CN106845696A - 一种智能优化水资源配置方法 - Google Patents
一种智能优化水资源配置方法 Download PDFInfo
- Publication number
- CN106845696A CN106845696A CN201710002017.4A CN201710002017A CN106845696A CN 106845696 A CN106845696 A CN 106845696A CN 201710002017 A CN201710002017 A CN 201710002017A CN 106845696 A CN106845696 A CN 106845696A
- Authority
- CN
- China
- Prior art keywords
- water
- max
- result
- condition
- fuzzy
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000002922 simulated annealing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 230000001537 neural effect Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 239000003673 groundwater Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 claims description 4
- 239000003621 irrigation water Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 230000006735 deficit Effects 0.000 claims description 2
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010186 staining Methods 0.000 claims description 2
- 239000002352 surface water Substances 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 230000007935 neutral effect Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能优化水资源配置方法，具体步骤如下：1、收集数据；2、对数据进行预处理；3、将各数据的标准值使用灰色分层模型并得出权值W；4、使用模糊综合评价法得到隶属度矩阵，将根据隶属度矩阵得出综合评价结果b；5、将b与步骤2的各数据作为输入数据，各地区的配置结果作为输出；6、根据实际需求得出模糊综合评价结果b1并作为神经网络输入，得出模拟的分配结果；7、将模拟的分配结果送入模糊综合评价法中得到评分b2，并使用模拟退火遗传算法微调b2直至满足规划要求得出最后的水资源分配结果。本发明能够更加准确对水资源进行合理配置，能够对之前的分配结果进行迭代优化，加强了整个水资源分配过程的科学性与合理性。
Description
技术领域
本发明属于信息技术领域，特别涉及一种基智能优化水资源配置方法。
背景技术
水资源作为准公共物品具有稀缺性和排他性等特点，随着社会经济的发展，有限的水资源很难满足不断增长的需求，不少地区出现了水资源短缺的局面，如果不能进行科学有效的进行水资源配置，不仅会严重制约地区社会经济的发展，还可能会造成冲突事件的发生，因此水资源的合理配置显得尤为重要，水资源系统作为一个复杂巨系统，在实施的有效资源配置中需要多学科、多主体的共同参与水资源配置通常被认为是一种空间上的分配或安置，后来又扩展到时间上的配置以及不同行业用水的配置，近来又发展到时间上的配置以及不同行业用水的配置，针对以水量分配为主要目标的水资源系统，对各种水资源配置决策属性进行合理分析和联合运用，以追求系统整体的可持续利用为目标的决策模型，而水资源优化配置实质上是协调水资源系统中经济环境和社会子系统之间的关系，保持系统之间的动态平衡，促使水资源系统朝着有序稳定的演变、实现系统和谐、健康发展。
针对水资源配置的决策问题，国内外很多学者从不同的角度进行了探讨研究，传统的决策技术分别用层次分析法、人工神经网络、物元模型等数学规划模型的决策方法，即对数据结果或分布特征先做某种假定，按照一定准则建立显示评价函数，对建立的评价函数模型进行实证的数据分析方法，黄键等针对传统静态群决策不能反应决策对象的动态变化的不足，提出了基于AHP的模糊动态群决策算法，Huang针对水资源优化配置问题运用切比雪夫算法对水资源配置做到了系统分析，并提出了多层动态的群决策模型，并通过群成员之间的多阶段的交互和启发，产生了满足群体期望要求的群体满意解，从二元语义的角度探讨了决策专家权重以及对于多阶段权重不同阶段间专家权重的设定对群决策结果的影响。
