CN109117998B - 一种多智能体配置方法 - Google Patents

一种多智能体配置方法 Download PDF

Info

Publication number
CN109117998B
CN109117998B CN201810877282.1A CN201810877282A CN109117998B CN 109117998 B CN109117998 B CN 109117998B CN 201810877282 A CN201810877282 A CN 201810877282A CN 109117998 B CN109117998 B CN 109117998B
Authority
CN
China
Prior art keywords
water
agent
water resource
agents
configuration
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
Application number
CN201810877282.1A
Other languages
English (en)
Other versions
CN109117998A (zh
Inventor
陈晓宏
刘德地
张建云
叶海霞
王高旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute Of Water Conservancy Sciences State Energy Bureau Ministry Of Transportation Ministry Of Water Conservancy
Sun Yat Sen University
Original Assignee
Nanjing Institute Of Water Conservancy Sciences State Energy Bureau Ministry Of Transportation Ministry Of Water Conservancy
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute Of Water Conservancy Sciences State Energy Bureau Ministry Of Transportation Ministry Of Water Conservancy, Sun Yat Sen University filed Critical Nanjing Institute Of Water Conservancy Sciences State Energy Bureau Ministry Of Transportation Ministry Of Water Conservancy
Priority to CN201810877282.1A priority Critical patent/CN109117998B/zh
Publication of CN109117998A publication Critical patent/CN109117998A/zh
Application granted granted Critical
Publication of CN109117998B publication Critical patent/CN109117998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种多智能体配置方法。包括：S1.根据人类用水的特点，确立水资源配置系统的层次结构；S2.建立基于多智能体系统的水资源优化配置模型框架：确立水资源配置系统中智能体的组成与系统结构，在智能体组成与层次结构的基础上构建水资源优化配置模型框架结构，其次确定智能体之间的协作关系、协商机制；S3.分析水资源优化配置模型中各智能体Agent的模型行为，确定各智能体的约束和边界条件；S4.利用优化算法对模型进行求解。本发明将智能体系统的理论与方法应用于水资源配置领域，确立了一套比较完整的多智能体模型，有助于分析水资源配置系统中各层次的相互关系，描述各主体行为与整体演化的有机联系，模拟水资源分配过程，进行水资源的优化配置。

Description

一种多智能体配置方法
技术领域
本发明涉及水资源配置领域，更具体地，涉及一种多智能体配置方法。
背景技术
水资源优化配置是人类可持续开发、利用水资源的有效调控措施，是解决水资源供需矛盾、增强水资源系统抗风险性的根本途径。由于水资源配置涉及多个决策层次，地区与部门多个决策主体，近期与远期多个决策时段，社会、经济、生态环境多个决策目标，以及水文、生态、工程、市场等多领域，因此是一个复杂性的决策系统。近年来，尽管水资源配置系统的研究成果卓越，但在将系统中各种各样的个体行为与系统的整体演化有机的联系方面还难以得到有效的描述。
