ИСПОЛЬЗОВАНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ ОПТИМИЗАЦИИ РЕЖИМОВ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СИСТЕМ

SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 48 DOI: https://doi.org/10.5281/zenodo.17543550 ИСПОЛЬЗОВАНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ ОПТИМИЗАЦИИ РЕЖИМОВ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СИСТЕМ Б.М. Пулатов, Х.С. Маманазаров ТашГТУ АННОТАЦИЯ В статье рассматриваются вопросы для решения задач оптимизации на основе использования генетических алгоритмов. На сегодняшние дни генетического алгоритма использования для решения различных задач. Который относится поиск кратчайшим путём, аппроксимация, фильтрация данных и другие. В частности данные рассматривается вопросе использование генетическом алгоритме для решения задач оптимизации режимов электроэнергетических систем. Представим алгоритм по разработки разработке математической моделей, который включает разработка структуры хромосомы, создания начат популяция, создания направляющий силу популяции и др. А также представление выбранная структура должна учитывать все особенности и ограничения, предъявляемые к искомому решению, а также то, что от её выбора напрямую зависит реализация алгоритмов кроссинговера и мутации. Для решения задач оптимизации приведен блок схемы генетического алгоритма. Ключевые слова: электрическая сеть, аппроксимация, хромосома, целевая функция, ограничение, алгоритм решения, многопараметрические функции, генетический алгоритм. SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 49 ANNOTATSIYA Maqolada genetik algoritmlardan foydalanishga asoslangan optimallashtirish muammolarini hal qilish masalalari ko‘rib chiqilgan. Bugungi kunga kelib, turli xil muammolarni hal qilish uchun genetik algoritmlardan foydalaniladi. Bu eng qisqa yo‘llarni qidirish, yaqinlashtirish, ma’lumotlarni filtrlash va boshqalarni o‘z ichiga oladi. Xususan, elektr tarmoqlari holatlarini optimallashtirish muammolarini hal qilish uchun genetik algoritmlardan foydalanish to‘g‘risidagi ma’lumotlar o‘rganilgan. Xromosoma tuzilishini rivojlantirish, boshlang‘ich populyatsiyani yaratish, populyatsiya uchun yo‘naltiruvchi kuchni yaratish va boshqalarni o‘z ichiga olgan matematik modellarni ishlab chiqish algoritmikeltirib o‘tilgan. Bundan tashqari, tanlangan sxema kerakli yechimga bog‘liq bo‘lgan barcha xususiyatlar va cheklashlarni, shuningdek, o‘tish va mutatsion algoritmlarni amalga oshirish uni tanlashga bevosita bog‘liqligini hisobga olishi kerakligi ham ko‘rsatib o‘tilgan. Optimallashtirish muammolarini hal qilish uchun genetik algoritmning blok-sxemasi berilgan. Kalit so‘zi: elektr tarmoq; approksimatsiya; xromosoma; maqsad funksiyasi; cheklashlar; hisoblash algoritmi; ko‘pparametrli funksiya; genetic algoritm. ANNOTATION In article discusses issues for solving optimization problems based on the use of genetic algorithms. To date, the genetic use algorithm for solving various problems. Which includes the shortest path search, approximation, data filtering and others. In particular, data is being examined regarding the use of a genetic algorithm to solve problems of optimizing the modes of electric power systems. Imagine an algorithm for developing the development of mathematical models, which includes developing the structure of the chromosome, creating a started population, creating a directing force for the population, etc. As well as the presentation, the selected structure should take into account all the features and limitations imposed on the desired solution, as well as the fact that the implementation of crossing-over and mutation algorithms directly SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 50 depends on its choice. To solve optimization problems, a block diagram of the genetic algorithm is given. Key words: electric network, approximation, chromosome, criterion function, restriction, algorithm of the solution, multiple parameter functions, genetic algorithm. Генетические алгоритмы – это очень популярные в настоящее время способы решения задач оптимизации. В их основе лежит использование эволюционных принципов для поиска оптимального решения. Уже сама идея выглядит довольно интригующей и любопытной, чтобы претворить её в жизнь, а многочисленные положительные результаты только разжигают интерес со стороны исследователей. Зачастую небольшое изменение одного из них может привести к неожиданному улучшению результата. Применение генетических алгоритмов полезно лишь в тех случаях, когда для данной задачи нет подходящего специального алгоритма решения. Данные алгоритмы основаны на принципах естественного отбора Ч. Дарвина и предложены