《表1 遗传算法应用研究：计算智能在电动车充电站规划的应用研究综述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《计算智能在电动车充电站规划的应用研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

采用遗传算法求解充电桩规划问题，需要对站址进行编码，根据目标函数构造遗传算法的适应度函数，并根据算法流程求解。如表1所示为遗传算法在电动汽车充电站规划问题中的应用研究。文献[59]根据区域交通流量守恒定律将区域车辆密度设为常数，应用传统的遗传算法进行了分析，采用排序算法选择最优个体，简单实用、适应性强。文献[60]基于地理信息排除不适合建站的位置，缩小数据集。在求解时采用算术交叉更新染色体，引入定位分配算子，结合交叉分配定位算法，具有较好的全局搜索和局部搜索能力，同时将充电者的时间成本予以考虑，实现了社会综合效益的最大化。文献[61]综合考虑电网约束、交通流量约束和运营成本约束，对约束条件进行了详细的分析，使用量子遗传算法求解，采取了更合适的编码方式，具有收敛速度快的优势，然而由于缺少充电运营数据，算法参数设计仍不完善。文献[62]则对充电桩进行快充桩和慢充桩的区分，建立多等级的电动汽车充电设施选址模型，同样采用遗传算法求解。文献[63]则主要针对电动出租车的充电行为进行规划，采用Voronoi图的方法划分充电站的服务范围，利用排队论的方法确定充电站的容量，使用量子遗传算法自适应调整策略，根据迭代次数调整旋转角，具有更好的遍历性。文献[64]通过分层遗传算法求解问题，采用双层的编码策略并引入了检查算子和禁忌表，从而更好地满足约束条件并且提升了算法性能。