CN103699940B - 一种基于情景的水和生态空间分区多目标优化决策方法 - Google Patents
一种基于情景的水和生态空间分区多目标优化决策方法 Download PDFInfo
- Publication number
- CN103699940B CN103699940B CN201310616547.XA CN201310616547A CN103699940B CN 103699940 B CN103699940 B CN 103699940B CN 201310616547 A CN201310616547 A CN 201310616547A CN 103699940 B CN103699940 B CN 103699940B
- Authority
- CN
- China
- Prior art keywords
- decision
- local
- sub
- variables
- scenario
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/40—Protecting water resources
- Y02A20/402—River restoration
Abstract
公开一种基于情景的水与生态空间分区多目标优化决策方法，包括步骤：1)确定决策目标和子目标；2)初步选择决策变量集以及约束集；3)进行空间分区，规划各个时间阶段；4)根据空间分区得到的不同空间子区域，选择与其相对应的局部变量和局部约束，建立空间分区优化模型；5)根据决策变量重要性选取其状态值个数，并对各决策变量赋值，构建不同空间子区域上的情景决策方案；6)对各子区域上的情景决策方案进行排序，并分别从排序靠前的若干情景决策方案进行组合；7)从组合后得到的总情景决策方案中选出最佳情景决策方案；8)针对下一个时间阶段，以上一个时间阶段作为初始状态，重复步骤4)至7)，直至所有时间阶段完毕。
Description
技术领域
本发明涉及优化决策的技术领域，尤其涉及一种基于情景的水和生态空间分区多目标优化决策方法。
背景技术
近年来在大尺度空间上的管理决策，如矿山生态修复、农业面源污染控制、河流生态修复等日渐增多，表现出其复杂性、多目标性、难以量化等问题，对一般的优化决策方法具有很大的挑战性。情景分析(scenario analysis)方法被应用到大尺度决策过程中，通过对各种驱动因素的分析，设计一系列离散化状态的未来情景，来克服严格过程量化的瓶颈，能够帮助决策者制定出较优合理的方案。然而由于大尺度空间决策问题的复杂特性，需要多方面、多层次地综合考虑相关的因素，通过计算机系统产生上万甚至上亿的情景方案，进而给决策方案的评估比选带来了巨大的困难，出现计算机资源耗时过多与计算能力不足等问题。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供一种基于情景的空间分区多目标优化决策方法，其既对决策对象进行全方位、多层次、多角度综合考虑和表征刻画来充分体现分区后各区域目标之间的差异性，又提高了综合决策的效率和减少了计算机系统决策运算的时间。
本发明的技术解决方案是：这种基于情景的水和生态空间分区多目标优化决策方法，包括以下步骤：
(1)针对实际决策问题，确定决策目标和子目标；
(2)初步选择包括全局变量和局部变量的决策变量集以及包括全局约束和局部约束的约束集；
(3)根据决策对象的空间属性对其进行空间分区，同时根据决策目标规划各个时间阶段，制定各个时间阶段的决策方案；
(4)选择不同空间区域上的局部变量和局部约束，建立不同空间区域的空间分区优化模型；
(5)根据决策变量的重要性相对大小相应选取决策变量状态值个数多少，并对各决策变量赋值，构建不同空间分区上的情景决策方案；
(6)对不同子区域上的情景决策方案进行综合评价，根据综合评价结果，对各子区域上的情景决策方案由综合评分高至低进行排序，并分别从各子区域排序靠前的若干情景决策方案进行组合；
(7)根据全局约束和局部约束，从组合后得到的总情景决策方案中选出最佳情景决策方案；
(8)针对下一个时间阶段，以上一个时间阶段决策结果作为下一时间阶段的初始状态值，重复步骤(4)至(7)，直至所有的时间阶段完毕。
本方法通过空间分区充分考虑了大尺度决策过程中全局决策变量、局部决策变量、全局约束及局部约束的相关性和独立性，建立了空间分区多目标优化决策模型；通过空间分区优化，在保证情景决策方案局部与整体最优，并充分体现决策变量主次之分的前提下，大大地减少了计算机系统所产生的情景决策方案数，同时最大程度上来捕捉不同情景决策方案的差异，充分体现不同情景决策方案的优劣；从而既对决策对象进行全方位、多层次、多角度综合考虑和表征刻画来充分体现分区后各区域目标之间的差异性，又提高了综合决策的效率和减少了计算机系统决策运算的时间。
附图说明
图1示出了根据本发明的基于情景的水和生态空间分区多目标优化决策方法的流程图。
具体实施方式
如图1所示，这种基于情景的水和生态空间分区多目标优化决策方法，包括以下步骤：
(1)针对实际决策问题，确定决策目标和子目标；
(2)初步选择包括全局变量和局部变量的决策变量集以及包括全局约束和局部约束的约束集；
