遗传算法（ GA ）是人工智能（ AI ）为基础的方法。其他文学，称它作为一个变异的进化算法。 它是一个非数学，非确定性，而是随机过程或算法求解优化问题，最好是，所涉及的离散变量和非约束的目标函数。

优化利用遗传算法可以应用在各个领域一样，电力工程。 我使用遗传算法在我的本科毕业论文有关的优化配置固定和开关电容器不平衡的径向配电馈线 。

注意：以下的讨论只是想法和提法，并没有证明。 每个人都应邀探索和，好得多，落实这些思路

该系统的方程
系统方程的职能，至少两个变量。 它可以是线性或非线性，并获得解决方案，该系统应非奇异，并有一个点在空间的地方，刚好。

一般而言，系统的方程有以下形式;

F1的（ x1 ， x2 ， x3 ， … ， xn ） =格A1
F2代（ x1 ， x2 ， x3 ， … ， xn ） =酶A2
… … 。
新生力量（ x1 ， x2 ， x3 ， … ， xn ） = 1

其中x是未知的变数， n是多少未知的变数，和是常数。

制订
唯一信息是需要在遗传算法的目标函数，并代表计划在某种形式的编码字符串，其中载有有关可能的解决办法。 评价一个可能的解决办法是做了之后，每一套遗传操作。

因此，同声传译系统方程可以解决用遗传算法如果我们能表示，它在某种形式的目标函数和一个解决办法是说是正确的，如果它能够满足所有的方程，涉及这些变数。 就是这样;

F1的（ x1 ， x2 ， x3 ， … ， xn ） -格A 1= 0
F2代（ x1 ， x2 ， x3 ， … ， xn ） -酶A 2= 0
… … 。
新生力量（ x1 ， x2 ， x3 ， … ， xn ） -一= 0

或约，

那个
绝对值（ F1代（ x1 ， x2 ， x3 ， … ， xn ） -格A 1） ，以及
绝对值（ F2代（ x1 ， x2 ， x3 ， … ， xn ） -酶A 2） ，以及
…
绝对值（ FN的（ x1 ， x2 ， x3 ， … ， xn ） -一）

必须全部在最低限度。

最后一套方程（粗体和斜体） ，其实是客观的职能，这是需要由遗传算法。 请注意，遗传算法的不输出的精确解，但非常接近实际的解决办法。

可能出现的问题可能会遇到的
遗传算法擅长于优化的分立解决方案和非约束的目标函数。 显然，目标函数，我们形成了不约束，所以，我们没有任何问题。 不过，未知的变数，其中将载有可行的办法，是不离散。 事实上，这是连续从正面的负面至无限远。 这个两难的会造成问题的代表性计划，由于无限大的样本空间。