CN107527119A - 基于改进的多目标量子遗传算法的水资源优化调度方法 - Google Patents
基于改进的多目标量子遗传算法的水资源优化调度方法 Download PDFInfo
- Publication number
- CN107527119A CN107527119A CN201710794058.1A CN201710794058A CN107527119A CN 107527119 A CN107527119 A CN 107527119A CN 201710794058 A CN201710794058 A CN 201710794058A CN 107527119 A CN107527119 A CN 107527119A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- population
- quantum
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 230000008901 benefit Effects 0.000 claims description 29
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 210000000349 chromosome Anatomy 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000002028 premature Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 239000002096 quantum dot Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer 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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于改进的多目标量子遗传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；其次建立水资源优化调度模型；然后执行基于改进的多目标量子遗传算法，求解水资源系统的最优pareto非劣解集，并利用一定规则从最优解集选取最终结果。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
本发明涉及一种基于改进的多目标量子遗传算法的水资源优化调度方法，属于水利水电领域的水资源调度技术领域。
背景技术
水资源优化调度是一个高度复杂的多约束、多阶段、多目标决策的动态非线性的最优控制问题，核心是通过水资源配置系统进行的水量调节，具有多水源互济互调的特点，尤其是对于具有防洪、发电、灌溉供水、航运、生态等综合作用的水利工程来说，加大其优化求解的复杂度。水资源优化调度的研究始于上世纪40年代，起步于1953年Hall及Dracup对于密苏里河流域6座水库的研究设计。近年来，越来越多的学者对水资源优化调度的模型构建和求解算法展开了深入研究，随着数学规划理论的日渐成熟和计算机技术的广泛应用，水资源优化调度算法的研究进展迅速，尤其遗传算法、模糊退化、人工神经网络、混沌优化算法、蚁群算法等智能优化进化算法的研究甚为火热并已得到广泛应用。但是由于水资源优化调度的复杂性和多目标性，常规优化算法在收敛性、计算速度、初值敏感性等方面效果不是很理想。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打下了夯实的基础。
量子遗传算法(QGA)于1996年由Narayanan等人受量子计算思想启发，将量子多宇宙的概念引入遗传算法的研究后提出，是一种基于量子计算原理的概率优化的遗传算法，具有搜索种群规模小、收敛速度快、全局搜索能力强等优点点。近年来，量子遗传算法在单目标优化、约束优化、动态优化等问题上得到广泛的应用。但是现实生活中，更多的是需要对多个目标同时进行优化，单目标量子遗传算法显然无法直接用于多目标问题的求解，需要对其加以改进以便能够生成多个解，维持找到的多个解并且保持其多样性。因此很多学者投入到对于多目标量子遗传算法(MOQGA)的研究中，希望将其成为解决多目标优化问题的有力工具。
近年来，国内外不少学者将多目标量子遗传算法应用到水资源优化调度领域并得到了广泛的应用，现阶段提出的基于多目标量子遗传算法的水资源优化调度存在易陷于局部最优解、非劣解分布不均等缺陷。
发明内容
发明目的：针对基本多目标量子遗传算法容易陷入局部收敛，外部档案集非劣解分布不均，个体难收敛到非劣解前沿等缺陷，提供一种基于改进的多目标量子遗传算法的水资源优化调度方法，并在外部档案非劣解集的基础上采用模糊层次分析法的多目标决策理论选择最优水资源调度方案，实现水资源的多目标优化调度。
技术方案：一种基于改进的多目标量子遗传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、闸站以及水库等水利工程过流能力值q，初末库容限制V，正常蓄水位Z正、防洪限制水位Z防、死水位Z死，容积-水位关系曲线S～Z，下游水位-下泄流量关系曲线Z～Q，发电机组出力约束值N，来水量W；
步骤二：建立以经济效益、社会效益、生态效益等综合效益最大的目标函数，考虑水量平衡、机组出力、过流能力等约束条件的水资源优化调度数学模型：
minF(x)＝{f1(x),f2(x),…,fn(x)}
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；St,min,St,max—表示t时段末允许的最低库容、最高库容，m3；qt—表示t时段内的发电流量，m3/s；—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；表示水电站t时段末允许的最小出力值、最大出力值，kW；S,S'—表示水库初库容和末库容限制值，m3。
步骤三：执行改进的多目标量子遗传算法，计算最优pareto非劣解集，得到以经济效益、社会效益、生态效益等不同角度考虑的调度方案；
步骤四：基于模糊层次分析法的多属性决策方法确定水资源系统最优调度方案。
