- 上一篇：驾驶机器人运动学国内外研究现状
- 下一篇：国内外废弃矿山的生态恢复与景观营造研究现状
（1）遗传算法(GA)
遗传算法是一种进化算法。它将生物的遗传和进化思想引入到求解最优化问题当中。它将问题解的编码抽象为遗传学中的“染色体”，然后按照“物竞天择，适者生存”的进化法则，反复的进行选择、交叉和变异三种操作，找到最优“染色体”。遗传算法的优点：交叉和变异使得种群多样性增强，所以具有较强的全局搜索能力。缺点：计算时要对变量进行编码，还要不断进行交叉和变异，计算量较大。
（2）粒子群算法(PSO)
粒子群算法的搜索过程类似于鸟在寻找食物时的飞行过程中，不断总结自身的经验和学习群体的经验，进而纠正自身的飞行方向，最终寻得最优位置[22]。粒子群算法的优点：原理简单，无需像遗传算法那样进行复杂的交叉变异操作，计算速度快。粒子群算法的缺点：由于种群间的信息共享，在种群发现较优解后，种群全体都会向此方向聚集，无法保证种群多样性，容易陷入局部最优解。
人工智能算法适合于求解大规模的优化问题，而且在求解电压控制问题时，不受其离散变量的影响，所以被广泛的应用。但是人工智能算法作为一种随机进化搜索方法，不是每次都能收敛到全局最优解。另外算法中各参数的设置也会对求解效果产生很大影响。充分利用和结合各种优化算法的优点，寻求算法的改进，提高智能算法在求解电压控制问题时的运算速度和收敛性将会是此类研究的关键。许多文献也对此作了研究，如文献[12]和文献[13]中将遗传算法中的变异算子引入到粒子群算法中，改进粒子群算法，使得收敛速度更快，同时避免结果收敛于局部最优。