目前为止，国内外科研人员为解决无功优化问题做了许多深入的探讨和分析，主要集中在数学模型的优化和算法的提高两个方面。模型的变化一般以目标函数的变化为主，以网损最小为优化目标、以无功补偿容量最少为优化目标、以无功补偿装置投入最少为优化目标，等等；同时研究人员还研究出了不少算法，大致分为2类[3]:82790

其一为传统的优化方法，如线性规划法（常用有内点法）、非线性规划法（常用有牛顿法）、动态规划法等。这些方法具有基础扎实、数据稳定、计算迅速、收敛可靠的优点，但也存在不少缺点，如：不能解决离散问题，不能解决非线性问题，易于陷入局部最优解，并且需要某些假设条件。另外，无功优化其实是一个多峰多极值问题，但常规算法往往从初始运行点出发，沿着某一路径寻找最优解，往往得到的最优解局限于某个局部，从而并不是全局优化的目标。

另一类为基于人工智能的优化方法，如遗传算法、混沌优化算法、粒子群优化算法等[4]。此类算法对优化问题并不要求连续或可导，只需一个适应性函数或性能指标，全局搜索能力较强。基于这些优点，此类方法已在诸多领域进行了大规模的研究和实践。论文网

遗传算法在70年代被提出来，在80年代又取得了一定程度的重视和发展。它通过模拟生态圈中生物在自然中进化的过程，利用多次迭代进行选择得到最优的结果，它凭借自身参数少、收敛快且能解决非线性规划问题的特点，在近些年已经被运用到电力系统的优化中。随着研究的深入，遗传算法的应用也在优化。

文献[5]将线性规划法与遗传算法结合使用，用前者解决运行问题，用后者解决投资子问题，结合两个方法的长处之后，就缩小了解空间，也提高了收敛效率。

文献[6]引进了可变的变异概率，将排列后的编码进行划分区域，对每个区域分开搜索后再对所有区域搜索，利用这种搜索方法可以扩大搜索范围。

文献[7]引入了分解编码的概念，还加入了可控变异概率，提高了大系统的搜索能力且规避了陷入局部最优解的情况。

文献[8]对交叉操作和变异操作进行了改进，交叉操作不再是交叉父辈的子基因，而是取父辈对应分量的平均值作为子代的对应分量；变异操作也不是随机替换某一分量，而是将优秀的个体直接遗传至下一代，这样能够保证最优解不会消失，得到的优化结果更有竞争力