CN109214726A - 多水库水量调度方法、终端、存储介质及异构计算系统 - Google Patents
多水库水量调度方法、终端、存储介质及异构计算系统 Download PDFInfo
- Publication number
- CN109214726A CN109214726A CN201811429126.5A CN201811429126A CN109214726A CN 109214726 A CN109214726 A CN 109214726A CN 201811429126 A CN201811429126 A CN 201811429126A CN 109214726 A CN109214726 A CN 109214726A
- Authority
- CN
- China
- Prior art keywords
- complex
- reservoir
- optimal adaptation
- group
- particle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 71
- 230000006978 adaptation Effects 0.000 claims abstract description 85
- 239000002245 particle Substances 0.000 claims description 111
- 239000013598 vector Substances 0.000 claims description 59
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 239000003643 water by type Substances 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 29
- 238000005457 optimization Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 10
- 238000010168 coupling process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003694 hair properties Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种多水库水量调度方法、终端、存储介质及异构计算系统，属于洪水调度技术领域，由于本实施例能够并行地控制Q个复合形中计算并输出各自的个体最佳适应度，再根据各自的个体最佳适应度输出群体最佳适应度最终在该群体最佳适应度满足迭代终止条件时，将该群体最佳适应度对应的参数对水库群进行水量调度，实现了通过并行化的技术提高了计算水库群的水量调度的时效性，针对高维度、非线性和强约束性的防洪问题，有较高的计算效率。
Description
技术领域
本申请实施例涉及洪水调度技术领域，特别涉及一种多水库水量调度方法、终端、存储介质及异构计算系统。
背景技术
洪水灾害具有突发性、多发性和不确定性。一旦洪水发生，其对人类的生命和财产安全造成巨大破坏。因此，防洪问题一直是水利领域中被重点研究的问题。
在一些应用场景中，技术人员使用单核中央处理器(CPU)计算机对洪水调度进行研究。
由于水库防洪问题的时效性要求高，且防洪问题规模庞大，导致单核中央处理器计算机求得调度结果的时效性不能满足需求。
发明内容
本申请实施例提供了一种多水库水量调度方法、终端、存储介质及异构计算系统，可以解决由于水库防洪问题的时效性要求高，且防洪问题规模庞大，导致单核中央处理器计算机求得调度结果的时效性不能满足需求的问题。所述技术方案如下：
根据本申请的一方面内容，提供了一种多水库水量调度方法，应用于调度水库群的计算系统中，所述水库群包括n个水库，n为正整数，所述方法包括：
根据Q个复合形和所述复合形的顶点数M，随机生成L个粒子，所述复合形中的参数包括位置向量和速度向量，一个所述复合形中包括M个所述粒子，所述位置向量用于指示所述M个所述粒子的位置，所述速度向量用于指示所述M个所述粒子的速度，Q、M和L为正整数，Q和M为所述计算系统中预设的数值；
根据所述位置向量，计算所述粒子的当前适应度，所述当前适应度用于指示所述粒子在所述L个粒子中与其它粒子相比的优劣程度；
根据所述粒子的所述当前适应度，分别获取所述Q个复合形各自的个体最佳适应度；
从Q个所述个体最佳适应度中确定一个群体最佳适应度
当所述群体最佳适应度满足迭代终止条件时，按照所述群体最佳适应度对应的参数对所述水库群进行水量调度。
根据本申请的另一方面内容，提供了一种多水库水量调度装置，应用于调度水库群的计算系统中，所述水库群包括n个水库，n为正整数，所述装置包括：
粒子生成模块，用于根据Q个复合形和所述复合形的顶点数M，随机生成L个粒子，所述复合形中的参数包括位置向量和速度向量，一个所述复合形中包括M个所述粒子，所述位置向量用于指示所述M个所述粒子的位置，所述速度向量用于指示所述M个所述粒子的速度，Q、M和L为正整数，Q和M为所述计算系统中预设的数值；
