CN113723790A - 基于代理模型的供水系统调度策略优化方法和存储介质 - Google Patents
基于代理模型的供水系统调度策略优化方法和存储介质 Download PDFInfo
- Publication number
- CN113723790A CN113723790A CN202110971348.5A CN202110971348A CN113723790A CN 113723790 A CN113723790 A CN 113723790A CN 202110971348 A CN202110971348 A CN 202110971348A CN 113723790 A CN113723790 A CN 113723790A
- Authority
- CN
- China
- Prior art keywords
- population
- water supply
- supply system
- fitness value
- data set
- 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 45
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000003795 chemical substances by application Substances 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 10
- 239000000243 solution Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明提供了一种基于代理模型的供水系统调度策略优化方法和存储介质,其中方法包括:采用集群并行采样方法采样,对供水系统的管网的所有节点产生对应数量的污染事件,将污染事件平均分配到Spark集群,通过EPANET计算每个污染事件的第一适应度值,并将第一适应度值保存到历史数据集,得到样本数据集,利用样本数据集构建代理模型,利用差分优化算法对供水系统调度策略进行优化,从而得到最佳调度策略。
Description
技术领域
本发明涉及水力系统调度策略优化技术领域,具体涉及一种基于代理模型的供水系统调度策略优化方法和存储介质。
背景技术
城镇供水管网覆盖范围广并且管网处于开放运行的状态,容易受到突发污染事故或人为蓄意的供水系统的攻击。在突发污染下,如何对供水管网中的水阀和消防栓优化调度,快速隔离污染源,排出受污染的水体是水务部分亟待解决的核心问题。
由于该问题本质上是一个带时间窗的0-1背包问题。针对该问题,学者较多使用线性规划方法、启发式优化算法和基于种群的随机优化算法。但是存在的问题就是,城镇供水管网规模较大时,水阀和消防栓个数增多,一方面,引发维度灾难,造成决策空间非线性急剧扩大,另一方面,由于这些方法需要结合模拟仿真软件给出每个可能解的效果,使得计算开销急剧增大,普通计算机难以承受。
发明内容
本发明解决的一个主要问题是城镇供水管网规模较大时,造成水力调度决策空间非线性急剧扩大,使得计算开销急剧增大,普通计算机难以承受的问题。
本发明提供一种基于代理模型的供水系统调度策略优化方法,包括:
采用集群并行采样方法采样,对所述供水系统的管网的所有节点产生对应数量的污染事件,将所述污染事件平均分配到Spark集群,通过EPANET计算每个所述污染事件的第一适应度值,并将所述第一适应度值保存到历史数据集,得到样本数据集;
利用所述样本数据集构建代理模型;
利用差分优化算法对所述供水系统调度策略进行优化,具体算法步骤为:
S1、在所述样本数据集中选择部分个体得到第一种群,初始化所述第一种群;
S2、对初始化后的所述第一种群进行交叉变异,生成第二种群;
S3、在个体相似度原则下,利用所述代理模型对所述第二种群中的个体进行评估,从而计算第二适应度值;
S4、根据所述第二适应度值,判断是否需要使用真实值评估,如果需要,则利用EPANET仿真软件评估出第三适应度值作为所述真实值;
S5、基于所述第三适应度值,采取精英保留策略,对所述第二种群进行选择操作,并更新选择操作后的所述第二种群,得到第三种群;
S6、根据所述第三种群,计算所述第三种群对应的第四适应度值,判断所述第四适应度值是否满足迭代停止预设条件,当满足时,则获得所述供水系统调度策略的最优候选解,当不满足时,把所述第三种群复制到所述第二种群,并在进行交叉变异步骤后,循环重复步骤S3至S6,直至使得所述第四适应度值满足迭代停止预设条件。
进一步地,根据所述第二适应度值,判断是否需要使用真实值评估还包括:
如果不需要使用真实值评估时,则直接根据所述第二适应度值,采取精英保留策略,对所述第二种群进行选择操作,并更新选择操作后的所述第二种群,得到第三种群;
根据所述第三种群,判断所述第三适应度值是否满足迭代停止预设条件,当不满足时,继续循环计算步骤,当满足时,则获得所述供水系统调度策略的最优候选解。
进一步地,所述污染事件包括污染的注入节点位置、开始时间、持续时间和质量曲线。
进一步地,所述利用所述样本数据集构建代理模型包括:
构建网络模型;
将所述历史数据集分为预设组数的数据集;
对所述数据集中的数据进行归一化处理;
利用归一化后的不同的所述数据集,采用BP算法对所述网络模型进行训练;
通过网格化搜索,在训练后的所述网络模型中确定符合需求网络模型作为所述代理模型。
进一步地,所述采用集群并行采样方法采样包括:
采样时管网模拟时间为预设时间、预设水力步长和预设水质步长。
进一步地,所述利用差分优化算法对所述供水系统调度策略进行优化还包括:
在所述差分优化算法逐渐收敛的时候,计算每一代种群内所有个体的相似度时,每次选取较小相似度的至少1个个体进行真实适应度函数评估。
根据本发明的另一个方面,还公开一种存储介质,所述存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有如前任一所述的一种基于代理模型的供水系统调度策略优化方法。
本发明通过构建合理的代理模型,替代部分模拟仿真优化,从而使得计算开销降低,减小计算时间,同时利用差分进化优化算法,快速给出阀门和消防栓的最优调度控制策略。
附图说明
本发明构成说明书的一部分附图描述了本发明的实施例,并且连同说明书一起用于解释本发明的原理。
图1为本发明实施例中基于代理模型的城镇供水系统应急调度差分进化算法流程图。
图2为本发明实施例中某城镇供水管网图结构示意图。
图3为本发明实施例中使用代理模型和不使用代理模型收敛速度和精度比较示意图。
图4为本发明实施例中污染事件比较示意图。
具体实施方式
下面将结合附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
实施例一,如图1所示,为本实施例中的基于代理模型的城镇供水系统应急调度差分进化算法的方法流程框图,方法主要分为两个部分,第一部分是模型管理部分,主要利用历史数据构建代理模型;第二部分差分进化优化部分,主要对供水系统水阀和消防栓调度控制进行优化。
第一部分:模型管理。
S1、基于EPANET模拟采样,获得样本数据集。该阶段是数据的准备阶段。由于大型供水管网节点比较多,若进行单机采样则耗时非常长,故采用集群并行采样以节约时间。本实施例中使用的EPANET模拟仿真软件在每个节点均匀采样,随机产生N组污染事件,并通过EPANET仿真软件进行模拟得到适应度值,记录到历史数据集中,从而获得样本数据集。
获得样本数据集的具体步骤为:对供水系统管网的每个节点随机产生污染事件,所有节点总共产生N组污染事件。污染事件由注入节点位置、开始时间、持续时间和质量曲线组成,总共八维数据,例如:(4331,2,4,300.1,140.5,230.0,12.0,0)表示在4331对应的节点位置从2点开始持续注入质量曲线为(300.1,140.5,230.0,12.0)的污染物。将N组污染事件平均分配到Spark集群,通过EPANET计算集群中个体的适应度值,并保存到历史数据集。
S2、利用模拟产生的数据,构建代理模型。人工神经网络常用于近似复杂的目标函数或者耗时的仿真模拟实验,具有拟合能力强、泛化能力强、训练速度快等特点,所以在本实施例中将人工神经网络作为全局代理模型,替代EPANET的仿真模拟。
构建代理模型的具体步骤为:构建网络模型;将历史数据集分为M组数据集,再对分组后的数据集进行归一化处理,然后利用不同数据集采用BP算法对构建的网络模型进行训练,通过网格化搜索选择训练好的合适的网络结构,最后保存该网络结构作为代理模型。
S3、模型管理策略。对于复杂大型供水管网的水阀消防栓优化调度控制问题,代理模型不能完全取代EPANET仿真模拟,需要制定合适的模型管理策略,将EPANET仿真模拟评估和代理模型评估结合使用,来保证调度方案的准确性及种群的收敛性。
在本实施例中,主要使用个体相似度准则。也即种群中每个个体与其他个体的欧氏距离之和,然后再取平均值,称之为个体相似度。当差分进化算法在刚开始的阶段,种群分布在不同的区域搜索,此时代理模型能够挑选出较好的个体。随着算法迭代,种群逐渐收敛到较好的区域,此时代理模型和真实函数之间的较小误差也会影响正确的搜索方向,为了减小代理模型与真实函数之间的误差,计算每一代种群内所有个体的相似度,每次选取较小相似度的M(M至少为1)个个体进行真实适应度函数评估。
第二部分:差分进化优化。
差分进化算法的主要步骤为:
S1.在样本数据集中选择部分个体得到第一种群,初始化第一种群;
S2.对初始化后的第一种群进行交叉变异,生成第二种群;
S3.在个体相似度原则下,利用前面步骤构建的代理模型对第二种群中的个体进行评估,从而计算第二适应度值;
S4.根据第二适应度值,判断是否需要使用所述污染事件的真实值评估,如果需要,则利用EPANET仿真软件评估出第三适应度值作为真实值;
S5.基于第三适应度值,采取精英保留策略,对第二种群进行选择操作,并更新选择操作后的第二种群,得到第三种群;
S6.根据第三种群,判断第三适应度值是否满足迭代停止预设条件,当不满足时,继续循环计算步骤,当满足时,则获得供水系统调度策略的最优候选解。具体地,基于第三适应度值,采取精英保留策略,对第二种群进行选择操作,并更新选择操作后的第二种群,得到第三种群;再根据第三种群,计算第三种群对应的第四适应度值,判断第四适应度值是否满足迭代停止预设条件,当满足时,则获得所述供水系统调度策略的最优候选解,当不满足时,把第三种群复制到所述第二种群,继续循环算法步骤。
实施后的效果:
实验对象如图2所示,图2为某城镇供水管网图(12523个节点、14822条管道、2个水库、2个水池、4个水泵)为了构建代理模型,需要产生模拟数值数据。采样时管网模拟时间设置为48小时、1小时水力步长和5分钟水质步长。实验场景设置4529节点为污染源位置,注入污染时间段为2点到4点。集群的配置参数如表1所示。
表1集群配置参数
实验代码运行环境设置:软件环境为MATLAB2020a;硬件环境为内存8G,CPU为Intel(R)Core(Tm)i5-7500,win10操作系统。基于代理模型的差分进化算法参数设置如表2所示:
表2算法参数设置
参数说明 | 参数大小 |
迭代次数 | 300 |
种群规模 | 100 |
缩放因子 | 0.5 |
交叉概率 | 0.3 |
差分策略 | DE/best/1 |
从图3可以看出,使用了代理模型后,算法在收敛速度和精度方面,远远高于未使用代理模型的算法。
从图4可以看出,在代理模型构建过程中,采集的数据集越多,对应的代理模型越准确,这样就会使得算法精度越高,收敛速度越快。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
Claims (7)
1.一种基于代理模型的供水系统调度策略优化方法,其特征在于,包括:
采用集群并行采样方法采样,对所述供水系统的管网的所有节点产生对应数量的污染事件,将所述污染事件平均分配到Spark集群,通过EPANET计算每个所述污染事件的第一适应度值,并将所述第一适应度值保存到历史数据集,得到样本数据集;
利用所述样本数据集构建代理模型;
利用差分优化算法对所述供水系统调度策略进行优化,具体算法步骤为:
S1、在所述样本数据集中选择部分个体得到第一种群,初始化所述第一种群;
S2、对初始化后的所述第一种群进行交叉变异,生成第二种群;
S3、在个体相似度原则下,利用所述代理模型对所述第二种群中的个体进行评估,从而计算第二适应度值;
S4、根据所述第二适应度值,判断是否需要使用真实值评估,如果需要,则利用EPANET仿真软件评估出第三适应度值作为所述真实值;
S5、基于所述第三适应度值,采取精英保留策略,对所述第二种群进行选择操作,并更新选择操作后的所述第二种群,得到第三种群;
S6、根据所述第三种群,计算所述第三种群对应的第四适应度值,判断所述第四适应度值是否满足迭代停止预设条件,当满足时,则获得所述供水系统调度策略的最优候选解,当不满足时,把所述第三种群复制到所述第二种群,进行交叉变异步骤后,循环重复步骤S3至S6,直至使得所述第四适应度值满足迭代停止预设条件。
2.如权利要求1所述的一种基于代理模型的供水系统调度策略优化方法,其特征在于,根据所述第二适应度值,判断是否需要使用真实值评估还包括:
如果判断不需要使用真实值评估,则直接进行步骤S5,以获得所述第三种群。
3.如权利要求1所述的一种基于代理模型的供水系统调度策略优化方法,其特征在于,所述污染事件包括污染的注入节点位置、开始时间、持续时间和质量曲线。
4.如权利要求1所述的一种基于代理模型的供水系统调度策略优化方法,其特征在于,所述利用所述样本数据集构建代理模型包括:
构建网络模型;
将所述历史数据集分为预设组数的数据集;
对所述数据集中的数据进行归一化处理;
利用归一化后的不同的所述数据集,采用BP算法对所述网络模型进行训练;
通过网格化搜索,在训练后的所述网络模型中确定符合需求网络模型作为所述代理模型。
5.如权利要求1所述的一种基于代理模型的供水系统调度策略优化方法,其特征在于,所述采用集群并行采样方法采样包括:
采样时管网模拟时间为预设时间、预设水力步长和预设水质步长。
6.如权利要求1所述的一种基于代理模型的供水系统调度策略优化方法,其特征在于,所述利用差分优化算法对所述供水系统调度策略进行优化还包括:
在所述差分优化算法逐渐收敛的时候,计算每一代种群内所有个体的相似度时,每次选取至少1个个体进行真实适应度函数评估。
7.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有如权利要求1-6任一所述的一种基于代理模型的供水系统调度策略优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971348.5A CN113723790B (zh) | 2021-08-23 | 基于代理模型的供水系统调度策略优化方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971348.5A CN113723790B (zh) | 2021-08-23 | 基于代理模型的供水系统调度策略优化方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723790A true CN113723790A (zh) | 2021-11-30 |
CN113723790B CN113723790B (zh) | 2024-06-07 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602004013117D1 (de) * | 2004-01-26 | 2008-05-29 | Honda Res Inst Europe Gmbh | Reduktion von Angepasstheitsbeurteilungen unter Verwendung von Gruppierungstechniken und Neuronalnetzwerkmengen |
CN107798429A (zh) * | 2017-10-26 | 2018-03-13 | 中国地质大学(武汉) | 一种基于协同昂贵优化算法定位供水管网污染源的方法 |
CN109522602A (zh) * | 2018-10-18 | 2019-03-26 | 北京航空航天大学 | 一种基于代理模型的Modelica模型参数优化方法 |
CN109740724A (zh) * | 2019-01-04 | 2019-05-10 | 西安理工大学 | 基于参考方向的代理差分演化算法 |
CN110457737A (zh) * | 2019-06-20 | 2019-11-15 | 中国地质大学(武汉) | 一种基于神经网络对水污染源快速定位的方法 |
CN110991703A (zh) * | 2019-11-14 | 2020-04-10 | 华中科技大学 | 一种基于改进的nsga-ii算法的风光水联合发电调度方法 |
CN112035116A (zh) * | 2020-08-26 | 2020-12-04 | 大连理工大学 | 多目标编译优化序列选择的代理建模方法 |
CN113011076A (zh) * | 2021-03-29 | 2021-06-22 | 西安理工大学 | 一种基于rbf代理模型的高效粒子群优化方法 |
CN113190945A (zh) * | 2021-05-13 | 2021-07-30 | 西安理工大学 | 基于在线代理模型辅助进化算法的城市排水管网优化方法 |
CN113283159A (zh) * | 2021-04-22 | 2021-08-20 | 广东工业大学 | 基于全局和局部代理辅助的粒子群算法的优化方法及应用 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602004013117D1 (de) * | 2004-01-26 | 2008-05-29 | Honda Res Inst Europe Gmbh | Reduktion von Angepasstheitsbeurteilungen unter Verwendung von Gruppierungstechniken und Neuronalnetzwerkmengen |
CN107798429A (zh) * | 2017-10-26 | 2018-03-13 | 中国地质大学(武汉) | 一种基于协同昂贵优化算法定位供水管网污染源的方法 |
CN109522602A (zh) * | 2018-10-18 | 2019-03-26 | 北京航空航天大学 | 一种基于代理模型的Modelica模型参数优化方法 |
CN109740724A (zh) * | 2019-01-04 | 2019-05-10 | 西安理工大学 | 基于参考方向的代理差分演化算法 |
CN110457737A (zh) * | 2019-06-20 | 2019-11-15 | 中国地质大学(武汉) | 一种基于神经网络对水污染源快速定位的方法 |
CN110991703A (zh) * | 2019-11-14 | 2020-04-10 | 华中科技大学 | 一种基于改进的nsga-ii算法的风光水联合发电调度方法 |
CN112035116A (zh) * | 2020-08-26 | 2020-12-04 | 大连理工大学 | 多目标编译优化序列选择的代理建模方法 |
CN113011076A (zh) * | 2021-03-29 | 2021-06-22 | 西安理工大学 | 一种基于rbf代理模型的高效粒子群优化方法 |
CN113283159A (zh) * | 2021-04-22 | 2021-08-20 | 广东工业大学 | 基于全局和局部代理辅助的粒子群算法的优化方法及应用 |
CN113190945A (zh) * | 2021-05-13 | 2021-07-30 | 西安理工大学 | 基于在线代理模型辅助进化算法的城市排水管网优化方法 |
Non-Patent Citations (2)
Title |
---|
肖建;李枚毅;蔡霞;张海;: "动态Kriging优化算法求解昂贵约束优化问题", 小型微型计算机系统, no. 07 * |
