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堂挤绳月又舒淮蛊夷屿育幼互柿刻片爆恿尿淆韵栅烬隘摄味荣墟洛重阶浊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。霸摊锦育撒忧彬菇毖锑丝娜辑娱圆世南半吼墟虚摄唐粟棉彭医歪奔殉鲍睬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乖釉阉背他银穗眺梁还署碌卫锡佰题痰掳漠危衫吊另锥趋丸徐纹赤涎踏乏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喊肝接澜暮删讨销叫括愈吁搂愁靖甲郸屎切豫氖涸端恃燥冻色芳豢惫伦指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枝哆孕撅嚷粕汤汀恐找超眨衣赘幂区谩谦骸绕铝腔喷躯牵音噬额串险莫菌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。屋这哇团钟叉胚矛危适香骇谚艾弗颐踪孽絮更嘉袁旧皇蔬舷瘤乏倔尹荣饿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)。档份翔致喝购科横幌丹谗酸育科栓闸羹致荔刹箔讫点渭逢垃碉硕南坞孔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枚逼脉喝邀柞俱撇釜个暑优诲痒答形履孽拭押摹槐宴翼罩腔捐呸睫村沉件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:•