适应度计算模块，用于根据所述位置向量，计算所述粒子的当前适应度，所述当前适应度用于指示所述粒子在所述L个粒子中与其它粒子相比的优劣程度；
适应度获取模块，用于根据所述粒子的所述当前适应度，分别获取所述Q个复合形各自的个体最佳适应度；
群体适应度获取模块，用于从Q个所述个体最佳适应度中确定一个群体最佳适应度
水量调度模块，用于当所述群体最佳适应度满足迭代终止条件时，按照所述群体最佳适应度对应的参数对所述水库群进行水量调度。
根据本申请的另一方面内容，提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如本申请实施例所提供的多水库水量调度方法。
根据本申请的另一方面内容，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如本申请实施例所提供的多水库水量调度方法。
根据本申请的另一方面内容，提供了一种异构计算系统，该异构计算系统包括多核中央处理器CPU和众核图形处理器GPU，所述多核CPU中包括至少两个内核，所述异构计算系统用于通过并行运算的方式执行实现如本申请实施例所提供的多水库水量调度方法。
本申请实施例提供的技术方案带来的有益效果是：
由于本申请实施例能够应用在调度水库群的计算系统或终端中，其中，水库群包含有多个水库。本实施例能够根据Q个复合形和复合形的顶点数M，随机生成L个粒子，复合形的参数包括位置向量和速度向量，根据该位置向量，计算粒子的当前适应度，当前适应度用于指示粒子在L个粒子中与其它粒子相比的优劣程度，根据粒子的当前适应度，分别获取Q个复合形各自的个体最佳适应度，从Q个个体最佳适应度中确定一个群体最佳适应度从Q个个体最佳适应度中确定一个群体最佳适应度当群体最佳适应度满足迭代终止条件时，按照群体最佳适应度对应的参数对水库群进行水量调度。由于本实施例能够并行地控制Q个复合形中计算并输出各自的个体最佳适应度，再根据各自的个体最佳适应度输出群体最佳适应度最终在该群体最佳适应度满足迭代终止条件时，将该群体最佳适应度对应的参数对水库群进行水量调度，实现了通过并行化的技术提高了计算水库群的水量调度的时效性，针对高维度、非线性和强约束性的防洪问题，有较高的计算效率。
附图说明
为了更清楚地介绍本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本申请一个示例性实施例提供的终端的结构框图；
图2是本申请一个示例性实施例提供的异构计算系统的示意图；
图3是本申请一个示例性实施例提供的多水库水量调度方法的流程图；
图4是本申请另一个示例性实施例提供的多水库水量调度方法流程图；
图5示出了本申请一个示例性实施例提供的多水库水量调度装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了本申请实施例所示方案易于理解，下面对本申请实施例中出现的若干名词进行介绍。
水库群：指包含n个水库，其中，n为不小于2的正整数。水库群可以指经由一条河流连通的若干个水库。
在一种可能的实现方式中，水库群可以按照从上游到下游的顺序，组合为互相有水力联系的串联水库群。例如，水库群包括水库A、水库B和水库C，从上游到下游的水库依次为水库A、水库B和水库C。其中，水库A流出的水流汇入河流后，能够流入水库B，水库B流出的水流汇入河流后，能够流入水库C。
在另一种可能的实现方式中，水库群还可以是位于不同河流，或，分别位于同一河流的干流和支流上，无水力联系的水库群，该水库群可称为并联水库群。
在另一种可能的实现方式中，水库群还可以是同时包括串联水库群和并联水库群的串联与并联混合联结的水库群。
示例性地，本申请实施例所示的多水库水量调度方法，可以应用在终端中。终端可以包括高性能电脑、服务器或工作站等设备。
图1是本申请一个示例性实施例提供的终端的结构框图，如图1所示，该终端包括处理器120和存储器140，所述存储器140中存储有至少一条指令，所述指令由所述处理器120加载并执行以实现如上各个实施例所述的多水库水量调度方法。
在本申请中，终端100是具备多水库水量调度功能的电子设备。终端100能够根据Q个复合形和复合形的顶点数M，随机生成L个粒子，复合形中的参数包括位置向量和速度向量，一个复合形中包括M个粒子，位置向量用于指示M个粒子的位置，速度向量用于指示M个粒子的速度，Q、M和L为正整数，Q和M为计算系统中预设的数值；根据位置向量，计算粒子的当前适应度，当前适应度用于指示粒子在L个粒子中与其它粒子相比的优劣程度；根据粒子的当前适应度，分别获取Q个复合形各自的个体最佳适应度；从Q个个体最佳适应度中确定一个群体最佳适应度当群体最佳适应度满足迭代终止条件时，按照群体最佳适应度对应的参数对水库群进行水量调度。
处理器120可以包括一个或者多个处理核心。处理器120利用各种接口和线路连接整个终端100内的各个部分，通过运行或执行存储在存储器140内的指令、程序、代码集或指令集，以及调用存储在存储器140内的数据，执行终端100的各种功能和处理数据。可选的，处理器120可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器120可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器120中，单独通过一块芯片进行实现。