относительно недавно – в 1975 году Джоном Холландом. В них используется как аналог механизма генетического наследования, так и аналог естественного отбора. При этом сохраняется биологическая терминология в упрощенном виде и основные понятия линейной алгебры. Формально генетический алгоритм — это алгоритм, который позволяет найти удовлетворительное решение каналитически неразрешимым проблемам через последовательный подбор и комбинирование искомых параметров с использованием механизмов, напоминающих биологическую эволюцию [1]. Генетические алгоритмы применяются для решения следующих задач: • Экстремальные задачи (нахождение точек минимума и минимума). • Задачи о кратчайшем пути. • Задачи компоновки. • Составление расписаний. • Аппроксимация функций. SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 51 • Отбор (фильтрация) входных данных. • Настройка искусственной нейронной сети. • Моделирование искусственной жизни. • Биоинформатика (свертывание белков и РНК). • Игровые стратегии. • Нелинейная фильтрация. • Развивающиеся агенты/машины. Генетические алгоритмы - это стохастические эвристические оптимизационные методы, основная идея которых взята из теории эволюционного развития видов. Основным механизмом эволюции является естественный отбор, суть которого состоит в том, что более приспособленные особи имеют больше шансов на выживание и размножение и следовательно, приносят больше потомства, чем менее приспособленные особи. При этом благодаря передаче генетической информации потомки наследуют от родителей основные их качества. Носителями генетической информации индивидуума выступают молекулы ДНК. При размножении животных происходит слияние двух родительских половых клеток. Их ДНК взаимодействуют, образуя ДНК потомка. Основной способ взаимодействия - кроссинговер. При кроссинговере ДНК предков делятся на две части, а затем обмениваются своими половинками. При наследовании возможны мутации из-за радиоактивности или других влияний, в результате которых могут измениться некоторые гены в половых клетках одного из родителей. Измененные гены передаются потомку и придают ему новые свойства. Если эти новые свойства полезны, они, скорее всего, сохранятся в данном виде и при этом произойдёт скачкообразное повышение приспособленности вида [2]. Первым шагом при разработке математической модели, основанной на генетическом алгоритме, является разработка структуры хромосомы, в которой будет храниться решение. Выбранная структура должна учитывать все особенности и ограничения, предъявляемые к искомому решению, а также то, SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 52 что от её выбора напрямую зависит реализация алгоритмов кроссинговера и мутации. В конечном счёте, выбор хромосомы влияет не только на скорость, но и на сходимость алгоритма вообще. Структура хромосомы удобна тем, что уже на этапе задания начальных данных можно исключить заведомо неудачные решения, заблокировав соответствующие ячейки. На следующем шаге алгоритма создаётся начальная популяция, размер которой зависит от размерности задачи и составляет обычно несколько сотен решений. Для организации оптимизирующего процесса необходимо создать направляющую силу развития популяции. В качестве такой силы выступает требование минимизации целевой функции или в терминах генетических алгоритмов фитнес функции. Обычно в качестве её используется аддитивный показатель оптимальности, основанный на штрафах, устанавливаемых каждому решению за какой либо неудобный. Преимуществом такого выбора является возможность настройки алгоритма под конкретную задачу путём варьирования коэффициентов и тем самым, изменения приоритетов при поиске оптимального решения. Таким образом, поместив начальную популяцию в созданную нами искусственную среду и реализовав процессы селекции, кроссинговера и мутации, мы получим итерационный алгоритм поиска оптимального решения, на каждой итерации которого выполняются следующие действия: 1. Каждая особь популяции оценивается с помощью фитнес функции. 2. Лучшие решения копируются в новую популяцию без изменения. Такой принцип (принцип элитизма) предотвращает потери лучших решений и обеспечивает повышенную сходимость алгоритма. 3. На основе пропорционального отбора из текущей популяции выбираются два решения, которые подвергаются рекомбинации. Для этого хромосомы родителей обмениваются соответствующими участками. SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 53 4. Если новая популяция сформирована, то старая удаляется, после чего переходим к этапу 1. В противном случае переходим к этапу 3. Основными параметрами ГА являются: • вероятность мутации; • точность получения результата; • количество итераций алгоритма или количество поколений; • размер популяции. Генетический алгоритм работает согласно следующей схеме: 1. Прежде всего, в данном алгоритме для организации начала счета создается произвольное исходное семейство. 