文档格式 含微网的配电网故障恢复算法研究毕业设计论文 ㊣ 精品文档

🔯 格式:DOC | ❒ 页数:43 页 | ⭐收藏:0人 | ✔ 可以修改 | @ 版权投诉 | ❤️ 我的浏览 | 上传时间:2026-11-09 14:36
含微网的配电网故障恢复算法研究毕业设计论文第1页
第 1 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第2页
第 2 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第3页
第 3 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第4页
第 4 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第5页
第 5 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第6页
第 6 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第7页
第 7 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第8页
第 8 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第9页
第 9 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第10页
第 10 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第11页
第 11 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第12页
第 12 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第13页
第 13 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第14页
第 14 页 / 共 43 页
含微网的配电网故障恢复算法研究毕业设计论文第15页
第 15 页 / 共 43 页

重构算法研究电力系统自动化王兆宇,微电网及智能配电网的能量管理与故障恢复上海交通大学,年致谢第页共页致谢四年的大学时光即将要结束了,回首过去,感觉记忆犹新,四年的时光里,不仅得到了老师的谆谆教导,更收获许许多多的纯真友谊,更明白了许多做人做事的道理。


在论文即将完稿之际,首先感谢我的指导老师邹必昌副教授。


这短暂的两个多月时间里的耐心教导。


在做毕业设计期间,从论文的方案论证系统的研究,到论文审阅定稿等整个过程中无不倾注着导师的心血。


在此,首先让学生向导师邹必昌副教授致以最崇高的敬礼,同时邹老师渊博的专业知识,丝不苟,求实务真的态度也为我们树立了榜样也同样感谢那些在平时的工作中给予我无私帮助的同学们,正是因为有你们的陪伴,起走过了大学四年丰富多彩的时光,似。


而变异是指子代和父代有些不相似的现象,是生物个体之间相互区别的基础。


选择是指保留和淘汰,它决定生物进化遗传和变异的方向,使变异和遗传向着适应环境方向发展。


生物进化论揭示了生物长期自然选择进化的发展规律,使科学家们从中受到了启迪,认识到进化论自然选择过程蕴含着种搜索和优化的先进思想,并将这种思想用于工程技术领域,发展出遗传算法。


遗传算法,简称是在七十年代初期由美国密执根大学的教授发展起来的。


年教授发表了第本比较系统地论述遗传算法的专著。


近年来由于遗传算法的突出优点使之成为了个热点研究方向,教授的学生为理论的推广做出了卓越的贡献。


他不但建立和完善了的体系,而且还成功的将其应用到搜索优化工程控制机器学习等多个领域,为的应用开辟了广阔的天地。


遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。


即根据生物界适者生存的原理进行优化。


算法以个群体中的所有个体为对象,并利用随机化技术指导对个被编码的参数空间进行高效搜索。


其中,选择交叉和变异构成了遗传算法的遗传操作参数编码初始群体的设定适应度函数的设计遗传操作设计控制参数设定五个要素组成了遗传算法的核心内容。


作为种新的全局优化搜索算法,遗传算法以其简单通用鲁棒性强适于并行处理以及高效实用等显著特点,在各个领域得到了广泛应用,取得了良好效果,并逐渐成为重要的智能算法之。


