配电网网架优化规划问题是复杂的、非线性的、整数性的、多目标的大规模组合优化问题，属于优化数学中常说的 NP 类难题。NP 类难题如果规模较大，一般就不可能得到精确解。所以当我们遇到大规模的配电网优化规划问题，就应当放弃寻找精确解的念头。对于配电网优化规划问题，目前还没有真正有效的求解算法。为了给出这类问题满意的求解方案，就必须对各种优化算法进行仔细分析，找出能有效解决问题，计算速度较快，结果令人信服，好控制的优化算法。下面是对目前用于电力系统规划的各种优化算法的分析。
自然科学，社会科学，以及人们的日常生活中广泛存在着大量求解目标最大或最小的问题，即所谓的最优化问题，用数学语言来说，就是决定一组参量，使其对应的目标函数达到最小值或最大值。目前常用于求解配电网规划的算法概括起来可分为三类:经典数学优化方法、启发式算法和随机优化方法。
求解整数规划的经典数学优化算法有：穷举法、分枝定界法（Branch and bound）、隐数法、割平面法（Valid cutting planes）、Dijkstra 算法和 DFS 搜索法等。
1）穷举法：即检查变量取值的每一种组合，比较目标函数值以求得最优解。对于最简单的整数规划 0-1 规划，穷举法的时间复杂性为侧 Θ(
2）分枝定界法： 是 20 世纪 60 年代初，由 Land Doig 和 Dakin 等人提出。因为这种方法灵活且便于用计算机求解，所以现在它已经是求解整数规划的重要方法。
3）隐数法：通过增加过滤条件，并且在计算中不断改进过滤条件以缩小搜索范围，提高运算效率。
4）割平面法：割平面法是 Gomory 提出来的，这个方法的基础是用解线性规划的方法去解整数规划问题。首先不考虑变量是整数这一条件，但增加线性约束(割平面)使得由原可行域中切割掉一部分，这部分只包含非整数解，但没有切掉任何整数可行解。这个方法就是指出怎样找到适当的割平面(不一定一次就能找到)，使切割后最终得到这样的可行域，它的一个整数坐标的极点恰好是问皿的最优解。割平面法依然不是求解配电网规划的有效算法。
5）Dijkstra 算法：Dijkstra 算法是当边的权值大于 0 的条件下，求解最短路的有效算法，算法的基本思想是从Vs (起始点)出发，逐步的向外探寻最短路。执行过程中与每个点对应，记录下一个数(称为这个点的标号)，它或者表示从Vs 到该点的最短路的权，或者是从Vs 到该点的最短路的权的上界，方法的每一步是去修改T 标号，并且把某一个具有T 标号的点改变为具有 P 标号的点，从而使 D 中具有 P 标号的顶点数多一个，这样，至多经过 P−1步，就可以求出从气到各点的最短路。
启发式算法（Heuristic approach）是和问题求解及搜索相关的，也就是说，启发式算法是为了提高搜索效率才提出的。
1)构造法（Construction）：一个优化问题的解是由若干个构造元素组成的，构造性启发式算法法通过一个一个地增加解的构造元素来求得一个可行解。“贪婪法”在每一步都寻找最大的改进，其中包含了大量构造性的启发式算法。在大多数构造性
启发式算法中，直到算法结束才会找到可行解。例如对于旅行销售商问题来说，其解是由n 个城市间的距离组成，这些城市间的距离就是解的构造元素。旅行销售商问题的构造性算法之一就是从某一城市开始，每次寻找与其距离最近且未走过的城市作为增加的构造元素，如此循环，到结束时，一个较短的可行环游路线就得到了构造性算法的循环次数与问题解的构造元素个数成正比，而与解空间的人小无关，因此其计算速度通常很快。
2)改进法（Improvement）：
该算法从一个可行解开始，通过在其邻域 N 的搜索如交换、合并结构元素等来改进解的质量。一般来讲，在整个搜索过程中，解一直处于可行状态。
3)数学规划法（Mathematical programming）：该方法在问题的数学优化模型及其精确求解方法的基础上，修改求解方法以其得到问题有效的启发式算法。
4)分解法（Decomposition）：
该法指求解一系列容易求解的小问题，一个问题的输出是下一个问题的输入，然后将这些解归纳、合并成一个解。许多规划(Schedule)问题的启发式算法使用了分解法。
5)分割法（Partitioning）：分割法将一个问题分割为几个子问题，然后独立地解决每个子问题。这些子问题的解再合并成整个问题的解。
6)解空间限制法（Solution space restriction）：
该法的思想是限制解的构造，以使问题变得容易求解。在某种意义上，所有的启发式算法都是限制法，然而在这里指明确地约束解空间的方法。典型的限制法只允许算法在具有特殊性质的解中搜索。
7)松弛法（Relaxation）：这种方法与限制法相反，它是指为了得到容易处理的问题而扩展解空间。
目前常见的随机优化算法有：遗传算法、模拟退火法、人工神经网络法等，这些方法的主要特征是搜索的过程中引入了随机技术。
1）遗传算法
遗传算法主要借用生物进化中“适者生存，优胜劣汰”的规律。选择操作使群体中适应度高的个体有更多的机会传给下一代，从而产生平均适应度越来越高的新群体；交叉是对新群体中随机选择的两个个体进行交换基因的操作，体现了自然界中群体内个体之间的信息交换；变异操作则是对新群体中随机选择的某个个体的某个随机产生的基因进行突变。交叉和变异都是为了引入新的变种，确保群体中个体的多样性，不致陷入局部最优区域。经过遗传操作，初始群体一代代地进化到搜索空间中越来越好的区域，直至达到全局最优解。编码简单，对解无可微性、连续性等要求。
2）人工神经网络法
人上神经网络法( ANN )，以人工建立的有向图为拓扑结构的动态系统，它通过对连续或者断续的分布式存储和并行协同处理，可实现函数逼近、数据聚类、优化计算、模式识别等功能。人工神经网络是一个非线性动力系统，其特色在于信息 ANN是以计算机仿真的方法，从物理结构上模拟人脑，以使系统具有人脑的某些智能。在众多的 ANN 模型中。多层前馈神经网络模型是目前应用最为广泛的模型。神经网络用于优化计算的基础是神经网络的渐近稳定状态对应用其计算能量函数的局部极小。
3）模拟退火法
模拟退火 SA（Simulated annealing）算法被认为是有效的优化方法之一。模拟退火方法的基本思想来源于固体的退火过积。首先我们回顾一下固体退火的物理过程。加热固体时，固体中原子的热运动不断增强，随着温度的不断升高，固体的长程有序被彻底破坏，固体熔解为液体(或气体)。冷却时，液体中原子的热运动渐渐减弱，随着温度的徐徐降低，原子运动渐趋有序。当温度降至结晶温度后，原子运动变为围绕晶体格点的微小振动，液体凝固成固体，这种由高温向低温逐渐降温的过程称为退火。退火过程中系统的熵值不断减小，系统能量随着温度的降低趋于最小值。
