进化算法-研究与其在电力无功优化中的应用

《进化算法-研究与其在电力无功优化中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第一章绪论进化算法(EvolutionaryAlgorithms，简称EAs)是基于达尔文(Darwin)的进化论，在计算机上模拟生物进化机制而发展起来的，它将问题的求解表示成染色体的适者生存过程，通过染色体的一代代进化，最终收敛到最适应环境的个体(即问题的最优解或近似最优解)。它具有高度并行性、自组织、自学习与自适应等特征，为解决复杂问题提供了一种新途径。近年来，进化算法成功应用于机器学习、过程控制和工程优化等领域，引起了计算机科学及工程应用等领域的学者们的极大兴趣。自20世纪80年代中期以来，世界上许多国家都

2、掀起了进化算法的研究热潮。本章首先介绍课题的研究背景及意义；然后给出本文的主要研究内容及组织安排；最后是本章小结。1．1论文研究背景1．1．1进化算法研究背景1859年，达尔文创立的进化论，作为生物界以及人类文明史上的一个里程碑，促进了科学技术的发展。按照达尔文的进化论，地球上的每一物种从诞生开始就进入了漫长的进化历程，生物种群从低级、简单逐渐进化到高级、复杂。各种生物要生存下来，都要经历“物竟天择，适者生存”的过程。根据孟德尔(Mendel)和摩根(Morgan)的遗传学理论，遗传物质是作为一种指令密码封装在每

3、一个细胞中，并以基因的形式排列在染色体上，每个基因有特殊的位置并控制生物的某些特性。不同的基因组合产生的个体对环境的适应性不一样，通过基因杂交和突变可以产生对环境适应的后代。经过优胜劣汰的自然选择，适应度值高的基因结构得以保存下来，从而逐渐形成了经典的遗传学染色体理论，揭示了遗传和变异的基本规律。大多数高级生物是以自然选择和有性繁殖这两种基本过程实现进化发展的：自然选择决定了生物种群中哪些个体能够存活并繁殖，有性繁殖保证了生物后代基因中的杂交和重红从而使得群体的进化比其他方式更加快速而有效。自然界的生物进化是一个

4、不断循环的过程，在这一过程中，生物群体也就不断进化和完善。可见，生物进化过程本质上是一个优化过程，除了进化过程的最终结果，我们可以利用这一过程本身去解决一些较为复杂的问慝这样，我们不必非常明确地描述问题的全部特征，只需要根据自然法则来产生新的更好解。进入20世纪60年代以来，生物学的进化论被推广应用于工程技术领域，形成一种新型1的计算方法一进化算法。它采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。由于它采用种群的方式组织搜索，可以同时

5、搜索解空间内的多个区域。而且基于群体搜索的方式使得进化算法特别适合求解大规模并行计算问题。进化算法在具有自组织、自适应和自学习等特征同时，优胜劣汰的自然选择和简单的遗传操作使得它具有不受其搜索空间限制性条件(如可微、连续等)的约束，也不需要其他的辅助信息(如导数)的特点。这些崭新的特点使得进化算法不仅能够获得较高的优化效率而且具有简单、易操作和通用性的特性。通常，进化算法包括遗传算法(GeneticAlgorithm，简称GAs)、进化规划(EvolutionaryProgramming，简称EP)和进化策略(E

6、volutionaryStrategy，简称ES)三个分支。它们在进化原则上是一致的，但是在实施进化的手段上却各有特点，互不相同。进化算法作为一类启发式搜索算法，已被成功应用于多目标优化领域，发展成为一个比较热门的研究方向—进化多目标优化(EvolutionaryMulti-objectiveOptimization，简称EMO)。1985年，Schaffer提出了第一种多目标进化算法；向量评估遗传算法(Vector-valuatedGeneticAlgodthms，简称VEGA)【¨，被看作是进化算法求解多目标

7、优化问题的开创性算法。从上个世纪90年代中后期开始，国际上掀起了EMO的研究热潮，各国学者们相继提出了许多不同的进化多目标优化算法。1993年，Fonsenoa和Fleming提出了以Parcto(Pareto-optimalset)排序为基础的多目标进化算法【2J(Multi-objectiveGeneficAlgorithms，简称MOGA)，Srinivas和Deb提出了非支配排序遗传算法【3】(Non-DominatedSortingGeneficAlgofithm，简称NSGA)，1993年，Horn和

8、Nafpliotis等基于Pareto支配关系，提出了小生境Pareto遗传算法[41(NichedParetoGeneticAlgorithm，简称NPGA)算法，这些算法习惯上被称为第一代进化多目标优化算法。这些化算法以非支配排序的选择和保持共享函数的多样性为主要特点。从1999年到2003年，以精英保留机制为特征的第二代进化多目标优化算法相继被提出：1999年，Zi