所述步骤三：执行改进的多目标量子遗传算法，包括以下步骤：
步骤1，设定参数。确定由步骤二中决策变量St、qt、Nt等组成的初始种群规模N，量子位数目M，全局最大迭代次数MAXGEN，旋转角度算子[δmin,δmax]，外部归档集规模NeA；
步骤2，基于量子二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所刻画的矢量空间，可用量子门操作来进行描述；基于此生成N个初始个体Q＝{q1,q2,...,qn}，其中qj为种群中的第j个个体，基因位的初始概率幅(αi,βi)取值均为表示在初始搜索中，以相同的概率表示状态并开始进行叠加；
步骤3，初始全局迭代次数GEN＝1；外部归档集(EA)赋空集；
步骤4，量子坍塌：对种群Q(t)概率幅编码的染色体进行一次观测，获得相应的确定解其中表示第t代种群中的第j个染色体的观测值，共有M个量子位，即为一个长M的二进制串；
步骤5，修正q(t)，即通过调整状态值使其避免基因位趋于0或1，使得算法过早收敛；
概率值修正具体操作如下：
1、若且
2、若且
3、若且
[αi”βi”]T＝[αi”βi”]T
式中，为修正系数，当取值过大，将影响算法的收敛，一般取0.01；[αiβi]T、[αi” βi”]T分别表示为量子比特更新前后的染色体中第i位量子比特。
步骤6，进行解空间的转换，以计算每个个体的各个目标函数值，并对种群各个个体实施非支配排序，依据动态更新机制更新外部归档集(EA)，随机选择EA中的个体作为子代的目标个体以备其进化寻优；其中动态更新机制的外部归档集(EA)操作流程如下所示：
(1)判断非劣解集的元素个数n，当n大于NeA时，进行步骤(2)，否则进行步骤(3)；
(2)计算每一个非劣解的聚集距离(边界点的拥挤距离为无穷大)，并按照聚集距离大小进行排序，删除聚集距离最小的个体，重新更新聚集距离，直至非劣解集的元素个数n等于NeA，将更新够的个体输出到EA；
(3)如果非劣解集的元素个数n小于NeA，则计算经过非支配排序后得到的非劣等级Ⅰ、Ⅱ个体的聚集距离，记其平均距离为d1、d2。删除非劣等级Ⅰ、Ⅱ中聚集距离低于平均聚集距离的个体；
(4)完成EA中精英个体的繁殖，随机选取个体Xg,b作为子代个体的目标个体，确定相应的幅度值θg,b；
(5)将迭代后新生成的非劣解与EA中精英解进行支配比较，更新EA中被支配的解，由此完成外部归档集EA的更新，随机选取个体Xg,b作为子代个体的目标个体，确定相应的幅度值θg,b；
步骤7，利用量子门更新种群，得到新一代种群；其中更新过程如下所示：
(1)利用对种群进行更新，其中，表示第t代种群中的第j个个体，表示第t+1代种群中的第j个个体，U(θ)表示量子门，
量子门中θ为旋转角，大小为θ＝Δθ·s(αi,βi)，Δθ为与算法收敛速度有关的系数，s(αi,βi)为量子旋转的方向函数，设计的量子旋转门更新查询表如表1所示，其中表示判断当前目标个体f(b)是否支配当前解f(x)：
表1量子旋转门更新查询表
(2)利用概率值修正操作，对经过U(θ)变换过后种群Q(t+1)的染色体基因位进行修正；
步骤8，基于最优保留机制的全干扰交叉操作，得到子代种群Q(t+1)，具体如下所述：
量子交叉的主要作用即是增加种群的多样性，防止未成熟收敛，采用如下的全干扰交叉操作(对角线排列组合方式)：
(1)记录当前代非劣解个体，并保存；
(2)执行全干扰交叉操作，具体如下表2所示；
表2全干扰交叉操作示意表
以种群规模为5，量染色体长度为7的交叉操作为例。经典量子交叉后得到S1’：A(1)→B(2)→C(3)→D(4)→E(5)→A(6)→B(7)同理可得到S2’、S3’、S4’、S5’，将已保存的非劣解个体取代交叉完成后的等量个体，由此避免优良个体的丢失。
步骤9，将子代种群Q(t)与父代种群Q(t+1)合并成为K＝[Q(t) Q(t+1)]，对K实施非支配排序，依据动态更新机制更新外部归档集(EA)，随机选择EA中的个体作为子代的目标个体以备其进化寻优；
步骤10，判断是否达到全局迭代次数MAXGEN，若没有达到，则GEN＝GEN+1，转到步骤4，继续迭代寻找最优pareto非劣解集，否则，算法结束，输出EA为最优pareto非劣解集，即所求相应的调度方案；
基于EA，采用基于模糊层次分析法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，两两比较层次间的指标，建立判断矩阵R：
其中rij表示元素ai比aj重要的隶属度，rij越大，ai比aj越重要；n为指标数目；
(2)计算各评价指标的权重wj'(j＝1,2,...,n)，使得每个评价方案均有n个评价指标来进行描述，然后进行一致性检验；
其中，参数a取值大小的选择反映了决策者的个人偏好，a越小则表明决策者偏好权重之间差异程度越大；k＝1,2,…,n；
根据最大隶属度原则，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)概率幅值修正更好的实现全局搜索与局部搜索之间的平衡，防止种群过早收敛或陷入局部收敛；
(3)采用最优保留机制的交叉方式，保证种群交叉的信息交流充分性的同时，有效防止优良个体的丢失；
(4)采用基于距离的动态更新机制对多目标优化算法的外部档案进行维护，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；
(5)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是改进的多目标量子遗传算法的流程图；
图3是平水年南水北调东线工程湖泊群EA解集空间分布图。
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。
一种基于改进的多目标量子遗传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、闸站以及水库等水利工程过流能力值q，初末库容限制V，正常蓄水位Z正、防洪限制水位Z防、死水位Z死，容积-水位关系曲线S～Z，下游水位-下泄流量关系曲线Z～Q，发电机组出力约束值N，来水量W；
步骤二：建立以经济效益、社会效益、生态效益等综合效益最大的目标函数，考虑水量平衡、机组出力、过流能力等约束条件的水资源优化调度数学模型：
minF(x)＝{f1(x),f2(x),…,fn(x)}