(3)根据决策对象的空间属性对其进行空间分区，同时根据决策目标规划各个时间阶段，制定各个时间阶段的决策方案；
(4)选择不同空间区域上的局部变量和局部约束，建立不同空间区域上的空间分区优化模型；
(5)根据决策变量的重要性相对大小相应选取决策变量的状态值个数多少，并对各决策变量赋值，构建不同空间分区上的情景决策方案；
(6)对不同子区域上的情景决策方案进行综合评价，根据综合评价结果，对各子区域上的情景决策方案由综合评分高至低进行排序，并分别从各子区域排序靠前的若干情景决策方案进行组合；
(7)根据全局约束和局部约束，从组合后得到的总情景决策方案中选出最佳情景决策方案；
(8)针对下一个时间阶段，以上一个时间阶段决策结果作为下一个时间阶段的初始状态值，重复步骤(4)至(7)，直至所有的时间阶段完毕。
本方法通过空间分区充分考虑了大尺度决策过程中全局决策变量、局部决策变量、全局约束及局部约束的相关性和独立性，建立了空间分区多目标优化决策模型；通过空间分区优化，在保证情景决策方案局部与整体最优，并充分体现决策变量主次之分的前提下，大大地减少了计算机系统所产生的情景决策方案数，同时最大程度上来捕捉不同情景决策方案的差异，充分体现不同情景决策方案的优劣；从而既对决策对象进行全方位、多层次、多角度综合考虑和表征刻画来充分体现分区后各区域目标之间的差异性，又提高了综合决策的效率和减少了计算机系统决策运算的时间。
优选地，步骤(4)中的空间分区优化模型为公式(1)
其中决策对象按其空间特性划分为I个子区域，决策对象共有J个子目标，
决策变量为
约束关系为
其中Ftotal表示总目标函数，Ftotal_i表示第i个子区域总目标函数，ωi表示第i个子区域的权重，Ftotal_i_j表示第i个子区域的第j个子目标函数，x＝{xl}(n＝1,2,L,L)表示决策变量，VRg＝{VRg_n}(n＝1,2,L,N)表示全局约束，VRsg＝{VRsg_m}(m＝1,2,L,M)表示局部约束，xg表示全局决策变量集，xsg表示局部决策变量集，其中
需要说明的是，全局约束是指决策系统整体所要满足的约束条件；局部约束是指仅适用于子区域所要满足的约束条件；全局决策变量是指在各子区域中存在且统一变化的决策变量；局部决策变量是指仅在某区域或子系统中存在的决策变量。
具体地可以采用如下步骤：
步骤一：确立研究对象的总目标和分目标，初步确立决策变量集x及相应的约束条件集VR；
步骤二：根据决策对象的空间属性对其进行空间分区，划分区域个数记为I，并建立第t时间(t<T)不同空间区域上的多目标空间分区优化决策模型Ftotal，进一步识别出全局决策变量xg＝{xg_k}，(k＝1,2,L,K)、全局约束VRg＝{VRg_n}，(n＝1，2，L N)、不同区域上的局部决策变量xsg＝{xsg_t}，(t＝1,2,L,T)以及局部约束VRsg＝{VRsg_m}，(m＝1,2,L,M)；
步骤三：构建不同空间分区上的情景决策方案。根据全局决策变量xg_k和局部决策变量xsg_t在不同空间区域上的重要性大小，分别取多少不同数量的状态值，进行组合得到不同空间区域上的情景决策方案集为S＝{Sp}(p＝1,2,L,P)；
步骤四：对步骤三所产生的情景决策方案S＝{Sp}(p＝1,2,L,P)进行综合评价，得到与其相对应的综合评价值V＝{Vp}(t＝1,2,L,P)，并进行排序；
步骤五：根据专家判断或其他权重确定方法如层次分析法，确定空间分区后不同区域的重要性权重ω＝{ωi}(i＝1,2,L I)，同时对第三步产生的不同区域上的多个最佳情景决策方案进行优化组合，组合后的情景决策方案记为Sc＝{Sc-r}(r＝1,2,L,R)，与其对应的综合评价值记为V＝{Vc_r}(r＝1,2,L,R)，按照线性加权公式Vc_r＝ω1V1+ω2V2+L+ωIVP来计算组合后的情景决策方案的综合评价值；
步骤六：根据第五步计算得到的组合后总的情景决策方案，按照其综合评价值V＝{Vc_r}(r＝1,2,L,R)的大小进行排序，并在全局约束和相应局部约束条件下比选出最终合理的优化决策后的情景决策方案Sop_c＝{Sop_c_r}(r＝1,2,L,R)。
步骤七：针对下一个时间阶段第t+1时间，以上一个时间阶段(第t时间)的决策状态作为第t+1时间的初始状态，重复第二至第六步骤，直至完成所有时间阶段T。
本方法基于情景分析，分区分步，先分区优化，后集成优化，突出空间属性分区特征及其局部约束，同时充分体现全区系统特征及全局约束，达到从较少的情景备选方案中获得真实的最佳决策方案。
现在给出一个具体的例子，永定河是北京的母亲河，随着社会经济的发展，流域内自然资源被过度开采利用，导致河道内水资源受到污染，下游河道干涸、断流，生态环境系统遭到严重破坏，日益恶化的生态环境严重制约着首都经济发展并影响人们的生活健康。北京市相关部门提出了对永定河进行人工补水生态修复，在不破坏当地原始生态环境的条件下，构建“溪流－湖泊－湿地”连通的永定河生态系统和空间景观布局，让永定河生态环境系统恢复到往日的生机。为了给永定河生态修复决策规划提供决策支撑，笔者所在课题组研发了永定河生态修复模拟评价与综合决策系统，本研究应用该系统来构建整体规划(不空间分区)下的情景决策方案和通过空间分区不同区域的情景决策方案(为了演示决策的具体实施过程，仅选取一个时间阶段展示具体操作过程)。
