CN103942611A - 一种智能化的水库优化调度方法 - Google Patents

Abstract

本发明公开了一种智能化的水库优化调度方法，基于对传统模拟退火遗传算法在水库优化调度的缺陷分析，分别从引入小生境技术、采用自适应交叉和变异策略、在选择过程中采用最优保存策略三个方面对算法进行改进，能够根据水库的具体情况，求解以发电量最大为目标的水库优化调度非线性数学模型。

Description

一种智能化的水库优化调度方法

技术领域

本发明涉及一种智能化的水库优化调度方法，具体针对以发电量最大为目标的水库优化调度非线性数学模型的求解。

背景技术

水库优化调度是根据水库的具体运行条件，建立以水库效益最大为目标，以水量平衡、电站出力等为约束条件的优化调度模型，采用优化理论来确定对水资源水库控制运用方式。它是在不改变水电站现有动力设备和水工建筑结构的条件下，运用优化理论、现代控制论和系统工程方法，制定水库最优调度方案以及绘制优化调度图，结合径流预报，满足电力系统和综合利用部门要求，指导水库实现最佳控制运用，达到增加发电量或增加电力产值，最大限度地节约一次能源的目的。

20世纪80年代以来，产生了一种新颖的算法，如遗传算法、蚁群算法、粒子群算法、人工免疫算法及其混合优化策略等，通过模拟或者揭示某种自然现象和过程而发展起来的，通常称作智能优化算法。随着这些智能仿生算法的产生，为水库优化调度提供了新的途径。其中，遗传算法由于其具有优良的全局搜索能力和隐含的并行计算特性，而被认为是优越的水库优化调度求解方法。但遗传算法的局部寻优能力较差，容易出现早熟现象。

传统的模拟退火遗传算法是基于基本遗传算法，在其搜索过程中融入了模拟退火算法的优化思想的一种方法。虽然传统模拟退火遗传算法在水库优化调度研究中通过融合的思想实现了算法的优势互补，达到了改善算法性能的目的。但是其在进化过程中明显缺乏种群间历史信息的交流和反馈，以及种群进化的参考标准，这样不仅易造成种群进化方向短时间内偏离理论目标值的缺陷，而且会造成在有限的搜索时间内可能错失最优解。

发明内容

发明目的：本发明针对基于传统模拟退火遗传算法的水库优化调度研究，其在进化过程中明显缺乏种群间历史信息的交流和反馈，以及种群进化的参考标准，易造成种群进化方向短时间内偏离理论目标值和有限的搜索时间内可能错失最优解的缺陷等不足，提出了一种新的智能化的水库优化调度方法。

技术方案：本发明提出的智能化的水库优化调度方法，其基本思想是对水库优化调度的研究，通过小生境技术对相似个体的选择概率进行不均衡分配，增加了种群的多样性，有效避免了算法掉入局部陷阱，提高了算法的全局收敛性能；通过自适应交叉和变异操作，提高了算法的进化速度；通过最优保存策略，利用优良的染色体模板，使个体在迭代过程中有效地继承了父代的优良特征，避免了最优解的丢失，确保了搜索过程加速向最优的方向逼近。本发明提出的基于改进模拟退火遗传算法在水库优化调度的研究，求解过程更加平稳及效率更高；该算法能够快速的收敛最优值，并且最优值优于传统算法，即改进的算法收敛速度快，比传统算法得到的优化效果好；还可以用来解决一些非凸、非线性及离散的优化问题。具体包括如下步骤：

（1）编码

在满足运行水位有关约束条件下，随机选取m组水位变化序列序列式中m为种群规模，n为时段数，以时间为序，采用十进制编码，把水库的时段t允许水位分为m等份，即 $m=\frac{Z_{t,\max }-Z_{t,\min }}{\mathrm{\α}}$

式中，Z_t,max，Z_t,min分别为t时段的水库水位允许的最大和最小值，编码允许的精度为α。

（2）解码

染色体的基因可用整数n(n＝1,2,...,m+1)来表示，个体的向量（基因）即为水库水位的真值，相对应的解码公式为

$Z_t=Z_{t,\min }+(n-1)\×\frac{Z_{t,\max }-Z_{t,\min }}{m}$

式中，Z_t,max，Z_t,min分别为t时段的水库水位允许的最大和最小值，m为把水库的时段t允许水位等分成份数。

（3）适应度函数

对于单一水库中长期确定性优化调度，以调度期内水电站发电量最大为最优准则建立数学模型。将调度期分为T个时段，即所求为各时段发电量之和最大。

目标函数为

$\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{E}_t=\max \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{N}_t{\mathrm{\Δ}}_t$

