Mạng nơtron nhân tạo (ANN) là những công cụ tính toán dựa trên sự vận hành của mạng lưới thần kinh sinh học (biological neural). ANN vận hành trên nguyên tắc xử
lý song song, tương tự như sự vận hành của bộ não con người (human brain). Do
đó, ANN khá nhanh, đặc biệt là khi giao dịch với khối lượng lớn dữ liệu mà không biết tương quan toán học. Ngoài việc xử lý trực tuyến và khả năng phân loại, ưu
điểm chính của ANNs là khả năng giao dịch với các biến ngẫu nhiên của điểm vận hành dự kiến được cho dữ liệu tăng. Lý thuyết của ANNs đã được thảo luận rộng rãi trong nhiều sách khác nhau (cf.Ripley, 1996; Jurada, 1997; Dreyfus, 2005).
ANN đã được sử dụng trong một loạt các ứng dụng trong việc kiểm soát và vận hành các HTĐ; Haque và Kashtiban (2005) xem xét một số trong số này. Nguyen (1995, 1997) đã phát triển một cấu trúc mạng nơtron (Neural Network – NN) tổng quát cho OPF mà có thể bao gồm các kiểu khác nhau của các hàm mục tiêu và các ràng buộc. Cách tiếp cận đề xuất thông qua phương pháp Newton-Raphson cho việc thực hiện trên NN. Một yếu tố chính của NN OPF là khả năng các module NN riêng lẻđể xử lý các ràng buộc cụ thể. Song song các module đó dẫn đến sự tính toán tốc
độ cao. Giải thuật cũng khai thác rải rác các ma trận gặp phải trong các bài toán OPF. Hartati và El-Hawary (2001) đề xuất một cách tiếp cận NLP dựa trên một bài toán OPF mà trong đó một ANN tăng cường hàm chi phí bằng cách tính toán hình phạt phù hợp. Cách tiếp cận này cho thấy hội tụ nhanh hơn trong bài toán OPF chủ động hơn các phương pháp thông thường.
Ưu điểm [26]:
Mạng nơtron có thể thực hiện nhiều nhiệm vụ mà một lập trình tuyến tính không thể có.
Khi một thành phần của mạng nơtron lỗi, nó có thể tiếp tục mà không có bất kỳ
vấn đề về bản chất song song của nó.
Mạng nơtron học và không cần phải lập trình lại.
Có thể thực hiện mà không có bất kỳ vấn đề gì.
Nhược điểm [26]:
Mạng nơtron cần đào tạo để vận hành
Cấu trúc của mạng nơtron khác với cấu trúc của bộ vi xử lý do đó cần phải được mô phỏng
Yêu cầu thời gian xử lý cao cho các mạng nơtron lớn