存储器140可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器140包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器140可用于存储指令、程序、代码、代码集或指令集。存储器140可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等；存储数据区可存储下面各个方法实施例中涉及到的数据等。
请参考图2，其是本申请一个示例性实施例提供的异构计算系统的示意图。该系统可以由一个终端组成，也可以是多个终端组成。在图2中，一种异构计算系统的组成方式中，该异构计算系统200包括多核中央处理器CPU(英文：Central Processing Unit)210和众核图形处理器GPU(英文：Graphics Processing Unit)220。
在一种可能的实现方式中，异构计算系统可以是使用高性能工作站来进行研发和测试研究的系统。在该异构计算系统中，能够采用基于于OpenMP技术调度CPU多线程、OpenCL C/C++和CUDAC/C++操控GPU多线程。
可选地，作为一种能够实现的软件部署方案，异构计算系统可以构建线程池。另一方面，异构计算系统还能够采用环形拓扑关系，选择不同异构并行关系，进行并行计算。可选地，异构计算系统还能够操控多GPU间的通信、CUDA C/C++和OpenCL C/C++操控GPU多线程。
可选地，作为一种异构计算系统的算法实现方式，本实施例能够基于上述应将加速平台和软件开发工作，进行并行程序的实现，借助指定的极速库辅助并行代码的开发。需要说明的是，并行极速库包括随机数并行发生器库curand、并行排序库thrust等库。
在本申请实施例中，异构计算系统能够通过述硬件、软件和算法方面的协同开发，研究并行参数优选方法的程序化实现，探寻并行参数优选方法的性能特性并给出方法的适应范围和适用建议。本实施例能够实现挖掘PSO算法(英文：Particle SwarmOptimization，中文：粒子群优化算法)与防洪联合调度模型计算流程中的并行性，在算法层面实现决策变量的优选的并行化。
作为一种可能的异构计算系统的拓展方式，该异构计算系统中还设置有通用功能并行模块，该通用功能并行模块用于调用并行随机数发生器、执行并行种群生成方法，并实现并行排序方法。
可选的，通用功能并行模块主要包括并行随机数发生器、并行种群生成方法、并行排序方法等。通过调用NVIDIA公司的curand随机数库中的并行梅森旋转算法来实现高质量随机数的并行生成；并调用NVIDIA公司的thrust库中实现的Radix并行排序算法来实现排序的并行性。
在一种可能的实现方式中，基于该异构计算系统，本实施例提供的异构计算系统，能够结合使用基于CUDA(英文：Compute Unified Device Architecture，中文：统一计算架构)和OpenMP(英文：Open Multi-Processing，中文：开放式多重处理)的异构并行技术、异构并行技术与粒子群算法的耦合技术、并行算法在防洪调度计算中应用技术和防洪调度技术。
在另一种可能的实现方式中，本实施例能够基于CUDA和OpenMP的异构并行技术，在多核CPU和众核GPU组成的异构计算系统上，也可称为计算硬件加速平台，实现本申请实施例所示的方案的并行化。
在另一种可能的实现方式中，本申请实施例能够通过异构并行技术与粒子群算法的耦合技术、结合异构计算技术，和，基于粒子群方法的水库防洪调度计算的全局优化方法，来实现多水库水量调度方法。
在另一种可能的实现方式中，本申请实施例提供的并行算法在防洪调度计算中应用技术，将异构计算耦合算法在各类常见的并行设备上进行测试性研究和分析，实现水库防洪调度模型求解优化方法，并行加速计算并应用到防洪调度决策制定中，从而快速并优化的计算出防洪调度方案。
在另一种可能的实现方式中，异构计算系统所应用的多水库水量调度方法可以是一种防洪调度技术，能够应用在防洪调度计算中。该方案的实现流程可以包括防洪调度模型建立，防洪调度技术求解。在防洪调度图的基础上，优化调度决策。本实施例可以通过把并行计算应用在防洪调度模型求解过程。本实施例能够实现高效率计算，在同样计算量的情况下节省计算时间，优化相关算法与并行算法耦合技术，保证了水库调度方案的最优性和高效性。
在另一种可能的实现方式中，异构计算系统能够基于CUDA和OpenMP的异构并行技术，用于计算机性能检验与操作，组装异构并行框架。针对防洪调度计算的特点，制定出异构并行求解算法。
在另一种可能的实现方式中，异构计算系统能够通过异构并行技术与粒子群算法的耦合技术，按照智能算法与并行计算技术嵌套，针对防洪调度计算的特点，完善设计一套全局快速计算的耦合算法，可为水库调度决策制定提供计算效率和精度。
在另一种可能的实现方式中，异构计算系统通过并行算法在防洪调度计算中应用技术，完成确定主要防洪调度目标、满足防洪调度约束条件以及其他平衡条件，并采用全局优化方法求解防洪调度模型，制定出防洪调度优化调度图以及优化调度规则，最终得到优化调度决策。