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；St,min,St,max—表示t时段末允许的最低库容、最高库容，m3；qt—表示t时段内的发电流量，m3/s；—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；表示水电站t时段末允许的最小出力值、最大出力值，kW；S,S'—表示水库初末库容限制值，m3。
步骤三：执行改进的多目标量子遗传算法，计算最优pareto非劣解集，得到以经济效益、社会效益、生态效益等不同角度考虑的调度方案；
步骤四：基于模糊层次分析法的多属性决策方法确定水资源系统最优调度方案。
所述步骤三：执行改进的多目标量子遗传算法，包括以下步骤：
步骤1，设定参数。确定由步骤二中决策变量St、qt、Nt等组成的初始种群规模N，量子位数目M，全局最大迭代次数MAXGEN，旋转角度算子[δmin,δmax]，外部归档集规模NeA；
步骤2，基于量子二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所刻画的矢量空间，可用量子门操作来进行描述；基于此生成N个初始个体Q＝{q1,q2,...,qn}，其中qj为种群中的第j个个体，基因位的初始概率幅(αi,βi)取值均为表示在初始搜索中，以相同的概率表示状态并开始进行叠加；
步骤3，初始全局迭代次数GEN＝1；外部归档集(EA)赋空集；
步骤4，量子坍塌：对种群Q(t)概率幅编码的染色体进行一次观测，获得相应的确定解其中表示第t代种群中的第j个染色体的观测值，共有M个量子位，即为一个长M的二进制串；
步骤5，修正q(t)，即通过调整状态值使其避免基因位趋于0或1，使得算法过早收敛；
概率值修正具体操作如下：
1、若且
2、若且
3、若且
[αi” βi”]T＝[αi” βi”]T
式中，为修正系数，当取值过大，将影响算法的收敛，一般取0.01；[αiβi]T、、[αi” βi”]T分别表示为量子比特更新前后的染色体中第i位量子比特。
步骤6，进行解空间的转换，以计算每个个体的各个目标函数值，并对种群各个个体实施非支配排序，依据动态更新机制更新外部归档集(EA)，随机选择EA中的个体作为子代的目标个体以备其进化寻优；其中动态更新机制的外部归档集(EA)操作流程如下所示：
(1)判断非劣解集的元素个数n，当n大于NeA时，进行步骤(2)，否则进行步骤(3)；
(2)计算每一个非劣解的聚集距离(边界点的拥挤距离为无穷大)，并按照聚集距离大小进行排序，删除聚集距离最小的个体，重新更新聚集距离，直至非劣解集的元素个数n等于NeA，将更新够的个体输出到EA；
(3)如果非劣解集的元素个数n小于NeA，则计算经过非支配排序后得到的非劣等级Ⅰ、Ⅱ个体的聚集距离，记其平均距离为d1、d2。删除非劣等级Ⅰ、Ⅱ中聚集距离低于平均聚集距离的个体；
(4)完成EA中精英个体的繁殖，随机选取个体Xg,b作为子代个体的目标个体，确定相应的幅度值θg,b；
(5)将迭代后新生成的非劣解与EA中精英解进行支配比较，更新EA中被支配的解，由此完成外部归档集EA的更新，随机选取个体Xg,b作为子代个体的目标个体，确定相应的幅度值θg,b；
步骤7，利用量子门更新种群，得到新一代种群；其中更新过程如下所示：
(1)利用对种群进行更新，其中，表示第t代种群中的第j个个体，表示第t+1代种群中的第j个个体，U(θ)表示量子门，
量子门中θ为旋转角，大小为θ＝Δθ·s(αi,βi)，Δθ为与算法收敛速度有关的系数，s(αi,βi)为量子旋转的方向函数，设计的量子旋转门更新查询表如表1所示，其中f(x)＜f(b)表示判断当前目标个体f(b)是否支配当前解f(x)：
表1量子旋转门更新查询表
(2)利用概率值修正操作，对经过U(θ)变换过后种群Q(t+1)的染色体基因位进行修正；
步骤8，基于最优保留机制的全干扰交叉操作，得到子代种群Q(t+1)，具体如下所述：
量子交叉的主要作用即是增加种群的多样性，防止未成熟收敛，采用如下的全干扰交叉操作(对角线排列组合方式)：
(1)记录当前代非劣解个体，并保存；
(2)执行全干扰交叉操作，具体如下表2所示；
表2全干扰交叉操作示意表
以种群规模为5，量染色体长度为7的交叉操作为例。经典量子交叉后得到S1’：A(1)→B(2)→C(3)→D(4)→E(5)→A(6)→B(7)同理可得到S2’、S3’、S4’、S5’，将已保存的非劣解个体取代交叉完成后的等量个体，由此避免优良个体的丢失。
步骤9，将子代种群Q(t)与父代种群Q(t+1)合并成为K＝[Q(t) Q(t+1)]，对K实施非支配排序，依据动态更新机制更新外部归档集(EA)，随机选择EA中的个体作为子代的目标个体以备其进化寻优；
步骤10，判断是否达到全局迭代次数MAXGEN，若没有达到，则GEN＝GEN+1，转到步骤4，继续迭代寻找最优pareto非劣解集，否则，算法结束，输出EA为最优pareto非劣解集，即所求相应的调度方案；
基于EA，采用基于模糊层次分析法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，两两比较层次间的指标，建立判断矩阵R：
其中rij表示元素ai比aj重要的隶属度，rij越大，ai比aj越重要；n为指标数目；
(2)计算各评价指标的权重wj'(j＝1,2,...,n)，使得每个评价方案均有n个评价指标来进行描述，然后进行一致性检验；
其中，参数a取值大小的选择反映了决策者的个人偏好，a越小则表明决策者偏好权重之间差异程度越大；k＝1,2,…,n；
根据最大隶属度原则，取最大值对应的调度方案作为最优方案。
本发明针对基本多目标量子遗传算法容易陷入局部收敛，外部档案集非劣解分布不均，个体难收敛到非劣解前沿等缺陷，提供一种基于改进多目标量子遗传算法的水资源优化调度方法。该方法采用量子旋转门与概率幅值修正相结合的更新策略进化种群，利用基于距离的动态更新机制对外部档案进行维护，基于最优保留机制的量子交叉操作实施信息交流，并在非劣解集的基础上采用模糊层次分析的多目标决策理论选择最优水资源调度方案，实现水资源多目标优化调度。
