این رویه آماده ­سازی نیز مشابه دو روش قبل است با این تفاوت که در هنگام ایجاد مجموعه بسته‌های تخمینگر باید شین­های تزریق صفر نیز در نظر گرفته شود. برای توضیح بیشتر شکل ‏۳‑۸ را در نظر بگیرید.

۱
۲
۳
۴
۶
۵
۷
L 1
L 2
L 3
L 4
L 5
L 6
شکل ‏۳‑۸: جایابی بهینه در شبکه ۷ شینه با در نظر گرفتن شین­های تزریق صفر
۱
۲
۳
۴
۶
۵
۷
L 1
L 2
L 3
L 4
L 5
L 6
شکل ‏۳‑۹: جایابی بهینه در شبکه ۷ شینه بدون در نظر گرفتن شین­های تزریق صفر
در این شبکه فرض کنید شین شماره ۳ و ۴ شین­های تزریق صفر هستند. در این شین­ها نه تولیدی وجود دارد و نه مصرفی. با قرارگیری ۴ دستگاه واحد اندازه‌گیری فازوری در شین­های ۱ و ۲ و ۵ و ۶ با توجه به الگوریتم تخمین پارامتر می­توان ولتاژ شین­های ۳ و ۴ تخمین زد. همان طور که اشاره شد شین ۳ یک شین تزریق صفر است. بنابراین با بهره گرفتن از قانون مداری جریان در این شین و مشخص بودن جریان خطوط L1 و L3 بوسیله واحدهای اندازه‌گیری فازوری، جریان خط L5 را می­توان بدست آورد. به همین نحو جریان خط L6 را نیز می­توان بدست آورد. با مشخص بودن ولتاژ شین­های ۳ و ۴ و جریان خطوط ۵ و ۶ می­توان با بهره گرفتن از الگوریتم ارائه‌شده ولتاژ شین ۷ و پارامترهای خطوط ۵ و ۶ تخمین زده می­ شود. اگر بدون در نظر گرفتن شین تزریق صفر به جایابی بهینه بپردازیم مطابق با شکل ‏۳‑۹ در شین ۷ نیز واحد اندازه‌گیری فازوری قرار می­گیرد که با در نظر گرفتن شین­های تزریق صفر این واحد اندازه‌گیری فازوری حذف شد.
با مشخص شدن نقش شین تزریق صفر در کاهش واحدهای اندازه‌گیری فازوری به سراغ نحوه به­ کارگیری آن در الگوریتم بهینه­سازی می­رویم. طبق روش گفته‌شده در بخش ‏۳-۳-۱-۱ برای رویت­پذیر شدن شین ۷ مجموعه ­ای را به صورت زیر می­توان تشکیل داد:
{(۷،۶) ، (۷،۵) ، (۷،۲) ، (۷،۱) ، (۳،۴) ، ۷}= مجموعه تخمینگرهای رویت شین ۷ (‏۳‑۲۲)
در مجموعه بالا تنها بسته تخمینگر (۳ و ۴) دارای شین تزریق صفر است. با توجه به شکل ‏۳‑۸ برای رویت­پذیر شدن ولتاژ شین ۳ و جریان خط ۵ می­توان بسته تخمینگر (۱ و ۵) را انتخاب نمود. در بسته تخمینگر (۳ و ۴)، با رویت‌پذیر شدن جریان خط ۵ و ولتاژ شین ۳ می­توان بسته تخمینگر (۱ و ۵) را با این شین جایگزین کرد که به صورت (۱ و ۵ و ۴) در می ­آید (شکل ‏۳‑۱۰).
شکل ‏۳‑۱۰: نحوه تغییر بسته تخمینگر (۳ ،۴) با در نظر گرفتن شین تزریق صفر شماره ۳
برای شین ۴ نیز همین رویه را می­توان طی کرد. در پایان برای شین ۷ با در نظر گرفتن شین تزریق صفر مجموع زیر بدست خواهد آمد.
{(۷،۶) ، (۷،۵) ، (۷،۲) ، (۷،۱) ، (۱،۵،۶،۲) ، (۳،۶،۲) ، (۱،۵،۴) ، (۳،۴) ، ۷}= مجموعه تخمینگرهای رویت شین ۷ با در نظر گرفتن شین تزریق صفر (‏۳‑۲۳)
با انتخاب هر یک از این بسته‌های تخمینگر می­توان اطمینان داشت که شین شماره ۷ رویت­پذیر خواهد بود. این رویه آماده ­سازی اطلاعات با بهره گرفتن از شین تزریق صفر را برای جایابی بهینه واحد اندازه‌گیری فازوری به منظور تخمین پارامتر و حالت سیستم به طور همزمان نیز می­توان پیاده‌سازی کرد.