但是当前水资源配置仍很难突破单纯使用优化模型或模拟模型的思路，因水资源系统的复杂性，使用水资源系统的复杂性，使用优化方法因数学模型的局限性不能很好的描述水字眼配置状态，而采用模型又不能模拟整个复杂的系统，并且无法控制众多的参数和条件，并且水资源配置通常是多目标的，并受众多不确定因素的影响，有时目标会相互冲突，最优解往往不存在或难以到达，大量半结构化非结构化问题需要决策者判断和抉择，决策者的偏好会影响水资源配置格局，无法避免决策者的偏好、经验不足等因素对方案比选时的影响，不能达到真正合理配置的目的，而且与水信息学为代表的其他学科研究工具的结合不够，仍然停留在基于模糊集、人工神经网络、遗传算法的模式识别上，离区域水资源智能配置还有较远的距离。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种智能优化水资源配置方法，该方法克服了传统的水资源的缺点，将传统的决策问题与神经网络以及遗传算法相结合，提高了整个配置过程中的科学性和效率，并且考虑到了水资源配置存在大量不确定性和模糊性，开创性的将灰色模糊分层模型运用到其中，从而使水资源配置更加合理和高效。
技术方案：为解决上述技术问题，本发明提供一种水资源配置方法，具体步骤如下：
步骤一：收集数据，内容为总人口数、总用水量、河道外生态用水量、人均用水量、上一级区域平均人均用水量、GDP、灌溉粮食增加总产量、灌溉用水量、田间用水量、取水口取水量、当地水资源总用水量和地下水可开采量；
步骤二：对上面的数据使用进行预处理，具体为：将每一类的数据在不同子区域的最大值与最小值求出，然后将每一个区域的属性(如取水口取水量)使用以下公式，归一化到0—1区间，y即为子区域归一化后的值；
步骤三：使用灰色模糊分层模型得出在原始输入条件得到的各地区评分，具体为：将步骤二中所归一化的各变量使用分层模型，依据变量之间的重要度差异，得出关于这一系列变量的权值W，具体步骤如下：依据如下表格设立各个变量的重要程度，并使变量一一对应，如此便得到了一系列变量的权值W。
步骤四：使用模糊综合评价法对缺水率、人均用水量、河道外人均生态用水量、用水均衡率、单方水GDP、单方水粮食产量、灌溉水利用系数、河道内生态用水比例、最小生态环境用水保障程度、水资源开发利用率、地表水用水比例、缺水均衡率、地下水利用系数和用水结果系数，使用上述11个指标进行综合评价得到隶属度矩阵L，具体计算步骤如下：根据评价指标表，(下表是部分评价指标标准表)，再按照隶属度函数，便可得到隶属度矩阵。
隶属度函数如下：其中ui1表示属性的隶属度函数值，x表示该指标的特征值，lj表示该指标评价等级的第j级标准值。
再使用步骤三中得到权值w与L相乘得到模糊综合评价结果b；
步骤五：将模型综合评价b与地区的环境条件：缺水量、人均用水量、地区粮食产量、地区水资源总量、地下水可开采量、农业灌溉耗水量、城镇人口、农村人口、灌溉面积、内塘养殖面积和林果灌溉，作为径向基神经网络的输入条件，输出条件为各地区的分配水量，训练网络，训练网络具体为：使用matlab的神经网络工具箱，再使用径向基网络函数newrb()，输入条件和输出条件便是步骤五中所示的各环境因素，迭代次数设为1000次，精度设为0.0001，神经元起始数量设为100，之后依次增加10；
步骤六：以预测年份的各环境条件，其中环境条件为上述步骤五所述，以及对各地区的预计分配结果b2做为步骤五中已经训练好的径向基神经网络的输出，得出初始的分配结果；
步骤七：将步骤六中得到的初始分配结果使用模糊综合评价法，得出综合评价结果b2，将b2与往年的综合评价结果做对比，若好于之前结果，则得出了分配方案，若不符合，则使用模拟退火遗传算法对b2进行微调，微调后的结果当作径向基网络的输入，得出新的分配方案；
步骤八：将分配方案使用步骤七循环执行，直至退出。
与现有技术相比，本发明的优点在于：
与现有的技术相比，本发明所提供的一种基于基于改进模拟退火遗传算法与灰色模糊相结合的水资源配置模型，通过引入了灰色模糊分层模型，大大抑制了水资源决策过程存在的模糊性与不确定性，并将其与径向基神经网络相结合，考虑到训练过程中的误差，并防止寻找过程中陷入了局部最小值，又增加了改进的蚁群遗传算法为其做修正，克服了传统水资源决策过程中的低效率性以及不实用性，将智能算法与灰色模糊分层模型相结合，并使用改进后的蚁群遗传算法做修正，真正达到了水资源的智能配置。
附图说明
图1为本发明的总体流程图；
图2为图1中改进的模拟退火算法的具体流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
图1为本发明所使用的系统框架图，步骤如下：
步骤101：充分利用了神经网络不需要考虑中间的细节，直接将输入与输出联系在一起的特定，使用了径向基神经网络，让环境经济生态等初始条件与水资源最后的分配结果相联系，初始的预案库中是灰色模糊分层模型预先生成的。
步骤102：使用径向基神经网络所训练出来的初步方案，在放入到灰色模糊分层模型中，对配置结果进行检验，若符合条件，则生成结果，若不符合，则到步骤103，不符合的训练结果可以放入预案库，以供神经网络继续迭代训练，精益求精。
步骤103：充分考虑了传统遗传算法易陷入了局部最优的特定，使用了改进的蚁群遗传算法对刚刚生成的初步方案进行微调，具体细节见图2说明。