(1)空间分区
根据永定河具有的空间特性，对永定河进行空间分区如表1所示：
表1
(2)确立决策目标
①水环境目标(Fw)
水环境目标主要考虑的是调配不同类型(如官厅水库、城市再生水、南水北调等水资源)的可利用的水资源回灌补给永定河。然而由于不同类型的水资源可能水质有所差异，可能引起永定河河道和湖泊中水体富营养化。同时由于河道入渗可能会引起地下水资源的污染。因此，水环境目标越大，缺水河流水环境质量越好，河道水环境也越健康。
②生态环境目标(Fe)
生态目标就是为了保持永定河流域内的生态平衡，给流域内的生态提供良好的栖息环境，维持流域内的生态多样性，保持流域内生态系统的可持续性、稳定性。同时健康的生态环境才能提供最大的生态服务价值，才能真正意义上构建人与自然和谐相处，提供一个健康、舒适、良好的休闲娱乐的环境和生活环境。因此，生态目标越大，生态环境质量越好。
③社会经济效益目标(Fs)
社会经济目标主要考虑的是在有限的资源(资金、技术、人力等)条件下，使得永定河生态修复建设的费用、修复后的管理和维护费用以及其它相关的运营费用最少。因此，社会经济目标重点考虑修复建设费用及修复后期的维护运营费用，费用越少，生态修复的效果越佳。
根据多目标空间分区优化决策公式①，建立了永定河生态修复决策模型如下：
根据永定河(北京段)的空间特性划分为3段，其中，FTDM表示永定河生态修复的总目标函数，Fw表示水环境目标函数，Fe表示生态目标函数，Fs表示社会经济目标函数。FTDM_i表示第i区域上的总目标函数；Fw_i表示第i区域上的水环境目标函数；Fe_i表示第i区域上的生态目标函数；Fs_i表示第i区域上的社会经济目标函数(其中，Fmax_i表示第i区域上的最大的投资费用)。为了便于各子目标之间进行比较，对目标值计算的结果进行了归一化处理，即“1”表示目标最大，“0”表示目标最小。
(3)决策变量
通过对永定河野外的实际调研和永定河生态修复工程的规划分析，并邀请相关专家的多次商榷，筛选出了一批典型性的决策变量如表2所示。
表2
(4)约束条件
①全局约束
对于永定河生态修复最关键的两个全局约束：回灌补给河道的总水量和总的生态修复投资费用。水量关系需满足如下约束条件：
生态修复的投资费用需满足如下约束关系，则生态修复建设费用需要满足如下约束条件：
②局部约束
局部约束主要考虑的是满足子区域或子系统有意义的合理有效范围。如绿地结构(林、灌、草的比例为100％)，其他局部约束在此不详述。
(5)构建情景决策方案
根据已研发出的永定河生态修复模拟评价与综合决策系统来构建整体规划(不分区域)下的情景决策方案和通过空间分区不同区域的情景决策方案。同时结合永定河实际修复工程，选取了溪流水深作为全局决策变量，其余的决策变量作为局部决策变量。
①整体规划构建情景决策方案
对永定河流域(北京段)从整体全面考虑进行规划修复，根据表3选择了21个决策变量(由于溪流水深作为全局决策变量，故其在不同区域上作为同一个变量)，同时假设每个决策变量赋予10个状态值，通过组合后所产生的情景决策方案总的数目为1×1021个。
②空间划分区域构建情景决策方案
根据表1对永定河进行了空间分区，针对划分区域：山峡段、城市段、郊野段选择了合适的决策变量，同时考虑到全局决策变量和局部决策变量在决策过程中的重要性，根据其重要性分别取不同个数的状态值，亦即决策变量越重要，其在决策过程中对决策目标的影响也越大，则其取值个数也越多，取值也越精细；反之亦然。具体详见如表3所示：
表3
(6)情景决策方案产生
根据《永定河绿色生态走廊建设规划(2009年)》规划报告，永定河河道(北京段)总的补水量约为5亿立方，永定河生态修复五年(2010-2014年)总投资170亿。同时根据永定河修复规划设计溪流水深作为全局决策变量，其水深取值范围为0～50cm，其它局部决策变量根据相应空间区段规划给定取值范围。由此根据计算机系统分别产生了山峡段、城市段和郊野段的情景决策方案。此处为便于比较说明，仅分别选出了排序前5名的情景决策方案，并根据文献①中的评价指标体系和综合评价方法分别对三段已选择的情景决策方案进行综合评价，具体结果如表4所示。
为便于比较分析，从表4中分别选择山峡段、城市段和郊野段排序前2名的情景决策方案，进行优化组合产生永定河(北京段)总目标的情景决策方案。针对山峡段、城市段和郊野段，根据永定河生态修复规划目标，并根据实际修复工程城市段作为当前修复的主要目标，对这三段根据专家打分分别获得其重要性权重为：0.2、0.6、0.2，组合后情景决策方案的综合评价结果如表5所示。(其中：情景决策方案总水量超过规划补给总水量[5亿立方]约束记为“×”,否则记为“√”；情景决策方案总投资费用超过规划总投资费用[170亿]约束记为“×”，否则记为“√”；情景决策方案中不同分区域溪流水深一致记为“√”，否则记为“×”)。
表5
注：水量单位[亿立方米]；投资费用单位[亿元]
进而根据表5的综合评价结果，可以比选出最佳的情景决策方案为X2Y2Z2，如表6所示：
表6
注：水量单位[亿立方米]；投资费用单位[亿元]；溪流水深单位[cm]
(7)结果比较分析
