CN105809279B - 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
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 Download PDFInfo
- Publication number
- CN105809279B CN105809279B CN201610122222.XA CN201610122222A CN105809279B CN 105809279 B CN105809279 B CN 105809279B CN 201610122222 A CN201610122222 A CN 201610122222A CN 105809279 B CN105809279 B CN 105809279B
- Authority
- CN
- China
- Prior art keywords
- population
- sub
- solution
- individual
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002096 quantum dot Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000005086 pumping Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 241000335574 Narayana Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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(Shuffled Frog Leaping Algorithm,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NEA,旋转角度算子[δmin,δmax],变异频率[Pmin,Pmax];
(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Xg,b,确定最优解在Bloch球面上对应的幅度θg,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NEA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Xg,b,确定θg,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Xg,b,确定θg,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Xb、Xw,确定θb、以及θw、
(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Xb以及最差个体Xw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Xw向最优解Xb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Xw与变异个体的各个目标函数值,若变异个体支配Xw,则变异个体替换Xw,否则,随机替换Xw;
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NEA组非劣解,即存在NEA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fi,j(i=1,2,…,NEA,j=1,2,..,n),基于指标特征矩阵归一化计算相对优属度矩阵Ri,j;
②计算各评价指标的熵值Hj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wj,基于组合向量W=[w1,w2,…,wj]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),…,fn(x)} (1)
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;fn(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;wt,ut—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;St,St+1—表示水库、泵站、水闸等单元t时段、t+1时段末蓄水量,m3;It—表示Δt时段内的损失量,m3;Zt—表示t时段末库前水位,m;Zt,min,Zt,max—表示t时段末允许的最低水位、最高水位;qt—表示Δt时段内的发电流量,m3/s;qt,min,qt,max—表示t时段末允许的最小下泄流量、最大下泄流量,m3/s;Nt—表示水库Δt时段内水电站的出力,kW;Nt,min,Nt,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NEA,旋转角度算子[δmin,δmax],变异频率[Pmin,Pmax];
(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Xg,b,确定最优解在Bloch球面上对应的θg,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NEA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Xg,b,确定θg,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Xg,b,确定θg,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Xb、Xw,确定θb、以及θw、
(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Xb第j(j=1,2,…,T)个量子位为:
最差个体Xw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Xw向最优解Xb旋转更新,固体旋转轴:r=Xw×Xb(6)
则绕轴r旋转δ角度的旋转矩阵如下所示为:
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:
式中:δw—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,rw—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,
式中,[σx,σy,σz]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:
式中,Pi—表示第i次全局迭代频率,Pi∈[Pmin,Pmax]
④计算Xw与变异个体的各个目标函数值,若变异个体支配Xw,则变异个体替换Xw,否则,随机替换Xw;
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NEA组非劣解,即存在NEA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fi,j(i=1,2,…,NEA,j=1,2,..,n),基于指标特征矩阵归一化计算相对优属度矩阵Ri,j:
②计算各评价指标的熵值,计算公式如下:
其中,
③计算各指标的客观权重,可采用下式得到:
(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:
wj=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,…,wj]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,NEA=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 (2)
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、过流能力的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;
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NEA,旋转角度算子[δmin,δmax],变异频率[Pmin,Pmax];
(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Xg,b,确定最优解在Bloch球面上对应的幅度θg,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NEA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Xg,b,确定θg,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Xg,b,确定θg,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Xb、Xw,确定θb、以及θw、
(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Xb以及最差个体Xw第j个量子位,j=1,2,…,T;
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Xw向最优解Xb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Xw与变异个体的各个目标函数值,若变异个体支配Xw,则变异个体替换Xw,否则,随机替换Xw;
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。
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,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NEA组非劣解,即存在NEA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fi,j,i=1,2,…,NEA,j=1,2,..,n,基于指标特征矩阵归一化计算相对优属度矩阵Ri,j;