如图2所示：为本发明在优化过程中所使用的改进的蚁群遗传算法流程图，步骤如下：
步骤201：采用邻近算法生成初始种群；
步骤202：计算适应值，保存当前最优染色体Tmax；
步骤203：判断Tmax是否满足结束条件；Yes则退出程序，No则计算迭代次数；
步骤204；判断是否进行模拟退火操作，yes则跳转到步骤209，NO则进行下一步。
步骤205；对染色体进行交叉操作；
步骤206；计算适应值，保存最优染色体Tmax；
步骤207；选择染色体，并产生新群体；
步骤208；对T进行变异操作；
步骤209：给定初始温度T0，Tmax赋给初始解X0，设定最优解记忆起min＝X0,定义最大无更优解产生次数count及提前终止条件；
步骤210：对其进行判断，看是否满足改良条件；
步骤211：生成新解，并对新解进行评价，接受新解.
步骤212：若满足终止条件，保存最优解，退出，否则，跳转到步骤210.
本发明建立了经济、社会、生态综合效益最有的水资源优化配置模型，考虑到了在水资源分配过程中的多目标性，并且易受众多不确定因素的影响，将多目标优化与智慧算法相结合，考虑到了传统反向传播网络易陷入局部最优化，考虑到水资源配置中存在着大量的灰色性和模糊性，而灰色模型具有将无规律的原始数据生成较有规律的数列的能力，考虑到径向基神经网络是一种性能优良的神经网络，且具有全局的逼近能力，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快，大大的提高了训练效率。
基于改进模拟退火遗传算法与灰色模糊相结合的水资源配置模型，具体过程如下：建立了经济、社会、生态综合效益最大化的水资源优化配置模型，首先通过径向基神经网络对已有配置方案以及生态环境相关系数的输入建立联系，训练出预分配方案，再通过灰色模糊分层模型自动筛选出较优方案，并且此方案可用于径向基神经网络的迭代训练，将得出方案进行约束条件检验，若不符合要求，则进行下一步自动干预，使用改进的模拟退火遗传算法对分配方案进行调整，若符合要求，则得出最终得分配方案，本发明能够更加准确对水资源进行合理配置，并能够对之前的分配结果进行迭代优化，大大的加强了整个水资源分配过程的科学性与合理性。
以上所述仅为本发明的实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所作的等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。
Claims (3)
1.一种智能优化水资源配置方法，其特征在于，具体步骤如下：
步骤一：收集数据，内容为总人口数、总用水量、河道外生态用水量、人均用水量、上一级区域平均人均用水量、GDP、灌溉粮食增加总产量、灌溉用水量、田间用水量、取水口取水量、当地水资源总用水量和地下水可开采量；
步骤二：对上面的数据使用进行预处理，具体为：将每一类的数据在不同子区域的最大值与最小值求出，然后将每一个区域的属性(如取水口取水量)使用以下公式，归一化到0—1区间，y即为子区域归一化后的值；
步骤三：使用灰色模糊分层模型得出在原始输入条件得到的各地区评分，具体为：将步骤二中所归一化的各变量使用分层模型，依据变量之间的重要度差异，得出关于这一系列变量的权值W；
步骤四：使用模糊综合评价法对缺水率、人均用水量、河道外人均生态用水量、用水均衡率、单方水GDP、单方水粮食产量、灌溉水利用系数、河道内生态用水比例、最小生态环境用水保障程度、水资源开发利用率、地表水用水比例、缺水均衡率、地下水利用系数和用水结果系数，使用上述11个指标进行综合评价得到隶属度矩阵L再使用步骤三中得到权值w与L相乘得到模糊综合评价结果b；
步骤五：将模型综合评价b与地区的环境条件：缺水量、人均用水量、地区粮食产量、地区水资源总量、地下水可开采量、农业灌溉耗水量、城镇人口、农村人口、灌溉面积、内塘养殖面积和林果灌溉，作为径向基神经网络的输入条件，输出条件为各地区的分配水量，训练网络；
步骤六：以预测年份的各环境条件，其中环境条件为上述步骤五所述，以及对各地区的预计分配结果b2做为步骤五中已经训练好的径向基神经网络的输出，得出初始的分配结果；
步骤七：将步骤六中得到的初始分配结果使用模糊综合评价法，得出综合评价结果b2，将b2与往年的综合评价结果做对比，若好于之前结果，则得出了分配方案，若不符合，则使用模拟退火遗传算法对b2进行微调，微调后的结果当作径向基网络的输入，得出新的分配方案；
步骤八：将分配方案使用步骤七循环执行，直至退出。
2.根据权利要求1所述的一种智能优化水资源配置方法，其特征在于，所述步骤七中改进的模拟退火算法为改进蚁群遗传算法。
3.根据权利要求1所述的一种智能优化水资源配置方法，其特征在于，所述步骤七中改进蚁群遗传算法的具体步骤如下：
步骤7.1：采用邻近算法对群体进行初始化形成初始种群；
步骤7.2：计算适应值，保存当前最优染色体Tmax；
步骤7.3：对最优染色体Tmax进行评价，判断Tmax是否满足结束条件，如果满足结束条件则计算结束，如果不满足结束条件则统计迭代次数；
步骤7.4：判断是否需要进行模拟退火操作，如果不需要则将Tmax与T进行交叉操作，如果需要则进入步骤7.7；
