第六章 智能算法

第六章智能算法在

電力系統(tǒng)中的應(yīng)用湯奕tangyi@2023/2/71東南大學(xué)SoutheastUniversity6.1智能算法概述6.1.1什么是智能算法智能計算也有人稱之為“軟計算”，是人們受自然（生物界）規(guī)律的啟迪，根據(jù)其原理，模仿求解問題的算法。利用仿生原理進行設(shè)計(包括設(shè)計算法)，這就是智能計算的思想。這方面的內(nèi)容很多，如人工神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法、模擬退火算法、模擬退火技術(shù)和群集智能技術(shù)等。2023/2/72東南大學(xué)SoutheastUniversity智能算法遺傳算法粒子群算法人工神經(jīng)網(wǎng)絡(luò)人工免疫算法2023/2/7東南大學(xué)SoutheastUniversity36.1.2遺傳算法特點運用領(lǐng)域遺傳算法在電力系統(tǒng)應(yīng)用現(xiàn)狀2023/2/74東南大學(xué)SoutheastUniversity遺傳算法（Genetic

Algorithms）是基于生物進化理論的原理發(fā)展起來的一種廣為應(yīng)用的、高效的隨機搜索與優(yōu)化的方法。主要特點是群體搜索策略和群體中個體之間的信息交換，搜索不依賴于梯度信息。1975年霍蘭教授發(fā)表了第一本比較系統(tǒng)論述遺傳算法的專著《自然系統(tǒng)與人工系統(tǒng)中的適應(yīng)性》（《Adaptation

in

Natural

and

Artificial

Systems》）。2023/2/75東南大學(xué)SoutheastUniversity特點遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。搜索算法的共同特征為：

①

首先組成一組候選解；

②

依據(jù)某些適應(yīng)性條件測算這些候選解的適應(yīng)度；

③

根據(jù)適應(yīng)度保留某些候選解，放棄其他候選解；

④

對保留的候選解進行某些操作，生成新的候選解。在遺傳算法中，上述幾個特征以一種特殊的方式組合在一起：基于染色體群的并行搜索，帶有猜測性質(zhì)的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區(qū)別開來。2023/2/76東南大學(xué)SoutheastUniversity遺傳算法還具有以下幾方面的特點(1)：(1)遺傳算法從問題解的串集開始搜索，而不是從單個解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。(2)許多傳統(tǒng)搜索算法都是單點搜索算法，容易陷入局部的最優(yōu)解。遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優(yōu)解的風(fēng)險，同時算法本身易于實現(xiàn)并行化。2023/2/77東南大學(xué)SoutheastUniversity(3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評估個體，在此基礎(chǔ)上進行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設(shè)定。這一特點使得遺傳算法的應(yīng)用范圍大大擴展。(4)遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)他的搜索方向。(5)具有自組織、自適應(yīng)和自學(xué)習(xí)性。遺傳算法利用進化過程獲得的信息自行組織搜索時，硬度大的個體具有較高的生存概率，并獲得更適應(yīng)環(huán)境的基因結(jié)構(gòu)。2023/2/7東南大學(xué)SoutheastUniversity8遺傳算法還具有以下幾方面的特點(2)：運用領(lǐng)域遺傳算法的應(yīng)用領(lǐng)域：

①

優(yōu)化：

②

程序設(shè)計：③

機器學(xué)習(xí)：

④

經(jīng)濟學(xué)：2023/2/79東南大學(xué)SoutheastUniversity運用領(lǐng)域⑤

免疫系統(tǒng)：

⑥

進化現(xiàn)象和學(xué)習(xí)現(xiàn)象：

⑦

社會經(jīng)濟問題：2023/2/710東南大學(xué)SoutheastUniversity遺傳算法在電力系統(tǒng)應(yīng)用現(xiàn)狀電源規(guī)劃輸電網(wǎng)絡(luò)規(guī)劃電力系統(tǒng)無功優(yōu)化電力市場2023/2/711東南大學(xué)SoutheastUniversity6.1.3粒子群算法群體（群集）智能（Swarm

