应用遗传算法分布式电源的布点优化.pptVIP

含风电光伏发电的电网规划 遗传算法基本原理 分布式电源的布点规划求解过程 下一步工作 遗传算法基本原理 遗传算法(GA)是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法。其采纳了自然进化模型，从代表问题可能潜在解集的一个种群开始，种群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；初始种群产生后，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解： 在每一代，概据问题域中个体的适应度大小挑选个体； 并借助遗传算子进行组合交叉和主客观变异，产生出代表新的解集的种群。 这一过程循环执行，直到满足优化准则为止。最后，末代个体经解码，生成近似最优解。 基于种群进化机制的遗传算法如同自然界进化一样，后生代种群比前生代更加适应于环境，通过逐代进化，逼近最优解。 遗传算法基本操作 编码 编码方式：二进制编码、浮点数编码、格雷码编码、符号编码、复数编码、DNA编码等。 编码原则： 完备性：问题空间的所有解都能表示为所设计的基因型； 健全性：任何一个基因型都对应于一个可能解； 非冗余性：问题空间和表达空间一一对应。 选择 适应度计算： 按比例的适应度函数 基于排序的适应度计算 选择算法： 轮盘赌选择 随机遍历抽样 局部选择 截断选择 锦标赛选择 交叉或基因重组 二进制交叉： 单点交叉 多点交叉 均匀交叉 洗牌交叉 缩小代理交叉 实值重组: 离散重组 中间重组 线性重组 扩展线性重组 变异方法 二进制变异: 单点变异 逆序变异 均匀变异 实值变异: 随机变异 边界变异 非一致变异 自适应变异 高斯变异 基本遗传算法（SGA）的设计与实现方法 SGA的构成要素 染色体编码方法 基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位 基因由二值符号0,1集组成。 x：100111001000101101 就可表示一个个体，该个体的染色体长度是 l＝18。 个体适应度评价 基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。 为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。这样，根据不同种类的问题，必须预先确定好由目标函数值到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时的处理方法。 当优化目标是求函数最大值，并且目标函数总取正值时，可以直接设定个 体的适应度F(X)就等于相应的目标函数值f(X)，即： F(X)＝f(X) 对于求目标函数最小值的优化问题，理论上只需简单地对其增加一个负号 就可将其转化为求目标函数最大值的优化问题，即： min f(X)＝max ( - f(X)) 但实际优化问题中的目标函数值有正也有负，优化目标有求函数最大值， 也有求函数最小值，显然上面两式保证不了所有情况下个体的适应度都是 非负数这个要求，需要进行适应度函数尺度转换，将目标函数值 f(x)变 换为个体的适应度F(x) 。 SGA适应度函数变换常用方法： 方法一：对于求目标函数最大值的优化问题，变换方法为： 其中，Cmin为一个适当地相对比较小的数，它可用下面方法 之一来选取： ? 预先指定的一个较小的数。 ? 进化到当前代为止的最小目标函数值。 ? 当前代或最近几代群体中的最小目标函数值。 方法二：对于求目标函数最小值的优化问题，变换方法为： 其中，Cmax是一个适当地相对比较大的数，它可用下面几种方法 求得： ? 预先指定的一个较大的数。 ? 进化到当前代为止的最大目标函数值。 ? 当前代或最近几代群体中的最大目标函数值。 遗传算子 基本遗传算法使用下述三种遗传算子： ? 选择运算：使用比例选择算子； ? 交叉运算：使用单点交叉算子； ? 变异运算：使用基本位变异算子。 比例选择算子 指个体被选中并遗传到下一代群体中的概率与该个体的适应度大小成正比。 pi = fi / ?fi ( i=1,2,…,M