遗传算法是80年代出现的新型优化算法，近年来迅速发展，它的机理源于自然界中生物进化的选择和遗传，通过选择、杂交、变异得核心操作，实现“优胜劣汰”。它的主要特点是:可从多初值点开始，沿多路径搜索实现全局或准全局最优;可方便地处理混合整数离散J陛问题;是一种有效的自适应优化方法。

GA应用于潮流优化问题时，一般步骤为:首先随机给出一组初始潮流解，受各种约束条件约束，然后通过目标函数评价其优劣，然对其编码，通过遗传操作—选择、杂交和变异，使其重新组合，评价值低的被抛弃，只有评价值高的有机会将其特征迭代至下一轮解，最后这码串对应的解将趋向优化 。

遗传算法优点是具有很好的全局寻优能力，优化结果普遍比传统优化方法好。缺点是计算量比较大，计算时间长。现在遗传算法的研究主要集中在以下两方面:通过改进目标函数计算方法以提高其计算速度，通过改进遗传算法的操作改进整体收敛J陛和寻优性能。

在遗传算法操作研究方面，在一个103节点系统上研究了使用不同的算子参数对迭代次数和优化结果的影响，还研究了控制变量约束的影响，建议在寻优过程中不断缩小解空间。研究了多种用于提高GA效率及精度的方法，表明同时变罚因子及变权重因子的GA应用于经济调度中最有效，它最能保证收敛精度，虽然它牺牲了一些收敛时间。

针对目标函数计算加速，也就是潮流计算加速，将潮流方程中PV节点转为ve节点作为控制变量，同时将网络按节点联系进行分层，以形成一个带状稀疏阵，然后针对网络分层的特点使用一种高效的改进高斯消去法求解线性方程组。在lEEE57, 118, 300和KT896, EvI试验网络上的对比计算表明其方法的速度比浅解耦潮流算法要快。

此外，GA还用于解决含电力电子设备的灵活交流输电系统这样的非凸性的优化。对此进行了研究，结果表明遗传算法在这种非线性、非光滑、不可微的函数优化上十分适合。