遗传算法是直接对结构对象进行操作而非实际变量，所以不存在求导和函数连续性的限定。同时，遗传算法能够在不需要确定规则的情况下优化搜索空间并相应地调整搜索方向，全局寻优能力较强，具有鲁棒性[51]。论文网

由于遗传算法对组合优化问题的处理并不需要有很高的数学水平，基本思想简单并且可以并行处理问题，全局寻优能力强，具有很强的鲁棒性，因而该算法的适用范围非常广[38]。但是遗传算法自身存在局部搜索能力差、容易过早收敛和随机游走等现象，这些现象使得算法容易出现寻优效率低、无法收敛于全局最优等问题[52]，所以许多研究都对传统的遗传算法进行了改进，其中，初始种群设定作为直接影响遗传算法全局寻优性能的重要因素就是当前研究的重点课题之一。

2。2  应用于黑启动路径优化的传统遗传算法构建

遗传算法容易处理离散变量且具有全局收敛性，所以目前该算法在黑启动网架重构阶段的路径优化策略中得到了非常广泛的使用[53]。

应用于黑启动路径优化的传统遗传算法（Traditional Genetic Algorithm，TA）构建步骤如下所示[54,55]：

Step1: 从bpa文件中读取系统的相关数据。

Step2: 参数配置。确定黑启动路径优化的初始种群规模、遗传迭代次数（进化次数）、交叉率、变异率和代沟。

Step3: 初始化。设置遗传迭代计数器，直接调用遗传算法的随机初始化函数，将生成的个个体作为算法的初始种群。

Step4: 排序。对群体进行连通性判断，同时计算每一个体的适度值并按照从小到大依次进行排序，将适度值小的个体放在前面，而适度值大的个体放在后面。

Step5: 选择。将选择算子作用于群体。选择操作的目的是通过比较群体中每个个体的适度值，将群体中优质的个体挑选出来直接放入到下一代或者通过交叉操作放入到下一代中去，体现了适者生存的原理。

Step6: 交叉。将交叉算子作用于群体。交叉操作能够将父代个体之间的遗传物质传递给下一代从而产生更好的个体，保持群体的多样性。遗传算法的核心就是交叉算子。

Step7:变异：将变异算子作用于群体。变异操作具有恢复个体失去的或未开发的遗传物质的能力，可以防止个体在形成最优解的过程中过早收敛[41]，即防止出现局部最优值结果。

群体在经过遗传算子运算后获得下一代的群体。

Step8: 遗传算法终止。若遗传迭代计数器，则将遗传迭代中获得的具有最小适度值的个体（黑启动最优路径策略）输出，终止计算，同时输出遗传算法的运行时间、黑启动的最优路径及其对应的适度值。

从上述构建步骤中可以发现：应用于黑启动路径优化的传统遗传算法对初始种群的选择是随机的。

2。3  初始种群设定对寻优结果的重要性分析

初始种群的规模及其多样性对遗传算法的寻优结果有直接影响。

定理1  假定是标准遗传算法的种群马尔可夫链，，，有以下结论：

（1）对于，必存在，使得；

（2）对于和，均有。

其中，为变异概率，为初始种群的最小模式，为第代的种群，为初始种群中的个体[43]。

理论上而言，变异率的存在会必然会使得遗传算法无法收敛，但是在实际应用中，变异概率相对于交叉概率非常低，尤其是本文中的变异率考虑到黑启动路径智能优化模型而不能设高，所以种群通过变异操作发生显著改变的概率极小，而交叉操作起核心作用，因此遗传算法出现由于过早收敛而无法对全局寻优的问题基本上受由交叉操作的影响[43]。