自20世纪70年代末，出现了多智能体系统(MAS:Multi-Agent System)的理论与方法，并且由于MAS能体现人类的社会智能，具有更大的灵活性和适应性，因此已成为一种复杂系统分析和模拟的思想方法和工具。国外已运用MAS技术在需水预测、水资源管理等方面，但还只是处于初始阶段，真正运用于水资源配置系统分析和优化配置建模上还非常有限。如Becu等建立了基于Agent的CATCHSCAPE模型，用于考察流域内的水力学、农户行为和水管理措施，并在泰国北部得到应用，Feuillette等针对突尼斯的凯万市地下水过量开采问题，在水资源需求与地下水含水层的来水之间建立了多智能体的统一管理的协商模型；Le Bars等基于主体仿真模型研究了集体农业用水户行为对水资源配置的影响，LucillaGiannetti等建立了基于智能体的城市供水系统的优化模型。然而，目前尚缺乏一个比较完整的多智能体模型来分析水资源配置系统中各层次的相互关系，描述其中各主体行为与整体演化的有机联系，从而模拟水资源分配过程，进行水资源的优化配置。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供一种多智能体配置方法，将智能体系统的理论与方法应用于水资源配置领域，确立了一套比较完整的多智能体模型，有助于分析水资源配置系统中各层次的相互关系，描述其中各主体行为与整体演化的有机联系，进而模拟水资源分配过程，进行水资源的优化配置。
为解决上述技术问题，本发明采用的技术方案是：一种多智能体配置方法，包括以下步骤：
S1.根据研究区人类用水的特点，确立水资源配置系统的层次结构；
S2.建立基于多智能体系统MAS的水资源优化配置模型框架：首先确立水资源配置系统中智能体的组成与系统结构，并在智能体组成与层次结构的基础上构建水资源优化配置模型框架结构，其次确定智能体之间的协作关系、协商机制；
S3.分析水资源优化配置模型中各智能体Agent的模型行为，确定各智能体的约束和边界条件；
S4.利用优化算法对模型进行求解。
进一步地，所述的S1步骤中系统的层次结构为由流域级、部门或地区级、用户级所组成的结构，分别对应于MAS的系统层、群体层和Agent层，能够反应部门或用户用水与流域水量之间的循环反馈关系，进而研究局部的用水变化对流域全局水资源配置的影响。
进一步地，所述的S2步骤中多智能体的组成包括：水源Agent、需水Agent、供水Agent、水资源调配Agent；所述的水源Agent用于分析水文气象变化特点，给出不同时空水资源量的大小、水质情况，与供水Agent协商，实现任务委派，监测水质变化，执行调配计划；所述的需水Agent用于分析社会经济发展状况，预测水资源需求量，将水资源需求的统计信息传递给水资源配置Agent；所述的供水Agent用于考虑不同区域工程特点和规模，形成供水任务分配联盟，与水源Agent协商，形成任务委派，向水资源调配Agent传递任务执行情况，与水资源调配Agent协商，完成供水Agent系统优化，确定水资源配置目标；所述的水资源调配Agent用于接受需水Agent、水源Agent、供水Agent的约束，指导整个水资源系统的优化配置，将分配结果传递给供水Agent和用水Agent，指导水资源的应急调度。
进一步地，所述的流域级与区域级之间包括对话层、问题求解层和控制层，其中，对话层由通信模块构成，主要完成与其他Agent或外在环境的信息交互；问题求解层由学习机、推理机、规则库和知识库四个部分组成，主要完成和其他Agent进行协调并生成最终决策的功能；控制层由控制模块构成，主要完成指导控制任务，并将控制任务的信息通过通信层传递给其他Agent。
进一步地，所述的S2步骤中，智能体之间的协作关系主要基于每个智能体之间本身的水利联系，以及蓄水工程的影响，协商机制采用基于多Agent的合同网协议。合同网是Agent间建立合作机制的主要方法，其主要原理是采用市场机制进行任务通告、投标，最后签订合同来实现任务分配(资源分配)。合同网系统由多个节点组成，两个节点就任务的委托和承揽构成合同关系，一组这样的节点构成了合同网。在该系统中，每个节点代表一个Agent，Agent间通过招标一投标一中标过程进行任务分配和解决资源、知识冲突。在基于MAS水资源配置系统中，控制Agent是招标方，任务Agent则作为投标方，控制Agent将待分配的水源多少、水质状态、供水工程大小、各区域Agent需水量多少在系统内公布，各个任务Agent根据其内部资源(即需水量)采取相应的竞标策略，主动提出各自的投标方案，经过相互磋商，控制Agent将各个时段的不同水质的水资源分配给合适的任务Agent(即分配到不同的区域和不同的行业)，使得Agent之间以一个较高的概率达成一个足够好的协定。
在本发明中，智能体的组成分为：水源Agent(包括水库调蓄Agent)、需水Agent、供水Agent、水资源调配Agent四个部分。水资源优化配置模型框架结构在流域级与区域级之间包括对话层、问题求解层和控制层。而在每个区域Agent里又包括主要由供水Agent、水源Agent、需水Agent、水资源调配Agent等构成的群体行为层。智能体之间的协作关系主要基于每个智能体之间本身的水力联系，以及蓄水工程的影响。而协商机制采用基于多Agent的合同网协议。
