周帥 張紅旗

摘要：簡要說明無功優(yōu)化的重要性，較為全面的綜述了運用遺傳算法進行無功優(yōu)化的研究現(xiàn)狀，以算法改進方法分類綜述。最后，對未來遺傳算法在無功優(yōu)化方面的研究方向提出自己的想法。

關(guān)鍵詞：無功優(yōu)化;遺傳算法;改進方法

Abstract：Thisstudybrieflyillustratestheimportanceofreactivepoweroptimization，andcomprehensivelysummarizestheresearchstatusofreactivepoweroptimizationusinggeneticalgorithmanditsimprovedclassification.Finally，somesuggestionsonthefutureresearchdirectionofgeneticalgorithminreactivepoweroptimizationareputforward.

Keywords：reactivepoweroptimization;geneticalgorithm;improvedmethod

隨著時間的推移，經(jīng)過國內(nèi)外學者的研究，涌現(xiàn)出越來越多的無功優(yōu)化算法。其大致分為經(jīng)典優(yōu)化算法和人工智能算法。經(jīng)典優(yōu)化算法主要有線性規(guī)劃法、非線性規(guī)劃法、動態(tài)規(guī)劃法、混合整數(shù)規(guī)劃法等;人工智能優(yōu)化算法主要有：遺傳算法、模擬退火法、粒子群算法、神經(jīng)網(wǎng)絡(luò)算法、蟻群算法等。

本文主要對遺傳算法在無功優(yōu)化領(lǐng)域研究現(xiàn)狀及其應(yīng)用進行總結(jié)，并對未來研究提出建議。

1遺傳算法基本原理

遺傳算法是模擬自然界優(yōu)勝劣汰，適者生存擇優(yōu)法則的一種隨機搜索算法。遺傳算法采用概率性、多路徑搜索，通過對變量編碼后的編碼串進行操作，取代了對變量的直接操作，進而可以提高處理離散變量的能力。由于遺傳算法是多路徑尋優(yōu)，所以遺傳算法具有很強的全局搜索能力，同時具有很強的魯棒性、并行計算能力。但遺傳算法局部收斂能力較差，計算速度較慢，計算精度較低等缺點。

2改進遺傳算法及其應(yīng)用

2.1改進自身的遺傳算法

2.1.1編碼方式的改進

遺傳算法的編碼方式有很多種，不同的編碼方式有不同的特點，根據(jù)實際需要選擇合適的編碼方式。目前常用的編碼方式有：二進制編碼，浮點數(shù)編碼，實數(shù)編碼、格雷編碼、混合編碼。

文獻[1]提出利用整實數(shù)混合編碼方式，即：利用實數(shù)編碼對連續(xù)變量進行編碼，同時采用整數(shù)編碼對離散變量進行編碼。克服了傳統(tǒng)二進制編碼在編碼長度較短時精度較差，在編碼長度較長時搜索空間過大，過度占用內(nèi)存的缺陷。

2.1.2遺傳算子的改進

選擇操作是隨機確定某一區(qū)域，將該區(qū)域內(nèi)優(yōu)良個體選擇出來，經(jīng)過多次操作，最后由選擇出的優(yōu)良個體集合作為下一代種群。傳統(tǒng)的選擇方法常采用賭輪盤選擇法，其基本原理是個體被選中的概率隨著適應(yīng)度值的增大而增大。由于選擇的隨機性，可能會使適應(yīng)度較大的個體遭到破壞。

文獻[2]提出最優(yōu)保存策略基本思想是當代中最優(yōu)個體不再進行變異等操作，避免最優(yōu)個體在交叉、變異操作過程中遭到破壞，影響算法的最終優(yōu)化結(jié)果。

遺傳算法主要依靠交叉操作產(chǎn)生新個體。交叉操作是通過兩個父代個體依據(jù)一定的規(guī)則將染色體的部分結(jié)構(gòu)進行交換從而產(chǎn)生新個體，同時也是遺傳算法產(chǎn)生優(yōu)良個體的主要途徑。常用的交叉方法有：單點交叉、兩點交叉、均勻交叉等。