针对永定河(北京段)进行整体规划不空间分区分两种情况进行比较：①根据表3中所选的决策变量，其重要性同等重要，且所有决策变量都取10个状态值，通过计算机系统产生的情景决策方案数为1000×1018(1×1021)个(记为A)；②根据表3中所选的决策变量，并综合考虑决策变量的重要程度及全局决策变量，且按照表3中所取得状态值，通过计算机系统产生的情景决策方案数为1×1018个(记为B)；
针对永定河(北京段)进行空间分区分两种情况进行比较：①根据表3中所选的决策变量，其重要性同等重要，通过计算机系统产生的情景决策方案数为100×108个(记为C)；②根据表3中所选的决策变量，综合考虑全局决策变量的重要程度和全局决策变量，且按照表3中所取得状态值，通过计算机系统产生的情景决策方案数为1.63×108个(记为D)。
表7
| A | B | C | D | |
| 情景方案数 | 1000×1018 | 1×1018 | 100×108 | 1.63×108 |
由表7对不同情形下所产生的情景决策方案数进行了对比，比较结果可以看出通过空间分区在子区域上充分考虑各子区域的特性(包括全局决策变量和局部决策变量的特性)，并依据子区域特性来构建情景决策方案，不仅能充分体现不同情景决策方案之间的差异特性，而且产生的情景决策方案总数远远小于前三者情形下产生的情景方案总数。
与此同时，根据表5、表6和表7结果分析可以看出，在综合考虑了全局决策变量以及全局约束条件下，一些在各空间区域(局部)上“貌似”最佳或最优的情景决策方案，通过优化组合后并不一定是全局上最优最佳的情景决策方案，已经成了无效情景决策方案已被剔除，而比选出的情景决策方案是在满足全局和局部最优条件下的合理的情景决策方案。同时，在实际应用中，从各个不同的区域上选择若干多的子情景决策方案进行优化组合和情景方案比选，结果与所举实例及决策评价结果相一致，为使示例，这里仅选择了有限几个情景决策方案来说明所提出方法和决策模型的操作流程。此外通过实际测试验证空间分区后计算机系统优化组合产生情景决策方案数所耗费运行的时间也远远小于不分区产生情景决策方案数所耗费时间，很大程度上提高了决策的效率和决策管理能力。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (2)
1.一种基于情景的水与生态空间分区多目标优化决策方法，其特征在于，包括以下步骤：
(1)针对实际决策问题，确定决策目标和子目标，其中决策目标为水和生态的保护利用与修复的总目标，子目标包括水目标、生态目标及社会经济目标；
(2)初步选择包括全局决策变量和局部决策变量的决策变量集以及包括全局约束和局部约束的约束集，其中，全局约束是指决策系统整体所要满足的约束条件，局部约束是指仅适用于子区域所要满足的约束条件，全局决策变量是指在各子区域中存在且统一变化的决策变量，局部决策变量是指仅在某个或某些子区域中存在的决策变量；
(3)根据决策对象的包含初选局部决策变量空间分布特征的空间属性对其进行空间分区，同时根据决策目标规划各个时间阶段，制定各个时间阶段的决策方案；
(4)选择不同空间区域上的局部决策变量和局部约束，建立不同空间区域的空间分区优化模型；
(5)根据决策变量的重要性相对大小相应选取决策变量状态值个数多少，决策变量越重要，状态值个数越多，并对各决策变量赋值，构建不同空间分区上的情景决策方案；
(6)对不同子区域上的情景决策方案进行综合评价，根据综合评价结果，对各子区域上的情景决策方案由综合评分高至低进行排序，并分别从各子区域选择排序靠前的若干情景决策方案进行组合；
(7)根据全局约束和局部约束，从组合后得到的总情景决策方案中根据总分排序选出满足全局约束和局部约束的最佳情景决策方案；
(8)针对下一个时间阶段，以上一个时间阶段决策结果作为下一个时间阶段的初始状态值，重复步骤(4)至(7)，直至所有的时间阶段完毕。
2.根据权利要求1所述的基于情景的水与生态空间分区多目标优化决策方法，其特征在于，步骤(4)中的空间分区优化模型为公式(1)
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mi> </mi>
<msub>
<mi>F</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>max</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>F</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
<mo>_</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>max</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<msub>
<mi>F</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
<mo>_</mo>
<mi>i</mi>
<mo>_</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中决策对象按其空间特性划分为I个子区域，决策对象共有J个子目标，
