CN105809279A - 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 - Google Patents

Abstract

本发明公开了一种基于多目标量子混合蛙跳算法的水资源优化调度方法，步骤如下：首先获取水资源系统的基本信息数据；其次建立水资源多目标优化调度模型；然后执行基于多目标量子混合蛙跳算法，求解水资源系统多目标优化调度的Pareto最优解集；最后根据多目标决策理论，主客观权重相结合选择最优的水资源调度理论。本发明实现全局寻优，提高计算效率，满足选择水资源系统多目标最优调度方案要求。

Description

一种基于多目标量子混合蛙跳算法的水资源优化调度方法

技术领域

本发明属于水利水电领域的水资源调度技术领域，特别是一种基于多目标量子混合蛙跳算法的水资源优化调度方法。

背景技术

水资源优化调度是一个多约束多阶段决策的动态、复杂非线性系统的最优控制问题，特别是对于防洪、发电、灌溉、供水、航运、排沙等多目标的综合利用工程，更增加了优化求解的复杂度。水资源优化调度研究始于20世纪40年代Masse提出的水库优化调度问题，50年代中期，系统工程技术在水资源优化调度中得到广泛应用。近年来，随着数学规划理论的日渐完善和计算机技术的广泛应用，水资源优化调度的技术与方法进一步丰富，遗传算法、模糊退化、人工神经网络、混沌优化算法、蚁群算法等进化算法(EA)逐渐广泛地应用于水资源优化调度中。为实现总体综合效益的最大化，需要对各目标进行权衡择优，很多研究者开始致力于多目标进化算法(MOEA)的研究。近年来有关MOEA的研究大多是在群体进化过程中引入非支配解集(Pareto)思想，为水资源的多目标优化调度提供了坚实的基础。

量子计算是量子理论与信息科学融合形成的新交叉学科，量子计算以1994年Shor提出的因子分解量子算法以及Grover于1996年提出的随机数据库搜索量子算法为标志，因其优异的计算性能迅速成为研究热点。1996年，英国学者Narayanan提出的量子遗传衍生算法，开创了量子计算与进化算法结合的新趋势。量子进化算法(QEA)引入了量子比特编码，具有种群规模小、全局寻优能力强的特点，并具有协同并行搜索能力。

混合蛙跳算法(ShuffledFrogLeapingAlgorithm，SFLA)是一种基于群体智能的后启发式计算技术，于2003年由Eusuff和Lansey提出，具有算法参数设置少，局部搜索与全局搜索并重的特点，后逐渐在模式识别、信号与信息处理和函数优化领域取得成功应用。与其他智能优化算法类似，基本SFLA也存在算法寻优能力依赖参数设置、后期易陷于局部最优解、收敛速度较慢等问题，并且在SFLA的初始化阶段，初始种群的分布性质将会影响整个算法的收敛性能。

近年来，国内外不少学者将量子概念引入到SFLA中，提出了量子混合蛙跳算法(QSFLA)，并在此基础上结合Pareto提出了多目标量子混合蛙跳算法(MQSFLA)，在部分工程和学科中得到了广泛的应用，但目前还未应用于水资源优化调度领域，并且现阶段提出的多目标量子混合蛙跳算法存在初始种群分布性差，易陷于局部最优解、收敛速度慢等缺陷。同时，水资源优化调度领域在采用多目标决策方法处理非劣解集时，需要基于主客观因素相结合确定评价指标权重。

发明内容

发明目的：针对传统SFLA易陷于局部最优解、收敛速度较慢等缺陷，并为避免出现初始种群分布性差对寻优过程有影响，引入量子计算到SFLA中，提供一种基于多目标量子混合蛙跳算法(MQSFLA)的水资源调度方法，并采用基于主客观权重相结合的多目标决策方法处理非劣解集，实现水库多目标优化调度。

技术方案：一种基于多目标量子混合蛙跳算法的水资源优化调度方法，包括以下步骤：

步骤一：获取水资源系统工程的基本信息数据，包括：泵、闸站以及水库过流能力值q，湖泊及水库初末库容限制V，湖泊以及水库的正常蓄水位Z_正、防洪限制水位Z_防、死水位Z_死，湖泊以及水库容积-水位关系曲线S～Z，水库下游水位-下泄流量关系曲线Z～Q，水库发电机组出力约束值N，来水量W；