为进一步说明上述发明方法的有效性、合理性，现以南水北调东线工程江苏段水资源多目标优化调度为例进行研究分析。南水北调东线工程江苏境内受水区地处淮河及沂沭泗流域下游，位于北纬32°15′～34°30′，东经117°00′～119°45′，涉及扬州、淮安、盐城、宿迁、连云港和徐州六市，地跨长江、淮河两大流域。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、南四湖和东平湖，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。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，可划分为16个计算受水区。
本发明将以枯水年泵站抽水量设为决策变量，采用改进的量子遗传算法进行优化调度，实现缺水量最小、抽江水量最小最大两目标。经反复测试计算，确定改进量子遗传算法的具体参数设置为：量子种群规模设置为300，基因位个数为20，迭代次数为1000，量子门旋转角度Δθ∈(0.01π，0.08π)，外部档案Np设置为200，调度方案集空间分布如图3所示，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，抽江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，因此改进的量子遗传算法求解的水资源调度方案集是合理有效的。在此基础上，选择使受水区缺水量目标值最小的前20个方案作为待选方案，经过方案优选，所得调度方案所对应的受水区总缺水量为4.778亿m3总抽水量为268.569亿m3，其中抽江43.796亿m3，总弃水量为12.938亿m3。具体年调水情况见表3。系统全年总供水量为139.259亿m3，其中汛期(5月～9月)供水82.758亿m3，非汛期(10月～次年4月)供水56.501亿m3各受水区全年实际供水情况见表4，逐月入湖和出湖翻水量见表5。
表3各线路具体年调水结果 单位：亿m3
表4各受水区全年实际供水情况 单位：亿m3
表5枯水年入湖和出湖翻水量 单位：亿m3
Claims (9)
1.一种基于改进的多目标量子遗传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；
步骤二：建立以经济效益、社会效益、生态效益等综合效益最大的目标函数，考虑水量平衡、机组出力、过流能力等约束条件的水资源优化调度数学模型；
步骤三：执行改进的多目标量子遗传算法，得到最优pareto非劣解集；
步骤四：基于模糊层次分析法的多属性决策方法确定水资源系统最优调度方案。
2.如权利要求1所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，水资源系统工程的基本信息数据，包括：泵、闸站以及水库等水利工程过流能力值q，初末库容限制V，正常蓄水位Z正、防洪限制水位Z防、死水位Z死，容积-水位关系曲线S～Z，下游水位-下泄流量关系曲线Z～Q，发电机组出力约束值N，来水量W。
3.如权利要求1所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，水资源优化调度数学模型为：
min F(x)＝{f1(x),f2(x),…,fn(x)}
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>U</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>max</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>q</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>q</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mi>S</mi>
<mo>;</mo>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
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；St,min,St,max—表示t时段末允许的最低库容、最高库容，m3；qt—表示t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；S,S'—表示水库初库容和末库容限制值，m3。
4.如权利要求1所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，所述步骤三：执行改进的多目标量子遗传算法，包括以下步骤：
步骤1，设定参数；确定由决策变量组成的初始种群规模N，量子位数目M，全局最大迭代次数MAXGEN，旋转角度算子[δmin,δmax]，外部归档集规模NeA；
步骤2，基于量子二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所刻画的矢量空间，可用量子门操作来进行描述；基于此生成N个初始个体Q＝{q1,q2,...,qn}，其中qj为种群中的第j个个体，基因位的初始概率幅(αi,βi)取值均为表示在初始搜索中，以相同的概率表示状态并开始进行叠加；
步骤3，初始全局迭代次数GEN＝1；外部归档集(EA)赋空集；
步骤4，量子坍塌：对种群Q(t)概率幅编码的染色体进行一次观测，获得相应的确定解其中表示第t代种群中的第j个染色体的观测值，共有M个量子位，即为一个长M的二进制串；
步骤5，修正q(t)，即通过调整状态值使其避免基因位趋于0或1，使得算法过早收敛；
步骤6，进行解空间的转换，以计算每个个体的各个目标函数值，并对种群各个个体实施非支配排序，依据动态更新机制更新外部归档集(EA)，随机选择EA中的个体作为子代的目标个体以备其进化寻优；
步骤7，利用量子门更新种群，得到新一代种群；
步骤8，基于最优保留机制的全干扰交叉操作，得到子代种群Q(t+1)；
步骤9，将子代种群Q(t)与父代种群Q(t+1)合并成为K＝[Q(t)Q(t+1)]，对K实施非支配排序，依据动态更新机制更新外部归档集(EA)，随机选择EA中的个体作为子代的目标个体以备其进化寻优；
步骤10，判断是否达到全局迭代次数MAXGEN，若没有达到，则GEN＝GEN+1，转到步骤4，继续迭代寻找最优pareto非劣解集，否则，算法结束，输出EA即为最优pareto非劣解集。
