李旭

摘 要：所謂最優(yōu)潮流，就是在給定的系統(tǒng)結(jié)構(gòu)和負(fù)荷情況下，通過對某些控制標(biāo)量的優(yōu)化，在滿足必須的約束條件下，使系統(tǒng)某一些指標(biāo)能夠達(dá)到最優(yōu)時的潮流分布。本文針對最優(yōu)潮流算法中的遺傳算法原理及計算步驟進(jìn)行介紹。

關(guān)鍵詞：最優(yōu)潮流；遺傳算法；計算流程

一、遺傳算法的原理

遺傳算法的核心思想來源于生物的進(jìn)化規(guī)律，即指“遺傳-變異-自然選擇”遺傳是指自然界中的生物通過基因傳遞親代的特征或性狀信息，從而繼承親代的特征或性狀的生命現(xiàn)象。變異是指生物在進(jìn)行細(xì)胞分裂進(jìn)行基因復(fù)制時，在某些基因復(fù)制的過程中出現(xiàn)的小概率復(fù)制差錯，使得生物的DNA上遺傳信息發(fā)生某種根本性的變化，從而產(chǎn)生新的染色體。在自然界中，還有自然的選擇，決定生物的進(jìn)化流向，只有適應(yīng)生存環(huán)境的物種得以生存下來，并且逐漸朝著適應(yīng)于生存環(huán)境的方向進(jìn)化，體現(xiàn)自然界“適者生存，優(yōu)勝劣汰”的法則。遺傳算法是對目標(biāo)的直接操作，不存在求導(dǎo)和對函數(shù)連續(xù)性的限制；因此遺傳算法具有內(nèi)部的隱秘性和并行性，而且全局尋優(yōu)能力相對較優(yōu)秀。遺傳算法通常釆用的是概率化的尋最優(yōu)解的方法，因此算法能自動獲得搜索空間并對其進(jìn)行優(yōu)化指導(dǎo)，自行的對應(yīng)并調(diào)整搜索方向，不需要明確的規(guī)則。這些遺傳算法的優(yōu)秀性質(zhì)，已經(jīng)被廣泛地應(yīng)用在了許多現(xiàn)代領(lǐng)域。

二、遺傳算法的計算步驟

遺傳算法的計算步驟：

1.初始種的產(chǎn)生和規(guī)模設(shè)定

產(chǎn)生初始種群有兩種方法：其一，如果獲取方式比較麻煩，可以隨機的方法產(chǎn)生一個含有N的個體種群。另外一種方法則是根據(jù)先驗知識得到一組產(chǎn)生初始種群需要滿足的條件，然后在這些條件限制下的問題最優(yōu)解的分布范圍內(nèi)，隨機挑選個體，生成初始種群，這種方法可以有效地提高遺傳算法的收斂速度。

2.編碼與譯碼

遺傳算法中將優(yōu)化問題的變量轉(zhuǎn)換為位串形式的數(shù)碼串的過程叫做編碼。相反的，將位串形式的數(shù)碼串轉(zhuǎn)換為優(yōu)化問題的變量的過程叫做譯碼。通過編碼和譯碼的遺傳操作，將遺傳算法的操作對象由優(yōu)化問題變量本身轉(zhuǎn)換為編碼和譯碼后的到的數(shù)字串。因此，編碼是在應(yīng)用遺傳算法求解優(yōu)化問題時首先解決的問題，同時也是在設(shè)計和實現(xiàn)遺傳算法時的一個關(guān)鍵步驟。編碼和譯碼方法決定了種群中個體的染色體上基因的排列形式。編碼方法是否合適直接會影響到遺傳運算的計算精度和運算效率。

3.適應(yīng)度函數(shù)

遺傳算法將優(yōu)化問題的目標(biāo)函數(shù)轉(zhuǎn)換成適應(yīng)度函數(shù)，并且使適應(yīng)度函數(shù)與優(yōu)化問題的目標(biāo)函數(shù)具有相同的極值點和可行解域，然后根據(jù)適應(yīng)度函數(shù)的大小對個體進(jìn)行評判，選擇適合進(jìn)入下一代遺傳操作的親代個體。適應(yīng)度函數(shù)值的主要作用是根據(jù)種群中個體的適應(yīng)度函數(shù)值的大小進(jìn)行選擇，以確保適應(yīng)度函數(shù)值高的個體得到更多繁殖下一代的機會，使得適應(yīng)于環(huán)境的優(yōu)良特性能夠遺傳給后代，從而使得整個種群朝著最優(yōu)化的方向進(jìn)化。

4.選擇

選擇操作是一種復(fù)制式的操作模式，類似于自然選擇的過程。選擇的目的是在種群進(jìn)化過程中選取適應(yīng)度函數(shù)值高的個體作為進(jìn)入下一代遺傳操作、繁殖后代的親代個體。為了使種群朝著最優(yōu)解的優(yōu)化方向進(jìn)化，在進(jìn)行選擇操作時個體的適應(yīng)度函數(shù)值高的個體將獲得更多的機會進(jìn)入到下一代遺傳操作，繁殖后代，提高種群中個體的整體適應(yīng)度函數(shù)值。目前，遺傳算法常用的選擇操作方法主要有：輪轉(zhuǎn)法、期望值法和最優(yōu)個體保留法。

5.交叉

交叉是將種群中的兩個個體根據(jù)交叉概率Pc按照某種方式進(jìn)行重新組合。交叉操作的目的是通過產(chǎn)生新的個體來擴(kuò)大待求優(yōu)化問題最優(yōu)解的搜索范圍。通過交叉操作能夠產(chǎn)生兩個與附帶個體以及彼此都不相同的子代個體，同時這兩個子代個體都從兩個父代個體那里遺傳了相關(guān)的遺傳信息。交叉操作的方法有很多，主要有：一點交叉、多點交叉和一致交叉等。

6.變異

變異操作是對生命的基因變異現(xiàn)象進(jìn)行的模擬。通過變異操作的作用能夠產(chǎn)生與之之前種群不一樣的個體，從而增大種群的多樣化，從而加大問題最優(yōu)解的搜索范圍，便于更好地找到全局最優(yōu)解。在進(jìn)行變異操作時，以很小的變異概率Pm（一般取0.001～0.1）隨機從種群中挑選若干個體作為變異的對象，讓后又隨機挑選中個體的數(shù)字串上的某一位或者是多位數(shù)字進(jìn)行變換操作，即變異操作。

算法的基本思想簡單，而且運行方式和實現(xiàn)步驟較為輕便，可以直接使用，直接處理的對象是決策變量的編碼集而不是決策變量的實際值，搜索過程不需要考慮約束條件的作用，也不需要對函數(shù)進(jìn)行求導(dǎo)變換；其選擇、交叉、變異等運算都通過概率形式進(jìn)行操作，從而提高了整個過程的靈活性，具有全局優(yōu)化求解能力。但算法的明顯問題在于，易陷入局部最優(yōu)：群體中所有的個體都陷入于同一極值從而停止進(jìn)化，或者接近最優(yōu)解的個體總是被淘汰，進(jìn)化過程不能達(dá)到收斂目的。

參考文獻(xiàn)：

[1] 張粒子，基于遺傳算法的無功規(guī)劃優(yōu)化[J]，中國電機工程學(xué)報1995，15（5）：347-353.

[2] 林周全，基于該叫你遺傳算法的電力系統(tǒng)無功優(yōu)化，南華大學(xué)碩士學(xué)位論文，2013.

[3] 徐衛(wèi)志，王洪國，楊海，于惠.矩陣鏈乘序問題的并行算法研究.信息技術(shù)與信息化，2007（6）：71-73.