进一步地，所述的S3步骤中，所述的智能体的约束和边界条件，对于水源Agent主要考虑区域水资源量约束、河渠节点水量平衡约束、水库枢纽水量平衡约束、地下水库水量平衡约束及水质要求；对于需水Agent主要考虑农业需水要求、工业需水要求、生活需水要求、最小生态需水要求、各行业用水不能超过需水量约束、水质要求；对于供水Agent主要考虑水库蓄水库容、引提水工程能力、调水工程能力的约束；对于水资源调配Agent主要考虑使流域整体经济效益最大、造成的污染最小、区域总缺水量最小三个目标，以及区域供需水量平衡约束、水费约束及非负约束。
进一步地，所述的优化算法为人工免疫算法。本专利在人工免疫优化求解中各个抗体、抗原(可行解)均采用实数编码，即每个分量用0.ai1ai2…ail，而其中的每个基因ai的取值为0到9之间的整数，而各个抗体、抗原与各区各行业的需水之积为各个智能体的决策变量。抗体群、抗原群初始规模分别为100、20；记忆细胞的规模设为20；调节因子β为2；终止迭代次数设为200。
与现有技术相比，有益效果是：
1.本发明将智能体系统的理论与方法应用于水资源配置领域，确立了一套比较完整的多智能体模型，有助于分析水资源配置系统中各层次的相互关系，描述其中各主体行为与整体演化的有机联系，进而模拟水资源分配过程，进行水资源的优化配置。
2.本发明提出的基于多智能体系统的水资源优化配置模型在分析水资源配置系统层次的基础上，构建了水资源优化配置模型框架，描述了同一层次智能体之间的行为和相互关系以及不同层次间的信息传递和作用机制，既考虑到水资源配置系统各智能体微观的决策行为，又具有强大的整体自组织能力，能够更加科学地反映系统的结构和内在运行机制，可以被广泛应用于水资源配置领域。
附图说明
图1是本发明方法流程图。
图2是本发明基于MAS的水资源优化配置模型中流域与区域级层次间的系统结构。
图3是本发明步骤二中区域Agent的系统结构图。
图4是本发明步骤四中人工免疫优化算法的计算流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
实施例1：
如图1所示，本发明提供的一种多智能体配置方法，主要包括以下步骤：
步骤一.确立水资源配置系统的层次结构。具体来说就是分析根据人类用水过程的特点，将水资源配置系统分为流域级、部门(或地区)级、用户级三个层次，分别对应于MAS的系统层、群体层和Agent层。其中，Agent为各智能体行为层的各个节点，即各个用水户；群体代表智能体的聚合体，即不同地区或不同行业(或产业)部门；在智能体和群体行为基础上形成流域水资源配置的系统演变行为，即系统层。
步骤二.建立基于多智能体系统(MAS)的水资源优化配置模型框架。
2.1确立水资源配置系统中智能体的组成与系统结构
根据水资源配置系统的组成可以将配置模型中的智能体主要简化为水源Agent(包括水库调蓄Agent)、需水Agent、供水Agent、水资源调配Agent等几个部分，见表1所示。
表1水资源配置系统中智能体的组成与功能
Figure GDA0001799012110000051
以上每个Agent又可主要分为三个层次：通信层、协作层和控制层。通信层由通信模块构成，主要完成与其他Agent或外在环境的信息交互；协作层由学习机、推理机、规则库和知识库四个部分组成，主要完成和其他Agent进行协调并生成最终决策的功能；控制层由控制模块构成，主要完成指导控制任务，并将控制任务的信息通过通信层传递给其他Agent。此外，所有的Agent的共同目标是使整个流域的水资源配置综合效益达到最大；而每一个行业部门、每一个用户Agent都有自己的局部目标－各自部门效益；每个区域Agent的局部目标就是自己区域内的综合效益达到最大。不用的用水户Agent之间、用水行业Agent之间、区域Agent之间是相互影响、相互作用的
2.2构建基于MAS的水资源优化配置模型框架结构
流域与区域级之间的求解系统结构可分为对话层、控制层和问题求解层，如图2所示：对话层主要接收需要优化配置的不同时段各区域(计算单元)的正效益和负效益，并将每个区域对水资源的需求、水资源可利用量等信息传递给控制层；控制层可以看作是水资源量、质的分配者，主要根据任务Agent与其协商的结果给不同区域Agent分配水资源；同时控制Agent对各区域的配水情况进行监督和统计；问题求解层是由多个任务Agent组成，每个任务Agent对应于一个区域的需水问题，该层主要是针对各个区域的水资源优化配置总体目标，由多个任务Agent协商合作进行问题求解。而每个区域Agent主要由供水Agent、水源Agent、需水Agent、水资源调配Agent等，其系统结构图如图3所示。因此，图2和图3构成了基于MAS的水资源优化配置模型的基本框架。
2.3确定智能体之间的协作关系、协商机制
