Từ Tabu (hoặc Taboo) đến từ Tongan, một ngôn ngữ của Polynesia, nơi nó được sử
dụng bởi người thổ dân của hòn đảo Tonga để chỉ ra những điều không thể sờ được bởi vì những thứđó là thiêng liêng [31].
Tìm kiếm Tabu (TS) là một quy trình cải tiến lặp đi lặp lại được giới thiệu bởi Glover (1989, 1990). Quá trình tìm kiếm một phần dựa trên phương pháp leo đồi (hill-climbing) để phát hiện ra một giải pháp bằng cách xác định miền lân cận và khi đó di chuyển đến giải pháp với hàm chi phí cực tiểu trong miền lân cận. TS sử
dụng một danh sách Tabu mà đóng một vai trò quan trọng như là một hàm nhớ, lưu trữ một số trạng thái đã viếng thăm cùng với một số trạng thái có thể được xem là không mong muốn. Danh sách Tabu kiểm soát các hướng tìm kiếm để giải pháp thoát khỏi cực tiểu địa phương và ngăn cản chu trình bằng cách sử dụng các cấu trúc bộ nhớ linh hoạt. Faigle và Kern (1992) đã chứng minh tính hội tụ toàn cục của TS bằng cách khai thác các điểm tương đồng với SA [24].
Bởi bây giờ, TS là một cách tiếp cận tối ưu được thiết lập đã được áp dụng cho các bài toán tối ưu HTĐ khác nhau với thành công ấn tượng (cf.Mori và Hayashi,
1998). Cùng với các giải thuật tìm kiếm heuristic khác, chẳng hạn như GA, TS đã
được chỉ ra là “rất hứa hẹn” để xử lý các ứng dụng thực tế trong tương lai trong những năm đầu 1990 (cf.Glover, 1989; Bland và Dawson, 1991). Hai mươi năm sau, nghiên cứu này vẫn còn tiếp tục, mặc dù các meta-heuristic khác đã đạt được sự chú ý nhiều hơn gần đây [24].
Ưu điểm [30]:
Tìm kiếm Tabu đã được sử dụng rộng rãi và thành công trong tối ưu hóa tổ hợp.
Lai với các kỹ thuật khác (ví dụ, GAs) dường như nhiều hứa hẹn hơn để đối phó với không gian tìm kiếm liên tục.
Việc sử dụng tìm kiếm Tabu để khám phá các miền lân cận của các giải pháp tạo ra bởi các cách tiếp cận khác (ví dụ, một giải thuật tiến hóa) có vẻ như một sự lựa chọn tự nhiên khi đối phó với các bài toán tối ưu hóa tổ hợp
Nhược điểm [30]:
Việc sử dụng trong không gian tìm kiếm liên tục đã không được phổ biến do những khó khăn về thực hiện những di chuyển miền lân cận trong không gian tìm kiếm liên tục.
Trong thực tế, việc mở rộng tìm kiếm Tabu đa mục tiêu vào không gian tìm kiếm liên tục khi có tính khả thi, có thể trở nên không thực tế vì sự rời rạc của yêu cầu không gian tìm kiếm.
Nhược điểm chính của cách tiếp cận lai là thêm chi phí tính toán liên quan đến việc tìm kiếm địa phương.
3.3.2.9 Tóm tắt các phương pháp tối ưu không xác định [24]
Các phương pháp tìm kiếm ngẫu nhiên, không xác đinh đã thảo luận là tất cả các cách tiếp cận meta-heuristic. Mặc dù mỗi phương pháp có triết lý riêng của nó, ý tưởng cơ bản thống nhất tất cả meta-heuristic đã thảo luận là sự khám phá có hệ
thống của việc tìm kiếm không gian sử dụng chương trình cải tiến heuristic.
Các meta-heuristic thường rất linh hoạt đối với định dạng bài toán. Chúng có thể xử
lý tất cả các kiểu không lồi (non-convexities) trình bày trong các bài toán OPF và các ràng buộc phức tạp do các bài toán khác nhau trong đó OPF được nhúng. Các bài toán OPF có thể có nhiều tối ưu địa phương, và hầu hết các meta-heuristic có thể thoát khỏi tối ưu địa phương và hội tụ, ít nhất về mặt lý thuyết, đối với một tối
ưu toàn cục. Điều này thường đạt được bằng cách quản lý một vùng giải pháp và (gián tiếp) theo dõi hiệu suất giải thuật đã thực hiện.
