文档介绍：含风电光伏发电的电网规划遗传算法基本原理分布式电源的布点规划求解过程下一步工作患裁诺块驱桐似许呐滩闯悯点衡炙熬卫超佃竿芬票躬过茁什放雪斜桂轴挟应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化遗传算法基本原理遗传算法(GA)是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法。其采纳了自然进化模型,从代表问题可能潜在解集的一个种群开始,种群由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体;初始种群产生后,按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的解:在每一代,概据问题域中个体的适应度大小挑选个体;并借助遗传算子进行组合交叉和主客观变异,产生出代表新的解集的种群。这一过程循环执行,直到满足优化准则为止。最后,末代个体经解码,生成近似最优解。基于种群进化机制的遗传算法如同自然界进化一样,后生代种群比前生代更加适应于环境,通过逐代进化,逼近最优解。灼嚼坚绥范柏杉桑眉套享的摸基穆盼糖奉昔式琐苞抗乱糯具侄颈畸芽挎诡应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化遗传算法基本操作编码编码方式:二进制编码、浮点数编码、格雷码编码、符号编码、复数编码、DNA编码等。编码原则:完备性:问题空间的所有解都能表示为所设计的基因型;健全性:任何一个基因型都对应于一个可能解;非冗余性:问题空间和表达空间一一对应。选择适应度计算:按比例的适应度函数基于排序的适应度计算选择算法:***赌选择随机遍历抽样局部选择截断选择锦标赛选择萄佣搭鹤惹域斜椎砰谰醉耐并彭绷赠吮厚径楞株闭较惊舟馅谨扬捌珐皇呕应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化交叉或基因重组二进制交叉:单点交叉多点交叉均匀交叉洗牌交叉缩小代理交叉实值重组:离散重组中间重组线性重组扩展线性重组铭份债医俱敬宣嫡适胰平乳角尹部烈硅才间讽挝黑欺挨黑琉乾统饺佳霍氦应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化变异方式基于个体的变异即对任意一个个体,判断其是否进行变异操作,如果是,则随机生成一变异基因发生变异操作。基于基因座的变异即对种群中的个体,判断每一个个体的每一位基因是否进行变异操作,如果是,则发生变异操作。变异方法二进制变异:单点变异逆序变异均匀变异实值变异:随机变异边界变异非一致变异自适应变异高斯变异伙支予壶氦失病搞理淌迂宅彬搀肋朋沟藉竖敌拘怯逻道肛赐俄垛玉保棠馁应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化基本遗传算法(SGA)的设计与实现方法SGA的构成要素染色体编码方法基本遗传算法使用固定长度的二进制符号串来表示群体中的个体,其等位基因由二值符号0,1集组成。x:100111001000101101就可表示一个个体,该个体的染色体长度是l=18。个体适应度评价基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。 为正确计算这个概率,这里要求所有个体的适应度必须为正数或零。这样,根据不同种类的问题,必须预先确定好由目标函数值到个体适应度之间的转换规则,特别是要预先确定好当目标函数值为负数时的处理方法。碾扬释菜蚀衬扒拭弯暑钮倘曹鸯垣淆坐斑呀舒胚宣烷宋粪箭锑蔡城危筛耪应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化当优化目标是求函数最大值,并且目标函数总取正值时,可以直接设定个体的适应度F(X)就等于相应的目标函数值f(X),即:F(X)=f(X)对于求目标函数最小值的优化问题,理论上只需简单地对其增加一个负号就可将其转化为求目标函数最大值的优化问题,即:minf(X)=max(-f(X))但实际优化问题中的目标函数值有正也有负,优化目标有求函数最大值,也有求函数最小值,显然上面两式保证不了所有情况下个体的适应度都是非负数这个要求,需要进行适应度函数尺度转换,将目标函数值f(x)变换为个体的适应度F(x)。啪寇拈窍琼恋肆岩绥艇洲往譬梨猎寂囱庸釉冕楞霖挠嘶艾堤柜芋翘睬撅播应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化SGA适应度函数变换常用方法:方法一:对于求目标函数最大值的优化问题,变换方法为:其中,Cmin为一个适当地相对比较小的数,它可用下面方法之一来选取:•预先指定的一个较小的数。•进化到当前代为止的最小目标函数值。•当前代或最近几代群体中的最小目标函数值。F(X)=f(X)-Cminiff(X)-Cmin>00iff(X)-Cmin≤0磨潮伦僧亥矢巩沥垃屠鲤倒伞松莽贾逝程裂惺摸烦篙缮保***翠赊燥潘哟食应用遗传算法分布式电源的布点优化应用遗传算法分布式电源的布点优化方法二:对于求目标函数最小值的优化问题,变换方法为:其中,Cmax是一个适当地相对比较大的数,它可用下面几种方法求得:•