仿生算法及其在电力系统中的应用new

《仿生算法及其在电力系统中的应用new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、http://www.paper.edu.cn1仿生算法及其在电力系统中的应用李茂军，罗安，刘定国长沙理工大学电气与信息工程学院，长沙（410076）湖南大学电气与信息工程学院，长沙（410082）摘要：仿生算法是模拟自然界中生物的某种现象、行为或功能的一类计算方法，包括模拟自然界生物进化过程的进化计算、模拟生物免疫系统功能的免疫算法、模拟生物分子DNA结构并借助于分子生物技术进行计算的DNA计算、模拟自然界中马蚁的群体行为的蚁群算法等等。本文介绍了仿生算法的基本概念、国内外研究现状及其在电力系统中的应用。关键词

2、：仿生算法，进化计算，免疫算法，DNA计算，蚁群算法1引言仿生算法是模拟自然界中生物的某种现象、行为或功能的一类计算方法，包括模拟自然界生物进化过程的进化计算、模拟生物免疫系统功能的免疫算法、模拟生物分子DNA结构并借助于分子生物技术进行计算的DNA计算、模拟自然界中马蚁的群体行为的蚁群算法等等。仿生算法在解决复杂工程优化问题方面具有广阔的应用前景。仿生算法与传统优化方法相比具有对所求解的问题的数学模型要求不高的优点，仿生算法不象传统优化方法要求问题的目标函数可微、可行域是连通的、凸的等，只要求问题是可计算的。仿

3、生算法的这一优点对于一些复杂工程优化问题的求解具有重要的应用价值，因复杂工程优化问题的数学模型往往不能满足传统优化方法所要求的条件，用传统优化方法求解复杂工程优化问题效果难以令人满意，仿生算法的发展为解决复杂工程优化问题开辟了新的途径。2仿生算法的研究现状到目前为止，仿生算法的研究主要是针对具体问题开展应用研究，尚未形成仿生算法统一的、完善的理论基础，即使有一些比较深刻的理论研究结果,也只是针对特殊计算模型的具体分析,如对某一种算法计算模型的收敛性分析、收敛速度分析、算法的复杂性分析等，或者是算法中某个具体成份孤

4、立作用的效果分析和算法控制参数对算法性能的影响分析。完善的仿生算法理论基础的建立还需要经过一段较长时间的探索。目前，仿生算法的理论研究相对于其应用研究来说明显滞后，使得仿生算法的应用研究缺乏系统的理论指导，这在一定程度上造成了算法设计的盲目性。目前，仿生算法的设计只能以具体问题的特征为出发点，通过大量试验、逐步调整、综合提炼才能设计出尽可能优良的面向具体问题的仿生算法。进化计算模拟自然界生物进化过程中的“物竞天择”、“适者生存”的自然现象，包括遗传算法、进化规划、进化策略和遗传程序设计等几个分支。遗传算法是进化计

5、算的几个分支中研究最活跃、应用最广泛的一个分支。遗传算法最初由Holland[1]作为研究自适应过程的一般模型被提出，后经Goldberg[2]等学者进一步扩充和完善，到二十世纪九十年代已发展成为深受实际工作者喜爱的工程优化方法之一。到目前为止，已有不少学者从不同的角度对遗传算法进行了不同程度的改进，如并行遗传算法[3]、广义遗传算法[4]、狭义遗传算法[5]、单亲遗传算法[6]等。现在，遗传算法的应用已经渗透到了各行各业，如机器学习、模式识别、人工智能、工程设计、生产调度、自动控制、参数辨识，函数优化等等。进化

6、规划[7]是上世纪六十年代作为人工智能的一种尝试而提出来的，后来主要用于数值优化和神经网络1本课题得到国家教育部博士点专项科研基金资助项目（20030533014）的资助。-1-http://www.paper.edu.cn的训练等问题之中。进化策略[8]是上世纪七十年代为求解主要由试验得来的困难的离散或连续的多参数优化问题而提出来的，从原始的（1+1）进化策略发展到了（µ+λ）进化策略。上世纪九十年代发展起来的遗传程序设计[9]，有望成为很有实际意义的自动程序设计理论和方法。现在，进化计算的各个分支相互渗透，相

7、互融合，基本形成了统一的框架模型，但尚未形成进化计算的完善的理论基础。通过对生物免疫系统的研究表明：生物免疫系统具有多种功能，如自学习、记忆、容错、分布式检测等。基于生物免疫系统构造的人工免疫系统正逐渐引起工程研究人员的关注。免疫算法就是受生物免疫系统功能的启发而设计出来的一种优化算法，包括基于信息熵的人工免疫系统[10]、在遗传算法中引入免疫算子（接种疫苗和免疫选择）的免疫算法[11]、在遗传算法中引入免疫系统抗体多样性维持机制的免疫遗传算法[12]。免疫算法的研究还处于起步阶段，虽然已经形成了多种具体的实现形

8、式，但算法的设计缺乏系统的理论指导。由美国南加州大学埃德曼教授首倡的求解复杂数学难题的新方法──DNA计算法，引起世界上众多科学家的关注。DNA计算是一种模拟生物分子DNA的结构并借助于分子生物技术进行计算的新方法。它开创了以化学反应作为计算工具的先例，为NP完全问题的解决提供了一条全新的途径，具有广阔的应用前景。L.Adleman于1994年首次成功地用DNA计算解决图