式中，E为调度期内最优总发电量，E_t为第t时段的发电量，N_t为第t时段的平均出力，Δ_t为时段小时数，T为时段总数，t为各时段的时段序号。

本发明直接以目标函数作为适应度函数来评价个体的优劣。

（4）遗传操作

a)选择操作是体现遗传算法“适者生存”的关键一环。轮盘赌法是使用的最多的选择方式，其优点是对适应度低的个体给予选择机会，但其缺点是对适应度高的个体也有被淘汰的机会。而最优保存策略进化模型是使用迄今为止的最好个体替代当前群体中的最差个体的方法，它可确保目前为止所得的最优个体跳过交叉、变异等遗传操作，顺利进入下一代，该策略是算法收敛的一个重要保证条件，但由于其因子在种群中迅速扩大的概率很大而容易造成局部早期收敛。因此，将轮盘赌法和最优保存策略进化模型结合起来，取长补短，形成一种改进的选择方式，可获得良好的效果，即在使用轮盘赌法进行选择操作时，给予每个个体选择机会，并且由于最优保存策略进化模型，避免了适应度高的个体被淘汰。

b)交叉运算是遗传算法与其他进化算法的显著特征，它是产生新个体的主要方法，在遗传算法中的作用是不容忽视的。交叉算子采用单点交叉，交叉概率p_c采用自适应方式选定，计算公式：

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max、f_avg、f'分别为群体的最大适应度、平均适应度、要交叉的两个个体中较大的适应度，P_c1=0.9，P_c2=0.6。

c)变异运算主要起两个作用：一是维持种群的多样性；二是改善算法的局部搜索能力。变异算子采用算术变异，变异概率p_m也采用自适应方式选定，计算公式:

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max、f_avg、f分别为群体的最大适应度、平均适应度、要变异个体的适应度，P_m1=0.1，P_m2=0.001。

为了更好的理解本发明所涉及的技术和方法，在此对本发明涉及的理论进行介绍。

1、传统模拟退火算法

模拟退火算法（Simulate Anneal Arithmetic,SAA）是一种通用概率演算法，用来在一个大的搜寻空间内找寻命题的最优解。模拟退火来自冶金学的专有名词退火。退火是将材料加热后再经特定速率冷却，目的是增大晶粒的体积，并且减少晶格中的缺陷。材料中的原子原来会停留在使内能有局部最小值的位置，加热使能量变大，原子会离开原来位置，而随机在其他位置中移动。退火冷却时速度较慢，使得原子有较多可能可以找到内能比原先更低的位置。

模拟退火的原理也和金属退火的原理近似：将热力学的理论套用到统计学上，将搜寻空间内每一点想象成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。演算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。

模拟退火算法可以分解为解空间、目标函数和初始解三部分。模拟退火的基本思想：

Step1：初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L。

Step2：对k=1，……，L做第(3)步至第6步。

Step3：产生新解S′。

Step4：计算增量Δt′=C(S′)-C(S)，其中C(S)为评价函数。

Step5：若Δt′<0则接受S′作为新的当前解，否则以概率exp(-Δt′/T)接受S′作为新的当前解。

Step6：如果满足终止条件则输出当前解作为最优解，结束程序。终止条件通常取为连续若干个新解都没有被接受时终止算法。

Step7：T逐渐减少，且T^->0，然后转Step2。

2、改进模拟退火遗传算法

根据水库的具体情况，建立了以发电量最大为目标的水库优化调度非线性数学模型，本发明采用一种改进的模拟退火遗传算法对该模型进行求解。该算法针对传统模拟退火遗传算法的缺陷分析，从三个方面进行改进，具体为：采用小生境思想来实现遗传算法的选择操作，通过相似个体种群中选择概率的不均衡分配，从而有效地避免算法陷入局部最优，改善了搜索初期有效基因的缺失问题；采用一种改进的自适应交叉和变异概率相结合的算法来提高算法进化的速度；采用最优保存策略，在进化的每个阶段保留最优个体，指导算法的进化方向。

改进模拟退火遗传算法的流程：

Step1：参数初始化：包括退火系数α，初始温度t₀，精度要求E，种群规模M，惩罚因子等。

Step2：随机产生满足约束条件的种群规模为M的初始种群P₀(t)。

Step3：计算种群的适应度f，并对其进行降序排列，将性能最好的个体及其所对应的最优解保存在最优解集中。

Step4：算法收敛准则是否满足作为终止条件判定，若满足，则停止运算，并将当前计算结果作为最优结果；若不满足，转step5。

Step5：小生境运算选择过程为：将Step2得到的M个体，两两计算其适应度的海明距离d_ij，公式如下所示：

$d_{\mathrm{ij}}=\sqrt{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{(f(i,k)-f(j,k))}^2}$