步骤二：建立以社会效益、经济效益以及生态环境等的综合效益最大等目标函数，考虑水量平衡、机组出力、过流能力等约束条件的多目标优化调度数学模型；

步骤三：执行多目标量子混合蛙跳算法，包括以下步骤：

(1)确定以水资源工程时段末蓄水量(末库容)S、下泄流量u或工程过水流量q为决策变量，划分水资源调度周期时段T；

(2)设定参数。确定由决策变量组成的初始种群规模G、子种群数N以及子种群个体数量M，全局迭代次数MAXGEN，子种群迭代次数K，外部归档集规模N_EA，旋转角度算子[δ_min,δ_max]，变异频率[P_min,P_max]；

(3)基于量子三链编码方案生成初始解种群：量子比特属于一个由连续幅度变量θ和所刻画的矢量空间，可用嵌入三维笛卡儿坐标系中的Bloch球面上的一个点来描述，基于此生成G个初始个体，并分成N个子种群，每个子种群包含M个个体；

(4)初始全局迭代次数，GEN＝0，外部归档集(EA)赋空集；

(5)进行解空间转换并计算子种群中每个个体的各个目标函数值，进行非支配排序，依据动态更新机制更新EA，随机选择全局最优解X_g,b，确定最优解在Bloch球面上对应的幅度θ_g,b、其中具有动态更新机制的外部归档集操作流程如下：

①判断非劣解集个数，当非劣解个数大于N_EA时，执行步骤②，否则，执行步骤③；

②计算每个非劣解的拥挤距离，将边界点赋予无穷大拥挤距离，以保证进入下一代，按照拥挤距离大小进行排序，删除拥挤距离最小的个体，重新更新拥挤距离，直至达到外部归档集规模后停止，将更新后个体输出到EA；

③如果非劣解集个数小于EA设定规模，计算非劣解等级I、II个体的拥挤距离，平均拥挤距离记为d₁、d₂，删除序列等级级I、II中拥挤距离低于平均拥挤距离的个体；

④完成EA中精英个体的繁殖与优选，随机选择全局最优解X_g,b，确定θ_g,b、

⑤将全局迭代新生成的非劣解与EA中精英解进行支配比较，替换EA中被支配的解，完成EA的更新，随机选择全局最优解X_g,b，确定θ_g,b、

(6)按照非劣等级对种群个体在各等级内随机排序，所有个体混合后划分N个子种群，每个子种群个体数M，选择子种群中第一个个体和第M个个体为子种群最优解和最差解，记为X_b、X_w，确定θ_b、以及θ_w、

(7)局部搜索更新，基于量子计算进行各子种群中最差解的更新，具体步骤如下：

①设定当前子种群中最优个体X_b以及最差个体X_w第j(j＝1,2,…,T)个量子位；

②采用绕固体轴旋转r的个体更新策略，确定当前子种群中最差解X_w向最优解X_b旋转更新，其中改进旋转角度算子，提出一种依据非劣排序等级高低动态调整旋转角度算子；

③执行个体变异操作，采用动态概率种群多样性保持策略计算；

④计算X_w与变异个体的各个目标函数值，若变异个体支配X_w，则变异个体替换X_w，否则，随机替换X_w；

⑤当子种群迭代次数达到K次时，完成当前子种群更新迭代，进行重复步骤①-④，进行下一子种群局部搜索；

(8)子种群混合，各子种群局部搜索完成后，将所有个体混合，重新组合成G个个体的种群，转入步骤(5)；

(9)判断是否达到全局迭代次数MAXGEN，若没有达到，转到步骤(5)，继续下一轮的全局搜索，否则，算法结束，输出EA。

步骤四：基于EA，采用基于组合权重的多目标决策方法确定水资源系统最优调度方案，包括以下步骤：

(1)利用层次分析法确定属性主观权重：根据所选取的各个目标函数，建立系统递阶层次结构，并进行各层次之间指标间的两两比较，建立判断矩阵，计算各评价指标的权重w′_j(j＝1,2,..,n)，即每个评价方案用n个评价指标来描述,，并进行一致性检验；

