论文部分内容阅读
摘 要：所谓最优潮流，就是在给定的系统结构和负荷情况下，通过对某些控制标量的优化，在满足必须的约束条件下，使系统某一些指标能够达到最优时的潮流分布。本文针对最优潮流算法中的遗传算法原理及计算步骤进行介绍。
关键词：最优潮流；遗传算法；计算流程
一、遗传算法的原理
遗传算法的核心思想来源于生物的进化规律，即指“遗传-变异-自然选择”遗传是指自然界中的生物通过基因传递亲代的特征或性状信息，从而继承亲代的特征或性状的生命现象。变异是指生物在进行细胞分裂进行基因复制时，在某些基因复制的过程中出现的小概率复制差错，使得生物的DNA上遗传信息发生某种根本性的变化，从而产生新的染色体。在自然界中，还有自然的选择，决定生物的进化流向，只有适应生存环境的物种得以生存下来，并且逐渐朝着适应于生存环境的方向进化，体现自然界“适者生存，优胜劣汰”的法则。遗传算法是对目标的直接操作，不存在求导和对函数连续性的限制；因此遗传算法具有内部的隐秘性和并行性，而且全局寻优能力相对较优秀。遗传算法通常釆用的是概率化的寻最优解的方法，因此算法能自动获得搜索空间并对其进行优化指导，自行的对应并调整搜索方向，不需要明确的规则。这些遗传算法的优秀性质，已经被广泛地应用在了许多现代领域。
二、遗传算法的计算步骤
遗传算法的计算步骤：
1.初始种的产生和规模设定
产生初始种群有两种方法：其一，如果获取方式比较麻烦，可以随机的方法产生一个含有N的个体种群。另外一种方法则是根据先验知识得到一组产生初始种群需要满足的条件，然后在这些条件限制下的问题最优解的分布范围内，随机挑选个体，生成初始种群，这种方法可以有效地提高遗传算法的收敛速度。
2.编码与译码
遗传算法中将优化问题的变量转换为位串形式的数码串的过程叫做编码。相反的，将位串形式的数码串转换为优化问题的变量的过程叫做译码。通过编码和译码的遗传操作，将遗传算法的操作对象由优化问题变量本身转换为编码和译码后的到的数字串。因此，编码是在应用遗传算法求解优化问题时首先解决的问题，同时也是在设计和实现遗传算法时的一个关键步骤。编码和译码方法决定了种群中个体的染色体上基因的排列形式。编码方法是否合适直接会影响到遗传运算的计算精度和运算效率。
3.适应度函数
遗传算法将优化问题的目标函数转换成适应度函数，并且使适应度函数与优化问题的目标函数具有相同的极值点和可行解域，然后根据适应度函数的大小对个体进行评判，选择适合进入下一代遗传操作的亲代个体。适应度函数值的主要作用是根据种群中个体的适应度函数值的大小进行选择，以确保适应度函数值高的个体得到更多繁殖下一代的机会，使得适应于环境的优良特性能够遗传给后代，从而使得整个种群朝着最优化的方向进化。
4.选择
选择操作是一种复制式的操作模式，类似于自然选择的过程。选择的目的是在种群进化过程中选取适应度函数值高的个体作为进入下一代遗传操作、繁殖后代的亲代个体。为了使种群朝着最优解的优化方向进化，在进行选择操作时个体的适应度函数值高的个体将获得更多的机会进入到下一代遗传操作，繁殖后代，提高种群中个体的整体适应度函数值。目前，遗传算法常用的选择操作方法主要有：轮转法、期望值法和最优个体保留法。
5.交叉
交叉是将种群中的两个个体根据交叉概率Pc按照某种方式进行重新组合。交叉操作的目的是通过产生新的个体来扩大待求优化问题最优解的搜索范围。通过交叉操作能够产生两个与附带个体以及彼此都不相同的子代个体，同时这两个子代个体都从两个父代个体那里遗传了相关的遗传信息。交叉操作的方法有很多，主要有：一点交叉、多点交叉和一致交叉等。
6.变异
变异操作是对生命的基因变异现象进行的模拟。通过变异操作的作用能够产生与之之前种群不一样的个体，从而增大种群的多样化，从而加大问题最优解的搜索范围，便于更好地找到全局最优解。在进行变异操作时，以很小的变异概率Pm（一般取0.001～0.1）随机从种群中挑选若干个体作为变异的对象，让后又随机挑选中个体的数字串上的某一位或者是多位数字进行变换操作，即变异操作。
算法的基本思想简单，而且运行方式和实现步骤较为轻便，可以直接使用，直接处理的对象是决策变量的编码集而不是决策变量的实际值，搜索过程不需要考虑约束条件的作用，也不需要对函数进行求导变换；其选择、交叉、变异等运算都通过概率形式进行操作，从而提高了整个过程的灵活性，具有全局优化求解能力。但算法的明显问题在于，易陷入局部最优：群体中所有的个体都陷入于同一极值从而停止进化，或者接近最优解的个体总是被淘汰，进化过程不能达到收敛目的。
参考文献：
[1] 张粒子，基于遗传算法的无功规划优化[J]，中国电机工程学报1995，15（5）：347-353.
[2] 林周全，基于该叫你遗传算法的电力系统无功优化，南华大学硕士学位论文，2013.
