簡述遺傳算法的基本原理
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇簡述遺傳算法的基本原理范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
簡述遺傳算法的基本原理范文第1篇
關鍵詞：粒子群算法 電力系統 群智能 機組組合
中圖分類號：TP301 文獻標識碼：A 文章編號：1672-3791（2014）07（a）-0035-02
隨著人類對大自然探索和了解不斷加深，復雜的，非線性等問題越來越多，傳統的解決方法顯得日益不足，促使人們不斷尋求新的手段。幾千年以來，自然界就是人類各種技術思想、工程原理及重大發明的源泉。群智能的概念最早是由文獻[1]在分子自動機系統中提出。Bonabeau將任何啟發于群居性生物群體集體行為而設計的算法和分布式問題解決裝置都稱為群體智能[2]。面對現代社會的需求，智能算法的應用得到快速的發展，粒子群優化算法正是其中之一，粒子群優化算法（PSO）是一種進化計算技術（evolutionary computation），1995 年由Eberhart 博士和kennedy博士提出，源于對鳥群捕食的行為研究[3]。該算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智能建立的一個簡化模型。粒子群算法在電力系統中的應用起步較晚，隨著研究的進一步加深，相信PSO算法將在電力系統中得到廣泛的應用。
1 PSO算法原理
式中k為迭代代數；c1，c2為學習因子；w為慣性系數；pid（k）pgd（k）分別為粒子的個體歷史最優解和全局最優解。粒子不斷通過學習更新，最終飛到解空間中最優解所在位置。
2 PSO算法在電力系統中的主要應用領域
2.1 電力網絡規劃
電力網絡規劃是電力系統基于用戶負載，科學、合理規劃的一端的主電網輸電網絡經濟的發展。在文獻[4]中提出粒子群優化離散化算法（DPSO），通過對18節點系統的算例解析，顯示了算法的有效性和可行性。電力網絡的擴展，考慮到邊界搜索和粒子群算法收斂性會受到初始種群的影響，文獻[5]提出了粒子群初始化方法。該方法通過具體的算例進行驗證，它得出結論是該方法是有效的和可行。
2.2 自動發電控制與經濟優化調度
自動發電控制（AGC）是在電廠生產過程監控控制的基礎上，根據系統頻率，聯修線所帶負荷或者他們相互之間關系的變化，調節指定區域內個發電機的有功出力來維持系統頻率在預定值內，實現最佳負荷-頻率控制（LFC），使全系統的發電出力與負荷相匹配，并在區域發電源之間實現在線的負荷經濟分配。文獻[6]進行自動發電控制（AGC）負荷頻率控制（LFC）時，提出了一種改進的粒子群優化算法。該算法優化PI控制器參數與仿真，結果顯示其性能大大優于遺傳算法。電力系統的經濟優化調度關鍵在與機組的優化組合，科學合理地優化個機組的運行水平，降低企業成本，為發電廠在電力市場上網競價提供依據。李鐵蒼[7]通過粒子群優化算法理論的研究，分析算法的各種參數的影響。然后，利用該算法來優化火電廠機組負荷。最后對3機系統進行分析，結果表明，PSO算法比其他傳統優化算法有更好的優化結果，并且能更快的接近或達到全局最優解。
2.3 短期發電計劃與機組檢修計劃
電力系統短期發電計劃是在滿足系統安全和質量要求的條件下確定一定調度周期內各個時段系統機組的運行狀態，并相應地確定個機組的運行出力。對于火電廠與水電站的聯合調度問題，文獻[8]建立一個短期優化的模型，為解決此優化模型，作者提出一種改進的粒子群優化算法，該算法引入了變異操作和遷徙操作，其結果表明，此算法具有較好的可行性。機組檢修計劃是電力系統運行一項重要部分。文獻[9]把經濟成本作為目標函數，建立發電機組檢修計劃優化問題（UMS）新模型，提出了改進離散粒子群優化算法，對IEEE-RTS系統測試，結果顯示，提出的改進的離散粒子群算法比傳統離散粒子群優化算法收斂速度快并且精度更高。
2.4 無功優化控制與最優潮流計算