2. Далее алгоритм производит некую последовательность новых семейств или поколений. На каждом отдельном шаге алгоритм использует определенные индивидуумы из текущего поколения, для того, что бы создать последующее поколение. При формировании нового поколения в алгоритме проводятся следующие действия: • Отмечается каждый член текущего семейства посредством вычисления соответствующего значения пригодности. • Проводится масштабирование полученного ряда значений функции пригодности, что позволяет построить диапазон значений более удобный для последующего использования. • Выбираются родительские значения на основе значений их пригодности. • Часть индивидуумов из родительского поколения имеет более меньшие значения функции пригодности и которые в далее выбираются как элитные значения. Эти элитные значения передаются далее уже в последующее поколение. • Дочерние значения образуются или путем неких случайных изменений отдельного одного родителя - мутации или путем комбинации векторных компонентов некой пары родителей – кроссовер. SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 54 • Замена текущего семейства на дочернее с целью формирования последующего поколения. 3. Останов алгоритма производится тогда, когда выполняется какойнибудь критерий останова. В электроэнергетике генетические алгоритмы способны решать узкие, но крайне важные задачи оптимизации, например, задачи улучшения показателя качества электроэнергии и понижения затрат на ее производство [4]. Главными объектами исследования становятся такие показатели, как отклонение напряжения, коэффициенты гармонических составляющих и несимметрии напряжения по обратной и ненулевой последовательности. Основной классический генетический алгоритм (также называемый элементарным или простым генетическим алгоритмом) состоит из следующих шагов (рис. 1): 1) инициализация, или выбор исходной популяции хромосом; 2) оценка приспособленности хромосом в популяции; 3) проверка условия остановки алгоритма; 4) селекция хромосом; 5) применение генетических операторов; 6) формирование новой популяции; 7) выбор «наилучшей» хромосомы. Рис. 1. Блок-схема генетического алгоритма SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 55 Рис. 2. Характер изменения составляющих затрат при управлении качеством электроэнергии. З(П) – суммарные затраты; δПопт – оптимальный уровень отклонений показателей качества электроэнергии; О – технические ограничения; О1 – технические возможности улучшения качества энергии; О2 – технически допустимый уровень электромагнитных помех Таким образом, представляет интерес разработка алгоритмов, сохраняющих преимущества описанных методов и свободных от указанного недостатка. К таким алгоритмам относятся генетические алгоритмы. Генетические алгоритмы являются универсальным методом оптимизации многопараметрических функций, что позволяет решать широкий спектр задач. Генетические алгоритмы имеют множество модификаций и сильно зависят от параметров. Зачастую небольшое изменение одного из них может привести к неожиданному улучшению результата. Следует помнить, что применение ГА полезно лишь в тех случаях, когда для данной задачи нет подходящего специального алгоритма решения. SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 12 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Noyabr, 2025 56 ЛИТЕРАТУРА 1. Эмилянов В.В., Курейчик В.М. Теория И практика эволюсионного моделирования. - М: Физматлит, 2013. – с. 432. 2. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритми: Учебное пособие. - 2-е изд. - М: Физнатлит, 2006. - с. 320. 3. Darrel Whitley "A Genetic Algorithm Tutorial", 2016.-256 p. 4. Цой Ю.Р., Спистин В.Г. Генетический алгоритм/Списин В.Г., Цой Ю.Р. Представление знаний в информационных системах: учебное пособие. -Томск: Изд-во ТПУ, 2016. -146 с. 5. Gayibov T.Sh., Pulatov B.M., Qayumov J.A. Minimization of Losses in Distributed Power Networks by Genetic Algorithms.- International Journal of Advanced Research in Science, Engineering and Technology.-Vol. 6, Issue 2, February 2019.- pp. 8037-8039. 6. Deb K., Multi-Objective Optimization Using Evolutionary Algorithms, John Wiley & Sons 7. AbdellahLaoufi , Collective Intelligence for Optimal Power Flow Solution Using Ant Colony Optimization, Leonardo Electronic Journal of Practices and Technologies, p.88-105,2008. 8. Гайибов Т.Ш. Эффективний алгоритм оптимизасии режимов энергосистем // Сборник статей международной научной конференсии «Инновасия-2002». – Ташкент, 2002. – С. 90-91.