决策变量集为X，包括全局决策变量和局部决策变量：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>g</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>g</mi>
<mo>_</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>K</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mi>g</mi>
<mo>_</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<mo>(</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
约束关系为
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>VR</mi>
<mi>g</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>VR</mi>
<mrow>
<mi>g</mi>
<mo>_</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>VR</mi>
<mrow>
<mi>s</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>VR</mi>
<mrow>
<mi>s</mi>
<mi>g</mi>
<mo>_</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中Ftotal表示总目标函数，Ftotal_i表示第i个子区域总目标函数，ωi表示第i个子区域的权重，Ftotal_i_j表示第i个子区域的第j个子目标函数，VRg＝{VRg_n},(n＝1,2,...,N)表示全局约束，
VRsg＝{VRsg_m},(m＝1,2,...,M)表示局部约束，xg表示全局决策变量集，xsg表示局部决策变量集，其中
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310616547.XA CN103699940B (zh) | 2013-11-27 | 2013-11-27 | 一种基于情景的水和生态空间分区多目标优化决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310616547.XA CN103699940B (zh) | 2013-11-27 | 2013-11-27 | 一种基于情景的水和生态空间分区多目标优化决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103699940A CN103699940A (zh) | 2014-04-02 |
| CN103699940B true CN103699940B (zh) | 2018-01-19 |
Family
ID=50361462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310616547.XA Active CN103699940B (zh) | 2013-11-27 | 2013-11-27 | 一种基于情景的水和生态空间分区多目标优化决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103699940B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345008A (zh) * | 2018-09-17 | 2019-02-15 | 摩佰尔（天津）大数据科技有限公司 | 自动排船方法 |
| CN111126726A (zh) * | 2018-10-30 | 2020-05-08 | 北京同方软件有限公司 | 一种基于异构融合数据的智慧决策多目标分析方法 |
| CN111539580B (zh) * | 2020-04-30 | 2023-07-25 | 上海市园林科学规划研究院 | 城市绿化生态技术集成应用的多方案优选方法 |
| CN112949997A (zh) * | 2021-02-04 | 2021-06-11 | 上海营邑城市规划设计股份有限公司 | 用于城市规划设计中的社区画像的系统和方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7835893B2 (en) * | 2003-04-30 | 2010-11-16 | Landmark Graphics Corporation | Method and system for scenario and case decision management |
| CN102542354B (zh) * | 2010-12-31 | 2015-04-29 | 中国科学院研究生院 | 基于情景分析和层次分析的优化决策方法 |