同传统优化算法相比,遗传算法有以下特点对可行解表示的广泛性。


遗传算法的处理对象不是参数本身,而是针对那些通过参数集进行编码得到的基因个体。


此编码操作使得遗传算法可以直接对结构对象进行操作。


所谓结构对象,泛指集合序列矩阵树图链和表等各种维或二维,甚至多维结构形式的对象。


这特点使得遗传算法具有广泛的应用领域。


遗传算法在解空间中从多点寻找问题解,而不像些传统方法从点寻找解。


适应性强,遗传算法通过染色体编码将问题的解表示为条数字串,整个含微网的配电网故障恢复算法研究问题的求解过程都是在对这些数字串进行操作,与原问题无关。


遗传算法直接应用目标函数的函数值信息即适应度值,而非函数的导数或其它辅助信息。


传统搜索方法需要有些辅助信息,如梯度法需要导数,当这些信息不存在时,这些算法就失败了而遗传算法只需目标函数和编码串,因此遗传算法几乎可以处理任何问题。


遗传算法在搜索过程中不容易陷入局部最优,即使在所定义的适应度函数是不连续的非规则的或有噪声的情况下,也能以很大的概率找到全局最优解。


鲁棒性好,遗传算法具有内在启发式随机搜索特性,它不是采用确定性规则,而是采用概率的变迁规则来指导它的搜索方向,它的方向性使得它的效率远远高于般的随机算法。


遗传算法在解空间内进行充分地搜索,但不是盲目地穷举或试探,因为选择操作以适应度为依据。


因为它的搜索时耗和效率往往优于其它优化算法。


遗传算法具有固有的并行性和并行计算的能力。


遗传算法的每代都有个个体。


也就是说,它同时从个点对搜索空间进行并行搜索,因此是种隐含的并行计算,从而加快了搜索速度。


遗传算法具有可扩展性,易于同别的技术混合。


基本遗传算法基本概念遗传算法基于自然选择的生物进化,是种模仿生物进化过程的随机方法,下面给出些生物学中关于遗传的基本概念和常用术语,这对于理解遗传算法是非常重要的。


染色体遗传物质的主要载体,指多个基因的集合。


基因控制生物性状的遗传物质的功能和结构的基本单元,又称遗传因子。


表现型由染色体决定形状的外部表现,或者说根据基因形成的个体。


基因型遗传基因在染色体中所占据的位置。


个体指染色体带有特征的实体。


种群指染色体带有特征的个体的集合,其数目称为群体规模。


进化生物在延续生存的过程中,逐渐适应周围生存环境,使得其品质不断的得到改良,这种生命的现象称为进化。


适应度指个物体对于生存环境的适应程度,适应程度越高的个体将获得更多的繁殖机会。


选择指以定的概率从种群中选择若干个体的操作。


般而言,选择的过程是种基于适应度的优胜劣汰的过程。


交叉在两个染色体的个或几个相同位置处将染色体切断,分割后的各染色体串分别交叉组合形成两个新的个体。


变异在细胞进行复制时可能以很小的概率产生些复制差错,从而使发生种变异,产生出新的染色体,使新的染色体表现出些新的性状。


编码从表现型到基因型的映射。


解码从基因型到表现型的映射。


基本遗传算法的原理遗传算法是种在计算机上模拟生物的进化过程和基因的操作的搜索算法,它模拟了自然选择和进化遗传过程中发生的繁殖杂交和突变现象。


在利用遗传基于遗传算法的含有微网的配电网故障恢复重构第页共页算法求解问题时,问题的每个可能的解都被编码形成个字符串,即染色体个体。


若干个染色体个体构成了种群所有可能解。


在遗传初始阶段,首先随机的产生些个体,形成初始种群初始解,依照指定的目标函数对每个个体进行评价,得出它的适应度值,依据此适应度值,选择个体并复制下代。


选择操作体现了适者生存原理,优的个体被选择用来复制,而差的个体则被淘汰。


然后选择出来的个体经过交叉和变异组合生成新代。


这些新个体由于继承了上代的优良性状,因而在性能上要优于上代,这样逐步朝着更优解的方向进化。


所以,遗传算法也被看作是个由可行解组成的群体逐步进化的过程。


其中,选择交叉和变异构成了遗传算法的遗传操作参数编码初始群体的生成适应度函数的设定遗传操作设计控制参数设定五个要素构成了遗传算法的核心内容。


编码在遗传算法的运行过程中,它不对所求解问题的实际决策变量直接进行操作,而是对表示可行解的个体编码施加选择交叉变异等遗传操作,通过这种遗传操作来达到优化的目的,这是遗传算法的特点之。