文獻[3]采用分段函數(shù)的形式設(shè)置交叉率，即：以較小的交叉率保護較好的個體遭到破壞，以較大的交叉率淘汰較差的個體，從而加快遺傳算法的優(yōu)化進程，優(yōu)化算法的性能。

變異操作是以很小的概率改變種群中個體的基因值，從而產(chǎn)生從未有的基因信息或者恢復(fù)某些遭到破壞的基因信息。變異操作不僅可以維持種群多樣性，而且可以提高遺傳算法跳出“早熟”的能力。

文獻[4]提出采用自適應(yīng)變焦變異，即：較好的個體縮小變異范圍變異概率，較差的個體放大變異范圍和變異概率，既能維持種群多樣性，又能避免算法陷入“早熟”。

2.2遺傳算法與其它算法結(jié)合

2.2.1小生境遺傳算法

小生境遺傳算法的基本原理是在預(yù)選機制和分享機制或排擠機制的前提下完成選擇操作，將每一代個體劃分為若干個子種群，在每個子種群中選擇優(yōu)良個體組成新的種群，在每個種群內(nèi)部及其它種群之間進行信息交流生成下一代個體。

文獻[5-6]將小生境技術(shù)與遺傳算法結(jié)合，不僅提高了遺傳算法的局部搜索能力，而且解決了遺傳算法后期收斂較慢的問題，既節(jié)省時間，又可提高搜索效率。

2.2.2蜜蜂進化型遺傳算法

蜜蜂進化型遺傳算法基本原理是在遺傳算法與蜜蜂繁殖進化機制相結(jié)合。充分發(fā)揮發(fā)揮蜂王在蜂群進化過程中的積極作用，通過引入其他種群蜜蜂的方法來保持種群多樣性，提高算法跳出局部最優(yōu)解的概率。

文獻[7]將蜜蜂進化機制與遺傳算法相結(jié)合，采用自適應(yīng)選擇算子，在優(yōu)化過程中及時更新算法搜索空間，從而有效提高算法的搜索效率。通過引入驅(qū)逐算子，維持優(yōu)化后期的種群多樣性。

2.2.3免疫遺傳算法

免疫遺傳算法是由免疫算法與遺傳算法相結(jié)合的一種傳統(tǒng)遺傳算法改進的方法結(jié)合兩種算法的優(yōu)點，有效提高傳統(tǒng)遺傳算法局部搜索能力較差的問題。免疫算法是模擬生物免疫系統(tǒng)對有害病菌多樣性識別的算法，由于免疫算子具有選擇性、目的性、針對性，所以可以很好的克服陷入“早熟”的問題，并且免疫算法具有較強的全局搜索能力。

文獻[8]提出免疫遺傳算法是由于引入免疫機制發(fā)展而成的，依據(jù)抗體與抗原之間的親和度，最終取得最優(yōu)解。由于優(yōu)化過程中很好的維持種群多樣性，進而改善算法跳出局部最優(yōu)解的能力。同時因為免疫系統(tǒng)記憶細胞的存在，還能加快搜索速度，使得算法的性能得以提升。

2.2.4模擬退火遺傳算法

模擬退火遺傳算法的基本原理是在算法優(yōu)化過程中，模擬退火法不僅可以接受較好的解，還有一個以隨機接受準則為基準的較差的解，且接受較差的解的概率逐漸趨于零，從而使算法避免陷入“早熟”，最終取得全局最優(yōu)解，但是模擬退火法需要多次迭代，影響算法優(yōu)化效率。其中，在算法優(yōu)化過程中，退火溫度控制算法的優(yōu)化方向，初始溫度越高，退火速度越慢，找到全局最優(yōu)解的概率就越大。

文獻[9]在交直流混合輸電系統(tǒng)的無功優(yōu)化問題中采用模擬退火遺傳算法。在優(yōu)化過程中，將遺傳算法的遺傳算子與模擬退火法的狀態(tài)產(chǎn)生函數(shù)相結(jié)合。模擬退火法在優(yōu)化過程中實現(xiàn)狀態(tài)全局變化以及局部趨向移動，改善算法的性能。文獻[10]提出在模擬退火遺傳算法的基礎(chǔ)上引入靈敏度分析法，通過衡量和減少無功對網(wǎng)損的影響，縮小解的區(qū)域，從而提高算法的運行效率。

