基于改进粒子群算法的配电网优化规划(3)
2.3.1传统的启发式方法
“支路交换”的技术主要用于传统的启发式方法在配电网网架规划的应用。传统的启发式方法通常基于系统某一性能指标对可行路径上线路参数的灵敏度，遵从一定的原则，逐步迭代直到寻找到满足要求的方案为止。“支路交换”的含义为：在辐射形配电网中，先添加一条支路令它生成一个环状的网络结构，随后再断开另外的一条支路来使得它回归原来的辐射形结构。反复此过程，知道目标函数的减小都不会被交换任何一个支路所改变。但是该方法中计算量很大这一局限性，令我们不得不重视。
2.3.2专家式启发方法
根据传统启发式的方法，演变出了启发式专家系统。他们的不同在于专家式启发方法中植入了过去以往大量规划专家的经验，大大方便了规划人员将参考这些经验用于具体的决定当中。这种方法最大的优点在于节约许多进行计算时所花费的时间。
2.3.3现代启发式智能方法
遗传算法 GA[3](Genetic Algorithm)、模拟退火法SA[4](Simulated Annealing)、禁忌搜索算法 TS[5](Tabu Search)、蚁群最优法 ACO[6](Ant Colony Optimization)和粒子群算法PSO[7]都是现代启发式智能方法。
2.3.3.1遗传算法
在1962年J. H. Holland提出了遗传算法，一种全局并行搜索算法被提出，它主要借鉴了生物进化中的“优胜汰劣”。
通过启发式或者随机出现一组等待选择的方案作为鼻祖，然后进行编码，出现许多“染色体”，然后对该染色体的适应度的方案进行计算，比较他们的优劣。随后通过杂交，变异，选择这些算子的作用，作进化处理，生出具有更好的后代，如此往复，到最好的结果出现，然后优化过的方案通过解码产生。
遗传算法是从代表问题潜在可能解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
搜索空间大、鲁棒性强、简单是遗传算法的主要优点。
不过在实际的应用中，遗传算法还是存在多多少少的问题，比如收敛速度慢，又比如收敛于局部最优解，还有未成熟的收敛这些问题。
其中参考文献[8]中，对于配电网网络规划的GA求解进行了较为详细的研究。遗传算法对解决网络规划这样复杂的问题有其独特的优势，但其通过对线路的编码来进行计算，同时需要检验计算出的网络结构是不是辐射状，导致计算变得相当复杂。其次，在计算得到的解中有很多都是无效解，这样就会使得算法的效率很低。
2.3.3.2模拟退火法
S．Kirkpatrick 在1983 年提出了模拟退火，SA 是遍历性理论和模拟方法基于一个大型的随机搜索技术的组合优化问题。模仿的是热力学的核心算法，冷却结晶以及退火过程，以避免陷入局部最优的渐近收敛到全局最优使用的。算法转换、 交换、 反演、 和其他机制，以产生新的解决方案和接受新的一代的最优解，但恶化的解决方案以满足验Metropolis的保留，在较高温度下，越高的接受概率伴随着越高的温度，温度下降后，会导致接受概率也降低，直到接受问题的最优解。
上一篇：用于探测的纳米级材料相变特性研究
下一篇：铁路监控视频的超分辨率技术研究