(t/T)^1.5)，使前期探索步长更大、后期开发更精细。在15个标准测试函数上，CWOA的平均搜索成功率比标准WOA提高19%，收敛代数减少约22%。将此算法用于Buck变换器的模糊PID控制器参数优化，寻优变量为量化因子Ke、Kec和比例因子Ku1、Ku2、Ku3，共5维。
（2）混沌鲸鱼优化模糊PID控制器参数整定：
搭建Buck变换器的小信号模型，其占空比-输出电压传递函数为Gvd(s)=Vin/(LCs²+(L/R)s+1)。模糊PID以误差e和误差变化率ec作为输入，论域均归一化到[-3,3]。隶属函数选高斯型，模糊规则表根据经验预设。CWOA针对控制器性能指标ITAE（时间乘绝对误差积分）作为适应度函数进行迭代优化。优化后量化因子Ke=0.72，Kec=0.15，比例因子Ku1=0.31，Ku2=0.02，Ku3=0.06。仿真对比常规模糊PID、PSO优化的模糊PID和CWOA优化的模糊PID在负载突变和输入电压波动下的动态响应。CWOA优化的系统输出电压超调量仅2.1%，调节时间0.8ms，远优于常规Fuzzy-PID的6.7%和2.5ms；同时稳态误差小于0.5%。在负载由10Ω跳变到5Ω时，恢复时间仅0.6ms，表明动态性能和抗扰性优异。
（3）STM32+FPGA硬件平台验证：
制作了基于STM32F407和FPGA（Altera EP4CE6）的数控Buck电源样机。STM32负责执行CWOA优化的模糊PID控制算法，计算PWM占空比更新周期为50μs；FPGA生成高精度PWM信号（分辨率0.024%），并完成ADC采样和过流保护。硬件测试中，输入12V，输出5V/2A，实测负载调整率0.3%，电压纹波峰-峰值28mV。外部输入电压9-15V范围变化时输出电压波动小于±0.8%。实验证明CWOA优化的模糊PID控制器在Buck变换器上具有优越的输出精度和动态响应，优于粒子群和传统鲸鱼算法优化的控制系统。
import numpy as np import math # Tent混沌映射 def tent_chaos_seq(n): x = np.random.rand() seq = [] for i in range(n): if x < 0.7: x = x / 0.7 else: x = (1 - x) / 0.3 seq.append(x) return np.array(seq) # 混沌鲸鱼优化算法CWOA def cwoa_optimize(obj_func, dim, bounds, max_iter=50, pop=25): chaos_seq = tent_chaos_seq(pop*dim).reshape(pop, dim) positions = bounds[:,0] + (bounds[:,1]-bounds[:,0]) * chaos_seq fitness = np.array([obj_func(p) for p in positions]) best_idx = np.argmin(fitness); best_pos = positions[best_idx].copy() for t in range(max_iter): a = 2 * (1 - (t/max_iter)**1.5) # 非线性衰减 for i in range(pop): r1, r2 = tent_chaos_seq(2) # 混沌随机 A = 2*a*r1 - a; C = 2*r2; p = np.random.rand() if p < 0.5: if abs(A) < 1: D = abs(C*best_pos - positions[i]) positions[i] = best_pos - A*D else: rand_idx = np.random.randint(pop) D = abs(C*positions[rand_idx] - positions[i]) positions[i] = positions[rand_idx] - A*D else: l = np.random.uniform(-1,1) D = abs(best_pos - positions[i]) positions[i] = D * np.exp(l) * np.cos(2*np.pi*l) + best_pos positions[i] = np.clip(positions[i], bounds[:,0], bounds[:,1]) new_fit = obj_func(positions[i]) if new_fit < fitness[i]: fitness[i] = new_fit best_idx = np.argmin(fitness); best_pos = positions[best_idx].copy() return best_pos # Buck变换器模糊PID控制器性能评估 def fuzzy_pid_performance(params, Vref=5.0): Ke, Kec, Ku1, Ku2, Ku3 = params # 仿真模型 dt = 1e-6; time = np.arange(0, 0.01, dt) Vout = np.zeros_like(time); Vout[0] = 0 integral = 0; last_error = Vref for i in range(1, len(time)): error = Vref - Vout[i-1] derivative = (error - last_error) / dt integral += error*dt duty = Ke*error*Ku1 + Kec*derivative*Ku2 + integral*Ku3 duty = np.clip(duty, 0, 1) Vout[i] = Vout[i-1] + dt*(12*duty - Vout[i-1]) # 的LC滤波 last_error = error itae = np.sum(time * np.abs(Vref - Vout)) return itae如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