Intelligence）群集智能(Swarm

Intelligence)中的群體(Swarm)指的是“一組相互之間可以進行直接通信或者間接通信(通過改變局部環(huán)境)的主體，這組主體能夠合作進行分布問題求解”。而所謂群集智能指的是“無智能的主體通過合作表現(xiàn)出智能行為的特性”。2023/2/712東南大學(xué)SoutheastUniversity群集智能的特點和優(yōu)點：群體中相互合作的個體是分布式的(Distributed)，這樣更能夠適應(yīng)當前網(wǎng)絡(luò)環(huán)境下的工作狀態(tài);

沒有中心的控制與數(shù)據(jù)，這樣的系統(tǒng)更具有魯棒性(Robust)，不會由于某一個或者某幾個個體的故障而影響整個問題的求解?？梢圆煌ㄟ^個體之間直接通信而是通過非直接通信(Stimergy)進行合作，這樣的系統(tǒng)具有更好的可擴充性(Scalability)。由于系統(tǒng)中個體的增加而增加的系統(tǒng)的通信開銷在這里十分小。系統(tǒng)中每個個體的能力十分簡單，這樣每個個體的執(zhí)行時間比較短，并且實現(xiàn)也比較簡單，具有簡單性(Simplicity)。2023/2/713東南大學(xué)SoutheastUniversity在計算智能(Computational

Intelligence)領(lǐng)域有兩種基于群智能的算法：蟻群算法(Ant

Colony

Optimization)和粒子群算法(Particle

Swarm

Optimization)。蟻群算法是對螞蟻群落食物采集過程的模擬，已經(jīng)成功運用在很多離散優(yōu)化問題上。2023/2/714東南大學(xué)SoutheastUniversity粒子群優(yōu)化算法粒子群優(yōu)化算法(PSO)是一種進化計算技術(shù)(Evolutionary

Computation)，有Eberhart博士和Kennedy博士發(fā)明。源于對鳥群捕食的行為研究。PSO同遺傳算法類似，是一種基于疊代的優(yōu)化工具。系統(tǒng)初始化為一組隨機解，通過疊代搜尋最優(yōu)值。但是并沒有遺傳算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優(yōu)的粒子進行搜索。同遺傳算法比較，PSO的優(yōu)勢在于簡單容易實現(xiàn)并且沒有許多參數(shù)需要調(diào)整。目前已廣泛應(yīng)用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模糊系統(tǒng)控制以及其他遺傳算法的應(yīng)用領(lǐng)域。粒子群優(yōu)化算法(PSO)

也是起源對簡單社會系統(tǒng)的模擬，最初設(shè)想是模擬鳥群覓食的過程，但后來發(fā)現(xiàn)PSO是一種很好的優(yōu)化工具。2023/2/715東南大學(xué)SoutheastUniversityPSO是由模擬鳥群覓食的社會行為

(SocialBehavior)所衍生,藉由觀察鳥群覓食的社會行為得到啟發(fā),而將其應(yīng)用於解決搜尋與最佳化的相關(guān)問題上。這樣的覓食行為是利用社會中所存在的互相影響的概念,將每只鳥視為一個個體,在解空間中個體各自尋找著較佳解,并藉由個體間相互比較及資訊的更新,來引領(lǐng)所有個體朝向解空間中的最佳解位置.2023/2/7東南大學(xué)SoutheastUniversity16PSO從這種模型中得到啟示并用于解決優(yōu)化問題。PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥。我們稱之為“粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)值(fitness

value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。2023/2/717東南大學(xué)SoutheastUniversityPSO初始化為一群隨機粒子(隨機解)，然后通過疊代找到最優(yōu)解，在每一次疊代中，粒子通過跟蹤兩個“極值”來更新自己。第一個就是粒子本身所找到的最優(yōu)解，這個解叫做個體極值pBest，另一個極值是整個種群目前找到的最優(yōu)解，這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分最優(yōu)粒子的鄰居，那么在所有鄰居中的極值就是局部極值。

2023/2/718東南大學(xué)SoutheastUniversityPSO的算法過程為：①

種群隨機初始化。②

對種群內(nèi)的每一個個體計算適應(yīng)值(fitness

value)。適應(yīng)值與最優(yōu)解的距離直接有關(guān)。③

種群根據(jù)適應(yīng)值進行復(fù)制。④

如果終止條件滿足的話，就停止，否則轉(zhuǎn)步驟

②。2023/2/719東南大學(xué)SoutheastUniversityPSO和遺傳算法的比較共同之處：兩者都隨機初始化種群，而且都使用適應(yīng)值來評價系統(tǒng)，而且都根據(jù)適應(yīng)值來進行一定的隨機搜索。兩個系統(tǒng)都不是保證一定找到最優(yōu)解。但是，PSO沒有遺傳操作如交叉(crossover)和變異(mutation)，而是根據(jù)自己的速度來決定搜索。粒子還有一個重要的特點，就是有記憶。不同之處：信息共享機制是很不同的。在遺傳算法中，染色體(chromosomes)

