遗传算法简介及基于单亲遗传算法配电网扩展规划.docVIP

遗传算法简介及基于单亲遗传算法配电网扩展规划 　　中图分类号：TM421 文献标识码：A 　　1. 遗传算法简介 　　遗传算法是一种借鉴生物界自然选择和自然遗传机制的稳健的、随机化搜索寻优技术，它的稳健性来自于对多峰值情况下全局最优解的定位能力。其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，尤其适用于处理传统搜索方法难以解决的复杂和非线性问题，可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域，是二十一世纪有关智能计算的关键技术之一。 　　遗传算法的本质是一个群体的迭代寻优过程。其主要特点是：①利用目标函数变量的编码（个体）进行进化；②在解空间中从多点寻找问题解；③引入了概率转换规则，因此能搜索离散的有噪声的多峰值复杂空间；④使用随机操作，同时具有一定的方向性，它使用随机工具来指导搜索向一个最优解前进，的方向性使得它的效率远远高于一般的随机算法；⑤具有隐含的并行性。 　　 　　遗传算法中包含了如下五个基本要素: 　　1 编码 　　利用遗传算法进行问题求解时，首先确定问题的目标函数和变量，然后对变量进行编码。编码方式一般分为二进制编码和实数编码。 　　2 初始群体的产生 　　为满足遗传算法的群体型操作的需要，必须为遗传操作准备一个由若干初始解组成的初始群体。一般来说，初始群体的产生可采取如下的策略： 　　(1) 根据问题的固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，然后在此分布范围内设定初始群体。 　　(2) 随机生成一定数目的个体，然后从中挑选出最好的个体加到初始群体中。这一过程不断迭代，直到初始群体中的个体数达到了预先确定的规模。 　　3 适应度函数的设计 　　遗传算法使用目标函数即适应度函数来评估个体或解的优劣，并作为以后遗传操作的依据。适应函数的构造应根据具体规划而定。通常是规划目标函数和约束条件的另一种描述方式。 　　4 遗传操作设计 　　选择(selection)、交叉(crossover)、和变异(mutation)是遗传算法的三个主要操作，它们构成了所谓的遗传操作，使遗传算法具有了其它传统方法所没有的特性。 　　选择操作：比例选择是以适应度的大小为比例进行遗传过程中的父体选择，被选中的个体作为父代参与后面的遗传操作以产生子代，也就是给那些处于优势的个体以更多的繁衍机会。 　　交叉操作：是产生新个体的主要手段。它仿照生物学中的杂交原理，将两个个体（染色体）的部分字符（基因）互相交换以产生新个体。实行交叉的个体是随机选择的，参与交叉的个体总数由交叉概率Pc控制。交叉点的选择也是随机的。 　　变异操作：是遗传算法中产生新个体的另一种方法，它是将某一个体的某一位字符进行补运算。变异个体的选择以及变异位置的确定，都是采用随机的方法产生，参与变异的字符量由变异概率Pm控制。针对每个字符在[0,1]之间产生三位有效数的均匀分布随机数，凡是随机数小于Pm所对应的字符，将实行变异。 　　5 控制参数设计（主要指群体规模的大小和使用遗传操作的概率）。 　　这五个要素构成了遗传算法的核心内容。 　　 　　2. 单亲遗传算法简介 　　2.1 单亲遗传算法简介 　　单亲遗传算法 (Partheno-Genetic Algorithm，PGA)在遗传操作中通过单个父代个体产生子代个体，不进行两条染色体之间基因的交叉操作，而是通过一条染色体中基因的换位等操作来实现遗传。只通过选择和变异算子繁殖后代，其选择算子跟传统遗传算法的一样，而变异算子则有较大区别。 　　PGA同常规遗传算法类似，也是一种采用随机搜索方式的种群算法：通过遗传算子等操作，产生出适应性更强的后代种群；通过不断繁衍而获得种群的进化。PGA不采用杂交算子，而是只通过选择和变异算子繁衍后代。其选择算子同常规遗传算法一样，可以采用轮盘赌等多种策略，而变异算子则与通常的遗传算法有所不同。 　　PGA的变异操作包括基因突变、基因换位等。 　　与常规遗传算法相比，单亲遗传算法具有计算效率高、不存在“早熟（局部收敛）”等优点。 　　单亲遗传算法(PGA)是一种适合于求解组合优化问题的新型算法，它与传统遗传算法相比，具有不要求初始群体的广泛多样性、不存在“早熟收敛”问题、操作简单和计算效率高等优点。 　　2.2 提高单亲遗传算法计算效率的措施 　　在遗传迭代的不同阶段使用不同的遗传操作方法有利于提高计算效率。因此，在遗传迭代过程中引入一些启发式规划，构成自适应启发式PGA，是提高计算效率的有力措施。其启发式规则的构造应视具体问题作具体分析。通用的启发式规则有： 　　1 在种群具有多样性时，使用单点遗传算子；而在种群不具有多样性时，使用多点遗传算子。 　　2 在遗传迭