(2)利用熵权法确定属性客观权重，具体如下：

①构造相对优属度矩阵：EA中共有N_EA组非劣解，即存在N_EA个待评价水资源调度方案；计算全部非劣解的各个目标函数值f_i,j(i＝1,2,…,N_EA,j＝1,2,..,n)，基于指标特征矩阵归一化计算相对优属度矩阵R_i,j；

②计算各评价指标的熵值H_j及其客观权重W″_j；

(3)属性组合权重及最优调度结果的计算确定：当得到各评价指标的主观权重w′_j和客观权重w″_j后，即可依据主客观权重之间的偏好系数l计算得到相应评价指标的组合权重w_j，基于组合向量W＝[w₁,w₂,…,w_j]^T，对归一化后的决策矩阵与权重向量相乘，取最大值对应的调度方案作为最优方案。

本发明采用上述技术方案，具有以下有益效果：

(1)满足水资源系统多目标优化调度的要求；

(2)利用量子三链编码方案初始种群可发挥量子在空间运动的特性，增加种群多样性，缩短问题寻优过程，从而避免SFLA随机初始种群集中在某些局部区域以致算法陷入局部最优的问题；

(3)采用动态更新机制的外部归档集法，确保非劣解个体分布均匀，具有良好的多样性，加快全局收敛；

(4)将量子计算引入到SFLA中，提出一种依据个体非劣排序等级高低动态调整旋转角度算子的策略，能够促使种群个体尽快收敛到非劣解前沿；。

(5)改进SFLA算法局部更新机制，建立动态概率种群多样性保持变异策略，在较好保持种群多样性的同时，缩短了算法收敛的时间，以增强SFLA的局部搜索能力；

(6)所采用的多目标决策方法，主客观权重相结合，增强了水资源系统多目标调度系统的自主决策能力，又避免决策过程中过度带入主观偏好。

附图说明

图1是本发明的方法流程图；

图2是多目标量子混合蛙跳算法的流程图；

图3是多目标决策方法流程图；

图4是平水年南水北调东线工程湖泊群EA解集空间分布图；

图5是平水年南水北调东线工程湖泊群库容月变化曲线图。

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。

本发明针对传统SFLA收敛速度较慢，陷入局部最优解等缺陷，结合量子计算的遍历性等特点，将量子计算引入到SFLA中，提供一种基于多目标量子蛙跳算法(MQSFLA)的水资源调度方法。该方法利用量子三链编码生成初始种群，采用动态更新机制的外部归档集法以及引入量子计算到SFLA局部进化搜索过程，实现算法全局寻优的能力，并在非劣解集的基础上采用主客观权重相结合的多目标决策理论选择最优水资源调度方案，实现水库多目标优化调度。

如图1所示，一种基于多目标量子混合蛙跳算法的水资源调度方法主要包括以下四个步骤：

步骤一：获取水资源系统工程的基本信息数据，包括：泵、闸站以及水库过流能力值q，湖泊及水库初末库容限制V，湖泊以及水库的正常蓄水位Z_正、防洪限制水位Z_防、死水位Z_死，湖泊以及水库容积-水位关系曲线S～Z，水库下游水位-下泄流量关系曲线Z～Q，水库发电机组出力约束值N，来水量W；

步骤二：建立以社会效益、经济效益以及生态环境等的综合效益最大等目标函数，考虑水量平衡、机组出力、过流能力等约束条件的多目标优化调度数学模型；

minF(x)＝{f₁(x),f₂(x),…,f_n(x)}(1)

$s.t.\left\{\begin{array}{c}{S}_{t+1}=S_t+(w_t-u_t)\×\mathrm{\Δ}t-I_t\\ Z_{t,\min }\≤Z_t\≤Z_{t,\max }\\ q_{t,\min }\≤q_t\≤q_{t,\max }\\ N_{t,\min }\≤N_t\≤N_{t,\max }\\ \begin{array}{cc}{Z}_0=Z;& Z_1=Z^{\′}\end{array}\end{array}\right.---\left(2\right)$