互相共享信息，所以整個種群的移動是比較均勻的向最優(yōu)區(qū)域移動。在PSO中,

只有g(shù)Best

(or

lBest)

給出信息給其他的粒子，

這是單向的信息流動。整個搜索更新過程是跟隨當前最優(yōu)解的過程。與遺傳算法比較,

在大多數(shù)的情況下，所有的粒子可能更快的收斂于最優(yōu)解。2023/2/720東南大學(xué)SoutheastUniversity粒子群算法在電力系統(tǒng)應(yīng)用現(xiàn)狀粒子群優(yōu)化算法作為現(xiàn)代啟發(fā)式算法的一個成員，最近幾年在電力系統(tǒng)領(lǐng)域中的應(yīng)用研究逐漸顯示出其優(yōu)越性和廣闊的應(yīng)用前景，在解決經(jīng)典優(yōu)化算法難以求解的諸如不連續(xù)、不可微的非線性病態(tài)優(yōu)化問題和組合優(yōu)化問題時顯示出了強大的優(yōu)勢，從而引起了國際學(xué)術(shù)界和工程界的普遍關(guān)注。PSO算法在電網(wǎng)擴展規(guī)劃、檢修計劃、機組組合、負荷經(jīng)濟分配、最優(yōu)潮流計算與無功優(yōu)化控制、諧波分析與電容器配置、網(wǎng)絡(luò)狀態(tài)估計、參數(shù)辨識、優(yōu)化設(shè)計等領(lǐng)域都已經(jīng)有應(yīng)用，但目前的很多工作還處于起步研究階段，有很多問題值得進一步研究，相信隨著研究的進一步深入，PSO算法將在電力系統(tǒng)中得到更廣泛的的應(yīng)用。2023/2/721東南大學(xué)SoutheastUniversity6.1.4人工神經(jīng)網(wǎng)絡(luò)算法

“人工神經(jīng)網(wǎng)絡(luò)”(ARTIFICIAL

NEURAL

NETWORK，簡稱ANN)是在對人腦組織結(jié)構(gòu)和運行機制的認識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。40年代初期，心理學(xué)家McCulloch、數(shù)學(xué)家Pitts就提出了人工神經(jīng)網(wǎng)絡(luò)的第一個數(shù)學(xué)模型，從此開創(chuàng)了神經(jīng)科學(xué)理論的研究時代。F

Rosenblatt、Widrow和J.