5.如权利要求1所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，基于EA，采用基于模糊层次分析法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，两两比较层次间的指标，建立判断矩阵R：
其中rij表示元素ai比aj重要的隶属度，rij越大，ai比aj越重要；n为指标数目；
(2)计算各评价指标的权重wj'(j＝1,2,...,n)，使得每个评价方案均有n个评价指标来进行描述，然后进行一致性检验；
<mrow>
<msup>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>a</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mi>a</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
其中，参数a取值大小的选择反映了决策者的个人偏好，a越小则表明决策者偏好权重之间差异程度越大；k＝1,2,…,n；
根据最大隶属度原则，取最大值对应的调度方案作为最优方案。
6.如权利要求1所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，动态更新机制的外部归档集(EA)操作流程如下所示：
(1)判断非劣解集的元素个数n，当n大于NeA时，进行步骤(2)，否则进行步骤(3)；
(2)计算每一个非劣解的聚集距离，并按照聚集距离大小进行排序，删除聚集距离最小的个体，重新更新聚集距离，直至非劣解集的元素个数n等于NeA，将更新够的个体输出到EA；
(3)如果非劣解集的元素个数n小于NeA，则计算非劣等级Ⅰ、Ⅱ个体的聚集距离，记其平均距离为d1、d2。删除非劣等级Ⅰ、Ⅱ中聚集距离低于平均聚集距离的个体；
(4)完成EA中精英个体的繁殖，随机选取个体Xg,b作为子代个体的目标个体，确定相应的θg,b；
(5)将迭代后新生成的非劣解与EA中精英解进行支配比较，更新EA中被支配的解，由此完成外部归档集EA的更新，随机选取个体Xg,b作为子代个体的目标个体，确定相应的θg,b。
7.如权利要求4所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，步骤8，利用量子门更新种群，得到新一代种群其中更新过程如下所示：
(1)利用对种群进行更新，其中，表示第t代种群中的第j个个体，表示第t+1代种群中的第j个个体，U(θ)表示量子门，
量子门中θ为旋转角，大小为θ＝Δθ·s(αi,βi)，Δθ为与算法收敛速度有关的系数，s(αi,βi)为量子旋转的方向函数，设计的量子旋转门更新查询表如表1所示，其中f(x)＜f(b)表示判断f(b)是否支配f(x)：
(2)利用概率值修正操作，对经过U(θ)变换过后种群Q(t+1)的染色体基因位进行修正。
8.如权利要求4所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，步骤9，基于最优保留机制的全干扰交叉操作，得到子代种群Q(t+1)具体如下所述：
量子交叉的主要作用即是增加种群的多样性，防止未成熟收敛，采用如下的全干扰交叉操作(对角线排列组合方式)：
(1)记录当前代非劣解个体，并保存；
(2)执行全干扰交叉操作。
9.如权利要求4所述的种基于改进的多目标量子遗传算法的水资源优化调度方法，其特征在于，概率值修正具体操作如下，式中
1、若且
<mrow>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mi>i</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msqrt>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mover>
<mi>&omega;</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
</msqrt>
</mtd>
<mtd>
<msqrt>
<mover>
<mi>&omega;</mi>
<mo>&OverBar;</mo>
</mover>
</msqrt>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
2、若且
<mrow>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mi>i</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msqrt>
<mover>
<mi>&omega;</mi>
<mo>&OverBar;</mo>
</mover>
</msqrt>
</mtd>
<mtd>
<msqrt>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mover>
<mi>&omega;</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
</msqrt>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
3、若且
[α″i β″i]T＝[α″i β″i]T。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710794058.1A CN107527119A (zh) | 2017-09-06 | 2017-09-06 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710794058.1A CN107527119A (zh) | 2017-09-06 | 2017-09-06 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107527119A true CN107527119A (zh) | 2017-12-29 |
Family