步骤7.5：计算适应值，并保持最优染色体Tmax；对最有染色体Tmax进行判断是否变异，如果变异则对T进行变异操作，如果没有变异则选择染色体并产生新群体；
步骤7.6：将产生的新群体以及对T进行变异操作后的结果统一计算其适应症并保存Tmax；然后将新的Tmax重新进入步骤7.3中进行操作；
步骤7.7：设置系数，给定初始温度给定初始温度T0，Tmax赋给初始解X0，设定最优解记忆起min＝X0，定义最大无更优解产生次数count及提前终止条件；
步骤7.8：对步骤7.7中的数值进行判断是否满足改良条件，如果满足改良条件则进行改良，如果不满足改良条件则生成解；
步骤7.9：对步骤7.8中生成的解以及改良后的数值判断是否接受新解，如果判断结果为接受则对新解进行接受，如果判断结果为不接受，则一定概率的接受新解；
步骤7.10：对接受后的新解进行判断是否满足结束条件，如果满足结束条件，则保存最优解并结束计算，如果不满足结束条件，则判断最大无更优解产生次数count，然后计算适应值并保持Tmax，对Ti+1进行检验并重新进入步骤7.8判断是否满足改良条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710002017.4A CN106845696B (zh) | 2017-01-03 | 2017-01-03 | 一种智能优化水资源配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710002017.4A CN106845696B (zh) | 2017-01-03 | 2017-01-03 | 一种智能优化水资源配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106845696A true CN106845696A (zh) | 2017-06-13 |
| CN106845696B CN106845696B (zh) | 2021-01-26 |
Family
ID=59117154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710002017.4A Active CN106845696B (zh) | 2017-01-03 | 2017-01-03 | 一种智能优化水资源配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106845696B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109660418A (zh) * | 2018-07-19 | 2019-04-19 | 中国人民解放军32125部队 | 基于神经网络的机动通信台站通信保障能力评估方法、系统及电子设备 |
| CN112509684A (zh) * | 2020-12-31 | 2021-03-16 | 曜立科技(北京)有限公司 | 一种基于大数据的医疗资源配置方法及系统 |
| CN114117828A (zh) * | 2022-01-24 | 2022-03-01 | 中国水利水电科学研究院 | 一种基于配置矩阵的可调节水资源配置方法及系统 |
| CN114841563A (zh) * | 2022-05-05 | 2022-08-02 | 长江水利委员会长江科学院 | 一种多目标水资源配置方案综合评价方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489053A (zh) * | 2013-05-13 | 2014-01-01 | 湖南云控科技有限公司 | 一种基于云计算与专家系统的智能水资源管控平台 |
| CN104657591A (zh) * | 2015-01-19 | 2015-05-27 | 华北电力大学 | 水资源配置方法和装置 |
| US20150253163A1 (en) * | 2014-03-10 | 2015-09-10 | Driblet Labs, LLC | Smart water management system |
| CN106097163A (zh) * | 2016-08-29 | 2016-11-09 | 中国水利水电科学研究院 | 一种面向时空均衡的水资源优化配置方法 |
-
2017
- 2017-01-03 CN CN201710002017.4A patent/CN106845696B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489053A (zh) * | 2013-05-13 | 2014-01-01 | 湖南云控科技有限公司 | 一种基于云计算与专家系统的智能水资源管控平台 |
| US20150253163A1 (en) * | 2014-03-10 | 2015-09-10 | Driblet Labs, LLC | Smart water management system |
| CN104657591A (zh) * | 2015-01-19 | 2015-05-27 | 华北电力大学 | 水资源配置方法和装置 |