同一层次内各个智能体之间、不同层次的智能体之间的关系通过物质流、能量流和信息流等多种方式进行交互作用产生的，在水资源配置系统中物质流主要包括水量、污染物等；能量流主要是指资金流；信息流主要是指水资源配置信息和政策法规信息，其中物质流中的水量和污染物是各个Agent在配置中进行协作和协商的基础。在提取各个Agent之间的水力关系时，要以系统中所存在的所有可能水量传递、转化和影响关系为主线，分类提取系统中各类Agent并建立联系，如河道、湖泊(湿地、沼泽等)、水汇(海洋等)、地下水含水层、地下水侧渗传输渠道；还包括各类人工修建的水利工程，如蓄引提水工程、调水工程、海水直接利用(淡化)工程、集雨工程等；此外还包括各类用水户等。此外，蓄水工程对水资源时空分配有着重要调节作用，蓄水工程的运行过程就是水资源优化配置中控制设备的动作策略，也为各个Agent在优化配置中进行协商奠定了基础。
水资源配置系统中的协商就是指供水Agent、水源Agent、需水Agent、水资源配置Agent等之间通过交换相关的各自结构化信息，形成一致的观点和规划，达成意图上的一致，使水资源配置目标在时空上达到最优。本发明采用Smith和Davis提出的合同网协议来建立各智能体之间的协商机制。
步骤三、分析水资源优化配置模型中各智能体(Agent)的模型行为。
具体来说就是利用智能体的自利和永不满足的特性，实现局部的动态优化，即在一定约束条件和边界条件下，智能体具有自己的特定的目标，根据外部(包括环境和其他智能体)输入的不同—边界条件的变化，选择不同的参数，达到自身的目标和最佳状态。各Agent的约束条件分别确立如下：
3.1水源Agent必须满足以下约束条件：
(1)区域水资源量约束：
Figure GDA0001799012110000071
其中，
Figure GDA0001799012110000072
AWi(m,z)表示第m时段z区农业、工业、生活、生态分配的水资源量；WQ1、WQ2、WQ3、WQ4分别表示本地水资源量、调入水资源量、上游区域的回归到z区的水资源量、调出水资源量；WQ表示水资源可利用量；λ表示回归系数。
(2)河渠节点水量平衡约束：
Figure GDA0001799012110000073
WH(m,z)表示第m时段第z节点的过水量；WQH表示区间来水量；WQRX表示第i个水库的下泄水量；WQRC表示给该区域供水的第i个水库的蓄水变化量；QL表示蒸发渗漏损失量。
(3)水库枢纽水量平衡约束：
VR(m+1,i)＝VR(m,i)+WQRC(m,i)-WQRX(m,i)-WQVL(m,i)
VR(m+1,i)表示第m+1时段第i个水库枢纽的库容；WQVL表示水库的水量损失。
(4)地下水库水量平衡约束：
Figure GDA0001799012110000081
WG(m,z)表示第m时段第z区地下水开采量；WGmax(z)表示z区地下水年最大开采量。
(5)水质变化模拟行为表现：
Figure GDA0001799012110000082
Figure GDA0001799012110000083
C(m,z)表示第m时段第z区的水质浓度；WW(m,z-1)表示第m时段第z-1区的污染物排放量；k表示染物的衰减系数；x表示第z-1区与第z区之间的概化距离；u表示流速；ξ表示污染物排放系数。
3.2需水Agent必须满足以下约束条件：
(6)农业的需水要求：
AW1(m,z)≤AWU1(z)WQ(m,z)
AW1(m,z)≥AWL1(z)WQ(m,z)
AWU1、AWL1分布表示农业分配水上限、下限。
(7)工业的需水要求：
AW2(m,z)≤AWU2(z)WQ(m,z)
AW2(m,z)≥AWL2(z)WQ(m,z)
AWU2、AWL2分布表示工业分配水上限、下限。
(8)生活的需水要求：
AW3(m,z)≥AWL3(z)WQ(m,z)
AWL3分布表示生活配水下限。
(9)最小生态需水要求：
AW4(m,z)≥DAW4(m,z)min
DAW4(m,z)表示第m时段第z区生态需水量的下限。
(10)各行业用水不能超过需水量：
AWWi(m,z)≤DAWi(m,z)
AWWi(m,z)表示第m时段第z区第i行业的实际净供水量；DAWi(m,z)第m时段第z区第i个行业需水量。
(11)水质要求：
Figure GDA0001799012110000091
Figure GDA0001799012110000092
其中n表示水质级别，1，2，3，4，5对应水质Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ类，6代表劣Ⅴ类。
3.3供水Agent模型应满足以下约束条件：
(12)水库蓄水库容：
VRmin(i)≤VR(m,i)≤VRmax(i)
VRmin(i)≤VR(m,i)≤VR′max(i)
VRmin(i)表示第i个水库的死库容、兴利库容；VR′min表示第i个水库的汛限库容。
(13)引提水工程能力：
WQP(m,z)≤WQPmax(z)
WQP(m,z)、WQPmax(m,z)分别表示第m时段第z区的引提水量、最大引提水能力。
(14)调水工程能力：
WD(m,z)≤WDmax(z)
另外，在保障最小河道内生态需水的前提下，不同行业供水的供水优先顺序依次为：生活、工业、农业和河道外生态。
3.4水资源调配Agent模型：
