第4章-最优潮流详解.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 第四章 最优潮流 （2）遗传算法以目标函数值作为搜索信息，传统的优化算法往往还需要知道目标函数的导数信息。这个特性对很多目标函数值无法或很难求导，或导数不存在的优化问题，显得特别比较方便。 （3）遗传算法同时使用多个搜索点的搜索信息，传统的优化算法往往只从解空间中的一个初始点开姑最优解的迭代搜索过程。单个搜索点所提供的搜索信息毕竟不多，所以搜索效率不高，有时甚至使搜索过程陷于局部最优解而停滞不前。遗传算法从很多个体所组成的一个初始群体开始最优解的搜索过程、而不是从单一的个体开始搜索。对这个群体所进行的选择、交叉、变异等运算，包括了大量的群体信息，这是遗传算法所特有的一种隐含并行性。 * 第四章 最优潮流 （4）遗传算法使用概率搜索技术，很多传统的优化算法往往使用的是确定性的搜索方法，一个搜索点到另一个搜索点的转移有确定的转移方法和转移关系，这种确定性往往也有可能使得搜索永远达不到最优点。而遗传算 法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以某种概率的方式来进行的，从而增加了其搜索过程的灵活性。虽然这种概率特性也会使群体中产生一些适应度不高的个体，但随着进化过程的进行，新的群体中总会更多地产生出许多优良的个体。当然，交叉概率和变异概率等参数也会影响算法的搜索效果和搜索效率，所以如何选择遗传算法的参数是一个很重要的问题。 * 5.5 遗传算法的缺点及其改进 第四章 最优潮流 （1）单一的遗传算法编码不能全面地将优化问题的约束表示出来; （2）遗传算法的效率通常比其它传统的优化方法低; （3）遗传算法容易出现过早收敛; （4）遗传算法对算法的精度、可信度、计算复杂性等方面，还没有有效的定量分析方法。 改进方法 （1）利用小生境技术维持种群的多样性，以利于算法跳出局部最优，避免早熟； （2）采用学习机制使得优良的基因特性可以跨代继承。 * 第六节 改进遗传算法 第四章 最优潮流 生物学上，小生境是指在特定环境中一种组织的功能。考察基本遗传算法在单变量多峰函数优化方面的搜索特性。如果我们以均匀分布的随机方式产生初始群体，则在算法的 开始阶段，各个体分布在一个相对较宽的函数定义域中，随着遗传优化过程的进展，群体开始爬山，并逐步集中到一个山峰上。这种收敛到一个山峰的优化特点是由群体规模有限所引起的随机采样误差造成的。 6.1 小生境技术 * 第四章 最优潮流 一个个体的共享度等于该个体与群体中各个其他个体之间的共享函数值的总和。共享函数是关于两个个体之间的关系密切程度的函数。当个体间关系比较密切时共享函数值较大，反之则共享函数值较小。日本学者提出了一种基于罚函数的排挤小生境遗传算法，其基本思想是：首先比较群体中每两个个体之间的距离，若这个距离小于预先指定的距离L，再比较两者的适应度，并对其中适应度较小的个体施加一个较强的罚函数，极大地降低其适应度。这样对于在距离L之内的两个个体，其中较差的个体经处理后其适应度变得更差，在后面的进化过程中被淘汰的概率就极大。也就是 说，在距离L之内将只存在一个优良的个体，从而既维护了群体的多样性，又使得各个个体之间保持一定的距离。 基于共享机制小生境技术 * 第四章 最优潮流 传统的进化算法模仿基因交叉和变异的进化机制来寻找最优解，但其寻优过程带有相对的盲目性和随机性，子代仅从其双亲父代处继承基因，其基因来源途径单一，父代的优 势基因有时可能会在逐代的进化中损失。 带学习的进化机制可以改变自身的基因结构而影响进化过程。这种学习的能力可以使个体在其生存期间执行一种小规模的局部搜索，以最大化它的适应度。因此，不学习的个体其适应度完全取决于它的遗传结构，在选择过程中将会处于相对的劣势。而那些具有学习能力的个体，能够不完全依赖“先天的”遗传来硬性的规定其自身的特性，这些个体可以依靠学习来克服遗传代码中“失去的”或“并非最优”的特性。因此，个体的学习能力具有间接加速整个种群进化的作用。 学习策略 * 第四章 最优潮流 （1）优良个体的选择 按照适应度从最大依次选择N个个体生成优良个体队列.当新一轮进化完成后，若其中有个体适应度大于某个已