式中，n—表示水资源系统优化调度的目标数，n＝1,2,…,N；F(x)—目标函数集；f_n(x)—表示为社会效益、经济效益以及生态环境等的综合效益最大的目标函数；Δt—表示计算时段区间；w_t,u_t—表示水库Δt时段内水库、泵站、水闸等单元入流量、下泄流量，m³/s；S_t,S_t+1—表示水库、泵站、水闸等单元t时段、t+1时段末蓄水量，m³；I_t—表示Δt时段内的损失量，m³；Z_t—表示t时段末库前水位，m；Z_t,min,Z_t,max—表示t时段末允许的最低水位、最高水位；q_t—表示Δt时段内的发电流量，m³/s；q_t,min,q_t,max—表示t时段末允许的最小下泄流量、最大下泄流量，m³/s；N_t—表示水库Δt时段内水电站的出力，kW；N_t,min,N_t,max—表示水电站t时段末允许的最小出力值、最大出力值，kW；Z,Z′—表示水库初末水位限制值，m。

步骤三：执行多目标量子混合蛙跳算法，方法流程图如图2所示，主要包括以下步骤：

(1)确定以水资源工程时段末蓄水量(末水位)S、下泄流量u或工程过流流量q为决策变量，划分水资源调度周期时段T；

(2)设定参数。确定由决策变量组成的初始种群规模G、子种群数N以及子种群个体数量M，全局迭代次数MAXGEN，子种群迭代次数K，外部归档集规模N_EA，旋转角度算子[δ_min,δ_max]，变异频率[P_min,P_max]；

(3)基于量子三链编码方案生成初始解种群：量子比特属于一个由连续幅度变量θ和所刻画的矢量空间，可用嵌入三维笛卡儿坐标系中的Bloch球面上的一个点来描述，则第i个个体可以表示为：

式中：0≤θ≤π，i＝1,2,…,G。

基于此生成G个初始个体，并分成N个子种群，每个子种群包含M个个体。

(4)初始全局迭代次数，GEN＝0，外部归档集(EA)赋空集；

(5)进行解空间转换并计算每个个体的各个目标函数值，进行非支配排序，依据动态更新机制更新EA，随机选择全局最优解X_g,b，确定最优解在Bloch球面上对应的θ_g,b、其中具有动态更新机制的外部归档集操作流程如下：

①判断非劣解集个数，当非劣解个数大于N_EA时，执行步骤②，否则，执行步骤③；

②计算每个非劣解的拥挤距离，将边界点赋予无穷大拥挤距离，以保证进入下一代，按照拥挤距离大小进行排序，删除拥挤距离最小的个体，重新更新拥挤距离，直至达到外部归档集规模后停止，将更新后个体输出到EA；

③如果非劣解集个数小于EA设定规模，计算非劣解等级I、II个体的拥挤距离，平均拥挤距离记为d₁、d₂，删除序列等级级I、II中拥挤距离低于平均拥挤距离的个体；

④完成EA中精英个体的繁殖与优选，随机选择全局最优解X_g,b，确定θ_g,b、

⑤将全局迭代新生成的非劣解与EA中精英解进行支配比较，替换EA中被支配的解，完成EA的更新，随机选择全局最优解X_g,b，确定θ_g,b、

(6)按照非劣等级对种群个体在各等级内随机排序，所有个体混合后划分N个子种群，每个子种群个体数M，选择子种群中第一个个体和第M个个体为子种群最优解和最差解，记为X_b、X_w，确定θ_b、以及θ_w、

(7)局部搜索更新，基于量子计算进行各子种群中最差解的更新，具体步骤如下：

①设定当前子种群中最优个体X_b第j(j＝1,2,…,T)个量子位为:

最差个体X_w第j个量子位为:

②采用绕固体轴旋转的个体更新策略，确定当前子种群中最差解X_w向最优解X_b旋转更新，固体旋转轴：r＝X_w×X_b(6)

则绕轴r旋转δ角度的旋转矩阵如下所示为:

$R\left(\mathrm{\δ}\right)=cos\frac{\mathrm{\δ}}{2}I-isin\frac{\mathrm{\δ}}{2}\left(\frac{r}{||r||}\mathrm{\σ}\right)---\left(7\right)$

即绕轴r旋转δ角度的操作为其中改进旋转角度算子，提出一种依据非劣排序等级高低动态调整旋转角度算子，如下式所示：

${\mathrm{\δ}}_w={\mathrm{\δ}}_{max}-({\mathrm{\δ}}_{max}-{\mathrm{\δ}}_{min})*\exp \left(\frac{r_w}{R}\right)---\left(8\right)$

式中：δ_w—表示当前子种群最差个体的旋转角度，R—表示种群非劣解排序等级数，r_w—表示子种群中最差个体的非劣解排序等级

③执行个体变异操作，变异策略如下：

其中， $e^{-iH\mathrm{\θ}}=icos\left(\mathrm{\θ}\right)-isin\mathrm{\θ}(\frac{1}{\sqrt{2}}{\mathrm{\σ}}_x+0{\mathrm{\σ}}_y+\frac{1}{\sqrt{2}}{\mathrm{\σ}}_z)---\left(10\right)$

式中，[σ_x,σ_y,σ_z]为一组泡利矩阵

采用动态概率种群多样性保持策略计算，计算公式如下：

$P_i=P_{max}-(P_{max}-P_{min})\frac{i}{MAXGEN}---\left(11\right)$

式中，P_i—表示第i次全局迭代频率，P_i∈[P_min,P_max]

④计算X_w与变异个体的各个目标函数值，若变异个体支配X_w，则变异个体替换X_w，否则，随机替换X_w；

⑤当子种群迭代次数达到K次时，完成当前子种群更新迭代，进行重复步骤①-④，进行下一子种群局部搜索；

(8)子种群混合，各子种群局部搜索完成后，将所有个体混合，重新组合成G个个体的种群，转入步骤(5)；

(9)判断是否达到全局迭代次数MAXGEN，若没有达到，转到步骤(5)，继续下一轮的全局搜索，否则，算法结束，输出EA；

步骤四：基于EA，采用基于组合权重的多目标决策方法确定水资源最优调度方案，方法流程图如图3所示，主要包括以下步骤：

(1)利用层次分析法确定属性主观权重：根据所选取的各个目标函数，建立系统递阶层次结构，并进行各层次之间指标间的两两比较，建立判断矩阵，计算各评价指标的权重w′_j(j＝1,2,..,n)，即每个评价方案用n个评价指标来描述，并进行一致性检验；

(2)利用熵权法确定属性客观权重，具体如下:

①构造相对优属度矩阵：EA中共有N_EA组非劣解，即存在N_EA个待评价水资源调度方案；计算全部非劣解的各个目标函数值f_i,j(i＝1,2,…,N_EA,j＝1,2,..,n)，基于指标特征矩阵归一化计算相对优属度矩阵R_i,j：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1n}\\ r_{21}& r_{22}& \mathrm{...}& r_{2n}\\ .& .& & .\\ .& .& & .\\ .& .& \mathrm{...}& .\\ r_{N_{EA}1}& r_{N_{EA}2}& \mathrm{...}& r_{N_{EA}n}\end{array}\right]---\left(12\right)$

②计算各评价指标的熵值,计算公式如下：

$H_j=-\frac{{\Σ}_{i=1}^{N_{EA}}{Y}_{ij}ln{Y}_{ij}}{ln{N}_{EA}}---\left(13\right)$

其中， $Y_{ij}=\frac{1+R_{ij}}{{\Σ}_i^{N_{EA}}(1+R_{ij})}---\left(14\right)$

③计算各指标的客观权重，可采用下式得到：

${w^{\′\′}}_j=\frac{1-H_j}{{\Σ}_i^{N_{EA}}(1-H_j)}---\left(15\right)$

(3)属性组合权重及最优调度结果的计算确定：当得到各评价指标的主观权重w′_j和客观权重w″_j后，即可通过下式计算得到相应评价指标的组合权重：

w_j＝lw′_j+(1-l)w″j(16)

