遗传算法在电力系统中应用综述

《遗传算法在电力系统中应用综述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、遗传算法在电力系统中应用综述中图分类号：F407.6文献标识码：A1引言近年来，一种进化论的数学模型，在思想方法上标新立异的优化方法遗传算法GA(GeneticAlgorithm)发展十分迅速，在一些研究工作和工程技术中以其独特的解决问题的能力而获得了广泛的应用。2遗传算法2.1遗传算法的基本原理遗传算法是建立在自然选择和群体遗传学机理基础上的随机迭代和进化，具有广泛适用性的搜索方法，具有很强的全局优化搜索能力。遗传算法是一种种群型操作，该操作以种群中的所有个体为对象。具体求解步骤如下：1)对自变量进行基因编码遗传算法一般不直接

2、处理问题空间的参数而是将待优化的参数集进行编码，一般总是用二进制将参数集编码成有0或1组成的有限长度的字符串形成基因码链，每一个码链代表一个个体，表示优化问题的一个可能的解。2)初始种群的生成随机地生成N个个体组成一个群体，该群体代表一些可能解的集合。GA的任务是从这些群体出发，模拟进化过程进行择优劣汰，最后得出优秀的群体和个体，满足优化的要求。3）适应度函数的设计遗传算法在运行中基本上不需要外部信息，只需依据适应度函数来控制种群的更新。根据适应度函数对群体中的每个个体计算其适应度，为群体进化的选择提供依据。设计适应度函数的主要

3、方法是把问题的目标函数转化成合适的适应度函数。4）选择（复制）按一定概率从群体中选择M对个体，作为双亲用于繁殖后代，产生新的个体加入下一代群体中。即适应于生存环境的优良个体将有更多繁殖后代的机会，从而使优良特性得以遗传。选择是遗传算法的关键，它体现了生物进化过程中的自然选择规律。5）杂交（交叉）对于选中的用于繁殖的每一对个体，随机地选择同一整数n,将双亲的基因码链截断，然后互换尾部。杂交是GA的一个重要算子，有单点杂交和多点杂交，如：父个体111000000011100000011子个体1父个体20001010011000101

4、0001子个体2交叉体现了自然界中信息交换的思想。6）变异按一定的概率从群体中选择若干个个体。对于选中的个体，随机选择某一位进行取反操作（由1—0或由Of1）。变异是GA中的另一重要算子，它模拟了生物进化过程中的偶然基因突变现象，能够避免由于选择和交叉操作而引起的某些信息的永久性丢失，保证了算法的有效性，以防止出现未成熟收敛。如：父个体1OO111O1OO1OOO11O1OO子个体7）循环迭代对产生的新一代群体进行重新评价、选择、杂交和变异。如此循环往复，使群体中最优个体的适应度和平均适应度不断提高，直至最优个体的适应度达到某一

5、界限或最优个体的适应度和平均适应度不再提高，则迭代过程收敛，算法结束。GA的搜索能力主要是由选择和杂交赋予的，变异算子则保证了算法能搜索到问题解空间的每一点，从而使算法达到全局最优。2.2遗传算法的特点遗传算法具有进化计算的所有特征，同时又具有自身的特点：1）直接处理的对象是决策变量的编码集而不是决策变量实际值本身，搜索过程既不受优化函数的连续性约束，也没有优化函数导数必须存在的要求。2）遗传算法采用多点搜索或者说是群体搜索，具有很高的隐含并行性。3）遗传算法是一种自适应搜索技术，其选择、交叉、变异等运算都是以一种概率方式来进行

6、，从而增加了搜索过程的灵活性，同时能以很大的概率收敛于最优解，具有较好的全局优化求解能力。4）遗传算法直接以目标函数值为搜索信息，对函数的性态无要求，具有较好的普适性和易扩充性；同时，我们可以把搜索范围集中到适应度较高的搜索空间中，从而提高了搜索效率。5）遗传算法的基本思想简单，运行方式和实现步骤规范，便于具体使用。2.3遗传算法的收敛性遗传算法虽然可以实现均衡的搜索，并且在许多复杂问题的求解中往往能得到满意的结果，但是算法全局优化收敛性的理论分析尚待解决。但是，在一定的约束条件下，遗传算法可以实现这一点。未成熟收敛是遗传算法中

7、不可忽视的现象，它主要表现在两个方面：1）群体中所有的个体都陷入于同一极值而停止进化。2）接近最优解的个体总是被淘汰，进化过程不收敛。针对上述情况，需要在编码、适应度函数和遗传操作等设计中考虑抑制未成熟收敛的对策。遗传算法中染色体域的大小、交叉率、变异率的选取，各染色体适应度函数值的相对大小，以及收敛条件的设定等，对优化结果以及收敛速度都有一定的影响，在最初的几次迭代中，所产生的染色体可能是杂乱无章、良莠并存的，随着迭代次数的增加，那些生命力强的染色体就会被遗传或产生出来，染色体的总体品质将不断提高，直到产生出满意的结果。3GA

8、在电力系统中的应用2.1遗传算法在无功优化中的应用遗传算法用于无功优化就是在电力系统下的一组初始解，受各种约束条件的限制，通过适应值评估函数评价其优劣，适应值低的被抛弃，只有适应值高的才有机会将其特性迭代到下一轮解，最后趋向于最优解。1）简单遗传算法简单遗传算法