در سیستم های امروزی وجود سیستم های انعطاف پذیر قدرت به خاطر ویژگی های منحصر بفرد این سیستم ها باعث عملکرد بهینه سیستم قدرت می شود اما قیمت این سیستم ها و هزینه نصب آن ها خیلی زیاد است و به این خاطر بهینه ترین بهره برداری ممکن از نصب این سیستم ها انتظار می رود. عملکرد بهینه سیستم های انعطاف پذیر قدرت و تأثیرات آن ها روی سیستم های قدرت امروزی وابسته به تعداد، محل و ظرفیت این سیستم ها است. روش های موجود به دلیل مشکلاتی همچون میزان سرعت همگرایی و مهم تر از آن پیدا نکردن بهینه سراسری کارایی مطلوب را برای حل مسئله جایابی بهینه سیستم های انعطاف پذیر قدرت را ندارند. علت اصلی این مشکل عملکرد خطی و یا اتفاقی (غیر هوشمند) این روش ها در یافتن جواب بهینه سراسری است. روش های تخمینی (الگوریتم های ژنتیک احتمالاتی) به خاطر ماهیت احتمالاتی، استفاده از شاخص بردار احتمالاتی برای کنترل و محدود سازی فضای نمونه و همچنین ارائه مدل چند متغیره از فضای جستجو و جمعیت جواب ها نسبت به الگوریتم ژنتیک و روش های کلاسیک عملکرد دقیق تر و سریع تر دارند. در این پایان نامه دو روش تخمینی الگوریتم یادگیری افزایشی مبتنی بر جمعیت جواب ها (مدل تک متغیره) و الگوریتم توزیع نرمال چند متغیره (مدل چند متغیره) برای جایابی بهینه جبران ساز استاتیکی در سیستم های اصلاح شده 14 و 30 شینه ieee بکار گرفته شده اند و نتایج حاصل با نتایج حاصل از جایابی با الگوریتم ژنتیک مقایسه شده است. نتایج جایابی بهینه جبران ساز استاتیکی روی شبکه های 14 و 30 شینه ieee نشان می دهند که مدل سازی چند متغیره فضای جستجو تأثیر بسزایی در یافتن جواب سراسری و سرعت همگرایی الگوریتم جایابی دارد و هوشمند کردن و کنترل فضای جستجوی نسل بعدی با کمک بردار احتمالاتی ای که از نسل حاضر جواب ها استخراج شده است، تأثیر بسزایی در بالا بردن سرعت همگرایی الگوریتم جایابی دارد. بنابراین عملکرد روش های تخمینی (الگوریتم ژنتیک احتمالاتی) در مقایسه با روش های پیشین دقیق تر و سریع تر است.