| CN103065042B (zh) * | 2012-12-17 | 2016-07-06 | 中国科学院大学 | 基于情景的多目标综合决策评价方法 |
-
2013
- 2013-11-27 CN CN201310616547.XA patent/CN103699940B/zh active Active
Non-Patent Citations (3)
| Title |
|---|
| 基于多目标群决策的区域水资源配置方案评价研究;邴建平;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20071115;第2007年卷(第05期);第2.3.2.1节-2.3.2.2节，第2.3.3节，第4.2.2节，第5.1.2节，图2-1 * |
| 基于多目标鱼群-蚁群算法的水资源优化配置;侯景伟 等;《资源科学》;20111231;第33卷(第12期);第2255-2261页 * |
| 应用大系统递阶模型优化配置区域农业水资源;张长江 等;《水利学报》;20051231;第36卷(第12期);第1480-1485页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103699940A (zh) | 2014-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108053037B (zh) | 一种基于两网融合的配电网抢修策略制定方法及装置 | |
| CN103699940B (zh) | 一种基于情景的水和生态空间分区多目标优化决策方法 | |
| Butsch et al. | Districting for arc routing | |
| CN109559012A (zh) | 一种风电并网条件下电网规划方案综合评价方法 | |
| CN105203097A (zh) | 一种适用于灾后环境的多机器人多目标点救援路径规划方法 | |
| CN104200387B (zh) | 一种顾及地理实体语义相似度的土地用途分区方法 | |
| CN110866636A (zh) | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 | |
| CN105404932A (zh) | 基于智能电网创新示范区的能源互联网综合评估与优化配置方法 | |
| CN105388402A (zh) | 基于参数优化svm算法的交联电缆局部放电模式识别方法 | |
| CN104881735A (zh) | 用于支撑智慧城市运行管理的智能电网大数据挖掘系统及方法 | |
| CN105279711A (zh) | 建设项目规划选址系统及方法 | |
| Prayitno et al. | Land-use prediction in Pandaan District pasuruan regency | |
| CN104392064A (zh) | 一种中观尺度下缓解热岛效应的优化城市形态设计方法 | |
| CN102789542A (zh) | 基于多目标分布式估计的水火电系统负荷分配方法 | |
| CN114219350A (zh) | 一种自然资源建设项目用地智能选址方法及装置 | |
| CN117313931B (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
| CN101894063A (zh) | 一种用于微处理器功能验证的测试程序生成方法及装置 | |
| CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
| CN110689213B (zh) | 配电网规划项目库多阶段双q排序方法 | |
| Sonta et al. | Optimizing neighborhood-scale walkability | |
| CN113346489B (zh) | 一种新能源空间耦合性建模评估方法及系统 | |
| Yang et al. | An adaptive workflow to generate street network and amenity allocation for walkable neighborhood design | |
| CN109740237A (zh) | 一种基于蒙特卡洛的建筑机电点位布置方法 | |
| CN108199895A (zh) | 一种智能卡口优化布置方法及装置 | |
| Wang et al. | Combining scenario-based multi-objective optimized decision-making with a spatial division strategy: a case study of Yongding River, Beijing, China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |