由定理1可知，在交叉操作起主要作用时，遗传算法可以搜索到包含当前种群最小模式中的所有个体，但是搜索不到不在当前种群最小模式中的个体[53]。由此可见，初始种群的选择直接影响遗传算法寻优结果是否收敛于全局最优解。文献综述

初始种群的规模和多样性是影响其个体分布情况的重要因素，初始种群个体分布如果不能均匀分散于可行解空间且覆盖全局最优值的信息，算法就会因为过早收敛从而无法收敛于全局最优解。虽然算法可以通过遗传因子改善初始种群没有覆盖全局最优解的情况，但是遗传算子本身具有随机性，所以不能单单依靠遗传算子来确保遗传算法搜索到全局最优解[56]；并且遗传算法的迭代次数即遗传代数是人为事先确定的，无法保证这一有限的遗传代数足够保证算法可以在进化过程中将整个种群的个体分布空间覆盖到全局最优值。所以直接对初始种群个体分布进行改善能够有效避免遗传算法因为过早收敛而无法寻找到全局最优值的问题。

除此之外，遗传算法的交叉操作对初始种群的选择有较强的依赖性，而交叉操作作为遗传算法的核心又对整个算法的全局搜索速度影响巨大，所以初始种群的优劣也会间接影响遗传算法的寻优效率。初始种群只有均匀分散于可行解空间、充分代表可行解空间中的个体，才能使算法以较快速度收敛

因此，要改善遗传算法的收敛性能、提高其收敛效率，就必须考虑初始种群的个体分布情况，选择具有一定的代表性并且能够覆盖最优解空间的个体作为遗传算法的初始种群才能保证算法的高效[53]。

2。4  初始种群设定对黑启动路径优化的影响分析

2。4。1  初始种群规模的影响分析

初始种群规模是影响初始种群个体分布的因素之一。在遗传算法中，初始种群规模越大，它在可行解空间的覆盖区域就越大，覆盖到全局最优解的几率越大。但如果初始种群规模过大，遗传算法的交叉操作就会过于复杂，执行时间太长，寻优效率相对而言会降低。

以IEEE 30节点的系统为例，在遗传代数、代沟、突变率、交叉率都相同的情况下对算法独立运行20次，记录仿真结果。

（1）算法仿真时间对比与分析来:自[优E尔L论W文W网www.youerw.com +QQ752018766-

对IEEE 30节点的系统进行算法执行时间的对比仿真，仿真结果如表2。1所示。

表2。1  传统遗传算法仿真时间结果比较

系统 初始种群规模 平均预处理时间（s） 平均算法时间（s） 平均运行时间（s）

IEEE 30-bus system 10 0。1466 37。2166 37。5185

20 0。1453 57。4287 57。8720

上表中预处理时间是指初始种群生成时间，算法时间是指遗传迭代时间，运行时间是指整个算法的运行时间。

由表2。1可知，初始种群规模对黑启动路径优化遗传算法执行时间的影响主要在遗传迭代的时间上。初始种群规模越大，算法的交叉操作就越复杂，在每一次迭代中遗传算子的执行时间就会相应增加；而整个算法的运行时间主要是与遗传迭代时间有关，所以初始种群规模越大，遗传算法运行时间随之增加。