②计算各评价指标的熵值Hj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wj,基于组合向量W=[w1,w2,…,wj]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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610122222.XA CN105809279B (zh) | 2016-03-03 | 2016-03-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610122222.XA CN105809279B (zh) | 2016-03-03 | 2016-03-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105809279A CN105809279A (zh) | 2016-07-27 |
CN105809279B true CN105809279B (zh) | 2019-05-31 |
Family
ID=56466670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610122222.XA Active CN105809279B (zh) | 2016-03-03 | 2016-03-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809279B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600025B (zh) * | 2016-10-10 | 2021-01-08 | 昆明市环境科学研究院(昆明环境工程技术研究中心、昆明低碳城市发展研究中心、昆明市环境污染损害鉴定评估中心) | 基于多目标混合遗传算法的多层次城市污水再生回用配置数据动态处理方法 |
CN106557787B (zh) * | 2016-11-28 | 2019-07-02 | 中国联合网络通信集团有限公司 | 基于量子蛙跳算法的用户聚类方法及装置 |
CN106951980B (zh) * | 2017-02-21 | 2021-07-09 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
CN107527119A (zh) * | 2017-09-06 | 2017-12-29 | 河海大学 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
CN108320027B (zh) * | 2017-12-29 | 2022-05-13 | 国网河南省电力公司信息通信公司 | 一种基于量子计算的大数据处理方法 |
CN108108911B (zh) * | 2018-01-09 | 2020-09-15 | 中国科学院南京地理与湖泊研究所 | 基于水生态系统健康的大型湖泊分区水质目标制定方法 |
CN108363927B (zh) * | 2018-02-11 | 2021-08-27 | 成都信息工程大学 | 基于顺序重排更好用户隐私性的量子数据库隐私查询方法 |
CN109687440A (zh) * | 2018-12-26 | 2019-04-26 | 广东电网有限责任公司 | 一种放松管制环境下分布式发电投资及配网规划优化方法 |
CN110014550B (zh) * | 2019-04-17 | 2021-03-26 | 明光利拓智能科技有限公司 | 基于混合蛙跳算法的物料烘干机进出料阀开度控制方法 |
CN110322123A (zh) * | 2019-06-13 | 2019-10-11 | 华中科技大学 | 一种梯级水库群联合调度的多目标优化方法和系统 |
CN110413231A (zh) * | 2019-07-16 | 2019-11-05 | 东华大学 | 一种多云环境下低成本高可用性的数据优化存储方法 |
CN111598447B (zh) * | 2020-05-15 | 2021-03-23 | 浙江大学 | 一种基于hmaqga的水库群联合优化调度方法 |
CN111861137A (zh) * | 2020-06-28 | 2020-10-30 | 中国电建集团昆明勘测设计研究院有限公司 | 梯级水库群并行多目标调度方法 |
CN111832732B (zh) * | 2020-06-30 | 2021-08-06 | 深圳市永达电子信息股份有限公司 | 一种基于本征态的数字量子比特制备装置和方法 |
CN114519446A (zh) * | 2020-11-18 | 2022-05-20 | 北京英特利为环境科技有限公司 | 一种资源规划的方法、装置及存储介质 |
CN113592275B (zh) * | 2021-07-23 | 2024-03-05 | 深圳依时货拉拉科技有限公司 | 一种货运调度方法、计算机可读存储介质及计算机设备 |
CN114925602A (zh) * | 2022-05-10 | 2022-08-19 | 中国海洋大学 | 一种教练机后机身研发流程的多目标优化方法 |
CN115833208B (zh) * | 2023-01-09 | 2023-04-18 | 北京峰玉科技有限公司 | 获取电池储能系统运行调度策略的方法及电子设备 |
CN117252401B (zh) * | 2023-11-17 | 2024-02-02 | 北京太极信息系统技术有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
CN118014095B (zh) * | 2024-04-10 | 2024-08-13 | 国开启科量子技术(安徽)有限公司 | 分布式的多目标量子搜索方法、装置、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
-
2016
- 2016-03-03 CN CN201610122222.XA patent/CN105809279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
Non-Patent Citations (3)
Title |
---|
"多目标决策(水电站水库优化调度)";lilacy025;《百度文库》;20130502;第6-12页 |
"求解多目标优化问题的自适应混沌混合蛙跳算法";田祎;《计算机应用与软件》;20150615;第32卷(第6期);第252-255页 |
基于量子精英蛙的最小属性自适应合作型协同约简算法;丁卫平等;《计算机研究与发展》;20141231;第51卷(第4期);第743-753页 |
Also Published As
Publication number | Publication date |
---|---|
CN105809279A (zh) | 2016-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809279B (zh) | 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 | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
WO2022193642A1 (zh) | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 | |
CN105243458B (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
CN107370188A (zh) | 一种计及风电出力的电力系统多目标调度方法 | |
CN109670650B (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
CN106529166A (zh) | 一种基于maepso算法的区域水资源优化配置方法 | |
CN105719091B (zh) | 一种梯级水电站群并行多目标优化调度方法 | |
CN111967666B (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
CN113379117B (zh) | 基于改进的精英保留策略遗传算法的闸坝群联合调度方法及系统 | |
CN112994099B (zh) | 一种高比例分布式光伏并网消纳能力分析方法 | |
CN111598447B (zh) | 一种基于hmaqga的水库群联合优化调度方法 | |
CN107330251A (zh) | 一种基于云遗传算法的风功率预测方法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
CN106300441A (zh) | 一种面向电网多级输电断面的水电站机组负荷分配方法 | |
CN114330649B (zh) | 一种基于进化学习和深度强化学习的电压调节方法及系统 | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
Swain et al. | Application of Computational Intelligence Techniques for Economic Load Dispatch | |
Huang et al. | Optimal Allocation Model of Water Resources in Tidal Flat Development of Coastal Areas | |
CN116526496B (zh) | 一种新型电力系统负荷控制的辅助决策方法 | |
Jiao | Human resource allocation method based on multi objective optimization | |
Xiang et al. | Optimization of fuzzy job-shop scheduling with multi-process routes and its co-evolutionary algorithm |
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 |