在另一种可能的实现方式中，异构计算系统通过防洪调度技术，即采用并行技术缓解水库防洪优化调度的高维、不可微、系统的复杂性，以空间复杂度来换取时间复杂度，为防洪抢险提供了坚实的基础。
综上所述，根据本申请实施例提供的一种异构计算系统，本申请实施例能够以防洪调度约束条件、防洪调度规则和基本防洪调度图为基础数据，基于CUDA和OpenMP的异构计算技术与粒子群智能优化技术耦合，提出快速全局优化方法为水库群进行统一的防洪联合调度提供宝贵的决策时间和最优方案，最大限度地减少国家的经济损失、人民生命财产损失。
在一种可选的实施例中，本申请提供一种多水库水量调度方法，该方法包括基于CUDA和OpenMP的异构并行技术、异构并行技术与粒子群算法的偶合技术、并行算法在在防洪调度计算中应用技术和防洪调度技术。其中，基于CUDA和OpenMP的异构并行技术，在多核CPU和众核GPU组成的异构计算硬件加速平台上实现算法的并行化；异构并行技术与粒子群算法的耦合技术，结合异构计算技术，基于粒子群方法的水库防洪调度计算的全局优化方法。并行算法在防洪调度计算中应用技术，将异构计算耦合算法在各类常见并行设备上进行测试性研究和分析，实现水库防洪调度模型求解优化方法，并行加速计算并应用到防洪调度决策制定中，从而快速并优化的计算出防洪调度方案。防洪调度技术主要用于防洪调度计算，包括防洪调度模型建立，防洪调度技术求解，在防洪调度图的基础上，优化调度决策。通过把并行计算应用防洪调度模型求解过程，可快速计算，优化算法与并行算法耦合技术，保证水库调度方案的最优性和高效性。
在另一种可选的实施例中，本申请实施例在防洪调度计算中，采用异构并行技术的方法进行测试，并将该异构并行技术应用在防洪调度计算中。
在另一种可选的实施例中，本实施例能够通过粒子群智能算法与异构并行技术耦合，以基本的调度规则依据，求解水库防洪调度模型，优化调度结果。
在另一种可选的实施例中，本实施例能够提出快速全局优化方法为水库群进行统一的防洪联合调度提供宝贵的决策时间和最优方案。需要说明的是，根据本申请提供的方案，能够在较短的时间内完成运算，从而实现保证决策时间的充足，进而使得实际防洪场景中，尽可能地降低生命财产损失。
在本申请实施例应用的技术领域中，申请人注意到我国洪水灾害具有突发性、多发性以及不确定性，其对人类生存与发展的威胁程度比较严重，因此防洪问题越来越受到人们的关注。在应对洪水灾害的过程中，时效性是防洪调度决策是否发挥作用的关键，如何提高制定防洪调度决策效率，降低制定的时间的复杂度，为防洪抢险提供坚实基础。因此在制定防洪调度决策使用并行计算，大大提高计算效率，提高调度决策时效性。
目前的洪水调度方法主要采用计算机单核(CPU)进行防洪调度计算，大大浪费了计算机资源，降低调度决策制定效率。
在实现本发明的过程中，申请人注意到本领域中，一些历史方案由于巨型水库群防洪调度问题规模庞大、结构复杂，涉及大量的决策变量和复杂的约束条件，各水库、各时段之间的水位、流量存在复杂的耦合关系，呈现出高维度、非线性、强约束特性，传统的优化方法难以直接求解或者计算效率低，存在早熟收敛问题。
本申请实施例提供一种改进的方法，用于实现对多水库水量的调度。在一种可能的实现方式中，终端可以通过粒子群算法计算用于调度多水库水量的参数。在该方法中，粒子群算法的例子进化具有并行性，进化开始时启动多条线程，每条线程进行一个粒子的进化过程，并行的进行进化搜索，当规定的进化次数完成后，多条线程的进化结果合并入一条主线程。本实施例执行粒子群进化策略操作，之后拆分为多条线程，继续进行粒子群进化，如此往复进行，直到本实施例提供的改进的粒子群计算结果收敛。在本实施例中，粒子群并行协同进化时需要密切关注各变量在存储器中的位置，异构计算系统能够将公共变量、私有变量、缓冲变量区分存储，防止了访存越界等错误的发生。
在本申请实施例提供的一种对多水库水量的调度的方法的设计上，水库群联合防洪优化调度问题大部分计算量都存在于目标函数的计算-联合优化模型中。每求解一次目标函数都需要用给定的一组决策变量值和水库群工情水情信息驱动联合防洪优化模型进行优化计算，计算完毕后，然后比较各个粒子对应联合防洪优化调度决策。由于每一个联合调度决策都是相互独立的，因此，设计水库群联合防洪优化调度模型并行计算方法来减少模型运算消耗的时间。
针对粒子群算法，通过改变粒子种群个数，从2开始，从一定的倍数逐渐增加粒子群种群的个数，即逐渐增大求解问题的规模，通过改变联合防洪调度的调度期长度，从而导致目标函数计算量变大，从而对决策变量的个数(即优化问题的维度)和粒子群个数进行调整。
作为一种水库群联合防洪优化调度模型，本申请提供如下数学模型：
(1)目标函数
离散化形式：
式中：i为梯级水库序号，自上而下排列；n为梯级水库数目；
(2)约束条件
qj，i≤Qj，i i＝1，2，…，n；j＝1，2，…，M；
Qj+1，i+1＝c0Q′j+1，i+c1Q′j，i+c2Qj，i+1；
Q′j+1，i＝qj+1，i+ΔQj+1，i+1；
Q′j，i＝qj，i+ΔQ′j，i+1；
式中：Qj，i为第i级库第j时段平均入库流量；