(15)经济目标行为表现。要求流域整体的经济效益达到最大，用f1表示：
Figure GDA0001799012110000101
ω(z)表示第z区的权重，意为在流域中重要程度；B(z)表示水资源综合利用效益；C(z)表示水资源利用损耗及费用；bi(m,z)表示第m时段第z区第i行业的净效益。
(16)环境目标行为表现。选用水污染造成水环境质量损失最小作为水资源优化配置的环境目标，即可用重要污染物的排放量最小体现，用f2表示：
Figure GDA0001799012110000102
di(z)表示第z区第i行业的单位废水排放量中重要污染因子的含量(mg/l)；pj(z)表示第z区第i行业的污水排放系数。
(17)社会目标行为表现。不同区域的缺水量大小或缺水程度影响到社会的发展和稳定，故采用区域总缺水量来间接反映社会效益，用f3表示：
Figure GDA0001799012110000103
LAWWi(m,z)表示第m时段第z区第i个行业缺水量；
Figure GDA0001799012110000104
表示第z区第i行业的重要程度，可根据供水优先顺序来确定。
调配约束条件有：
(18)区域供需水量平衡：
LAWWi(m,z)＝DAWi(m,z)-AWWi(m,z)
(19)水费约束：
AW3(m,z)EWPurb(z)-TP(z)AW3(m,z)(EWPurb(z)-BWPurb(z))≤R(z)Income(z)
EWPurb(z)表示第z区城市超额水价；TP(z)表示城市基本生活用水量占生活用水中的比例；BWPurb(z)表示城市基础水价；R(z)表示第z区的生活用水水费支出与人均可支配收入的最高比例；Income(z)表示第z区的人均可支配支出。
(20)非负约束，即所有的变量均为非负数。
步骤四、利用优化算法对模型进行求解。本发明提出的基于多智能体系统的水资源优化配置模型求解方法采用人工免疫优化算法，其计算流程图见图4。
本发明多智能体配置方法的具体实施例如下：
根据本发明所提供的步骤，将基于多智能体系统的水资源优化配置模型应用于泛东江流域。首先建立基于多智能体系统(MAS)的水资源优化配置模型框架。模型的节点概化首先通过确定研究区域范围确定水资源系统模拟中需要考虑的实体类别，选择的依据为是否与水量水质转换有直接或间接联系，一般来说，包括河道、湖泊、地下水含水层等天然水源承载体；基本的计算分区和城市等构成的用水户；河流分水工程、蓄引提调水工程、供用耗排渠道等人工修建的水利工程；再次根据选出的实体及其类别用简练的参数抽象出各实体对水资源运动过程其作用的性能。最后，在对概化的各个实体之间水力联系进行描述的基础上，做出反映实际水资源系统及其内部关系整体框架的节点图。对泛东江流域模型的节点概化结果如图4所示。
其次，要确定研究区各智能体的约束和边界条件。水资源的需求量是以2005年为基准年，应用2010年泛东江流域各个计算单元各用水部门的需水预测成果，并结合各单元1956～2005年各年的来水频率和不同频率下水资源需求量月分配系数得到2010水平年需水长系列资料。各水利工程数据以现状工程数据为基础，模型以月为配水时段和年为计算周期进行1956～2005年间的长系列调算。求解过程中，大中型水库在流域内根据水力联系进行调算，各计算单元的小型水库则打捆计算。水质变化模拟中，主要污染物选取COD，应用公式(5)时采用月平均流量，并根据各主要断面的水位～面积曲线、水位～流量曲线组合得到流量～流速曲线，COD综合衰减系数取0.15/d，入境水、区间来水、水库集雨面积上的产水水质设为Ⅰ类(或Ⅱ类)水标准。
求解模型时，在人工免疫优化求解中各个抗体、抗原(可行解)均采用实数编码，即每个分量用0.ai1ai2…ail，而其中的每个基因ai的取值于0到9之间的整数，而各个抗体、抗原与各区各行业的需水之积则为第五章中各个智能体的决策变量。抗体群、抗原群初始规模分别为100、20；记忆细胞的规模设为20；调节因子β为2；终止迭代次数设为200。
综合以上步骤，以2005年的水利工程现状为基础，针对2010年社会经济发展规划，进行水资源的优化配置，其配置的主要指标结果如表2所示。
表2 2010年泛东江流域水资源优化配置结果(单位：亿m3)
Figure GDA0001799012110000121
综上，本发明多智能体配置方法是一种较为完整的基于多智能体系统的水资源优化配置方法，既考虑到水资源配置系统各智能体微观的决策行为，又具有强大的整体自组织能力,因此在建立水资源优化配置模型时有着巨大的优势。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种多智能体配置方法，其特征在于，包括以下步骤：
S1.根据研究区人类用水的特点，确立水资源配置系统的层次结构；
S2.建立基于多智能体系统MAS的水资源优化配置模型框架：首先确立水资源配置系统中智能体的组成与系统结构，并在智能体组成与层次结构的基础上构建水资源优化配置模型框架结构，其次确定智能体之间的协作关系、协商机制；
S3.分析水资源优化配置模型中各智能体Agent的模型行为，确定各智能体的约束和边界条件；