J

.Hopfield等學(xué)者又先后提出了感知模型，使得人工神經(jīng)網(wǎng)絡(luò)技術(shù)得以蓬勃發(fā)展。2023/2/722東南大學(xué)SoutheastUniversity神經(jīng)系統(tǒng)的基本構(gòu)造是神經(jīng)元(神經(jīng)細胞)，它是處理人體內(nèi)各部分之間相互信息傳遞的基本單元。據(jù)神經(jīng)生物學(xué)家研究的結(jié)果表明，人的一個大腦一般有1010～1011個神經(jīng)元。每個神經(jīng)元都由一個細胞體，一個連接其他神經(jīng)元的軸突和一些向外伸出的其它較短分支——樹突組成。軸突的功能是將本神經(jīng)元的輸出信號(興奮)傳遞給別的神經(jīng)元。其末端的許多神經(jīng)末梢使得興奮可以同時傳送給多個神經(jīng)元。樹突的功能是接受來自其它神經(jīng)元的興奮。神經(jīng)元細胞體將接受到的所有信號進行簡單處理(如：加權(quán)求和，即對所有的輸入信號都加以考慮且對每個信號的重視程度——體現(xiàn)在權(quán)值上——有所不同)后由軸突輸出。神經(jīng)元的樹突與另外的神經(jīng)元的神經(jīng)末梢相連的部分稱為突觸。2023/2/723東南大學(xué)SoutheastUniversity人工神經(jīng)網(wǎng)絡(luò)的特點人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互連而成的系統(tǒng)，它的這一結(jié)構(gòu)特點決定著人工神經(jīng)網(wǎng)絡(luò)具有高速信息處理的能力。人腦的每個神經(jīng)元大約有103～104個樹突及相應(yīng)的突觸，一個人的大腦總計約形成1014～1015個突觸。用神經(jīng)網(wǎng)絡(luò)的術(shù)語來說，即是人腦具有1014～1015個互相連接的存儲潛力。雖然每個神經(jīng)元的運算功能十分簡單，且信號傳輸速率也較低(大約100次/秒)，但由于各神經(jīng)元之間的極度并行互連功能，最終使得一個普通人的大腦在約1秒內(nèi)就能完成現(xiàn)行計算機至少需要數(shù)10億次處理步驟才能完成的任務(wù)。2023/2/724東南大學(xué)SoutheastUniversity人工神經(jīng)網(wǎng)絡(luò)的知識存儲容量很大。在神經(jīng)網(wǎng)絡(luò)中，知識與信息的存儲表現(xiàn)為神經(jīng)元之間分布式的物理聯(lián)系。它分散地表示和存儲于整個網(wǎng)絡(luò)內(nèi)的各神經(jīng)元及其連線上。每個神經(jīng)元及其連線只表示一部分信息，而不是一個完整具體概念。只有通過各神經(jīng)元的分布式綜合效果才能表達出特定的概念和知識。由于人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元個數(shù)眾多以及整個網(wǎng)絡(luò)存儲信息容量的巨大，使得它具有很強的不確定性信息處理能力。即使輸入信息不完全、不準確或模糊不清，神經(jīng)網(wǎng)絡(luò)仍然能夠聯(lián)想思維存在于記憶中的事物的完整圖象。只要輸入的模式接近于訓(xùn)練樣本，系統(tǒng)就能給出正確的推理結(jié)論。2023/2/725東南大學(xué)SoutheastUniversity正是因為人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點和其信息存儲的分布式特點，使得它相對于其它的判斷識別系統(tǒng)，如：專家系統(tǒng)等，具有另一個顯著的優(yōu)點：健壯性。生物神經(jīng)網(wǎng)絡(luò)不會因為個別神經(jīng)元的損失而失去對原有模式的記憶。人工神經(jīng)網(wǎng)絡(luò)是一種非線性的處理單元。只有當神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一門限值后才輸出一個信號。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。

2023/2/726東南大學(xué)SoutheastUniversity幾種典型神經(jīng)網(wǎng)絡(luò)簡介1)多層感知網(wǎng)絡(luò)(誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò))2

)競爭型(KOHONEN)神經(jīng)網(wǎng)絡(luò)3

)Hopfield神經(jīng)網(wǎng)絡(luò)2023/2/727東南大學(xué)SoutheastUniversity多層感知網(wǎng)絡(luò)(誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò))

