- 上一篇：立体车库的控制系统国内外研究现状
- 下一篇：防撞技术系统国内外研究现状
经典算法包括线性与非线性规划、动态规划、多目标规划和整数规划等，它能够实现理论上的准确和完美，但是由于配电网规划是典型的大规模优化问题，变量参数多、模型复杂、求解空间范围较大，如果采用以上的经典算法，会使优化时间大大增加，不能够满足优化的时间要求，程序占用内存大，成本较高，因此在实践中大规模系统很少采用。
启发式算法是通过某种特定的求解思路，采取合理的方式构造解空间，在一定的解空间范围内，可以快速寻得最优解。相对于经典数学方法，启发式算法的实用性更强，主要的启发式算法有：模拟退火算法、蚁群算法、粒子群算法和遗传算法等。下面，主要对在求解大规模优化问题中应用广泛的几种启发式算法进行分析与介绍，对比分析各种的优点与不足。
模拟退火算法核心是热力学固体退火原理，根据固体内部粒子在温度变化过程中的内能变化过程，在每个温度值处都会达到一个平衡状态，退温至最后达到基态，此时温度最低，固体内部粒子的内能最小，模拟退火算法便是通过这种原理来寻得最优解的。
蚁群算法是受启发于蚂蚁在寻找食物的过程中，如何快速发现食物，并且搜索出最优路径。蚁群算法属于是模拟生物寻找食物的进化算法，具有正反馈、多样性、自组织性的特点，而且本质上是一种并行的算法，而且鲁棒性能好，因此得到了广泛的应用。
与蚁群算法类似，粒子群优化算法也是来源于自然界生物的捕食，它是受启发于鸟群觅食过程中的迁徙和群聚行为而提出的一种智能全局随机搜索算法。在搜索空间范围中，这种算法将群体中的每一个个体看作是一个个微粒，这种粒子是没有质量和体积的，每个粒子以一定的速度在解空间运动，并向自身历史最佳位置和邻域历史最佳位置聚集，实现对候选解的进化。相比遗传算法，由于没有“交叉”和“变异”的操作，粒子群算法以实现容易、精度高、收敛快的优点得到了重视。