应用改进遗传算法实现输电网络最优规划

对传统遗传算法中的交叉和变异算子算法进行了改进,并实施了在初始群体中保留若干最优解的策略,形成了改进遗传算法,并将其应用在输电网络优化规划中。改进的遗传算法具有快速搜索,易收敛和鲁棒性强的特点,算例验证了该方法应用到输电网络规划中的有效性。     

改进遗传算法在输电网络规划中的应用研究

首先对输电网络规划和遗传算法进行简要论述,并确立了数学模型。为了提高遗传算法在输电网络规划中的优化性能,提出了改进自适应遗传算法(MAGA)。该方法有助于防止传统遗传算法过早收敛和走向局部最优,适应于多变量、多目标的环境,能够快速的找到全局最优。通过对实际系统的计算表明,MAGA具有可行性。最后,应用了2种不同算法进行性能比较,证实了MAGA有更强的优化性能。     

改进遗传算法在输电网络规划中的应用

为了提高遗传算法在输电网络规划中的优化性能,提出了改进自适应遗传算法(MAGA)。该方法有助于防止传统遗传算法过早收敛和走向局部最优,适应于多变量、多目标的环境,能够快速地找到全局最优。介绍了提出的改进方法包括,采用实数编码方式、惩罚函数自适应调整、设置保留算子,以及该方法的实现过程等具体内容。通过对实际系统的计算表明,MAGA具有可行性和更强的优化性能。     

遗传算法应用于电网规划的难点与改进

将遗传算法用于电网近中期规划问题的研究,改进了遗传操作使之更适应于电网规划,克服了算法在生成初始解群和交叉、变异过程中由于编码原因产生的大量不可行解以及收敛性能差等难点。通过以改进遗传算法为核心的网架规划程序,寻找同时满足电网规划可靠性和安全性指标的全局最优的方案。     

改进量子遗传算法在输电网规划中的应用

输电网规划是复杂的多目标非线性组合优化问题。针对传统遗传算法（GA）在求解输电网规划模型中存在收敛速度慢,容易陷入局部最优的不足,提出一种基于改进量子遗传算法（IQGA）的输电网规划方法。该算法在量子遗传算法（QGA）的基础上提出直接将量子染色体与当前最优解相比较来确定旋转门的旋转角策略,保证种群中个体以不同的收敛速度分别进行局部搜索和全局搜索,并同时采用量子全干扰交叉策略和量子非门变异策略有效防止算法陷入局部最优。所提三种改进策略各有针对性,能有效改善量子遗传算法在输电网规划中的收敛性能。分别采用传统遗传算法、量子遗传算法和该方法对Garver-6节点系统进行规划仿真,实验结果表明,该方法全局寻优能力强并且收敛速度得到显著提高。     

改进遗传算法的无功优化规划在伊盟电网中的实现

电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划。用常规的线性和非线性等方法进行优化计算,存在离散变量的近似处理问题,不符合无功规划的实际。而遗传算法由于自身特点,特别适合于解决多目标混合优化方面的问题,具有稳定的收敛特性,是一种先进的全局优化方法。基不足之外在于计算时间长,在种群和遗传代数不是足够大的情况下,易于收敛于局部极值点。为些提出了改进遗传算法,在计算速度和计算精度方面较传统遗传算法均有明显提高。     

育种算法在输电网络优化规划中的应用

作为一个复杂的非线性的混合整数规划问题,目前电网优化规划使用较常见的是现代优化方法,其中又以遗传算法应用较多,但目前各种现代优化方法仍存在计算速度和收敛性的问题,介绍了一种从遗传算法改进而来的算法——育种算法,它将遗传算法中的选择、交叉、变异三个过程简化为一个过程,对18节点算例分析表明育种算法在电网规划应用中提高了计算速度和收敛度。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

基于遗传算法的输电网络规划模型

针对输电网络规划存在的两方面的问题,把遗传算法应用于输电网络规划,提出了基于遗传算法的输电网络规划模型,该模型还考虑了“N—l”事故检验,使得规划方案更加合理。以新建线路的投资年费用和系统年运行费用之和最小为目标函数,建立了输电网络规划的数学模型。     

基于多种群遗传算法的输电系统扩展规划

在简要介绍了标准遗传算法的基础上,详细分析了造成遗传算法成熟收敛的原因,提出了一种多种群遗传算法结构。将这一方法应用于输电系统扩展规划,可以大大降低遗传控制参数的不当设定对规划结果的影响,对抑制未成熟收敛的发生有明显的效果,同时可以给最优和若干次规划方案。