（1）以智能算法中的遗传算法为例，分析了初始种群对智能算法寻优结果的影响，并结合具体算例仿真从初始种群的规模、多样性和连通性三个方面说明了初始种群对黑启动路径优化结果的影响。

（2）对目前黑启动路径寻优使用的随机初始化遗传算法的不足之处进行分析，在此基础上借鉴正交实验设计，引入正交遗传算法对传统随机初始化策略进行改进。对IEEE 9节点、IEEE 14节点、IEEE 30节点、IEEE 57节点系统进行黑启动恢复路径寻优效果的仿真对比分析，验证了正交遗传算法的优势，并以数据为据说明正交遗传算法在面对大规模系统时存在算法寻优效率低的弊端。

（3）为解决正交遗传算法的弊端，引入一种应用于大规模系统算法效率改进的方法：正交交叉遗传算法。对IEEE 14节点、IEEE 30节点、IEEE 39节点、IEEE 57节点、IEEE 118节点系统进行黑启动路径寻优效果的仿真对比分析，验证了正交交叉遗传算法在优化黑启动路径方面的可行性与有效性。

论文具体的章节内容编排如下：

第一章绪论。分析了本文课题的研究背景，具体介绍了国内外的研究现状以及存在的问题，说明在黑启动路径优化中对传统遗传算法进行初始种群算法改进是有必要的，最后介绍本文的研究内容及章节编排。

第二章初始种群对智能寻优结果的影响分析。这一章首先介绍了遗传算法的相关概念以及运用于黑启动路径寻优的传统遗传算法构建步骤，然后分析了初始种群设定对遗传算法寻优结果的影响，最后结合具体系统仿真结果从初始种群的规模、多样性和连通性三个方面分析了初始种群对黑启动路径优化结果及寻优效率的影响。

第三章基于正交实验设计的初始种群生成方法。本章从上一章的分析结果出发，简述了传统遗传算法存在的问题，引出正交遗传算法。这一章首先介绍了正交实验设计，利用正交实验设计的优势可以对智能算法初始种群的个体分布进行优化。然后对正交实验设计的核心——正交表的相关理论及其构建进行说明，并由此引入利用正交表均匀分散整齐可比的特点生成初始种群的正交遗传算法。最后对具体系统进行仿真，从算法仿真时间、寻优结果以及收敛性三个方面与传统遗传算法进行对比分析，验证了正交遗传算法的可行性，同时也说明该算法存在对大系统寻优效率低的弊端。

第四章应用于大规模系统的算法效率改进。本章是以第三章的正交遗传算法为基础，为改善其面对大系统存在算法寻优效率低的弊端而引入了正交交叉遗传算法。这一章首先介绍了正交交叉遗传算法的相关概念以及利用正交交叉遗传算法能够缩减初始种群规模的原因，然后介绍了正交交叉遗传算法的构建。除此之外，本章还针对黑启动路径对正交交叉遗传算法的核心问题——父代的选取进行了分析。最后通过对具体系统的仿真，从算法仿真时间、寻优结果和收敛性三个方面验证了正交交叉遗传算法的有效性。

2  初始种群对智能寻优结果的影响分析

2。1  遗传算法概述

遗传算法(Genetic Algorithm)是一类借鉴生物界适者生存、优胜劣汰的进化规律的随机化搜索方法，由美国的Holland教授于1975年在他发表的《Adaptation in Natural and Artificial System》[44]中首先系统提出，随后被广泛研究和应用[45-48]。遗传算法在每一次的遗传迭代中选用适度函数评价机制将适应性较好的个体提取出来而淘汰适应能力差的个体，再将遗传算子（选择、交叉、变异）作用于这些个体从而产生新一代的优秀个体，然后重复这个步骤直到遗传算法的某个收敛指标被满足为止[49,50]。