2.2.5內(nèi)點法和遺傳算法相結(jié)合

內(nèi)點法依據(jù)懲罰函數(shù)，沿著某條搜索路徑在內(nèi)部可行域內(nèi)均做一次搜索，從而獲得最優(yōu)解。內(nèi)點法具有搜索速度快、魯棒性強的特點，擅長解決連續(xù)問題。遺傳算法通過隨機搜索求得全局最優(yōu)解，在解決離散問題上有明顯的優(yōu)勢。由于無功優(yōu)化問題既有連續(xù)變量，又有離散變量，所以二者結(jié)合，可大幅改善優(yōu)化效果。

文獻[11]提出采用新的混合策略求解無功優(yōu)化問題。該策略首先采用內(nèi)點法求得問題的初始解，然后將問題劃分為連續(xù)問題和離散問題，分別用內(nèi)點法和遺傳算法交替求解，二者相互利用，充分發(fā)揮兩種算法的優(yōu)點。經(jīng)仿真系統(tǒng)驗證，該混合策略在搜索速度和收斂速度都有明顯的改善。

3結(jié)語

本文主要介紹遺傳算法在無功優(yōu)化方面的應(yīng)用及其改進方法。依據(jù)改進遺傳算法的手段分為兩大類：遺傳算法自身參數(shù)的改進及遺傳算法與其它算法相結(jié)合。多數(shù)學者選擇改進算法自身參數(shù)，而將遺傳算法與其它算法相結(jié)合的研究相對較少。因為混合遺傳算法的優(yōu)化效果較為明顯，所以在未來遺傳算法在無功優(yōu)化方面的應(yīng)用及其改進，遺傳算法與其它算法相結(jié)合的混合算法有很大的發(fā)展空間。

參考文獻：

[1]武曉朦，封園.采用改進遺傳算法的配電網(wǎng)無功優(yōu)化[J].西安石油大學學報（自然科學版），2015，30（03）：95-99+11.

[2]李宏陽.基于改進遺傳算法的風電場無功優(yōu)化控制策略研究[D].沈陽工業(yè)大學，2018.

[3]陳寧，牛蔚然，張健，王坤，代二剛，韓蓬.基于遺傳算法的配電網(wǎng)無功補償優(yōu)化研究[J].電子設(shè)計工程，2017，25（06）：58-61.

[4]何宏，曹曄.改進遺傳算法在電力系統(tǒng)無功優(yōu)化中的應(yīng)用[J].無線互聯(lián)科技，2012（07）：201+203.

[5]宋佳航，孟濤，張海峰，劉亞東，羅鋒.基于小生境遺傳優(yōu)化算法的配電網(wǎng)無功優(yōu)化[J].電氣開關(guān)，2017，55（04）：63-66.

[6]毛荀，夏俊麗，張旭昶，羅亞橋.基于改進小生境遺傳算法的小水電網(wǎng)無功優(yōu)化系統(tǒng)開發(fā)[J].水電與新能源，2015（04）：33-37.

[7]楊晨.基于蜜蜂進化型遺傳算法的電力系統(tǒng)無功優(yōu)化[D].河北大學，2013.

[8]柴浩，梁洪元，杜鵬，王惠寧.基于免疫遺傳算法的電力系統(tǒng)無功優(yōu)化[J].農(nóng)業(yè)科技與裝備，2015（08）：30-33.

[9]黃俊輝，汪惟源，王海潛，李海坤.基于模擬退火遺傳算法的交直流系統(tǒng)無功優(yōu)化與電壓控制研究[J].電力系統(tǒng)保護與控制，2016，44（10）：37-43.

[10]王旭斌，李鵬，竇鵬沖.基于改進遺傳模擬退火算法的電網(wǎng)無功優(yōu)化[J].陜西電力，2013，41（07）：40-44.

[11]劉方，顏偉，DavidC.Yu.基于遺傳算法和內(nèi)點法的無功優(yōu)化混合策略[J].中國電機工程學報，2005（15）：67-72.