ID=60683547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710794058.1A Pending CN107527119A (zh) | 2017-09-06 | 2017-09-06 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107527119A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108536536A (zh) * | 2018-03-09 | 2018-09-14 | 三峡大学 | 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法 |
| CN109544024A (zh) * | 2018-11-30 | 2019-03-29 | 北京科技大学 | 一种适合小流域河流多水源水质水量调度的方法 |
| CN109543281A (zh) * | 2018-11-19 | 2019-03-29 | 四川大学 | 煤炭资源开采权分配二层决策优化方法 |
| CN109815608A (zh) * | 2019-01-31 | 2019-05-28 | 湖北省水利水电规划勘测设计院 | 一种浅水湖泊群水质水量水生态耦合调度分析方法 |
| CN109886473A (zh) * | 2019-01-24 | 2019-06-14 | 河海大学 | 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 |
| CN110084428A (zh) * | 2019-04-26 | 2019-08-02 | 中国水利水电科学研究院 | 基于决策者偏好方案计算的水资源配置方法及系统 |
| CN110163420A (zh) * | 2019-04-28 | 2019-08-23 | 华中科技大学 | 一种基于分解文化进化算法的多目标生态调度方法和系统 |
| CN110533263A (zh) * | 2019-09-11 | 2019-12-03 | 绍兴建元电力集团有限公司 | 一种基于改进nsga-ii算法的电-气-热综合系统多目标优化方法 |
| CN111090946A (zh) * | 2019-12-24 | 2020-05-01 | 青海民族大学 | 一种复合太阳能集热系统集热面积的优化方法 |
| CN111125631A (zh) * | 2019-09-26 | 2020-05-08 | 深圳市东深电子股份有限公司 | 一种基于目标水位、流量的水资源计算调度方法 |
| CN111210157A (zh) * | 2020-01-13 | 2020-05-29 | 上海威派格智慧水务股份有限公司 | 一种水箱动态调蓄方法 |
| CN111352650A (zh) * | 2020-02-25 | 2020-06-30 | 杭州电子科技大学 | 一种基于insga-ii的软件模块化多目标优化方法及系统 |
| CN111598447A (zh) * | 2020-05-15 | 2020-08-28 | 浙江大学 | 一种基于hmaqga的水库群联合优化调度方法 |
| CN112152238A (zh) * | 2020-09-24 | 2020-12-29 | 南方电网海南数字电网研究院有限公司 | 一种基于遗传算法的配电台区三相负荷不平衡调节方法 |
| CN112214885A (zh) * | 2020-09-28 | 2021-01-12 | 西安理工大学 | 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 |
| CN112531728A (zh) * | 2020-12-07 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种基于改进naga-ii算法的配电网无功优化方法 |
| CN112926880A (zh) * | 2021-03-27 | 2021-06-08 | 西安理工大学 | 一种基于二层结构的流域生态调度方法 |
| 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 |
| CN114819714A (zh) * | 2022-05-18 | 2022-07-29 | 湖南大学 | 面向个性化定制的全域价值链生态资源配置优化方法 |
| CN115480484A (zh) * | 2022-09-14 | 2022-12-16 | 中国铁塔股份有限公司重庆市分公司 | 一种面向智慧灯杆的多源信号集成控制方法及装置 |
| CN116820110A (zh) * | 2023-08-28 | 2023-09-29 | 武汉市自然资源保护利用中心 | 基于智能优化算法的生态环境监测任务规划方法及装置 |
| CN116993027A (zh) * | 2023-09-27 | 2023-11-03 | 中国水利水电科学研究院 | 一种改进的水工程联合调度优化方法 |
| CN117557060A (zh) * | 2023-12-07 | 2024-02-13 | 中国水利水电科学研究院 | 适用于供需侧总量控制的调水工程年度调度方案编制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105787605A (zh) * | 2016-03-24 | 2016-07-20 | 上海电力学院 | 基于改进型量子遗传算法的微网经济优化运行调度方法 |
| CN105809279A (zh) * | 2016-03-03 | 2016-07-27 | 河海大学 | 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 |
-
2017
- 2017-09-06 CN CN201710794058.1A patent/CN107527119A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105809279A (zh) * | 2016-03-03 | 2016-07-27 | 河海大学 | 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 |