其中，l为主观权重和客观权重之间的偏好系数，l∈(0,1)。

基于组合向量W＝[w₁,w₂,…,w_j]^T，对归一化后的决策矩阵与权重向量间相乘，取最大值对应的调度方案作为最优方案。

现以南水北调东线工程湖泊群多目标优化调度为例，说明发明方法的有效性与合理性。南水北调东线工程是一个横跨两省，沟通长江、淮河、山东半岛诸河、黄河、海河等几大水系，涉及供水人口1亿多人，规划供水城镇69个、规划灌溉面积3061万亩的巨型水资源优化调度系统。南水北调东线工程沿线分布有众多天然湖泊，自江都站起依次连接洪泽湖、骆马湖、南四湖及东平湖，总库容达45.82亿m³，其中南四湖上级湖和东平湖暂不承担调蓄任务，扣除该部分库容后，总调蓄库容45.25亿m³。邻湖泊间的水位差都在10m左右，若以湖泊为节点，则从长江至东平湖下共可分为三个大段，每段设3级提水泵站，共计9个提水梯级。

本发明将以平水年泵站抽水量设为决策变量，采用MQSFLA算法进行优化调度，实现缺水量最小、抽水量最小最大两目标。经反复测试计算，确定MQSFLA求解该多目标优化调度问题的最佳参数为：G＝50，N＝10，M＝5，MAXGEN＝5000，K＝10，N_EA＝50，旋转角度算子δ∈(0.001π,0.05π)，变异概率P∈(0.1,0.5)，调度方案集空间分布如图4所示：由图4可以看到，调度方案集在空间分布呈现为一条非凸曲线，调度方案分布广泛且均匀，抽水量最小和缺水量最小两目标之间相互制约、相互冲突，存在明显的反比关系，因此MQSFLA求解的水资源调度方案集是合理有效的。基于Pareto最优解，采用多目标决策方法确定水库最优调度方案，取缺水量主观权重q₁＝0.5、抽水量主观权重q₂＝0.5；计算缺水量客观权重p₁＝0.5202，抽水量客观权重p₃＝0.4498；取偏好系数l＝0.5。确定最小缺水量21.33亿m³，最小抽水量72.63亿m³的湖泊群优化调度方案，南水北调东线工程湖泊群库容变化图见图5，平水年下入湖和出湖翻水量及实际供水情况见表1及表2。

表1平水年入湖和出湖翻水量单位：亿m³

Claims (3)

1.一种基于多目标量子混合蛙跳算法的水资源优化调度方法，其特征在于，包括以下步骤：

步骤一：获取水资源系统工程的基本信息数据，包括：泵、闸站以及水库过流能力值q，湖泊及水库初末库容限制V，湖泊以及水库的正常蓄水位Z_正、防洪限制水位Z_防、死水位Z_死，湖泊以及水库容积-水位关系曲线S～Z，水库下游水位-下泄流量关系曲线Z～Q，水库发电机组出力约束值N，来水量W；

步骤二：建立以社会效益、经济效益以及生态环境等的综合效益最大等目标函数，考虑水量平衡、机组出力、过流能力等约束条件的多目标优化调度数学模型；

步骤三：执行多目标量子混合蛙跳算法；

步骤四：基于EA，采用基于组合权重的多目标决策方法确定水资源系统最优调度方案。

2.如权利要求1所述的基于多目标量子混合蛙跳算法的水资源优化调度方法，其特征在于，步骤三：执行多目标量子混合蛙跳算法，包括以下步骤：

(1)确定以水资源工程时段末蓄水量(末水位)S、下泄流量u或工程过水流量q为决策变量，划分水资源调度周期时段T；

(2)设定参数。确定由决策变量组成的初始种群规模G，子种群数N，子种群个体数量M，全局迭代次数MAXGEN，子种群迭代次数K，外部归档集规模N_eA，旋转角度算子[δ_min,δ_max]，变异频率[P_min,P_max]；

(3)基于量子三链编码方案生成初始解种群：量子比特属于一个由连续幅度变量θ和所刻画的矢量空间，可用嵌入三维笛卡儿坐标系中的Bloch球面上的一个点来描述，基于此生成G个初始个体，并分成N个子种群，每个子种群包含M个个体；