式中，f为个体适应度值；k为决策变量的数量。

为了在设定的距离门限L内只有一个优良个体存在，尽快淘汰其中适应度较低的个体，采取的措施就是对其中适应度f较低的个体施加一个较强的惩罚函数增加其在进化过程中被淘汰的概率，其中Penalty为一个很小的正数。

Step6：采用遗传算法进行选择、交叉、变异等操作。本发明采用：

①对种群P₀(t)先进行轮盘选择，对适应度低的个体给予选择机会，再用最优保存策略，可确保目前为止所得的最优个体跳过交叉、变异等遗传操作，顺利进入下一代。

②根据改进的自适应交叉概率p_c进行交叉操作（本文采用单点交叉），生成种群P₁(t)。

③根据改进的自适应变异概率p_m进行变异操作（本文采用算术变异）生成种群P₂(t)。

Step7：对种群P₂(t)进行模拟退火操作过程，进行局部寻优，直至达到平衡状态，以其结果作为下一代群体中的个体。

Step8：重复Step3～Step7，直至满足终止条件。

虽然基于传统模拟退火遗传算法的水库优化调度的研究，通过融合模拟退火算法的优化思想，实现了算法的优势互补，达到了改善算法性能的目的。但是其在进化过程中明显缺乏种群间历史信息的交流和反馈，以及种群进化的参考标准，这样不仅易造成种群进化方向短时间内偏离理论目标值的缺陷，而且会造成在有限的搜索时间内可能错失最优解。本系统基于改进模拟退火遗传算法的水库优化调度研究，能够根据水库的具体情况，求解以发电量最大为目标的水库优化调度非线性数学模型，通过实例计算并与传统模拟退火遗传算法在水库优化调度的研究相比较，改进模拟退火遗传算法有效地克服了停滞现象，增强了全局搜索能力，提高了传统模拟退火遗传算法的寻优性。

有益效果：本发明提出的基于改进模拟退火遗传算法在水库优化调度的研究，求解过程更加平稳及效率更高；该算法能够快速的收敛最优值，并且最优值优于传统算法，即改进的算法收敛速度快，比传统算法得到的优化效果好；该改进算法可以用来解决一些非凸、非线性及离散的优化问题。

附图说明

图1本发明的系统结构框架示意图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提出的基于改进模拟退火遗传算法在水库优化调度的研究，针对以发电量最大为目标的水库优化调度非线性数学模型的求解。具体为将改进模拟退火遗传算法应用到水库优化调度中来，从引入小生境技术、自适应交叉和变异策略以及最优保存策略三个方面对该算法进行改进。所描述的改进模拟退火遗传算法采用小生境思想来实现遗传算法的选择操作，将每一代种群看成由若干子群组成，从每个子群中选出适应度较高的个体组成一个新群体，再在此群体中，以及其他群体之间，不断地进化产生一新的种群，采用预选择机制或排挤机制或共享机制完成选择操作，这种方式能使个体均匀地分散在整个解空间，保证了种群的多样性，实现了小生境遗传算法，从而有效地避免算法陷入局部最优，改善了搜索初期有效基因的缺失问题；采用一种新的自适应遗传算法，通过自适应交叉和变异操作提高了算法的进化速度；采用最优保存策略，利用优良的染色体模板，使个体在迭代过程中有效地继承了父代的优良特征，避免了最优解的丢失，可以至始至终保存最优个体，确保了搜索过程加速向最优的方向逼近。与传统模拟退火遗传算法在水库优化调度的研究相比较，改进算法有效地克服了停滞现象，增强了全局搜索能力，提高了算法的寻优性能。

用于水库优化调度的智能化算法的具体步骤如下：

（1）编码

在满足运行水位有关约束条件下，随机选取m组水位变化序列序列式中m为种群规模，n为时段数，以时间为序，采用十进制编码，把水库的时段t允许水位分为m等份，即其中Z_t,max，Z_t,min分别为t时段的水库水位允许的最小和最大值，编码允许的精度为α。

（2）解码

染色体的基因可用整数n(n＝1,2,...,m+1)来表示，个体的向量（基因）即为水库水位的真值，相对应的解码公式为

$Z_t=Z_{t,\min }+(n-1)\&times;\frac{Z_{t,\max }-Z_{t,\min }}{m}$

式中，Z_t,max，Z_t,min分别为t时段的水库水位允许的最大和最小值，m为把水库的时段t允许水位等分成份数。

（3）适应度函数

对于单一水库中长期确定性优化调度，以调度期内水电站发电量最大为最优准则建立数学模型。将调度期分为T个时段，即所求为各时段发电量之和最大。

目标函数为

$\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{E}_t=\max \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{N}_t{\mathrm{\&Delta;}}_t$