[3] 徐卫志，王洪国，杨海，于惠.矩阵链乘序问题的并行算法研究.信息技术与信息化，2007（6）：71-73.
关键词：最优潮流；遗传算法；计算流程
一、遗传算法的原理
遗传算法的核心思想来源于生物的进化规律，即指“遗传-变异-自然选择”遗传是指自然界中的生物通过基因传递亲代的特征或性状信息，从而继承亲代的特征或性状的生命现象。变异是指生物在进行细胞分裂进行基因复制时，在某些基因复制的过程中出现的小概率复制差错，使得生物的DNA上遗传信息发生某种根本性的变化，从而产生新的染色体。在自然界中，还有自然的选择，决定生物的进化流向，只有适应生存环境的物种得以生存下来，并且逐渐朝着适应于生存环境的方向进化，体现自然界“适者生存，优胜劣汰”的法则。遗传算法是对目标的直接操作，不存在求导和对函数连续性的限制；因此遗传算法具有内部的隐秘性和并行性，而且全局寻优能力相对较优秀。遗传算法通常釆用的是概率化的寻最优解的方法，因此算法能自动获得搜索空间并对其进行优化指导，自行的对应并调整搜索方向，不需要明确的规则。这些遗传算法的优秀性质，已经被广泛地应用在了许多现代领域。
二、遗传算法的计算步骤
遗传算法的计算步骤：
1.初始种的产生和规模设定
产生初始种群有两种方法：其一，如果获取方式比较麻烦，可以随机的方法产生一个含有N的个体种群。另外一种方法则是根据先验知识得到一组产生初始种群需要满足的条件，然后在这些条件限制下的问题最优解的分布范围内，随机挑选个体，生成初始种群，这种方法可以有效地提高遗传算法的收敛速度。
2.编码与译码
遗传算法中将优化问题的变量转换为位串形式的数码串的过程叫做编码。相反的，将位串形式的数码串转换为优化问题的变量的过程叫做译码。通过编码和译码的遗传操作，将遗传算法的操作对象由优化问题变量本身转换为编码和译码后的到的数字串。因此，编码是在应用遗传算法求解优化问题时首先解决的问题，同时也是在设计和实现遗传算法时的一个关键步骤。编码和译码方法决定了种群中个体的染色体上基因的排列形式。编码方法是否合适直接会影响到遗传运算的计算精度和运算效率。
3.适应度函数
遗传算法将优化问题的目标函数转换成适应度函数，并且使适应度函数与优化问题的目标函数具有相同的极值点和可行解域，然后根据适应度函数的大小对个体进行评判，选择适合进入下一代遗传操作的亲代个体。适应度函数值的主要作用是根据种群中个体的适应度函数值的大小进行选择，以确保适应度函数值高的个体得到更多繁殖下一代的机会，使得适应于环境的优良特性能够遗传给后代，从而使得整个种群朝着最优化的方向进化。
4.选择
选择操作是一种复制式的操作模式，类似于自然选择的过程。选择的目的是在种群进化过程中选取适应度函数值高的个体作为进入下一代遗传操作、繁殖后代的亲代个体。为了使种群朝着最优解的优化方向进化，在进行选择操作时个体的适应度函数值高的个体将获得更多的机会进入到下一代遗传操作，繁殖后代，提高种群中个体的整体适应度函数值。目前，遗传算法常用的选择操作方法主要有：轮转法、期望值法和最优个体保留法。
5.交叉
交叉是将种群中的两个个体根据交叉概率Pc按照某种方式进行重新组合。交叉操作的目的是通过产生新的个体来扩大待求优化问题最优解的搜索范围。通过交叉操作能够产生两个与附带个体以及彼此都不相同的子代个体，同时这两个子代个体都从两个父代个体那里遗传了相关的遗传信息。交叉操作的方法有很多，主要有：一点交叉、多点交叉和一致交叉等。
6.变异
变异操作是对生命的基因变异现象进行的模拟。通过变异操作的作用能够产生与之之前种群不一样的个体，从而增大种群的多样化，从而加大问题最优解的搜索范围，便于更好地找到全局最优解。在进行变异操作时，以很小的变异概率Pm（一般取0.001～0.1）随机从种群中挑选若干个体作为变异的对象，让后又随机挑选中个体的数字串上的某一位或者是多位数字进行变换操作，即变异操作。
算法的基本思想简单，而且运行方式和实现步骤较为轻便，可以直接使用，直接处理的对象是决策变量的编码集而不是决策变量的实际值，搜索过程不需要考虑约束条件的作用，也不需要对函数进行求导变换；其选择、交叉、变异等运算都通过概率形式进行操作，从而提高了整个过程的灵活性，具有全局优化求解能力。但算法的明显问题在于，易陷入局部最优：群体中所有的个体都陷入于同一极值从而停止进化，或者接近最优解的个体总是被淘汰，进化过程不能达到收敛目的。
参考文献：
[1] 张粒子，基于遗传算法的无功规划优化[J]，中国电机工程学报1995，15（5）：347-353.
[2] 林周全，基于该叫你遗传算法的电力系统无功优化，南华大学硕士学位论文，2013.
[3] 徐卫志，王洪国，杨海，于惠.矩阵链乘序问题的并行算法研究.信息技术与信息化，2007（6）：71-73.