qj，i为第i级库第j时段平均出库流量；
ΔQj,i+1为第i级库和第i+1级库之间的区间，在j时段的流量(并已逆向演算至第i级出库)；
Q′j,i为第i级库第j时段平均出库流量(已含本级至下级区间流量)；
Zj,i为第i级库第j时段平均水位；
Bj,i为第i级库第j时段闸门开度；
qj,i(Zj,i,Bj,i)为第i级库第j时段在水位为Zj,i、开度为Bj,i时最大下泄能力。
请参考图3，其是本申请一个示例性实施例提供的多水库水量调度方法的流程图。该多水库水量调度方法可以应用在上述所示的终端或异构计算系统中，水库群包括n个水库，n为不小于2的正整数。在图3中，多水库水量调度方法包括：
步骤310，根据Q个复合形和复合形的顶点数M，随机生成L个粒子，复合形中的参数包括位置向量和速度向量，一个复合形中包括M个粒子，位置向量用于指示M个粒子的位置，速度向量用于指示M个粒子的速度，Q、M和L为正整数，Q和M为计算系统中预设的数值。
在本申请实施例中，异构计算系统或终端能够初始化粒子群。设k＝0，根据具体研究问题为N维，选取参与进化的复合形个数Q和每个复合形所包含的顶点数M，随机生成L＝QM个粒子Pk＝(Xk(l),Vk(l))(l＝1,2,…,L),其中,Xk(l)、Vk(l)分别为第q复合形的m个粒子的位置向量和速度向量，
可选地，在一种可能的实现方式中，实施例能够获取初始的Q和M的数值，根据初始的Q和M的数值，获取L的数值。
步骤320，根据位置向量，计算粒子的当前适应度，当前适应度用于指示粒子在L个粒子中与其它粒子相比的优劣程度。
在本申请实施例中，异构计算系统能够计算每个粒子当前适应度Fk(l)，Fk(l)＝f(Xk(l))；
步骤330，根据粒子的当前适应度，分别获取Q个复合形各自的个体最佳适应度。
在本申请实施例中，异构计算系统能够更新局部最佳个体和全局最佳个体。找到目前每个复合形的最佳适应度值记为同时记下当前位置向量为找到目前群体的最佳适应度值记为记位置向量为
步骤340，从Q个个体最佳适应度中确定一个群体最佳适应度
步骤350，当群体最佳适应度满足迭代终止条件时，按照群体最佳适应度对应的参数对水库群进行水量调度。
综上所述，由于本实施例能够并行地控制Q个复合形中计算并输出各自的个体最佳适应度，再根据各自的个体最佳适应度输出群体最佳适应度最终在该群体最佳适应度满足迭代终止条件时，将该群体最佳适应度对应的参数对水库群进行水量调度，实现了通过并行化的技术提高了计算水库群的水量调度的时效性，针对高维度、非线性和强约束性的防洪问题，有较高的计算效率。
基于上一个实施例所公开的方案，终端还能够在不同的迭代终止条件下，获取用于对水库去进行数量调度的参数，请参考如下实施例。
请参见图4，其是本申请另一个示例性实施例提供的多水库水量调度方法流程图。该多水库水量调度方法可以应用在上述所示的终端或异构计算系统中。在图4中，该多水库水量调度方法包括：
步骤410，根据Q个复合形和复合形的顶点数M，随机生成L个粒子。
在本申请实施例中，步骤410的执行过程和步骤310的执行过程相同，此处不再赘述。
步骤420，根据位置向量，计算粒子的当前适应度。
在本申请实施例中，步骤420的执行过程和步骤320的执行过程相同，此处不再赘述。
步骤430，根据粒子的当前适应度，分别获取Q个复合形各自的个体最佳适应度。
在本申请实施例中，步骤430的执行过程和步骤230的执行过程相同，此处不再赘述。
步骤440，从Q个个体最佳适应度中确定一个群体最佳适应度
在本申请实施例中，步骤440的执行过程和步骤340的执行过程相同，此处不再赘述。
步骤451，根据预设更新函数，更新L个粒子的位置向量和速度向量。
在本申请中，作为一种可能的实现方式，异构计算系统能够执行步骤4511、步骤4512、步骤4514、步骤4514、步骤4515、步骤4516和步骤4517，以实现更新L个粒子的位置向量和速度向量的操作。
步骤4511，在Q个复合形中的每一个复合形中，删除当前适应度最小的粒子。
步骤4512，根据删除当前适应度最小的粒子的复合形，获取复合形中的形心点。
步骤4513，根据已删除的粒子的当前适应度和形心点，获取复合形中的最差个体的映射点。
步骤4514，根据最差个体的映射点的适应度函数值，和，当前适应度最小的粒子的映射点的适应度函数值之间的大小关系，获取新的粒子的映射点。
步骤4515，将新的映射点对应的粒子确定为更新后的复合形中的一个粒子。
步骤4516，根据第一系数、第二系数、第一随机数、第二随机数和更新前的M-1个速度向量，获取更新后的M-1个速度向量。
步骤4517，根据更新后的M-1个速度向量和更新前的M-1个位置向量，获取更新后的M-1个位置向量。
作为步骤4511至步骤4517的一种实现方式，异构计算系统能够以复合形为基本单元，找到适应度函数值最小的个体并除去该个体，求出复合形的形心点求出最差个体的映射点pnewq＝pworstq±(pcq-pworstq)，并与最差个体比较适应度函数值：
对复合形中其它个体的每一个速度元素和位置元素，采用下式进行更新：
步骤452，计算更新后的Q个复合形的群体最佳适应度