S4.利用优化算法对模型进行求解；
其中，多智能体的组成包括：水源Agent、需水Agent、供水Agent、水资源调配Agent；所述的水源Agent用于分析水文气象变化特点，给出不同时空水资源量的大小、水质情况，与供水Agent协商，实现任务委派，监测水质变化，执行调配计划；所述的需水Agent用于分析社会经济发展状况，预测水资源需求量，将水资源需求的统计信息传递给水资源配置Agent；所述的供水Agent用于考虑不同区域工程特点和规模，形成供水任务分配联盟，与水源Agent协商，形成任务委派，向水资源调配Agent传递任务执行情况，与水资源调配Agent协商，完成供水Agent系统优化，确定水资源配置目标；所述的水资源调配Agent用于接受需水Agent、水源Agent、供水Agent的约束，指导整个水资源系统的优化配置，将分配结果传递给供水Agent和用水Agent，指导水资源的应急调度。
2.根据权利要求1所述的一种多智能体配置方法，其特征在于，所述的S1步骤中系统的层次结构为由流域级、部门或地区级、用户级所组成的结构，分别对应于MAS的系统层、群体层和Agent层。
3.根据权利要求2所述的一种多智能体配置方法，其特征在于，所述的流域级与区域级之间包括对话层、问题求解层和控制层，其中，对话层由通信模块构成，主要完成与其他Agent或外在环境的信息交互；问题求解层由学习机、推理机、规则库和知识库四个部分组成，主要完成和其他Agent进行协调并生成最终决策的功能；控制层由控制模块构成，主要完成指导控制任务，并将控制任务的信息通过通信层传递给其他Agent。
4.根据权利要求3所述的一种多智能体配置方法，其特征在于，所述的S2步骤中，智能体之间的协作关系主要基于每个智能体之间本身的水利联系，以及蓄水工程的影响，协商机制采用基于多Agent的合同网协议。
5.根据权利要求1所述的一种多智能体配置方法，其特征在于，所述的S3步骤中，所述的智能体的约束和边界条件，对于水源Agent主要考虑区域水资源量约束、河渠节点水量平衡约束、水库枢纽水量平衡约束、地下水库水量平衡约束及水质要求；对于需水Agent主要考虑农业需水要求、工业需水要求、生活需水要求、最小生态需水要求、各行业用水不能超过需水量约束、水质要求；对于供水Agent主要考虑水库蓄水库容、引提水工程能力、调水工程能力的约束；对于水资源调配Agent主要考虑使流域整体经济效益最大、造成的污染最小、区域总缺水量最小三个目标，以及区域供需水量平衡约束、水费约束及非负约束。
6.根据权利要求1至5任一项所述的一种多智能体配置方法，其特征在于，所述的优化算法为人工免疫算法。
CN201810877282.1A 2018-08-03 2018-08-03 一种多智能体配置方法 Active CN109117998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810877282.1A CN109117998B (zh) 2018-08-03 2018-08-03 一种多智能体配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810877282.1A CN109117998B (zh) 2018-08-03 2018-08-03 一种多智能体配置方法

Publications (2)

Publication Number Publication Date
CN109117998A CN109117998A (zh) 2019-01-01
CN109117998B true CN109117998B (zh) 2021-06-25

Family

ID=64851863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810877282.1A Active CN109117998B (zh) 2018-08-03 2018-08-03 一种多智能体配置方法

Country Status (1)

Country Link
CN (1) CN109117998B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111082961B (zh) * 2019-05-28 2023-01-20 中兴通讯股份有限公司 域间的数据交互方法及装置
CN111105170B (zh) * 2019-12-31 2023-04-18 张旭 水资源仿真配置计算方法及水资源的配置方法
CN112765800B (zh) * 2021-01-12 2022-10-21 长江水利委员会长江科学院 一种分布式水资源配置模型的设计方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158413A (zh) * 2011-04-11 2011-08-17 西安电子科技大学 基于邻域免疫克隆选择的多智能体组播路由方法
