Các thuật toán tiến hóa (EAs) bao gồm một loạt các kỹ thuật dựa trên lý thuyết về
tiến hóa sinh học nơi một vùng giải pháp được duy trì để bắt chước sự tiến hóa của các cá nhân trong một quần thể. Theo thiết kế, EAs có hiệu quả cho các bài toán mà phát triển theo thời gian và cần được giải quyết nhiều hơn. Hơn nữa, EAs thực hiện không có giả định về khả năng khác biệt, lồi hoặc êm ái của các chức năng hiện diện trong mô hình tối ưu và rất thích hợp cho các thuật toán song song do sự hiện diện của một vùng giải pháp. EAs rất thích hợp cho các bài toán OPF mà việc thể
hiện các hàm đa mục tiêu hoặc một tập hợp các giải pháp (hơn một giải pháp) là
Ký hiệu EA áp dụng cho một tập hợp khác nhau của các thuật toán, và một số cuộc tranh luận tồn tại khi mà các thuật toán được phân loại đúng như EAs. Ởđây, chúng ta phân loại như các thuật toán EAs sau đây mà đã được áp dụng cho OPF. Các hệ
thống miễn nhiễm nhân tạo (AIS), tiến hóa vi phân (DE), lập trình tiến hóa (EP), và
các giải thuật Gen (GAs) (Yu và Gen, 2010).
Ưu điểm [29]:
Khả năng áp dụng trong những bài toán mà không có phương pháp (tốt) có sẵn: - Gián đoạn, các ràng buộc phi tuyến tính, đa phương thức (multi-modalities) - Không gian biến rời rạc
- Các mô hình được xác định mặc nhiên (các cấu trúc nếu-thì-khác) - Các bài toán ồn ào
Phù hợp nhất trong những bài toán mà nhiều giải pháp được yêu cầu: - Các bài toán tối ưu đa phương thức
- Các bài toán tối ưu đa mục tiêu
Thực hiện song song thì dễ dàng hơn
Nhược điểm [29]:
Không đảm bảo cho việc tìm kiếm các giải pháp tối ưu trong một khoảng thời gian giới hạn:
- Tuy nhiên, các chứng minh hội tụ tiệm cận (asymptotic) sẵn có - Đối với các bài toán cụ thể, tính toán phức tạp bị kết thúc
Tham sốđiều chỉnh phần lớn bởi thí nghiệm và lỗi (trial-and-errror): - Tự thích ứng là một cách khắc phục.
Cách tiếp cận quần thể có thể rất tốn kém - Thực hiện song song là một cách khắc phục