Các phương pháp tối ưu không xác định đã thảo luận trong phần này được tóm tắt trong bảng 3.2. Cột thứ 2 nói về các thông số chuẩn cho mỗi phương pháp – càng ít thông số thì thích hợp hơn. Thực tế số lượng các thông số cho một giải thuật cụ thể
có thể thay đổi trong sự biến thể của phương pháp: một vài thông số có thể bị loại bỏ, hoặc các thông số khác có thể được thêm vào. Cột thứ 3 chỉ ra rằng có hay không meta-heuristic về mặt lý thuyết có thể tính toán một giải pháp tối ưu toàn cục cho sự lựa chọn thông số phù hợp và điều chỉnh giải thuật. Chính xác hơn, từ “Có” trong cột thứ 3 có nghĩa là xác suất tìm thấy một giải pháp tối ưu toàn cục tiếp cận một khi giải thuật được phép chạy thời gian vô tận – điều này còn được gọi là “hội tụ trong giá trị”. Nếu không có kết quả lý thuyết về sự hội tụ có sẵn, khi đó chúng ta có nghĩa là không có kết quả cho phương pháp hoặc biến thể nhẹ của nó; sự hội tụ
có thể luôn luôn đạt được bằng cách lai tạo, tức là, sự kết hợp của các kỹ thuật mà có những đặc tính hội tụ mong muốn. Cột thứ 4 cung cấp một tài liệu tham khảo mà chúng ta xem như là một điểm khởi đầu tốt cho sự tham khảo. Cuối cùng, cột thứ 5 cung cấp một vài nhận xét và góp ý cho OPF điển hình.
Bảng 3.2. So sánh các kỹ thuật không xác định
Phương
pháp Các tham số chuẩn ưTu.ối a Tham khảo Nhận xét ACO Sự bay hơi và trọng lượng
pheromone Có
Dorigo và Stützle (2004)
Hiểu biết lý thuyết vững chắc; được thiết kế chỉ cho các biến rời rạc – tồn tại sự mở rộng để đối phó với các biến liên tục; kết hợp với các phương pháp NLP đối OPF đề
nghị. AIS Tỷ lệ vô tính (Clonal), tỷ lệđột biến (mutation), số phù hợp (matching number) - de Castro và Timmis (2002)
EA; học tập giải thuật; hứa hẹn cho các ứng dụng an ninh trong OPF và trong các phương pháp lai cho OPF.
ANN Các trọng lượng hàm năng lượng - Dreyfus (2005)
Học tập dựa trên giải thuật xử lý dữ liệu chủ yếu được sử
dụng để phân loại và sự nhận biết mẫu; bộ hướng dẫn cho các bài toán tối ưu hóa không cần thiết; có thể xử lý phi tuyến tính và tính nguyên; thích hợp cho các bài toán OPF trực tuyến khi thực hiện tốc độ cao là có thể
BFA
Các thông số khác nhau liên quan
đến hóa hướng (chemotaxis), đàn, tái sản xuất (re-production), sự loại trừ
(elimination), và phân tán (dispersal)
- Passino (2005)
Lý thuyết chưa được hiểu rõ; không có thông tin Gradient phân tích yêu cầu khi tính xấp xỉ được sử dụng (có thể coi là một nhược điểm cho các bài toán OPF như Gradient sẵn có); thích hợp cho các hàm mục tiêu ồn ào trong OPF.
COA Ánh xạ hỗn độn, sự nhiễu loạn hỗn
độn Có
Li và Jiang (1998)
Thành công cho OPF đặc biệt trong các phương pháp lai
để tăng cường hội tụ (so sánh một mình với các phương pháp meta-heuristic)
kích thước quần thể (2006) cứu cho thấy rằng đặc tính hội tụ tốt cho các bài toán OPF.
EP Kích thước quần thể, số thế hệ Có Fogel (2006)
EA; thông thường rất đơn giản; rất thích hợp khi không chắc chắn sự hiện diện trong OPF và trong các phương pháp lai đối với OPF.
GA Xác suất chéo, xác suất đột biến,
kích thước quần thể Có
Reeves và Rowe (2003)
EA; hiểu rõ lỹ thuyết hợp lý trong các giải thuật EA; thích hợp cho OPF có quy mô lớn do sự song song của GAs
PSO Kích thước bầy đàn, thông số nhận
thức, thông số xã hội Có Clerc (2006)
Lý thuyết được hiểu rõ hợp lý; mạnh mẽ hợp lý với các thông sốđối với các bài toán OPF; các giải thuật PSO sửa
đổi chứng minh thực nghiệm các đặc tính hội tụ tốt cho các bài toán OPF.
SA Nhiệt độ ban đầu, tốc độ tôi luyện Có Laarhoven và Aarts (1987)
Chỉ đề xuất như một phương pháp lai cho OPF do tốc độ
hội tụ chậm
TS Chiều dài danh sách Tabu Có Glover và Laguna (1997)
Khái niệm rất đơn giản; một điểm khởi đầu tốt cho các giải thuật OPF
a Có: Hiển thị hội tụ với giải pháp tối ưu toàn cục có đủ thời gian.