| CN105787605A (zh) * | 2016-03-24 | 2016-07-20 | 上海电力学院 | 基于改进型量子遗传算法的微网经济优化运行调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘锋,等: "面向多目标优化的一种混合进化算法", 《运筹与管理》 * |
| 王婷，等: "基于最严格水资源管理制度的初始水权分配研究", 《长江流域资源与环境》 * |
| 王攀，等: "水资源优化调度的改进量子遗传算法研究", 《三峡大学学报（自然科学版）》 * |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108536536A (zh) * | 2018-03-09 | 2018-09-14 | 三峡大学 | 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法 |
| CN109543281A (zh) * | 2018-11-19 | 2019-03-29 | 四川大学 | 煤炭资源开采权分配二层决策优化方法 |
| CN109544024A (zh) * | 2018-11-30 | 2019-03-29 | 北京科技大学 | 一种适合小流域河流多水源水质水量调度的方法 |
| CN109886473A (zh) * | 2019-01-24 | 2019-06-14 | 河海大学 | 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 |
| CN109886473B (zh) * | 2019-01-24 | 2020-05-05 | 河海大学 | 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 |
| CN109815608B (zh) * | 2019-01-31 | 2019-12-31 | 湖北省水利水电规划勘测设计院 | 一种浅水湖泊群水质水量水生态耦合调度分析方法 |
| CN109815608A (zh) * | 2019-01-31 | 2019-05-28 | 湖北省水利水电规划勘测设计院 | 一种浅水湖泊群水质水量水生态耦合调度分析方法 |
| CN110084428A (zh) * | 2019-04-26 | 2019-08-02 | 中国水利水电科学研究院 | 基于决策者偏好方案计算的水资源配置方法及系统 |
| CN110084428B (zh) * | 2019-04-26 | 2021-07-02 | 中国水利水电科学研究院 | 基于决策者偏好方案计算的水资源配置方法及系统 |
| CN110163420A (zh) * | 2019-04-28 | 2019-08-23 | 华中科技大学 | 一种基于分解文化进化算法的多目标生态调度方法和系统 |
| CN110163420B (zh) * | 2019-04-28 | 2021-07-27 | 华中科技大学 | 一种基于分解文化进化算法的多目标生态调度方法和系统 |
| CN110533263A (zh) * | 2019-09-11 | 2019-12-03 | 绍兴建元电力集团有限公司 | 一种基于改进nsga-ii算法的电-气-热综合系统多目标优化方法 |
| CN111125631A (zh) * | 2019-09-26 | 2020-05-08 | 深圳市东深电子股份有限公司 | 一种基于目标水位、流量的水资源计算调度方法 |
| CN111125631B (zh) * | 2019-09-26 | 2022-08-30 | 深圳市东深电子股份有限公司 | 一种基于目标水位、流量的水资源计算调度方法 |
| CN111090946A (zh) * | 2019-12-24 | 2020-05-01 | 青海民族大学 | 一种复合太阳能集热系统集热面积的优化方法 |
| CN111210157A (zh) * | 2020-01-13 | 2020-05-29 | 上海威派格智慧水务股份有限公司 | 一种水箱动态调蓄方法 |
| CN111210157B (zh) * | 2020-01-13 | 2023-05-12 | 上海威派格智慧水务股份有限公司 | 一种水箱动态调蓄方法 |
| CN111352650B (zh) * | 2020-02-25 | 2023-06-30 | 杭州电子科技大学 | 一种基于insga-ii的软件模块化多目标优化方法及系统 |
| CN111352650A (zh) * | 2020-02-25 | 2020-06-30 | 杭州电子科技大学 | 一种基于insga-ii的软件模块化多目标优化方法及系统 |
| CN111598447A (zh) * | 2020-05-15 | 2020-08-28 | 浙江大学 | 一种基于hmaqga的水库群联合优化调度方法 |
| CN112152238A (zh) * | 2020-09-24 | 2020-12-29 | 南方电网海南数字电网研究院有限公司 | 一种基于遗传算法的配电台区三相负荷不平衡调节方法 |
| CN112214885A (zh) * | 2020-09-28 | 2021-01-12 | 西安理工大学 | 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 |
| CN112214885B (zh) * | 2020-09-28 | 2024-04-26 | 西安理工大学 | 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 |
| 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 |
| CN112531728A (zh) * | 2020-12-07 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种基于改进naga-ii算法的配电网无功优化方法 |
| CN112926880A (zh) * | 2021-03-27 | 2021-06-08 | 西安理工大学 | 一种基于二层结构的流域生态调度方法 |