CN102156930A (zh) * 2011-05-12 2011-08-17 水利部交通运输部国家能源局南京水利科学研究院 基于水资源供需过程突变特征的区域水安全评估方法
CN102207928A (zh) * 2011-06-02 2011-10-05 河海大学常州校区 基于强化学习的多Agent污水处理决策支持系统
CN102419788A (zh) * 2010-12-16 2012-04-18 南京大学 基于渗蓄一体化动态产流机制的分布式水文模型的设计方法
CN102750411A (zh) * 2012-06-19 2012-10-24 中国地质大学（武汉） 基于多智能体离散选择模型城市动态微观仿真方法
CN103544533A (zh) * 2012-07-12 2014-01-29 上海宝信软件股份有限公司 一种调水工程水资源优化配置动态模型构建系统
CN104899668A (zh) * 2015-07-03 2015-09-09 四川大学 基于污染税的流域污染负荷分配二层决策优化方法
CN105096004A (zh) * 2015-08-18 2015-11-25 中水东北勘测设计研究有限责任公司 一种水库群供调水系统实时调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1917540B (zh) * 2006-07-27 2011-09-14 中山大学 一种用于数字小区的分布式资源共享装置及方法
US8898218B2 (en) * 2013-02-01 2014-11-25 Introspective Power, Inc. Generic distributed processing for multi-agent systems
CN108305006B (zh) * 2018-02-02 2020-10-02 浙江省水利河口研究院 基于供水保证率约束的水库水资源使用权量初始分配方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102419788A (zh) * 2010-12-16 2012-04-18 南京大学 基于渗蓄一体化动态产流机制的分布式水文模型的设计方法
CN102158413A (zh) * 2011-04-11 2011-08-17 西安电子科技大学 基于邻域免疫克隆选择的多智能体组播路由方法
CN102156930A (zh) * 2011-05-12 2011-08-17 水利部交通运输部国家能源局南京水利科学研究院 基于水资源供需过程突变特征的区域水安全评估方法
CN102207928A (zh) * 2011-06-02 2011-10-05 河海大学常州校区 基于强化学习的多Agent污水处理决策支持系统
CN102750411A (zh) * 2012-06-19 2012-10-24 中国地质大学（武汉） 基于多智能体离散选择模型城市动态微观仿真方法
CN103544533A (zh) * 2012-07-12 2014-01-29 上海宝信软件股份有限公司 一种调水工程水资源优化配置动态模型构建系统
CN104899668A (zh) * 2015-07-03 2015-09-09 四川大学 基于污染税的流域污染负荷分配二层决策优化方法
CN105096004A (zh) * 2015-08-18 2015-11-25 中水东北勘测设计研究有限责任公司 一种水库群供调水系统实时调度方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于多智能体的用水量动态模拟分析研究;崔毅;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170215(第02(2017)期);第C037-102页 *
基于知识工程和Agent理论的水库调度系统研究;曹生荣;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20041020(第11(2006)期);第C037-14页，第5.1-5.8，6.3-6.4节 *
河口生态需水理论与计算研究进展;彭涛 等;《水资源保护》;20100330;第26卷(第2期);第77-82页 *
流域水文水资源与社会耦合系统研究进展与评价;郭生练 等;《水资源研究》;20160215;第5卷(第01期);第1-15页 *

Also Published As

Publication number Publication date
CN109117998A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
Feng et al. Optimization of hydropower reservoirs operation balancing generation benefit and ecological requirement with parallel multi-objective genetic algorithm
