In the past two decades, a wide var

In the past two decades, a wide variety of optimization
techniques have been applied in solving the optimal power flow
problem, such as linear programming [1-2], non-linear
programming [3-4], Newton-based techniques [5-6], and
interior point methods [7-8]. The optimal power flow problem is
a highly non-linear and a multi-modal optimization problem
which exists more than one local optimum. Hence, most of these
techniques are not suitable for such a problem. Recently, genetic
algorithm and particle swarm optimization (PSO) have been
proposed for solving the optimal power flow problem [9-11].
Particle swarm optimization, first introduced by Eberhart and
Kennedy [12], has been used extensively in many fields,
including function optimization, neutral network and system
control, etc. Unfortunately, the premature convergence of
particle swarm optimization algorithm degrades its
performance.

結果 (中文) 1:

在过去二十年来，各种各样的优化技术已应用于求解电力系统最优潮流问题，线性规划等 [1，2 ］，非线形编程 [3-4]，牛顿基础技术 [5-6]，和内点方法 [7-8]。最优潮流问题是高度的非线性和多模态优化问题存在多个局部最优解。因此，大多数的这些技术并不适合这样的问题。最近，遗传算法和粒子群优化算法 （PSO） 已提出了求解最优潮流问题 [9-11]。粒子群优化算法，首先介绍了哈特和肯尼迪 [12]，广泛使用于许多领域，包括函数优化、 神经网络和系统控制，等等。不幸的是，过早收敛性粒子群优化算法降低其性能。

結果 (中文) 3:

在过去的二十年中，各种各样的优化
技术被应用于求解最优潮流
问题，如线性规划，非线性规划[1-2]，
[3-4]，牛顿技术[5-6]，并
内点法[7-8]。最优潮流问题是
高度非线性和多模态优化问题
存在多个局部最优。因此，大多数的这些
方法不适用于这样的一个问题。近日，
遗传算法和粒子群优化（PSO）已
提出求解最优潮流问题[9-11]。
粒子群优化算法，首先介绍了
Eberhart和甘乃迪[ 12 ]，已被广泛应用于许多领域，
包括函数优化，神经网络和系统
控制，不幸的是，
的粒子群优化算法早熟收敛
降解性能。