| CN114819714A (zh) * | 2022-05-18 | 2022-07-29 | 湖南大学 | 面向个性化定制的全域价值链生态资源配置优化方法 |
| CN114819714B (zh) * | 2022-05-18 | 2024-07-19 | 湖南大学 | 面向个性化定制的全域价值链生态资源配置优化方法 |
| CN115480484A (zh) * | 2022-09-14 | 2022-12-16 | 中国铁塔股份有限公司重庆市分公司 | 一种面向智慧灯杆的多源信号集成控制方法及装置 |
| CN116820110A (zh) * | 2023-08-28 | 2023-09-29 | 武汉市自然资源保护利用中心 | 基于智能优化算法的生态环境监测任务规划方法及装置 |
| CN116820110B (zh) * | 2023-08-28 | 2023-11-28 | 武汉市自然资源保护利用中心 | 基于智能优化算法的生态环境监测任务规划方法及装置 |
| CN116993027A (zh) * | 2023-09-27 | 2023-11-03 | 中国水利水电科学研究院 | 一种改进的水工程联合调度优化方法 |
| CN116993027B (zh) * | 2023-09-27 | 2023-12-26 | 中国水利水电科学研究院 | 一种改进的水工程联合调度优化方法 |
| CN117557060A (zh) * | 2023-12-07 | 2024-02-13 | 中国水利水电科学研究院 | 适用于供需侧总量控制的调水工程年度调度方案编制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| 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 | |
| CN106529166B (zh) | 一种基于maepso算法的区域水资源优化配置方法 | |
| CN106951985B (zh) | 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法 | |
| Liu et al. | Deriving reservoir operation rule based on Bayesian deep learning method considering multiple uncertainties | |
| CN106487005B (zh) | 一种考虑输配电价的电网规划方法 | |
| Chen et al. | Applying a real‐coded multi‐population genetic algorithm to multi‐reservoir operation | |
| CN105243458A (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
| CN107370188A (zh) | 一种计及风电出力的电力系统多目标调度方法 | |
| Bai et al. | Multi-objective optimal operation model of cascade reservoirs and its application on water and sediment regulation | |
| Mohammadi et al. | Investigation of a new hybrid optimization algorithm performance in the optimal operation of multi-reservoir benchmark systems | |
| CN111967666B (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
| CN111724003B (zh) | 一种基于“分区-分级”理论的复杂水资源系统优化配置方法 | |
| CN111598447B (zh) | 一种基于hmaqga的水库群联合优化调度方法 | |
| CN112994099B (zh) | 一种高比例分布式光伏并网消纳能力分析方法 | |
| CN113379117A (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 | |
| Wu et al. | Multi-objective ecological operation model of cascade hydropower reservoirs | |
| CN105160443A (zh) | 基于扩展线性二次高斯方法的复杂水库群优化调度方法 | |
| CN115459320B (zh) | 一种多点分布式储能系统聚合控制智能决策方法及装置 | |
| 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 | |
| Kong et al. | Ecological multi-objective joint optimized scheduling of cascade hydropower plants based on improved marine predators algorithm | |
| CN112766565B (zh) | 梯级水库群防洪优化调度分数阶逐步优化方法 | |
| Huang et al. | Optimal Allocation Model of Water Resources in Tidal Flat Development of Coastal Areas | |
| Fang et al. | Multi-objective optimal allocation for regional water and land resources |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |
|
| RJ01 | Rejection of invention patent application after publication |