遗传算法通过这种对个体编码的操作,不断搜索出适应度较高的个体,并在群体中逐渐增加其数量,最终寻求出问题的最优解或近似最优解。


在遗传算法中如何描述问题的可行解,即把个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法就称为编码。


针对个具体的应用问题,如何设计个完美的编码方案直是遗传算法的应用难点之,也是遗传算法个的重要研究方向。


由于遗传算法应用的广泛性,迄今为止人们已经提出了许多种不同的编码方法,总的来说,可以分为三大类二进制编码方法符号编码方法和浮点编码方法。


二进制编码方法是遗传算法中最主要的种编码方法,它使用的编码符号集是由二进制符号。


和所组成的二值符号集,它所构成的个体基因型是个二进制编码符号串。


二进制编码符号串的长度与问题所要求的求解精度有关。


二进制编码有以下优点编码解码操作简单易行。


交叉变异等遗传操作便于实现。


符合最小字符集编码原则。


便于利用模式定理对算法进行理论分析,因为模式定理是以二进制编码为基础的。


但是,二进制编码也有以下缺点首先,二进制编码存在着连续函数离散化时的映射误差。


个体编码串的长度较短时,可能达不到精度的要求,而个体编码串的长度较大时,虽然能提高编码精度,但却会使遗传算法的搜索空间急剧扩大。


其次,它不能直接反映出所求问题的本身结构特征,这样也就不便于开发针对问题的专门知识的遗传运算算子。


为了克服二进制编码方法的缺点,人们提出了个体的浮点数编码方法和符号编码方法。


所谓浮点数编码方法是指个体的每个基因值用范围内的个浮点数来表示,个体的编码长度等于其决策变量的个数。


因为这种编码方法使用的是决策变量的真实值,所以浮点数编码方法也叫做真值编码方法。


符号编码方法是指个体染色体编码串中的基因值取自个无数值含义而只有代码含义的符号集。


它可以是个字母表,也可以是个数字序号表,还可以是个代码表,便含微网的配电网故障恢复算法研究于在遗传算法中利用所求解问题的专门知识。


目前尚无套既严格又完整的指导理论及评价标准来帮助我们设计编码方案,必须具体问题具体分析,采用不同的编码方法。


遗传操作选择选择又称复制,是在群体中选择生命力强的个体产生新的群体的过程。


遗传算法使用选择算子来对群体中的个体进行优胜劣汰操作根据每个个体的适应度值大小选择,适应度较高的个体被遗传到下代群体中的概率较大适应度较低的个体被遗传到下代群体中的概率较小。


常用的选择方法有以下几种轮盘赌选择轮盘赌选择方法,又称为比例选择法是种回放式随机采样方法。


每个个体就像圆盘中的个扇形部分,扇形的角度和个体的适应度值成正比,随机拨动圆盘,当圆盘停止转动时指针所在扇形对应的个体被选中。


设群体的规模大小为,个个体的适应度为,则个体被选择的概率为式最优保留法把群体中适应度最高的个体直接复制到下代,不参加交叉和变异,这样可以避免进化过程中代的最优解被交叉和变异操作所破坏。


但也带来了弊端局部最优的遗传基因会急速增加而使进化停滞于局部最优解,从而影响了遗传算法的全局搜索能力。


期望值法是对轮盘赌法的改进。


当群体规模不大时,使用轮盘赌方法进行选择操作,在选择过程中存在的随机性可能会产生较大的随机误差,使适应度高的个体被淘汰。


为避免这种情况的出现,引入了期望值法,首先计算出个体应被选中进行交叉操作的期望值式按期望值的整数部分安排个体被选中的次数,对小

下一篇
  • Hi,我是你的文档小助手!
    你可以按格式查找相似内容哟
筛选: 精品 DOC PPT RAR
小贴士:
  • 🔯 当前文档为word文档,建议你点击DOC查看当前文档的相似文档。
  • ⭐ 查询的内容是以当前文档的标题进行精准匹配找到的结果,如果你对结果不满意,可以在顶部的搜索输入框输入关健词进行。
帮帮文库-精品文档 帮帮文库-免费阅读 帮帮文库-海量资源
换一批