CN102629106B (zh) 供水控制方法及系统
Simonovic et al. The use of object-oriented modeling for water resources planning in Egypt
Zhou et al. Integrated optimal allocation model for complex adaptive system of water resources management (I): Methodologies
CN109117998B (zh) 一种多智能体配置方法
Mohammadi et al. Development, application, and comparison of hybrid meta-heuristics for urban land-use allocation optimization: Tabu search, genetic, GRASP, and simulated annealing algorithms
CN111967666B (zh) 一种江河湖水系综合协同调度系统及其调度方法
CN107480813A (zh) 基于多目标混沌遗传算法的流域水资源优化配置方法
CN104751373B (zh) 计及污染气体排放风险的环境经济调度方法
CN107045785B (zh) 一种基于灰色elm神经网络的短时交通流量预测的方法
CN105761192A (zh) 村镇区域土地利用规划智能化方法和智能化集成系统
CN109544024A (zh) 一种适合小流域河流多水源水质水量调度的方法
Hsu et al. Optimization and capacity expansion of a water distribution system
Kang et al. Optimal allocation of water resources considering water quality and the absorbing pollution capacity of water
Huang et al. Genetic Algorithms for Optimization of Resource Allocation in Large Scale Construction Project Management.
CN114663254A (zh) 一种水资源-粮食-能源-生态协同调控方法
Chen et al. Evolutionary game analysis of tripartite cooperation strategy under mixed development environment of cascade hydropower stations
Jiang et al. Elite collaborative search algorithm and its application in power generation scheduling optimization of cascade reservoirs
CN115185243A (zh) 高原山地长距离梯级泵站输送系统动态优化调度建模方法
Heydari Kushalshah et al. Hybrid modelling for urban water supply system management based on a bi-objective mathematical model and system dynamics: A case study in Guilan province.
Sharifi et al. Comprehensive assessment of 20 state-of-the-art multi-objective meta-heuristic algorithms for multi-reservoir system operation
CN110633849A (zh) 一种基于启发式大系统分解协调思想的水资源配置方法
Bai et al. Optimal dispatching scheme of multi-objective cascade reservoirs by parallel mechanism-optimization algorithms
CN105391091A (zh) 一种基于层次分析法和隶属度的分布式能量管理方法
Ji et al. Total consumption controlled water allocation management for multiple sources and users with inexact fuzzy chance-constrained programming: a case study of Tianjin, China

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