1986年以Rumelhart和McCelland為首的科學(xué)家出版了《Parallel

Distributed

Processing》，完整地提出了誤差逆?zhèn)鞑W(xué)習(xí)算法。多層感知網(wǎng)絡(luò)是一種具有三層或三層以上的階層型神經(jīng)網(wǎng)絡(luò)。典型的多層感知網(wǎng)絡(luò)是三層、前饋的階層網(wǎng)絡(luò)，即：輸入層I、隱含層(也稱中間層)J和輸出層K。相鄰層之間的各神經(jīng)元實現(xiàn)全連接，即下一層的每一個神經(jīng)元與上一層的每個神經(jīng)元都實現(xiàn)全連接，而且每層各神經(jīng)元之間無連接。2023/2/728東南大學(xué)SoutheastUniversityBP網(wǎng)的主要缺陷學(xué)習(xí)收斂速度太慢、網(wǎng)絡(luò)的學(xué)習(xí)記憶具有不穩(wěn)定性，即：當給一個訓(xùn)練好的網(wǎng)提供新的學(xué)習(xí)記憶模式時，將使已有的連接權(quán)值被打亂，導(dǎo)致已記憶的學(xué)習(xí)模式的信息的消失。2023/2/729東南大學(xué)SoutheastUniversity競爭型(KOHONEN)神經(jīng)網(wǎng)絡(luò)基于人的視網(wǎng)膜及大腦皮層對剌激的反應(yīng)而引出的。神經(jīng)生物學(xué)的研究結(jié)果表明：生物視網(wǎng)膜中，有許多特定的細胞，對特定的圖形(輸入模式)比較敏感，并使得大腦皮層中的特定細胞產(chǎn)生大的興奮，而其相鄰的神經(jīng)細胞的興奮程度被抑制。對于某一個輸入模式，通過競爭在輸出層中只激活一個相應(yīng)的輸出神經(jīng)元。許多輸入模式，在輸出層中將激活許多個神經(jīng)元，從而形成一個反映輸入數(shù)據(jù)的“特征圖形”。2023/2/730東南大學(xué)SoutheastUniversity競爭型神經(jīng)網(wǎng)絡(luò)是一種以無教師方式進行網(wǎng)絡(luò)訓(xùn)練的網(wǎng)絡(luò)。它通過自身訓(xùn)練，自動對輸入模式進行分類。競爭型神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)規(guī)則與其它類型的神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)規(guī)則相比，有其自己的鮮明特點。在網(wǎng)絡(luò)結(jié)構(gòu)上，它既不象階層型神經(jīng)網(wǎng)絡(luò)那樣各層神經(jīng)元之間只有單向連接，也不象全連接型網(wǎng)絡(luò)那樣在網(wǎng)絡(luò)結(jié)構(gòu)上沒有明顯的層次界限。它一般是由輸入層(模擬視網(wǎng)膜神經(jīng)元)和競爭層(模擬大腦皮層神經(jīng)元，也叫輸出層)構(gòu)成的兩層網(wǎng)絡(luò)。兩層之間的各神經(jīng)元實現(xiàn)雙向全連接，而且網(wǎng)絡(luò)中沒有隱含層。有時競爭層各神經(jīng)元之間還存在橫向連接。2023/2/731東南大學(xué)SoutheastUniversity競爭型神經(jīng)網(wǎng)絡(luò)的基本思想是網(wǎng)絡(luò)競爭層各神經(jīng)元競爭對輸入模式的響應(yīng)機會，最后僅有一個神經(jīng)元成為競爭的勝者，并且只將與獲勝神經(jīng)元有關(guān)的各連接權(quán)值進行修正，使之朝著更有利于它競爭的方向調(diào)整。神經(jīng)網(wǎng)絡(luò)工作時，對于某一輸入模式，網(wǎng)絡(luò)中與該模式最相近的學(xué)習(xí)輸入模式相對應(yīng)的競爭層神經(jīng)元將有最大的輸出值，即以競爭層獲勝神經(jīng)元來表示分類結(jié)果。這是通過競爭得以實現(xiàn)的，實際上也就是網(wǎng)絡(luò)回憶聯(lián)想的過程。2023/2/732東南大學(xué)SoutheastUniversity除了競爭的方法外，還有通過抑制手段獲取勝利的方法，即網(wǎng)絡(luò)競爭層各神經(jīng)元抑制所有其它神經(jīng)元對輸入模式的響應(yīng)機會，從而使自己“脫穎而出”，成為獲勝神經(jīng)元。除此之外還有一種稱為側(cè)抑制的方法，即每個神經(jīng)元只抑制與自己鄰近的神經(jīng)元，而對遠離自己的神經(jīng)元不抑制。這種方法常常用于圖象邊緣處理，解決圖象邊緣的缺陷問題。2023/2/733東南大學(xué)SoutheastUniversity競爭型神經(jīng)網(wǎng)絡(luò)的缺點和不足：

因為它僅以輸出層中的單個神經(jīng)元代表某一類模式，所以一旦輸出層中的某個輸出神經(jīng)元損壞，則導(dǎo)致該神經(jīng)元所代表的該模式信息全部丟失。2023/2/734東南大學(xué)SoutheastUniversity