(4)初始全局迭代次数，GEN＝0，外部归档集(EA)赋空集；

(5)进行解空间转换并计算每个个体的各个目标函数值，进行非支配排序，依据动态更新机制更新EA，随机选择全局最优解X_g,b，确定最优解在Bloch球面上对应的幅度θ_g,b、其中具有动态更新机制的外部归档集操作流程如下：

①判断非劣解集个数，当非劣解个数大于N_EA时，执行步骤②，否则，执行步骤③；

②计算每个非劣解的拥挤距离，将边界点赋予无穷大拥挤距离，以保证进入下一代，按照拥挤距离大小进行排序，删除拥挤距离最小的个体，重新更新拥挤距离，直至达到外部归档集规模后停止，将更新后个体输出到EA；

③如果非劣解集个数小于EA设定规模，计算非劣解等级I、II个体的拥挤距离，平均拥挤距离记为d₁、d₂，删除序列等级级I、II中拥挤距离低于平均拥挤距离的个体；

④完成EA中精英个体的繁殖与优选，随机选择全局最优解X_g,b，确定θ_g,b、

⑤将全局迭代新生成的非劣解与EA中精英解进行支配比较，替换EA中被支配的解，完成EA的更新，随机选择全局最优解X_g,b，确定θ_g,b、

(6)按照非劣等级对种群个体在各等级内随机排序，所有个体混合后划分N个子种群，每个子种群个体数M，选择子种群中第一个个体和第M个个体为子种群最优解和最差解，记为X_b、X_w，确定θ_b、以及θ_w、

(7)局部搜索更新，基于量子计算进行各子种群中最差解的更新，具体步骤如下：

①设定当前子种群中最优个体X_b以及最差个体X_w第j(j＝1,2,…,T)个量子位；

②采用绕固体轴旋转r的个体更新策略，确定当前子种群中最差解X_w向最优解X_b旋转更新，其中改进旋转角度算子，提出一种依据非劣排序等级高低动态调整旋转角度算子；

③执行个体变异操作，采用动态概率种群多样性保持策略计算；

④计算X_w与变异个体的各个目标函数值，若变异个体支配X_w，则变异个体替换X_w，否则，随机替换X_w；

⑤当子种群迭代次数达到K次时，完成当前子种群更新迭代，进行重复步骤①-④，进行下一子种群局部搜索；

(8)子种群混合，各子种群局部搜索完成后，将所有个体混合，重新组合成G个个体的种群，转入步骤(5)；

(9)判断是否达到全局迭代次数MAXGEN，若没有达到，转到步骤(5)，继续下一轮的全局搜索，否则，算法结束，输出EA。

3.如权利要求2所述的基于多目标量子混合蛙跳算法的水资源优化调度方法，其特征在于，基于EA，采用基于组合权重的多目标决策方法确定水资源系统最优调度方案，包括以下步骤：

(1)利用层次分析法确定属性主观权重：根据所选取的各个目标函数，建立系统递阶层次结构，并进行各层次之间指标间的两两比较，建立判断矩阵，计算各评价指标的权重w′_j(j＝1,2,..,n)，即每个评价方案用n个评价指标来描述，并进行一致性检验；

(2)利用熵权法确定属性客观权重具体如下：

①构造相对优属度矩阵：EA中共有N_EA组非劣解，即存在N_EA个待评价水资源调度方案；计算全部非劣解的各个目标函数值f_i,j(i＝1,2,…,N_EA,j＝1,2,..,n)，基于指标特征矩阵归一化计算相对优属度矩阵R_i,j；

②计算各评价指标的熵值H_j及其客观权重w″_j；

(3)属性组合权重及最优调度结果的计算确定：当得到各评价指标的主观权重w′_j和客观权重w″_j后，即可依据主客观权重之间的偏好系数l计算得到相应评价指标的组合权重w_j，基于组合向量W＝[w₁,w₂,…,w_j]^T，对归一化后的决策矩阵与权重向量相乘，取最大值对应的调度方案作为最优方案。