遗传算法在配电网网架优化中的验证.docVIP

精品论文 参考文献 遗传算法在配电网网架优化中的验证 (1.内蒙古电力(集团)有限责任公司锡林郭勒电业局 内蒙古锡林郭勒 026000) 摘要：对遗传算法进行简单描述，根据其特点对遗传算法做出改进。在转移概率的改进中，本文实现了参数 、 与最大迭代次数Nmax的联动性；在信息素挥发因子的改进中，提出一种基于自适应的挥发因子；进而明确改进遗传算法的配电网网架优化步骤后，并经过仿真验证该方法的可行性和有效性。 0 前言 遗传算法是一种高效的、并行全局有哪些信誉好的足球投注网站方法，它能够在整个优化过程中自动有哪些信誉好的足球投注网站知识空间中的解，并能够自适应的控制整个有哪些信誉好的足球投注网站过程以求最优解空间。遗传算法通过优胜劣汰的生存原则，从潜在的优化方案中逐次产生最优解的方案。在遗传算法的迭代过程中，它会通过不断地复制、变异及交叉得到比初始染色体更好的适应度值，如同自然界中的不断进化，遗传算法的过程导致种群中个体的不断进化，并得到比原个体更加适应环境的新个体。 1 遗传因子 1.1 选择过程 选择过程又称为复制过程，是从群体中按照优胜劣汰原则选择或者复制优良个体组成新群体的操作。选择是建立在适应度值计算的基础之上，而个体适应度值是从目标函数转换得出。 轮盘赌方法又称为适应度比例法，是遗传算法中最为常用的选择方法。它是通过每个个体适应度的概率决定下一代个体存留的可能性。在每一轮的选择过程中会随机产生0到1之间的数值，并将该数值作为选择指针确定选择个体，因此，当个体适应度较大时，其被选择的概率就越大。这一概率值可以表示为1-1： 其中，Pi为个体i的选择概率；fi为个体i的适应度值；N为群体规模大小。根据式1-1可以看出，如果个体适应度值越大，则个体被选择的概率就越大。 1.2 交叉过程 交叉过程是对自然界中生物进化中遗传基因重组变异的仿真，也是遗传操作中的核心部分，通过交叉过程，可以将父代两个个体间的部分结果分解重构，并生成新的个体。通过交叉操作得到的新个体能够更加适用于约束环境，加强算法的有哪些信誉好的足球投注网站能力，使算法性能得以提高。 均匀交叉的交叉过程更为广泛，染色体上面的每个基因编码都可作为潜在的交叉点。均匀交叉首先需要产生与染色体同长的掩码，然后明确掩码中的变量值是由哪个父代个体提供，再进行交叉操作，便可得到新的个体。 1.3 变异过程 在自然界的基因遗传中，某些基因会在复制过程中出现错误，从而导致染色体上的某些基因发生变异。遗传算法中的变异过程是指对染色体上某些基因值作变动，从而产生新的个体。遗传算法的变异操作，能够改进算法的局限性，提高算法优化的能力，从而跳出局部最优现象的发生。遗传变异过程如下例所示： 个体a 变异后得到新个体a， 由上例可以发现，个体的变异发生在第四个基因编码上。一般地，遗传变异操作发生的概率较小，结合选择过程和交叉过程，可以保证染色体的遗传过程中减少优秀信息的缺失，保证算法有效性。 2 遗传算法的改进 2.1 编码方式的改进 遗传算法中常用的编码为二进制编码，该编码方式简单易行，并且利于交叉、变异等操作的实现。但是，当遇到高维度、高精度的优化问题时，就不能很好的克服由函数高维映射造成的误差，导致算法局部有哪些信誉好的足球投注网站能力下降，并不能得到问题所求的最优解。针对此问题，人们提出格雷编码方式将该问题得以解决；格雷编码方式是二进制编码方式的变形；它将两个连续对应的编码值，让其码位中出了一个不同 之外，其余的都相同。设现有二进制编码 ，则其对应的格雷编码为 ，他们之间的转换方式为： 从上表可以看出，改进遗传算法的迭代次数为 320 次，小于基本遗传算法，改进遗传算法能够较快的收敛并进行全局寻优。从最优结果来看，算法的最优值1.271 要小于基本遗传算法的最优值 .405；造成这种现象的出现是由于基本遗传算法在寻优过程中陷入了局部最优，算法过早的收敛，并没有达到全局最优；从一定程度上反映出对遗传算法的交叉概率和变异概率进行自适应改进能够明显的帮助遗传算法根据不同情况制定不同的概率值，从而避免算法过早收敛并跳出局部最优，使得算法能够达到全局最优。遗传算法与表中其他两种算法进行比较，从最优值上可以看出，遗传算法的优化能力要强于模拟退火法（SA）以及禁忌有哪些信誉好的足球投注网站法（TS）；尤其是改进遗传算法的最优值（1.213）与平均值（1.26）远远的优于其他两种算法；这正好