式中，E为调度期内最优总发电量，E_t为第t时段的发电量，N_t为第t时段的平均出力，Δ_t为时段小时数，T为时段总数，t为各时段的时段序号。

本发明直接以目标函数作为适应度函数来评价个体的优劣。

（4）遗传操作

a)选择操作是体现遗传算法“适者生存”的关键一环，用的最多的选择方式是轮盘赌法，其优点是对适应度低的个体给予选择机会，但其缺点是对适应度高的个体也有被淘汰的机会。而最优保存策略进化模型是用迄今为止的最好个体替代当前群体中的最差个体，该策略是算法收敛的一个重要保证条件，它可确保目前为止所得的最优个体跳过交叉、变异等遗传操作，顺利进入下一代。但由于其因子在种群中迅速扩大的概率很大而容易造成局部早期收敛。因此，将两者结合可获得良好的效果。

b)交叉运算是遗传算法与其他进化算法的显著特征，它是产生新个体的主要方法，在遗传算法中的作用是不容忽视的。交叉算子采用单点交叉，交叉概率采用自适应方式选定，计算公式：

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max、f_avg、f'分别为群体的最大适应度、平均适应度、要交叉的两个个体中较大的适应度，P_c1=0.9，P_c2=0.6。

c)变异运算主要起两个作用：一是维持种群的多样性；二是改善算法的局部搜索能力。变异算子采用算术变异，变异概率也采用自适应方式选定，计算公式:

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max、f_avg、f分别为群体的最大适应度、平均适应度、要变异个体的适应度，P_m1=0.1，P_m2=0.001。

实验结果分析

解决水库优化调度问题的一个关键环节就是对建立的模型进行求解。由于水库优化调度问题具有非线性、多约束等特点，因此，它采用的数学模型基本上也具有这些特点，本文利用上一节的模型及模拟退火算法进行优化调度计算。选择丰水年、平水年、枯水年三个代表年计算，求出三个代表年的发电量，然后算出它们的平均值，即水电站多年平均年发电量 的计算公式如下：

式中，E_丰、E_平、E_枯—丰、平、枯三代表年的发电量。

在水电站调度中，所求问题的解是水库控制期内的各时段初始时控制水位的值，由于水电站的用水情况决定于水库的水位变化和入库流量，因此对于水电站优化调度的SAGA可理解为在满足运行水位有关约束条件下，随机选取水位变化序列在满足给定的约束条件下，采用预定的算法准则进行迭代运算，直到满足算法的终止条件，输出最优解。

本实验选择万家寨水库，它的任务主要包括供水结合发电调峰，同时兼有防洪、防凌作用等。水库总库容8.96亿m³，有效库容（调节库容）4.45亿m³，正常蓄水位977.00m，最高蓄水位980.00m，综合出力系数为8.3，保证出力为18.5万kW，电站设计保证率90%，装机容量1080MW,多年平均发电量27.5亿kW·h。本发明将水库的月初水位设为决策变量，目标是计算出满足约束条件的水库的水位变化序列，使得水库的发电量最大。这里以平水年为例对模型求解过程进行简要说明。改进模拟退火遗传算法的优化调度后的最终结果见表1。

表1改进SAGA优化调度最终结果（平水年）

从表1可以看出，各月初、末的水位满足水位的上下限，各月的出力值也在控制范围内。因此计算结果符合要求。优化调度后年发电量29.2388亿kW·h。

采用同样的模型和方法对丰水年和枯水年入库径流情况下的水库进行优化调度，选择丰水年、平水年、枯水年三个代表年计算，求出三个代表年的发电量，然后算出它们的平均值，即水电站多年平均年发电量 的计算公式其中E_丰、E_平、E_枯—丰、平、枯三代表年的发电量，kW·h。得到水电站水库多年平均年发电量，见表2。

表2基于改进模拟退火遗传算法万家寨水电站水库优化调度计算结果(单位：亿kw·h)

枯水年	平水年	丰水年	多年平均年发电量
				26.2316	29.2388	30.1360	28.5355

本发明改进的算法对所建的水库优化调度模型计算得到的多年平均发电量为28.5355亿kW·h。而常规调度时多年平均年发电量为27.5亿kW·h，调度后年发电量增加1.0355亿kW·h，年发电量提高3.77%，因此基于改进模拟退火遗传算法的优化调度结果具有重要的现实意义。