無功電壓優化控制是實現最優潮流的一項十分重要內容，電力系統最優潮流是一個復雜的多約束混合整數優化問題。風光互補發電系統是一個開放式，分布式系統，文獻[10]以有功功率損耗最小為目標函數，建立包含電壓穩定的電壓無功優化模型，基于均勻設計和惰性變異，提出一種新的粒子群優化算法。仿真實驗表明，該算法可以實現電壓無功優化控制。文獻[11]將混沌優化算法與粒子群優化算法相結合，提出一種新的粒子群算法―― 混沌粒子群優化算法。文章通過對算例的分析驗證，結果顯示自適應混沌粒子群算法能較好的得到全局最優并且收斂速度快。
2.5 電力系統狀態估計與參數辨識
電力系統狀態估計是能量管理（EMS）的核心功能之一。它是一個復雜的多極值優化問題，經典的加權最小二乘法狀態估計算法存在一定的不足。PSO算法提供了狀態估計的一個新途徑。黃姝雅為對同步相量測量單元（phase measurement unit，PMU）的配置點進行優化，建立了以動態狀態估計為目標函數的模型，并通過離散粒子群算法手段加以處理。在文章最后，通過仿真驗證，離散粒子群算法能有較好的精度性能，提高了狀態估計的精度[12]。文獻[13]提出一種新的粒子群協同優化算法（PSCO）并將其用于異步電機靜態參數辨識。
2.6 電力系統穩定器優化設計
電力穩定器（PPS）可以抑制電力系統因負阻尼而產生的低頻振蕩。而PPS設計與性能與各種參數有較大的關聯。祁萬春等[14]將粒子群優化算法（PSO）用于PSS參數優化中，使用包括交叉混合粒子群算法，先優化PSS超前-滯后環節參數，后整定PSS放大倍數。結果顯示，混合粒子群優化算法在PSS參數優化問題上是可行的和有效的。
3 結語
PSO算法是基于群智能的一種新的優化算法，在電力系統中的應用研究時間并不長。本文在介紹PSO優化算法的基礎上，介紹了PSO算法在電力系統的主要領域的研究現狀。隨著電力系統技術的不斷更新和電力市場的不斷完善，PSO算法與遺傳算法，模糊理論等相結合將推動電力系統理論的發展。
參考文獻
[1] Hackwood S，Beni G.Self-organization of sensors for swarm intelligence[C]. IEEE International conference on Robotics and Automation， Piscataway，NJ：IEEE Press，1992，1：819-829.
[2] Bonabeau，E.，Dorigo，M.&Theraulaz， G..Swarm Intelligence： From Natural to Artificial Systems，Oxford Univ.Press，New York，1999.
[3] J Kennedy，R Eberhart.Particle Swarm Optimization[C].In：Proc IEEE Int Conf on Neuml Networks，1995：1942-194.
[4] 顧永東，金義雄.粒子群算法及其在電網規劃中的應用[J].電氣應用，2007，26（2）：37-42，75.
[5] 牛東曉，凌云鵬，趙奇，等.一種適用于電網擴展規劃問題的邊界搜索粒子群優化算法[J].華北電力大學學報，2007，34（4）：80-84.
[6] 馬飛，陳雪波，李小華.改進的粒子群算法在電力系統AGC中的應用[J].控制工程（S2）：56-59.
[7] 李鐵蒼，周黎輝，張光偉，等.基于粒子群算法的火電廠機組負荷優化分配[J].華北電力大學學報，2008，35（1）：44-47.
[8] 張景瑞，龍健，岳超源，等.水火電力系統短期優化調度的一種改進粒子群算法[J].控制與決策，2011，26（3）；407-412.
[9] 王曉濱，余秀月，楊貴鐘.考慮機組組合問題的機組檢修計劃優化新模型[J].能源工程，2010，6：15-20，23.
[10] 張伯泉，楊宜民.風-光互補發電系統的電壓控制[J].電力系統保護與控制，2008，36（16）：5-10.
[11] 李娟，楊琳，劉金龍，等.基于自適應混沌粒子群優化算法的多目標無功優化[J]電力系統保護與控制，2011，39（9）：26-31.
[12] 黃姝雅，劉天琪，陳績.動態狀態估計中PMU配置的離散粒子群優化算法[J].電網技術，2006，30（24）：68-72.