| CN106097163A (zh) * | 2016-08-29 | 2016-11-09 | 中国水利水电科学研究院 | 一种面向时空均衡的水资源优化配置方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘喜峰: "智能决策在水资源优化配置中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109660418A (zh) * | 2018-07-19 | 2019-04-19 | 中国人民解放军32125部队 | 基于神经网络的机动通信台站通信保障能力评估方法、系统及电子设备 |
| CN112509684A (zh) * | 2020-12-31 | 2021-03-16 | 曜立科技(北京)有限公司 | 一种基于大数据的医疗资源配置方法及系统 |
| CN114117828A (zh) * | 2022-01-24 | 2022-03-01 | 中国水利水电科学研究院 | 一种基于配置矩阵的可调节水资源配置方法及系统 |
| CN114841563A (zh) * | 2022-05-05 | 2022-08-02 | 长江水利委员会长江科学院 | 一种多目标水资源配置方案综合评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106845696B (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022099596A1 (zh) | 一种面向工业个性化定制生产的自适应学习智能调度统一计算框架及系统 | |
| CN108764555B (zh) | 一种基于Hadoop的共享单车停放点选址方法 | |
| CN106845696A (zh) | 一种智能优化水资源配置方法 | |
| CN104504229B (zh) | 一种基于混合启发式算法的智能公交调度方法 | |
| Chang et al. | Intelligent control for modeling of real‐time reservoir operation, part II: artificial neural network with operating rule curves | |
| Han et al. | Information-utilization-method-assisted multimodal multiobjective optimization and application to credit card fraud detection | |
| CN108256102B (zh) | 一种基于聚类的独立学院学生评教数据分析方法 | |
| CN107194612A (zh) | 一种基于深度强化学习的列车运行调度方法及系统 | |
| CN109191004A (zh) | 一种多无人机测绘任务分配方法和装置 | |
| CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
| CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| CN113988408B (zh) | 基于多目标规划的地铁站内客流疏散人工诱导方法 | |
| CN105046453A (zh) | 一种引入云模型进行评价选择的建设工程项目群构建方法 | |
| CN106781465A (zh) | 一种道路车流量预测方法 | |
| CN110400234A (zh) | 一种基于bp神经网络的城市供水调度方法及系统 | |
| CN107909221A (zh) | 基于组合神经网络的电力系统短期负荷预测方法 | |
| CN108717581A (zh) | 一种基于蒙特卡罗模拟的水库调度随机多属性决策方法 | |
| CN104656620A (zh) | 重型机床再制造综合评价系统 | |
| Dayani et al. | Applying reinforcement learning method for real-time energy management | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| CN107194526A (zh) | 一种基于模糊聚类的售电侧市场化改革进度评估方法 | |
| CN112182951A (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| CN107992967A (zh) | 基于改进多目标遗传算法的船闸调度方法 | |
| CN108647772A (zh) | 一种用于边坡监测数据粗差剔除的方法 | |
| CN108734378A (zh) | 一种不完全信息条件下的水库调度风险型群决策方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |