CN110889634A - 基于两层多个追随者鲁棒优化的水资源全局优化配置方法 - Google Patents
基于两层多个追随者鲁棒优化的水资源全局优化配置方法 Download PDFInfo
- Publication number
- CN110889634A CN110889634A CN201911199158.5A CN201911199158A CN110889634A CN 110889634 A CN110889634 A CN 110889634A CN 201911199158 A CN201911199158 A CN 201911199158A CN 110889634 A CN110889634 A CN 110889634A
- Authority
- CN
- China
- Prior art keywords
- water
- layer
- function
- variable
- vector
- 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 116
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000010410 layer Substances 0.000 claims abstract description 64
- 239000002356 single layer Substances 0.000 claims abstract description 21
- 238000012886 linear function Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000009977 dual effect Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法包含三个阶段,第一阶段是通过应用鲁棒优化模型获得等价两层模型,第二阶段是通过Karush‑Kuhn‑Tucker方法获得等价的单层模型,最后一个阶段是通过凸化和分段线性技术将非线性目标函数转化为可以直接求解全局最优解的等价的混合整数凸优化模型;在不确定环境下,模型能够权衡多层决策者的利益关系,并求得全局最优解,使得这个解在不确定参数在一定区间变动时都是可行解,使得水资源分配方案最优。
Description
技术领域
本发明涉及水利工程技术领域,具体涉及一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法。
背景技术
现在生活中,水利部和地方水务管理局对水资源分配问题采取分级管理模式。水利部拥有水资源所有权,控制地方水务管理局的取水量,而地方水务管理局拥有水的使用权。然而,在(半)干旱地区,多个用水地区和部门之间的用水冲突仍然是水利部和水务管理局在制定水资源分配方案时需要关注且面临的挑战。其中,气候变化及水文参数的不确定性给水利部和地方水务管理局带来了很多不便。参数的不确定性,这是不容忽视的,对结果的稳健性具有较大的影响。在水资源分配过程中,水供给和水需求以及水传输过程的水损失容易受到气候变化的影响,其值会产生一定的波动。考虑到以上三种类型变量的不确定性,本项目采用区间随机数刻画,并使用鲁棒优化对参数的不确定性进行处理,得到模型的鲁棒解。由此可以建立两层多个追随者鲁棒优化方法。
显然,所建的两层多个追随者鲁棒优化方法模型很难直接求得一个全局最优解。有如下一些因素阻碍了全局最优解的获得。即,1)一些变量的不确定集表征,2)两层优化框架,3)目标函数的非线性。现有研究中应用了启发式方法来解决类似的决策问题,但结果多数只能获得局部最优解。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法解决了现有研究中应用了启发式方法来解决类似的决策问题,但结果多数只能获得局部最优解,进而造成水资源分配不均的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法,包括以下步骤:
S1、根据含有不确定集的两层优化模型,通过应用鲁棒优化模型得到等价两层模型;
S2、通过Karush-Kuhn-Tucker方法对等价两层模型进行转换,得到等价的单层模型;
S3、采用大M法对单层模型进行转化,得到单层优化模型;
S4、对单层优化模型进行凸化和分段线性处理,得到等价的混合整数凸优化模型;
S5、通过等价的混合整数凸优化模型求解不确定环境下水资源优化配置的全局最优解,实现对不确定环境下水资源的优化配置。
进一步地:步骤S1中含有不确定集的两层优化模型包括:上层用水效率的目标函数和下层收益的目标函数:
所述上层用水效率的目标函数F(x,y)的表达式为:
并满足式(2)和式(3)约束:
其中,i∈I={1,...,n},n为地区数量,I为地区数量集合,j∈Ji={1,...,m},m为用水部门数量,Ji为i地区的用水部门的集合,xi为i地区的取水量,为i地区的最低的水需求量,为i地区的最大存储量,为i地区的取水单位收益,pi,j为i地区中j部门的用水单位收益,di,j为i地区中j部门的需水量,ξi,j为需水量随机变量,其值处于区间级[-1,1],θi,j为i地区中j部门用水的损失参数,为损失随机变量,其值处于区间级[-1,1],yi,j为i地区中j部门的用水量,A为水利部门能够分配的总水量,ξA为总水量随机变量,其值处于区间级[-1,1],向量x=(x1,…,xi,…,xn),向量y=(y1,1,…,yi,j,…,yn,m);
所述下层收益的目标函数Ri(y)的表达式为:
满足如下约束:
进一步地:步骤S1中等价两层模型包括:上层用水效率的等价目标函数和下层收益的等价目标函数;
其中,ci、qi,j和为对偶变量,Γi和为地区i的鲁棒参数,为地区i中需水量d的个数,地区i中需损失参数的个数;采用鲁棒优化保守形式,处理只有一个不确定参数得到:向量c=(c1,…,ci,…,cn),向量q=(q1,1,…,qi,j,…,qn,m);向量向量
所述下层收益的等价目标函数Ri的表达式为:
进一步地:步骤S2中单层模型的表达式为:
满足约束:(8)、(3)、(13)至(15)、(29)至(39)以及(40)至(65);
λ11,i(-ci)=0,i∈I (59)
λ15,i(-c′i)=0,i∈I (63)
其中,λ1,i,λ2,i,j,λ3,i,j,λ4,i,λ5,i,j,λ6,i,λ7,i,j,λ8,i,j,λ9,i,j,λ10,i,j,λ11,i,λ12,i,j,λ13,i,λ14,i,j,λ15,i,λ16,i,j,λ17,i,为拉格朗日乘子。
进一步地:步骤S3中单层优化模型的表达式为:
满足约束(8)、(3)、(29)至(48)以及(66)至(82)
其中,t1,i,t2,i,j,t3,i,j,t4,i,t5,i,j,t6,i,t7,i,j,t8,i,j,t9,i,j,t10,i,j,t11,i,t12,i,j,t13,i,t14,i,j,t15,i,t16,i,j,t17,i,为使用大M方法时增加的辅助变量,M为常数。
进一步地:步骤S4中等价的混合整数凸优化模型的表达式为:
满足约束(8)、(3)、(29)至(48)、(66)至(82)以及(84)至(117)
h1,i,j,k∈{0,1},k∈Sy,i∈I,j∈J (87)
h2,i,k∈{0,1},k∈Sx,i∈I (92)
h3,i,k∈{0,1},k∈Sc,i∈I (101)
h5,i,k∈{0,1},k∈Scloss,i∈I (111)
利用对数函数L()将非线性非凸函数转变成分段线性函数;是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,L((∑i∈Ixi)-2)是(∑i∈Ixi)-2分段处理后的线性函数,L((∑i∈Ixi)-1)是(∑i∈Ixi)-1分段处理后的线性函数;
约束(108)-(112),断点值b5,i,e、权重d5,i,e、0-1变量h5,i,k为线性分段函数增加的变量;Rcloss为向量x断点b5,i,e中e的定义域,Scloss为定义域Rq的二进制形式;
约束(113)-(116),断点值b6,i,j,e、权重d6,i,j,e、0-1变量h6,i,j,k为线性分段函数增加的0-1变量;Rqloss为向量x断点b6,i,j,e中e的定义域,Sqloss为定义域Rq的二进制形式;
本发明的有益效果为:考虑到水利部和地方水务管理局对水资源分配问题采取分级管理模式;以及多个用水地区和部门之间的用水冲突,同时考虑到不确定环境对水资源规划结果的影响,本发明提出一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法,包含三个阶段,第一阶段是通过应用鲁棒优化模型获得等价两层模型,第二阶段是通过Karush-Kuhn-Tucker(KKT)方法获得等价的单层模型,最后一个阶段是通过凸化和分段线性技术将非线性目标函数转化为可以直接求解全局最优解的等价的混合整数凸优化模型;在不确定环境下,模型能够权衡多层决策者的利益关系,并求得全局最优解,使得这个解在不确定参数在一定区间变动时都是可行解,使得水资源分配方案最优。
附图说明
图1为一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法,包括以下步骤:
S1、根据含有不确定集的两层优化模型,通过应用鲁棒优化模型得到等价两层模型;
步骤S1中含有不确定集的两层优化模型包括:上层用水效率的目标函数和下层收益的目标函数:
所述上层用水效率的目标函数F(x,y)的表达式为:
并满足式(2)和式(3)约束:
其中,i∈I={1,...,n},n为地区数量,I为地区数量集合,j∈Ji={1,...,m},m为用水部门数量,Ji为i地区的用水部门的集合,xi为i地区的取水量,为i地区的最低的水需求量,为i地区的最大存储量,为i地区的取水单位收益,pi,j为i地区中j部门的用水单位收益,di,j为i地区中j部门的需水量,ξi,j为需水量随机变量,其值处于区间级[-1,1],θi,j为i地区中j部门用水的损失参数,为损失随机变量,其值处于区间级[-1,1],yi,j为i地区中j部门的用水量,A为水利部门能够分配的总水量,ξA为总水量随机变量,其值处于区间级[-1,1],向量x=(x1,…,xi,…,xn),向量y=(y1,1,…,yi,j,…,yn,m);
所述下层收益的目标函数Ri(y)的表达式为:
满足如下约束:
步骤S1中等价两层模型包括:上层用水效率的等价目标函数和下层收益的等价目标函数;
A、约束中只有一个鲁棒参数的情况;
B、不确定参数在目标函数中的情况;
zi为模型转化时使用的转化下层目标函数的变量;
将约束(10)转换为约束(11):
根据对偶变换将约束(11)转化为鲁棒对等式(12):
将不等式(12)中转化成约束(16):
同理,对上层用水效率的目标函数进行鲁棒对等式转化,得到目标函数(18):
并满足约束(13)至(15)。
C、多个相关联的约束式中都只有一个不确定参数的情况;
通过对偶变换,将不等式(20)转化为不等式(21)至(26):
综上,得到上层用水效率的等价目标函数的表达式为:
满足约束(8)、(3)、(13)、(14)和(15);
其中,ci、qi,j和为对偶变量,Γi和为地区i的鲁棒参数,为地区i中需水量d的个数,地区i中需损失参数的个数;采用鲁棒优化保守形式,处理只有一个不确定参数得到:向量c=(c1,…,ci,…,cn),向量q=(q1,1,…,qi,j,…,qn,m);向量向量
所述下层收益的等价目标函数Ri的表达式为:
S2、通过Karush-Kuhn-Tucker方法对等价两层模型进行转换,得到等价的单层模型;
步骤S2中单层模型的表达式为:
满足约束(8)、(3)、(13)至(15)、(29)至(39)以及(40)至(65);
λ11,i(-ci)=0,i∈I (59)
λ15,i(-c′i)=0,i∈I (63)
其中,
λ1,i,λ2,i,j,λ3,i,j,λ4,i,λ5,i,j,λ6,i,λ7,i,j,λ8,i,j,λ9,i,j,λ10,i,j,λ11,i,λ12,i,j,λ13,i,λ14,i,j,λ15,i,λ16,i,j,λ17,i,为拉格朗日乘子。
λ={λ1,i,λ2,i,j,λ3,i,j,λ4,i,λ5,i,j,λ6,i,λ7,i,j,λ8,i,j,λ9,i,j,λ10,i,j,λ11,i,λ12,i,j,λ13,i,λ14,i,j,λ15,i,λ16,i,j,λ17,i}。
采用大M法对单层模型进行转化,得到单层优化模型;
步骤S3中单层优化模型的表达式为:
满足约束(8)、(3)、(29)至(48)以及(66)至(82);
其中,t1,i,t2,i,j,t3,i,j,t4,i,t5,i,j,t6,i,t7,i,j,t8,i,j,t9,i,j,t10,i,j,t11,i,t12,i,j,t13,i,t14,i,j,t15,i,t16,i,j,t17,i,为使用大M方法时增加的辅助变量,M为常数;
S4、对单层优化模型进行凸化和分段线性处理,得到等价的混合整数凸优化模型;
步骤S4中等价的混合整数凸优化模型的表达式为:
满足约束(8)、(3)、(29)至(48)、(66)至(82)以及(84)至(117)
h1,i,j,k∈{0,1},k∈Sy,i∈I,j∈J (87)
h2,i,k∈{0,1},k∈Sx,i∈I (92)
h3,i,k∈{0,1},k∈Sc,i∈I (101)
h5,i,k∈{0,1},k∈Scloss,i∈I (111)
利用对数函数L()将非线性非凸函数转变成分段线性函数;是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,L((∑i∈Ixi)-2)是(∑i∈Ixi)-2分段处理后的线性函数,L((∑i∈Ixi)-1)是(∑i∈Ixi)-1分段处理后的线性函数;
约束(108)-(112),断点值b5,i,e、权重d5,i,e、0-1变量h5,i,k为线性分段函数增加的变量;Rcloss为向量x断点b5,i,e中e的定义域,Scloss为定义域Rq的二进制形式;
约束(113)-(116),断点值b6,i,j,e、权重d6,i,j,e、0-1变量h6,i,j,k为线性分段函数增加的0-1变量;Rqloss为向量x断点b6,i,j,e中e的定义域,Sqloss为定义域Rq的二进制形式;
S5、通过等价的混合整数凸优化模型求解不确定环境下水资源优化配置的全局最优解,实现对不确定环境下水资源的优化配置。
本发明的有益效果为:考虑到水利部和地方水务管理局对水资源分配问题采取分级管理模式;以及多个用水地区和部门之间的用水冲突,同时考虑到不确定环境对水资源规划结果的影响,本发明提出一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法,包含三个阶段,第一阶段是通过应用鲁棒优化模型获得等价两层模型,第二阶段是通过Karush-Kuhn-Tucker(KKT)方法获得等价的单层模型,最后一个阶段是通过凸化和分段线性技术将非线性目标函数转化为可以直接求解全局最优解的等价的混合整数凸优化模型;在不确定环境下,模型能够权衡多层决策者的利益关系,并求得全局最优解,使得这个解在不确定参数在一定区间变动时都是可行解,使得水资源分配方案最优。
Claims (6)
1.一种基于两层多个追随者鲁棒优化的水资源全局优化配置方法,其特征在于,包括以下步骤:
S1、根据含有不确定集的两层优化模型,通过应用鲁棒优化模型得到等价两层模型;
S2、通过Karush-Kuhn-Tucker方法对等价两层模型进行转换,得到等价的单层模型;
S3、采用大M法对单层模型进行转化,得到单层优化模型;
S4、对单层优化模型进行凸化和分段线性处理,得到等价的混合整数凸优化模型;
S5、通过等价的混合整数凸优化模型求解不确定环境下水资源优化配置的全局最优解,实现对不确定环境下水资源的优化配置。
2.根据权利要求1所述的基于两层多个追随者鲁棒优化的水资源全局优化配置方法,其特征在于,所述步骤S1中含有不确定集的两层优化模型包括:上层用水效率的目标函数和下层收益的目标函数:
所述上层用水效率的目标函数F(x,y)的表达式为:
并满足式(2)和式(3)约束:
其中,i∈I={1,...,n},n为地区数量,I为地区数量集合,j∈Ji={1,...,m},m为用水部门数量,Ji为i地区的用水部门的集合,xi为i地区的取水量,为i地区的最低的水需求量,为i地区的最大存储量,为i地区的取水单位收益,pi,j为i地区中j部门的用水单位收益,di,j为i地区中j部门的需水量,ξi,j为需水量随机变量,其值处于区间级[-1,1],θi,j为i地区中j部门用水的损失参数,为损失随机变量,其值处于区间级[-1,1],yi,j为i地区中j部门的用水量,A为水利部门能够分配的总水量,ξA为总水量随机变量,其值处于区间级[-1,1],向量x=(x1,…,xi,…,xn),向量y=(y1,,…,yi,j,…,yn,m);
所述下层收益的目标函数Ri(y)的表达式为:
满足如下约束:
3.根据权利要求2所述的基于两层多个追随者鲁棒优化的水资源全局优化配置方法,其特征在于,所述步骤S1中等价两层模型包括:上层用水效率的等价目标函数和下层收益的等价目标函数;
其中,ci、qi,j和为对偶变量,Γi和Γi loss为地区i的鲁棒参数, 为地区i中需水量d的个数,地区i中需损失参数的个数;采用鲁棒优化保守形式,处理只有一个不确定参数得到:向量c=(c1,…,ci,…,cn),向量q=(q1,,…,qi,j,…,qn,m);向量向量
所述下层收益的等价目标函数Ri的表达式为:
6.根据权利要求5所述的基于两层多个追随者鲁棒优化的水资源全局优化配置方法,其特征在于,所述步骤S4中等价的混合整数凸优化模型的表达式为:
满足约束(8)、(3)、(29)至(48)、(66)至(82)以及(84)至(117)
h1,i,j,k∈{0,1},k∈Sy,i∈I,j∈J (87)
h2,i,k∈{0,1},k∈Sx,i∈I (92)
h3,i,k∈{0,1},k∈Sc,i∈I (101)
h5,i,k∈{0,1},k∈Scloss,i∈I (111)
利用对数函数L()将非线性非凸函数转变成分段线性函数;是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,是分段处理后的线性函数,L((∑i∈Ixi)-2)是(∑i∈Ixi)-2分段处理后的线性函数,L((∑i∈Ixi)-1)是(∑i∈Ixi)-1分段处理后的线性函数;
约束(108)-(112),断点值b5,i,e、权重d5,i,e、0-1变量h5,i,k为线性分段函数增加的变量;Rcloss为向量x断点b5,i,e中e的定义域,Scloss为定义域Rq的二进制形式;
约束(113)-(116),断点值b6,i,j,e、权重d6,i,j,e、0-1变量h6,i,j,k为线性分段函数增加的0-1变量;Rqloss为向量x断点b6,i,j,e中e的定义域,Sqloss为定义域Rq的二进制形式;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199158.5A CN110889634B (zh) | 2019-11-29 | 2019-11-29 | 基于两层多个追随者鲁棒优化的水资源全局优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199158.5A CN110889634B (zh) | 2019-11-29 | 2019-11-29 | 基于两层多个追随者鲁棒优化的水资源全局优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889634A true CN110889634A (zh) | 2020-03-17 |
CN110889634B CN110889634B (zh) | 2022-06-14 |
Family
ID=69749416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911199158.5A Active CN110889634B (zh) | 2019-11-29 | 2019-11-29 | 基于两层多个追随者鲁棒优化的水资源全局优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889634B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140052409A1 (en) * | 2012-08-17 | 2014-02-20 | International Business Machines Corporation | Data-driven distributionally robust optimization |
CN106909718A (zh) * | 2017-01-23 | 2017-06-30 | 沈阳航空航天大学 | 一种在不确定性环境下的工程结构优化设计方法 |
CN109272148A (zh) * | 2018-08-24 | 2019-01-25 | 四川大学 | 煤化工园区集成水资源和排污权分配的二层决策优化方法 |
CN109472505A (zh) * | 2018-11-19 | 2019-03-15 | 四川大学 | 基于条件风险价值约束的多目标水资源均衡配置方法 |
CN110137955A (zh) * | 2019-05-21 | 2019-08-16 | 国网能源研究院有限公司 | 一种计及CVaR的鲁棒机组组合调度的决策方法 |
-
2019
- 2019-11-29 CN CN201911199158.5A patent/CN110889634B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140052409A1 (en) * | 2012-08-17 | 2014-02-20 | International Business Machines Corporation | Data-driven distributionally robust optimization |
CN106909718A (zh) * | 2017-01-23 | 2017-06-30 | 沈阳航空航天大学 | 一种在不确定性环境下的工程结构优化设计方法 |
CN109272148A (zh) * | 2018-08-24 | 2019-01-25 | 四川大学 | 煤化工园区集成水资源和排污权分配的二层决策优化方法 |
CN109472505A (zh) * | 2018-11-19 | 2019-03-15 | 四川大学 | 基于条件风险价值约束的多目标水资源均衡配置方法 |
CN110137955A (zh) * | 2019-05-21 | 2019-08-16 | 国网能源研究院有限公司 | 一种计及CVaR的鲁棒机组组合调度的决策方法 |
Non-Patent Citations (1)
Title |
---|
舒安康 等: "基于价格引导的气电联合系统双层优化模型", 《电网技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110889634B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gil et al. | Generation capacity expansion planning under hydro uncertainty using stochastic mixed integer programming and scenario reduction | |
Yurchenko | Information support for decision making on dispatching control of water distribution in irrigation | |
Afshar et al. | Optimizing multi-reservoir operation rules: an improved HBMO approach | |
Afshar | Extension of the constrained particle swarm optimization algorithm to optimal operation of multi-reservoirs system | |
Khatami et al. | Flexibility reserve in power systems: Definition and stochastic multi-fidelity optimization | |
Ngoc et al. | Optimizing the rule curves of multi-use reservoir operation using a genetic algorithm with a penalty strategy | |
DE112011105049T5 (de) | Betriebsplanvorbereitungsverfahren, Betriebsplanvorbereitungsvorrichtung und Betriebsplanvorbereitungsprogramm | |
Zhou et al. | Four‐level robust model for a virtual power plant in energy and reserve markets | |
Hatata et al. | Ant lion optimizer versus particle swarm and artificial immune system for economical and eco‐friendly power system operation | |
Kangrang et al. | Optimal Reservoir Rule Curves Considering Conditional Ant Colony Optimization with | |
CN109272148A (zh) | 煤化工园区集成水资源和排污权分配的二层决策优化方法 | |
CN112329230A (zh) | 一种多微网主体非合作博弈交易方法 | |
CN115907218A (zh) | 一种考虑碳减排情况的电力系统生产分配方法及系统 | |
Ashofteh et al. | Logical genetic programming (LGP) development for irrigation water supply hedging under climate change conditions | |
CN110889634B (zh) | 基于两层多个追随者鲁棒优化的水资源全局优化配置方法 | |
CN114611845A (zh) | 碳排放量的预测方法、装置、电子设备及介质 | |
Sriworamas et al. | Optimal reservoir of small reservoirs by optimization techniques on reservoir simulation model | |
Samuel et al. | Application of metaheuristic algorithms for solving real-world electricity demand forecasting and generation expansion planning problems | |
CN110598946A (zh) | 一种基于非支配人工蜂群的防汛物资救援分配方法 | |
Huang et al. | Applications of machine learning to resource management in cloud computing | |
CN115983733B (zh) | 基于水位控制的电力市场出清数据处理方法和装置 | |
CN112651177A (zh) | 考虑灵活性服务费用的配电网灵活型资源配置方法及系统 | |
CN104933110B (zh) | 一种基于MapReduce的数据预取方法 | |
Pourmoosavi et al. | Low‐carbon generation expansion planning considering flexibility requirements for hosting wind energy | |
Gejdoš et al. | Optimization of transport logistics for forest biomass |
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 |