جایابی بهینه واحدهای اندازه‌گیری فازوری بوسیله الگوریتم ژنتیک
الگوریتم ژنتیک یکی از الگوریتم­های قدیمی و پرکاربرد در مسایل بهینه­سازی است. موتور الگوریتم ژنتیک یک جمعیت اولیه از رابطه تعریف‌شده ایجاد می‌کند. هر فرد در برابر مجموعه‌ای از داده‌ها مورد آزمایش قرار می‌گیرد و مناسب­ترین آن‌ها (شاید ۱۰ درصد از مناسب‌ترین‌ها) باقی می‌مانند و بقیه کنار گذاشته می‌شوند. با ترکیب DNA افراد منتخب نسل جدیدی تولید خواهد شد. مشاهده می‌شود که با عبور از میان تعداد زیادی از نسل­ها، الگوریتم ژنتیک به سمت ایجاد فرمول‌هایی که دقیق­تر هستند، میل می‌کند.
جذابیت زیاد الگوریتم ژنتیک این است که نتایج نهایی قابل‌ملاحظه‌ترند. فرمول نهایی برای کاربر انسانی قابل‌مشاهده خواهد بود، و برای ارائه سطح اطمینان نتایج می‌توان تکنیک‌های آماری متعارف را بر روی این فرمول‌ها اعمال کرد. فناوری الگوریتم‌ ژنتیک همواره در حال بهبود است و برای مثال با مطرح کردن معادلات ویروس‌ها که در کنار فرمول‌ها و برای نقض کردن فرمول‌های ضعیف تولید می‌شوند و در نتیجه جمعیت را کلاً قویی‌تر می‌سازند.
به طور مختصر گفته می‌شود که الگوریتم ژنتیک ^[۳۵]یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. در واقع الگوریتم ژنتیک یک تکنیک جستجو در علم رایانه، برای یافتن راه حل بهینه است. الگوریتم‌ ژنتیک یکی از انواع الگوریتم‌های تکاملی است که از علم زیست‌شناسی مثل وراثت، جهش، انتخاب ناگهانی،انتخاب طبیعی و ترکیب الهام گرفته است. مزیت این الگوریتم به عنوان یک الگوریتم بهینه­سازی عددی در این است که نهایتاً تا نقطه بهینه محاسبه خواهد شد، درحالی‌که در روش تحلیلی امکان عدم همگرایی به نقطه بهینه وجود دارد.
نحوه به‌کارگیری الگوریتم ژنتیک برای بهینه­سازی
در مرحله دوم به مسئله جایابی بهینه واحدهای اندازه‌گیری فازوری بوسیله الگوریتم ژنتیک پرداخته می­ شود. همان طور که اشاره شد جایابی بهینه واحد اندازه‌گیری فازوری را به دو هدف مختلف می‌توان بر روی سیستم اعمال کرد.
جایابی بهینه واحدهای اندازه‌گیری فازوری به منظور تخمین حالت سیستم
جایابی بهینه واحدهای اندازه‌گیری فازوری به منظور تخمین حالت و پارامترهای سیستم
ماهیت این مسئله جایابی به گونه‌ای است که برای حل، از روش­های بهینه­سازی معمول نمی­ توان استفاده کرد. در این مسئله به جای متغیرهای پیوسته و گسسته با حالت­های مختلف انتخاب بسته‌های تخمینگر (قرارگیری واحدهای اندازه‌گیری فازوری) بر روی شبکه سروکار خواهیم داشت. این مسئله به صورت جایابی بهینه بسته‌های تخمین بر روی سیستم برای رسیدن به بیش‌ترین اشتراک این بسته­ها که به کاهش تعداد واحدهای اندازه‌گیری فازوری می­انجامد، خواهد بود. این‌گونه مسائل را با روش­های بهینه­سازی هوشمند می‌توان حل کرد و شاید بتوان گفت این روش­ها تنها راه حل برای این‌گونه مسائل خواهند بود. در این تحقیق برای بهینه­سازی از الگوریتم ژنتیک استفاده‌شده است.
در الگوریتم ژنتیک استفاده‌شده برای جایابی بهینه واحدهای اندازه‌گیری فازوری با هدف تخمین حالت سیستم، مطابق با شکل ‏۳‑۱۱ هر کروموزوم به تعداد شین­های سیستم ژن خواهد داشت.
. . .
: Kتعداد باس های سیستم یا تعداد ژن ها
شکل ‏۳‑۱۱: ساختار یک کروموزوم در الگوریتم ژنتیک جایابی بهینه واحدهای اندازه‌گیری فازوری
همان طور که بیان شد برای رویت هر شین می‌توان مجموعه بسته‌های تخمینگر ۳تایی از شین­ها را تهیه نمود بطوریکه با انتخاب هر کدام از آن تخمینگرها می‌توان اطمینان داشت که شین مورد نظر رویت­پذیر خواهد بود. مثلاً در مجموعه تخمینگرهای متناظر با شین iام، n_i بسته تخمینگر وجود دارد. این بسته­ها در مجموعه مربوط به خود از شماره ۱ تا n_i برچسب­گذاری شده ­اند. مطابق با شکل ‏۳‑۱۲ در فرایند الگوریتم ژنتیک هر یک از این بسته­ها می­توانند بطور تصادفی انتخاب شده و در ژن iام (Gen_i) که نماینده رویت­پذیری شین iام است قرار گیرند.