邹露等: "突发饮用水污染下的水阀和消防栓的调度研究", 郑州大学学报( 工学版), vol. 39, no. 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cordón et al. | Analysis and guidelines to obtain a good uniform fuzzy partition granularity for fuzzy rule-based systems using simulated annealing | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
Li et al. | Bayesian regularized quantile regression | |
CN109598337B (zh) | 基于分解模糊神经网络的二氧化硫浓度预测方法 | |
Montalvo et al. | A diversity-enriched variant of discrete PSO applied to the design of water distribution networks | |
CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
CN105353099B (zh) | 一种基于多种群协同算法的给水管网污染源定位方法 | |
CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
Zéphyr et al. | Approximate stochastic dynamic programming for hydroelectric production planning | |
CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
Vong et al. | Imbalanced learning for air pollution by meta-cognitive online sequential extreme learning machine | |
Xie et al. | Autoencoder-based deep belief regression network for air particulate matter concentration forecasting | |
Golabi et al. | Multiple-server facility location problem with stochastic demands along the network edges | |
Becerra et al. | Culturizing differential evolution for constrained optimization | |
CN117194918A (zh) | 基于自注意力回声状态网络的气温预测方法及系统 | |
Gasnikov et al. | About the power law of the pagerank vector component distribution. part 2. the buckley–osthus model, verification of the power law for this model, and setup of real search engines | |
CN113723790B (zh) | 基于代理模型的供水系统调度策略优化方法和存储介质 | |
CN113723790A (zh) | 基于代理模型的供水系统调度策略优化方法和存储介质 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN115907079B (zh) | 一种基于注意力时空图卷积网络的空域交通流量预测方法 | |
Maghrebi et al. | Exploring experts decisions in concrete delivery dispatching systems using Bayesian network learning techniques | |
Christyawan et al. | Optimization of fuzzy time series interval length using modified genetic algorithm for forecasting | |
Lasota et al. | A method for merging similar zones to improve intelligent models for real estate appraisal | |
Hendikawati | ANFIS Performance Evaluation for Predicting Time Series with Calendar Effects | |
Zhao et al. | RVM based on PSO for Groundwater Level Forecasting. |
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 |