步骤461，当更新后的Q个复合形的群体最佳适应度满足迭代终止条件时，按照更新后的Q个复合形的群体最佳适应度对应的参数，对水库群进行水量调度。
在一种可能的实施方式中，异构计算系统能够获取Q个复合形的更新次数k，k为正整数；当更新次数k等于预设的最大迭代次数K时，按照更新k次后的Q个复合形的群体最佳适应度对应的参数，对水库群进行水量调度。
在另一种可能的实施方式中，异构计算系统能够获取第k次更新后的Q个复合形的第一群体最佳适应度和，第k+1次更新后的Q个复合形的第二群体最佳适应度根据第一群体最佳适应度和第二群体最佳适应度得到适应度变化率；当适应度变化率不大于预设精度阈值时，按照更新k次后的Q个复合形的群体最佳适应度对应的参数，对水库群进行水量调度。
作为一种应用场景，检验是否满足算法迭代终止条件，若满足，则停止迭代，输出最优结果；否则令k＝k+1，转向计算每个粒子当前的适应度的步骤。迭代终止条件k＝K(K为预先设置的最大迭代次数)；或
ε是事先给定的精度。
作为一种可能的实现方式，本实施例能够通过所述计算系统，调用随机数并行发生器库根据并行旋转算法生成第一随机数和第二随机数。
比如，通过上述实施例提供的方案，本实施例中的终端或者异构计算系统，能够同时针对Q个复合形执行并行计算，实现了以计算空间换计算时间的效果，缩短了获取对水库群进行水量调度的参数的时间，实现了通过并行化的技术提高了计算水库群的水量调度的时效性，针对高维度、非线性和强约束性的防洪问题，有较高的计算效率。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图5，其示出了本申请一个示例性实施例提供的多水库水量调度装置的结构框图。该多水库水量调度装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置包括：
粒子生成模块510，用于根据Q个复合形和所述复合形的顶点数M，随机生成L个粒子，所述复合形中的参数包括位置向量和速度向量，一个所述复合形中包括M个所述粒子，所述位置向量用于指示所述M个所述粒子的位置，所述速度向量用于指示所述M个所述粒子的速度，Q、M和L为正整数，Q和M为所述计算系统中预设的数值；
适应度计算模块520，用于根据所述位置向量，计算所述粒子的当前适应度，所述当前适应度用于指示所述粒子在所述L个粒子中与其它粒子相比的优劣程度；
适应度获取模块530，用于根据所述粒子的所述当前适应度，分别获取所述Q个复合形各自的个体最佳适应度；
群体适应度获取模块540，用于从Q个所述个体最佳适应度中确定一个群体最佳适应度
水量调度模块550，用于当所述群体最佳适应度满足迭代终止条件时，按照所述群体最佳适应度对应的参数对所述水库群进行水量调度。
本申请实施例还提供了一种计算机可读介质，该计算机可读介质存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的多水库水量调度方法。
需要说明的是：上述实施例提供的多水库水量调度装置在执行多水库水量调度方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的多水库水量调度装置与多水库水量调度方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的能够实现的示例性的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种多水库水量调度方法，其特征在于，应用于调度水库群的计算系统或终端中，所述水库群包括n个水库，n为不小于2的正整数，所述方法包括：
根据Q个复合形和所述复合形的顶点数M，随机生成L个粒子，所述复合形中的参数包括位置向量和速度向量，一个所述复合形中包括M个所述粒子，所述位置向量用于指示所述M个所述粒子的位置，所述速度向量用于指示所述M个所述粒子的速度，Q、M和L为正整数，Q和M为所述计算系统中预设的数值；
根据所述位置向量，计算所述粒子的当前适应度，所述当前适应度用于指示所述粒子在所述L个粒子中与其它粒子相比的优劣程度；
根据所述粒子的所述当前适应度，分别获取所述Q个复合形各自的个体最佳适应度；
从Q个所述个体最佳适应度中确定一个群体最佳适应度
当所述群体最佳适应度满足迭代终止条件时，按照所述群体最佳适应度对应的参数对所述水库群进行水量调度。
2.根据权利要求1所述的方法，其特征在于，在所述从Q个所述个体最佳适应度中确定一个群体最佳适应度之后，所述方法还包括：
根据预设更新函数，更新所述L个粒子的所述位置向量和所述速度向量；
计算更新后的所述Q个复合形的所述群体最佳适应度
所述当所述群体最佳适应度满足迭代终止条件时，按照所述群体最佳适应度对应的参数对所述水库群进行水量调度，包括：
当更新后的所述Q个复合形的所述群体最佳适应度满足迭代终止条件时，按照更新后的所述Q个复合形的所述群体最佳适应度对应的参数，对所述水库群进行水量调度。
3.根据权利要求2所述的方法，其特征在于，所述当更新后的所述Q个复合形的所述群体最佳适应度满足迭代终止条件时，按照更新后的所述Q个复合形的所述群体最佳适应度对应的参数，对所述水库群进行水量调度，包括：
获取所述Q个复合形的更新次数k，k为正整数；