为了验证上述算法的有效性，本发明又采用了传统模拟退火遗传算法进行水库优化调度，其目标函数和约束条件均不变。计算结果见表3。

表3传统SAGA优化调度最终结果（平水年）

从表3可以看出，各月初、末的水位满足水位的上下限，各月的出力值也在控制范围内。因此计算结果符合要求。优化调度后年发电量29.1387亿kW·h。

采用同样的模型和方法对丰水年和枯水年入库径流情况下的水库进行优化调度，得到水电站水库多年平均年发电量，见表4。

表4基于传统模拟退火遗传算法万家寨水电站水库优化调度计算结果（单位：亿kw·h）

枯水年	平水年	丰水年	多年平均年发电量
				25.6812	29.1387	30.0351	28.2850

两种算法的仿真结果对比，可得以下结论：

（1）从程序的多次运行中可以看出，本发明提出的ISAGA提高了算法的全局寻优能力以及收敛速度，小生境技术以及自适应交叉和变异概率的引入，更好地保证了解的多样性，后者以及最优保存策略还确保了算法的收敛性，使进化过程有向进行。与传统模拟退火遗传算法相比，本发明提出的改进算法求解过程更加平稳及效率更高。

（2）传统模拟退火遗传算法在迭代33次左右得到电站年发电量最大值，本发明改进的算法在迭代29次左右得到电站年发电量最大值。由于结果是多次运行程序选择其中最好的一个，因此单从一次仿真结果不能完全反映真实的情况。为了使结果更有说服力，本发明将对平均迭代次数进行比对，即在多次运行中计算出收敛到最优值的平均迭代次数，改进算法、传统算法的平均迭代次数分别为30、34次。实例证明本发明改进算法能够快速的收敛最优值，并且最优值优于传统算法，即改进的算法收敛速度快，比传统算法得到的优化效果好。

Claims (4)

1.一种智能化的水库优化调度方法，其特征在于：利用其对水库进行优化调度计算，以遗传算法的运算流程作为主题流程，把模拟退火算法融入其中，用以进一步调整优化群体，基本执行过程是先随机产生初始种群，通过选择、交叉、变异等遗传操作来产生一组新的个体，然后再独立地对所产生的各个个体分别进行模拟退火，以其结果作为下一代群体中的个体，该过程反复进行，直到满足终止条件为止，该改进模拟退火遗传算法有效地克服了停滞现象，增强了全局搜索能力，提高了传统模拟退火遗传算法的寻优性。

2.根据权利要求1所述的智能化的水库优化调度方法，其特征在于：所述的改进算法采用小生境思想来实现遗传算法的选择操作，小生境技术是将每一代种群看成由若干子群组成，从每个子群中选出若干性能较好的个体组成一个新群体，再在此群体中，以及其他群体之间，不断地进化产生一新的种群，采用预选择机制或排挤机制或共享机制完成选择操作，其中共享机制用的最多，种群中各个个体的适应度是通过共享度来进行调整的，调整后的个体适应度f′_f为：

$f_i^{\&prime;}=\frac{f_i}{m_i},m_i=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}S\left(d_{\mathrm{ij}}\right)$

式中，f_i(i＝1,2,…)为各个个体适应度，m_i为小生境数，f′_i为调整后的个体适应度，d_ij(i＝1,2,…;j＝i+1)为两个体间的海明距离。

3.根据权利要求1所述的智能化的水库优化调度方法，其特征在于：所述的改进模拟退火遗传算法采用一种新的自适应遗传算法，通过自适应交叉和变异操作提高了算法的进化速度；

遗传算法在搜索全局最优解时必须具备确定搜索最优解区域并收敛到最优解的能力和在搜索全局最优解时开辟新的解空间的能力两个特点，这些特点是由其交叉概率p_c和变异概率p_m控制的，本文采用自适应交叉和变异概率，使p_c和p_m能够随适应度自动改变，从而在保持种群多样性的同时，也保证遗传算法的收敛性；

交叉概率p_c和变异概率p_m的计算公式如下：

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max、f_avg、f'、f分别为群体的最大适应度、平均适应度、要交叉的两个个体中较大的适应度、要变异个体的适应度，P_c1=0.9，P_c2=0.6，P_m1=0.1，P_m2=0.001。

4.根据权利要求1所述的智能化的水库优化调度方法，其特征在于：所述的改进模拟退火遗传算法通过最优保存策略，其基本思想是当前群体中的最优个体不参与交叉和变异运算，直接进入子代群体中，利用优良的染色体模板，使个体在迭代过程中有效地继承了父代的优良特征，避免了最优解的丢失，采用该策略可以自始至终保存最优个体，确保了搜索过程加速向最优的方向逼近。