利用传统数学优化理论，方法成熟，收敛性好，可以从理论上得到全局最优解，但是应用这些方法时为满足目标函数连续可微，往往需要做某些简化假设，这会使得优化结果和实际情况不符，从而在一定程度上限制了其应用范围。[FS:PAGE]
3.2人工神经网络类算法
ANN方法的最大特点是可以通过样本的训练将输入与输出之间的非线性关系存储于神经元的权值中。Santoso N I [18]用两级ANN实现电容器投切的实时控制。第一级ANN以母线的测量值（功率和电压）和电容器当前档位值为输入来预测负荷水平，第二级ANN根据负荷水平确定控制策略。Das等人针对传统优化方法费时不适合于在线应用问题，提出一种基于人工神经网络的方法；研究结果表明该方法比传统优化方法的计算速度快100倍以上[19]。
3.3基于随机化优化的方法
近年来，许多学者将基于随机化优化技术的方法（包括SA、GA以及TS等）应用于电力系统的研究和生产实践中，其中包括配电网的电容器优化投切。
1） 模拟退火算法(SA)
1990年，Chiang H D[20]用SA算法确定电容器的安装位置、类型、容量以及不同负荷水平下电容器的投切方案，考虑了电容器的实际情况、负荷约束以及各种负荷水平下的运行约束，并以69节点系统为例进行了计算。随后作者将电容器优化问题从三相对称系统推广到不对称系统[21]，和上一篇文献不同之处还在于考虑了负荷的电压静特性以及电容器更换问题，仍然用模拟退火法求解。王守相等[22]也应用模拟退火算法解决配电电容器三相分相投切问题，算法考虑了配电系统实际的三相不平衡状况和系统日负荷变化曲线以及电容器的实际操作次数约束。
2） 遗传算法(GA)
文献[23]认为电容器操作次数对用户和电力公司都非常重要，应将操作次数作为一个单独的目标而不是约束条件来考虑。此时电容器优化投切包含两个重要的目标：馈线的日运行损耗最小，操作次数最小。这两个目标量纲不同且相互冲突，为解决该问题，作者提出了与遗传算法相结合的交互式折衷最优方法。该方法的显著特点是可以提供一组灵活的折衷最优解以帮助系统运行人员确定最佳电容器投切方案。
刘莉等人[24]用遗传算法解决配电网电容器优化投切问题，克服了传统优化方法在处理电容器整数约束上的不足，对初始条件无任何要求，具备全局寻优能力。
3） 禁忌搜索(TS)
张学松[25]提出了将TS用于解决配电网电容器整组（0-1）优化计划投切问题，并对同一问题分别用Tabu搜索方法和遗传算法处理的效率进行了比较，证实了TS收敛速度快。邓集祥等人[26]在上文基础上对Tabu搜索方法的实际应用作了一些改进，并借助改进的遗传算法中的优化编码技术处理补偿电容器的分档优化投切问题。TS的不足是对初始解有较强的依赖性。