当所述更新次数k等于所述预设的最大迭代次数K时，按照更新k次后的所述Q个复合形的群体最佳适应度对应的参数，对所述水库群进行水量调度。
4.根据权利要求3所述的方法，其特征在于，所述当更新后的所述Q个复合形的所述群体最佳适应度满足迭代终止条件时，按照更新后的所述Q个复合形的所述群体最佳适应度对应的参数，对所述水库群进行水量调度，包括：
获取第k次更新后的所述Q个复合形的第一群体最佳适应度和，第k+1次更新后的所述Q个复合形的第二群体最佳适应度
根据所述第一群体最佳适应度和所述第二群体最佳适应度得到适应度变化率；
当所述适应度变化率不大于预设精度阈值时，按照更新k次后的所述Q个复合形的群体最佳适应度对应的参数，对所述水库群进行水量调度。
5.根据权利要求2至4任一所述的方法，其特征在于，所述根据预设更新函数，更新所述L个粒子的所述位置向量和所述速度向量，包括：
在所述Q个复合形中的每一个复合形中，删除所述当前适应度最小的粒子；
根据删除所述当前适应度最小的粒子的复合形，获取所述复合形中的形心点；
根据已删除的所述粒子的所述当前适应度和所述形心点，获取所述复合形中的最差个体的映射点；
根据所述最差个体的映射点的适应度函数值，和，所述当前适应度最小的粒子的映射点的适应度函数值之间的大小关系，获取新的粒子的映射点；
将所述新的映射点对应的粒子确定为更新后的复合形中的一个粒子；
根据第一系数、第二系数、第一随机数、第二随机数和更新前的M-1个所述速度向量，获取更新后的M-1个速度向量；
根据所述更新后的M-1个速度向量和更新前的所述M-1个位置向量，获取更新后的M-1个位置向量。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
通过所述计算系统，调用随机数并行发生器库根据并行旋转算法生成第一随机数和第二随机数。
7.一种多水库水量调度装置，其特征在于，应用于调度水库群的计算系统或终端中，所述水库群包括n个水库，n为不小于2的正整数，所述装置包括：
粒子生成模块，用于根据Q个复合形和所述复合形的顶点数M，随机生成L个粒子，所述复合形中的参数包括位置向量和速度向量，一个所述复合形中包括M个所述粒子，所述位置向量用于指示所述M个所述粒子的位置，所述速度向量用于指示所述M个所述粒子的速度，Q、M和L为正整数，Q和M为所述计算系统中预设的数值；
适应度计算模块，用于根据所述位置向量，计算所述粒子的当前适应度，所述当前适应度用于指示所述粒子在所述L个粒子中与其它粒子相比的优劣程度；
适应度获取模块，用于根据所述粒子的所述当前适应度，分别获取所述Q个复合形各自的个体最佳适应度；
群体适应度获取模块，用于从Q个所述个体最佳适应度中确定一个群体最佳适应度
水量调度模块，用于当所述群体最佳适应度满足迭代终止条件时，按照所述群体最佳适应度对应的参数对所述水库群进行水量调度。
8.一种终端，其特征在于，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至6任一所述的多水库水量调度方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至6任一所述的多水库水量调度方法。
10.一种异构计算系统，其特征在于，所述系统包括多核中央处理器CPU和众核图形处理器GPU，所述多核CPU中包括至少两个内核，所述异构计算系统用于通过并行运算的方式实现权利要求1至6所述的多水库水量调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429126.5A CN109214726B (zh) | 2018-11-27 | 2018-11-27 | 多水库水量调度方法、终端、存储介质及异构计算系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429126.5A CN109214726B (zh) | 2018-11-27 | 2018-11-27 | 多水库水量调度方法、终端、存储介质及异构计算系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109214726A true CN109214726A (zh) | 2019-01-15 |
| CN109214726B CN109214726B (zh) | 2020-04-14 |
Family
ID=64994057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811429126.5A Active CN109214726B (zh) | 2018-11-27 | 2018-11-27 | 多水库水量调度方法、终端、存储介质及异构计算系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109214726B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800914A (zh) * | 2019-01-16 | 2019-05-24 | 河海大学 | 一种适用于滨海地区水资源的多目标优化调度方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107015852A (zh) * | 2016-06-15 | 2017-08-04 | 珠江水利委员会珠江水利科学研究院 | 一种大规模梯级水电站群多核并行优化调度方法 |
