（4）动态规划法
动态规划法非常独特，该方法将问题进行时间和空间上面的切割，将一项多阶段的优化问题分为各个小阶段进行处理，然后再计算出总体最优解。动态规划法的确是一个新颖独到的方法，但是也存在缺点，当优化问题的变量个数与分解后得到的阶段数增加时，不能避免出现“文数灾”问题，甚至还有可能导致算法“瘫痪”。因此，动态规划法在求解复杂的、不止一个变量的优化问题方面非常落后。
2  人工智能算法
上述算法存在的一些缺陷：
（1）数学模型必须十分精准，粗略的数学模型中计算值与实际状态间存在较大误差，但是由于数学模型的精准度和系统结构复杂度的关系很大，所以处理精确复杂模型还是不能使用以上的算法。
（2）初始点的选择是非常重要的，倘若距离最优点的距离很大，则将会造成优化问题仅有次优解，或者产生不可行解。
（3）大部分的常规优化方法都需要对数学模型中的一些函数或者约束进行求导等方法，所以会存在一定的限制。
（4）系统的非线性化程度增加对数学模型的建立提出了更高的要求，变量个数的增加伴随的“文数灾”问题难以解决。
基于以上问题，人工智能算法发展的势头在不可阻挡。
（1）禁忌搜索（Tabu Search）
TS算法利用单点搜索，算法的初始解可以直接影响算法的收敛速度，并且还会影响最终的结果，该算法有很差的全局搜索能力，控制变量的增加会大大增大计算量，导致计算量巨大，寻优过程漫长。
（2）模拟退火法（SA）
    SA算法在局部搜索算法上进行扩展，转化到全局的搜索，理论上来说，该算法的计算结果还是比较精确的。
（3）遗传算法（GA）
GA算法与其他算法不同的是在处理离散变量方面，该算法对变量进行编码处理，利用对码串的遗传操作代替对变量的直接操作。GA算法以自己目标函数本身建立寻优，复导数运算可以直接不被考虑进来，除此之外，各种约束条件都可以非常方便的引用进来，可以非常容易的得到最优解，混合非线性规划以及多目标优化问题方面是GA算法的擅长领域。相对的，GA算法计算效率由于其随机概率寻优的特点显得非常低，需要非常多的时间。GA算法也出现了另外的问题，就是过早的收敛现象，它会收敛于局部极小点[4]。
（4）模糊理论法（FT）
FT算法需要信息不多，不仅如此，它的计算速度并不慢，收敛性能也十分突出。参数不确定的时候可以采用FT算法。FT算法在分析一些不确定问题时候有非常良好的效果，反而对精确问题没有良好的处理方式。
（5）专家系统法（ES）
ES算法本身就需要根据其他算法，再加上专家经验设置初值，再调整控制参数，最后获得较优解。该方法的优点是用研究人员的知识运用在了实际的系统之中，使得该算法的功能十分强大。但是缺点也显而易见，稍有差池的初始点的选择也同样可以造成该问题的寻优陷入局部极值区。
（6）人工神经网络法（ANN）
该算法特点是可以通过并行信息处理和有效的自组织、自适应、自学习等优良特性来处理多约束、多变量的非线性优化问题。
（7）粒子群优化法（PSO）
 PSO算法和GA算法一样都是基于群体的优化工具，该算法首先初始化系统数据，产生随机的解，然后还是利用迭代的方法来寻找最优粒子。PSO算法优于GA算法的地方在于省去了交叉或者变异的操作，取而代之的是通过粒子（相当于变量）跟随当前解空间中的最优粒子（相当于最优解）进行搜索。PSO算法相比于GA算法的优势立刻就体现出来了，两者都是基于群体的优化算法，但是PSO算法设计简单，实现很容易，不仅如此，PSO算法还具备智能背景，不仅是在工程中，该算法还在社会研究上有着较大影响。PSO算法问世之后，立刻就成为了电力行业重视的一项算法。 无功优化国内外研究现状(2):http://www.youerw.com/yanjiu/lunwen_25859.html