Hopfield神經(jīng)網(wǎng)絡(luò)1986年美國物理學(xué)家J.J.Hopfield陸續(xù)發(fā)表幾篇論文，提出了Hopfield神經(jīng)網(wǎng)絡(luò)?；镜腍opfield神經(jīng)網(wǎng)絡(luò)是一個由非線性元件構(gòu)成的全連接型單層反饋系統(tǒng)。2023/2/735東南大學(xué)SoutheastUniversityHopfield神經(jīng)網(wǎng)絡(luò)是一個反饋型的網(wǎng)絡(luò)：網(wǎng)絡(luò)中的每一個神經(jīng)元都將自己的輸出通過連接權(quán)傳送給所有其它神經(jīng)元，同時又都接收所有其它神經(jīng)元傳遞過來的信息。即：網(wǎng)絡(luò)中的神經(jīng)元t時刻的輸出狀態(tài)實際上間接地與自己的t-1時刻的輸出狀態(tài)有關(guān)。其狀態(tài)變化可以用差分方程來表征。反饋型網(wǎng)絡(luò)的一個重要特點就是它具有穩(wěn)定狀態(tài)。當網(wǎng)絡(luò)達到穩(wěn)定狀態(tài)的時候，也就是它的能量函數(shù)達到最小的時候。2023/2/736東南大學(xué)SoutheastUniversity對于同樣結(jié)構(gòu)的網(wǎng)絡(luò)，當網(wǎng)絡(luò)參數(shù)(指連接權(quán)值和閥值)有所變化時，網(wǎng)絡(luò)能量函數(shù)的極小點(稱為網(wǎng)絡(luò)的穩(wěn)定平衡點)的個數(shù)和極小值的大小也將變化。因此，可以把所需記憶的模式設(shè)計成某個確定網(wǎng)絡(luò)狀態(tài)的一個穩(wěn)定平衡點。若網(wǎng)絡(luò)有M個平衡點，則可以記憶M個記憶模式。當網(wǎng)絡(luò)從與記憶模式較靠近的某個初始狀態(tài)(相當于發(fā)生了某些變形或含有某些噪聲的記憶模式，也即：只提供了某個模式的部分信息)出發(fā)后，網(wǎng)絡(luò)按Hopfield工作運行規(guī)則進行狀態(tài)更新，最后網(wǎng)絡(luò)的狀態(tài)將穩(wěn)定在能量函數(shù)的極小點。這樣就完成了由部分信息的聯(lián)想過程。2023/2/737東南大學(xué)SoutheastUniversityHopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)是朝著梯度減小的方向變化，但它仍然存在一個問題，那就是一旦能量函數(shù)陷入到局部極小值，它將不能自動跳出局部極小點，到達全局最小點，因而無法求得網(wǎng)絡(luò)最優(yōu)解。

2023/2/7東南大學(xué)SoutheastUniversity3人工神經(jīng)元網(wǎng)絡(luò)在電力系統(tǒng)應(yīng)用現(xiàn)狀1975年在第五次PSCC會議上Dillon等人發(fā)表了一篇用自學(xué)習(xí)機進行負荷預(yù)報的文章。1986年S.Y.OH等人的工作，用模式識別和聯(lián)想記憶的方法進行大規(guī)模電力系統(tǒng)的安全估計,對一個實際電力系統(tǒng)進行了研究,表明了該方法的可行性。2023/2/739東南大學(xué)SoutheastUniversity人工神經(jīng)元網(wǎng)絡(luò)最適合多模式識別類型的問題。在電力系統(tǒng)中人工神經(jīng)元網(wǎng)絡(luò)能解決的問題有:靜態(tài)或動態(tài)安全度分析、同步電機建模、監(jiān)視和診斷、警報處理、經(jīng)濟負荷調(diào)度、故障診斷、拓撲的可觀測性、負荷辨識、組合優(yōu)化和控制，尤其對非線性、隨機或時變系統(tǒng)的控制?，F(xiàn)在在這些領(lǐng)域，人工神經(jīng)元網(wǎng)絡(luò)已經(jīng)得到了充分的應(yīng)用。2023/2/740東南大學(xué)SoutheastUniversity6.1.5人工免疫算法

人工免疫算法基本思想局部收斂和全局收斂之間的矛盾，造成了進化算法的早熟收斂問題。免疫系統(tǒng)為解決問題提供了靈感源泉：1)抗體是特異的，一種抗體只強烈地結(jié)合幾種類似的抗原決定基結(jié)構(gòu)或模式。當抗原侵入時，免疫系統(tǒng)首先進行識別，然后快速地產(chǎn)生抗體來消滅抗原。與成千上萬代的生物進化過程相比，這是一個快速的過程，一般只為十幾分鐘到幾天的時間;2)免疫系統(tǒng)大約含有多種不同的蛋白質(zhì)(抗體是能夠與抗原發(fā)生特異性結(jié)合的球蛋白)，但外部潛在的抗原或待識別的模式有