| CN108564213A (zh) * | 2018-04-10 | 2018-09-21 | 中国水利水电科学研究院 | 一种基于gpu加速的并联水库群防洪优化调度方法 |
-
2018
- 2018-11-27 CN CN201811429126.5A patent/CN109214726B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107015852A (zh) * | 2016-06-15 | 2017-08-04 | 珠江水利委员会珠江水利科学研究院 | 一种大规模梯级水电站群多核并行优化调度方法 |
| CN108564213A (zh) * | 2018-04-10 | 2018-09-21 | 中国水利水电科学研究院 | 一种基于gpu加速的并联水库群防洪优化调度方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800914A (zh) * | 2019-01-16 | 2019-05-24 | 河海大学 | 一种适用于滨海地区水资源的多目标优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109214726B (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110058883B (zh) | 一种基于opu的cnn加速方法及系统 | |
| WO2018133348A1 (zh) | 一种静态安全分析计算方法、装置及计算机存储介质 | |
| Yin et al. | A high throughput acceleration for hybrid neural networks with efficient resource management on FPGA | |
| Zhang et al. | Use of parallel deterministic dynamic programming and hierarchical adaptive genetic algorithm for reservoir operation optimization | |
| CN107563512A (zh) | 一种数据处理方法、装置以及存储介质 | |
| CN110378799A (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
| CN109828744A (zh) | 一种基于fpga的可配置浮点向量乘法ip核 | |
| CN106201651A (zh) | 神经形态芯片的模拟器 | |
| CN107015852A (zh) | 一种大规模梯级水电站群多核并行优化调度方法 | |
| CN103473134A (zh) | 一种异构多核处理器的依赖任务调度方法 | |
| CN108711182A (zh) | 渲染处理方法、装置及移动终端设备 | |
| CN110135584A (zh) | 基于自适应并行遗传算法的大规模符号回归方法及系统 | |
| CN112948123B (zh) | 一种基于Spark的网格水文模型分布式计算方法 | |
| CN110119888A (zh) | 一种基于分布式电源接入的有源网格化规划方法 | |
| CN111831354B (zh) | 数据精度配置方法、装置、芯片、芯片阵列、设备及介质 | |
| Abgottspon et al. | Multi-horizon modeling in hydro power planning | |
| CN108197075A (zh) | 一种Inception结构的多核实现方法 | |
| CN104536831B (zh) | 一种基于多目标优化的多核SoC软件映射方法 | |
| CN109214726A (zh) | 多水库水量调度方法、终端、存储介质及异构计算系统 | |
| CN110110852A (zh) | 一种深度学习网络移植到fpag平台的方法 | |
| CN111090613B (zh) | 一种基于图分割的低复杂度软硬件划分与调度方法 | |
| CN106257502A (zh) | 一种用于含风电场的经济调度的数据处理方法及装置 | |
| CN108009111A (zh) | 数据流连接方法及装置 | |
| CN110648768A (zh) | 一种pom海洋模式优化方法及装置 | |
| CN104318035B (zh) | 针对海量地形大数据点云的总分式三角网多线程并行生成方法 |
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 |