3.3.3Các phương pháp lai [24]
Các phương pháp lai kết hợp các kỹ thuật tối ưu hóa khác nhau thành một giải thuật. Nếu làm đúng, khi đó ưu điểm của từng phương pháp có thểđược sử dụng để
khắc phục những nhược điểm của những phương pháp khác, dẫn đến một giải thuật rất mạnh. Thông thường, những phương pháp lai có thểđạt được những sự cải thiện
đáng kể (ví dụ như trong thời gian tính toán, tính chất hội tụ, chất lượng giải pháp, hoặc tham số mạnh) trên mỗi một phương pháp riêng lẽ. Các phương pháp lai đã trở
nên phổ biến trong thập kỷ qua đối với các ứng dụng OPF khác nhau.
3.3.3.1 Các phương pháp xác định kết hợp [24]
SQP kết hợp với Quasi-Newton (Lin et al., 2004).
IPMs kết hợp với khai triển Bender (Borges và Alves, 2007).
IPMs kết hợp với lũy biến Lagrangian và phương pháp Newton (Lage et al.,
2009).
PC-IPMs kết hợp với phương pháp Newton và tìm kiếm dòng (Line search) (Han et al., 2009)
3.3.3.2 Các phương pháp xác định và không xác định kết hợp [24]
Các phương pháp xác định hướng đến là việc tính toán nhanh hơn nhiều so với các phương pháp không xác định. Tuy nhiên, các phương pháp xác định thường bị giới hạn việc cung cấp các giải pháp tối ưu địa phương – trong điều kiện tốt nhất (at best) – và chất lượng đạt được của giải pháp thì chính xác đối với điểm khởi đầu.
Để vượt qua được nhược điểm của việc bị mắc kẹt trên tối ưu địa phương, các kỹ
thuật tìm kiếm địa phương có thểđược kết hợp với các quy trình tìm kiếm toàn cục
được cung cấp bởi các phương pháp không xác định. Rất thường xuyên, ý tưởng đó là các meta-heuristic đối phó với các biến quyết định rời rạc của bài toán và các kỹ
thuật tìm kiếm cục bộ được xử dụng để xử lý một phần NLP liên tục còn lại. Các phương pháp lai bao gồm:
IPMs kết hợp với meta-heuristics (Shengsong et al., 2002).
LP và SQP kết hợp với GA (Younes et al. ,2007).
Phương pháp Newton kết hợp với PSO (Rashidi và El-Hawary, 2007).
Tìm kiếm trực tiếp (direct search) kết hợp với EP (Gopalakrishnan et al., 2003).
Tìm kiếm trực tiếp (direct search) kết hợp với BFA (Panigrahi và Pandi, 2009).
SLP kết hợp với tìm kiếm heuristic địa phương (local heuristic search) (Aoki
et al., 1998).
Kỹ thuật vector tiếp tuyến (Tangent vector) kết hợp với PSO (Esmin et al., 2005; Esmin và Lambert-Torres, 2006).
3.3.3.3 Các phương pháp không xác định kết hợp [24]
Ý tưởng nội bậc của việc kết hợp nhiều meta-heuristic thành một phương pháp lai là
để vượt qua sự hội tụ chậm và/hoặc để cải thiện các đặc tính hội tụ toàn cục của các mata-heuristic riêng lẽ. Như vậy, các phương pháp lai có xu hướng phù hợp nhiều hơn với các bài toán OPF hơn là các phương pháp meta-heuristic thông thường. Bao gồm các phương pháp sau:
GA kết hợp với các meta-heuristic khác (Liu et al., 2000).
PSO kết hợp với SA (Dadati et al., 2009).
DE kết hợp với các meta-heuristic khác (Abbasy et al., 2007).
3.3.3.4 Logic mờ kết hợp với OPF [24]
Logic mờ (Fuzzy Logic) không phải là một giải thuật tối ưu hóa mà là một cách tiếp cận toán học để đối phó với thông tin không đầy đủ hoặc không chính xác. Các phương pháp tập mờ đã được sử dụng để lai nhiều giải thuật OPF hiện có, chủ yếu là để cải thiện hiệu suất giải thuật khi đầu vào là không biết hoặc không chắc chắn. Logic mờ nổi lên từ lý thuyết tập mờ (Zadeh, 1965, 1996). Lý thuyết tập mờ cho phép đánh giá dần dần thành viên của các phần tử trong một tập hợp; điều này được mô tả với sự trợ giúp của một hàm thành viên. Một yếu tố quan trọng của lý thuyết này là một phần tử duy nhất có thể là một thành viên của nhiều tập hợp với nhiều mức độ khác nhau.
Logic mờ kết hợp với LP (Miranda và Saraiva, 1992).
OPF mờ (fuzzy OPF) chuyển sang OPF sinh động (crisp OPF) (Guan et al., 1995)
Logic mờ kết hợp với các meta-heuristics (Song et al., 1997).