CN114519446A - 一种资源规划的方法、装置及存储介质 - Google Patents

一种资源规划的方法、装置及存储介质 Download PDF

Info

Publication number
CN114519446A
CN114519446A CN202011298786.1A CN202011298786A CN114519446A CN 114519446 A CN114519446 A CN 114519446A CN 202011298786 A CN202011298786 A CN 202011298786A CN 114519446 A CN114519446 A CN 114519446A
Authority
CN
China
Prior art keywords
individuals
inferior solution
inferior
solution set
preset
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
Application number
CN202011298786.1A
Other languages
English (en)
Inventor
苏晗
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.)
Beijing Yingteliwei Environmental Technology Co ltd
Original Assignee
Beijing Yingteliwei Environmental Technology Co ltd
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 Beijing Yingteliwei Environmental Technology Co ltd filed Critical Beijing Yingteliwei Environmental Technology Co ltd
Priority to CN202011298786.1A priority Critical patent/CN114519446A/zh
Publication of CN114519446A publication Critical patent/CN114519446A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/06—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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种资源规划的方法、装置及存储介质，属于工程规划中的数据处理技术领域，所述方法包括：基于资源规划调研数据，构建决策变量的父代种群；依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集；根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集；每当满足种群重启条件时，基于所述非劣解集构建新父代种群，并基于所述新父代种群执行新非劣解集的生成和更新；当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案。采用本申请，可以提高资源规划的效率，缩短资源规划的耗时，以及降低资源规划的人工成本。

Description

一种资源规划的方法、装置及存储介质
技术领域
本申请涉及工程规划中的数据处理技术领域，尤其涉及一种资源规划的方法、装置及存储介质。
背景技术
随着社会经济的不断发展，水资源问题已在较大程度上成为实现可持续发展的一个关键因素。为了保证对水资源的科学管理和优化配置，目前普遍采用水资源管理信息系统对水资源相关信息进行获取、分析、处理和存储等，从而为水资源管理提供信息支持和决策依据。
技术人员可以预先在水资源管理信息系统中录入水资源的管理目标，如管理成本最低、环境效益最高、防洪需求达标等。同时，针对每个管理目标，技术人员还可以在水资源管理信息系统中给定对应的决策变量(如调度流量、设施选址、设备群规模、水池容积等)和决策算法。从而，水资源管理信息系统可以基于决策算法，通过调整不同决策变量的取值，以选取出满足相应管理目标的最优决策方案。
在实现本申请的过程中，发明人发现上述技术至少存在以下问题：
水资源管理信息系统选取出的最优决策方案仅能使得某个管理目标达到最优，而无法兼顾其它管理目标。然而，由于水资源管理是一种复杂多维的问题，单一管理目标的最优实现往往无法满足水资源管理的最终需求。因此，在水资源管理信息系统给出每个管理目标的最优决策方案后，技术人员需要根据水资源管理的实际需求，综合多个最优决策方案中的决策变量，人工确定出最终决策方案。这样，水资源管理的人工成本过高、耗时较长、且管理效率偏低。
发明内容
为了提高资源规划的效率，缩短资源规划的耗时，降低资源规划的人工成本，本申请实施例提供了一种资源规划的方法、装置及存储介质。所述技术方案如下：
第一方面，本申请实施例提供了一种资源规划的方法，所述方法包括：
基于资源规划调研数据，构建决策变量的父代种群；
依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集；根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集；
每当满足种群重启条件时，基于所述非劣解集构建新父代种群，并基于所述新父代种群执行新非劣解集的生成和更新；
当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案。
基于上述技术方案，可以由资源规划设备在大量的资源规划方案中，比对并推荐出至少一个更符合目标期待值的资源规划候选方案，使得技术人员可以在少量的选择中，快速高效地确定资源规划最终方案，从而可以提高资源规划的效率。
可选的，所述根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集，包括：
按照所述预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体；
每生成一个子代个体时，利用所述子代个体更新所述非劣解集。
基于上述技术方案，通过交叉计算得到子代个体，再由子代个体更新非劣解集，可以不断提高非劣解集中变量个体的多样性和期待值。
可选的，所述得到非劣解集之后，还包括：
利用预设归档幅值对所述非劣解集中的变量个体进行归档筛选，确定并保留所述非劣解集中的归档非劣解。
基于上述技术方案，在多个相近的非劣解中保留一个归档非劣解进行计算，可以大幅降低计算的复杂程度，提高了算法的计算效率。
可选的，所述利用所述子代个体更新所述非劣解集，包括：
判断所述子代个体和任一所述归档非劣解间的距离是否大于所述预设归档幅值；若是，则利用子代个体更新所述非劣解集，否则丢弃所述子代个体。
基于上述技术方案，在利用子代个体更新非劣解集前，对子代个体所带来的性能提升进行评估，当子代个体仅微弱优于已有非劣解时，不更新非劣解集，从而可以提高算法的计算效率。
可选的，所述按照预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体，包括：
确定预设交叉算子所需的父代数量n；
在所述非劣解集中随机选取一个非劣解，并从所述父代种群中选取n-1个变量个体；
基于所述预设交叉算子，对所述非劣解和所述n-1个变量个体进行交叉操作，生成一个子代个体。
基于上述技术方案，利用非劣解和其它变量个体进行交叉计算，可以提高新生成的子代个体的多样性，并可以保证子代个体在一定程度上符合期待值。
可选的，所述从所述父代种群中选取n-1个变量个体，包括：
使用锦标赛法从所述父代种群中选取n-1个变量个体；
所述利用所述子代个体更新所述非劣解集之后，还包括：
基于所述非劣解集的更新情况，调整所述锦标赛法的算法参数。
基于上述技术方案，一方面，利用锦标赛法从父代种群中选取变量个体，可以加快变量个体的选取效率，另一方面，通过反馈机制调整算法参数，可以得到更合适的算法参数。
可选的，所述方法还包括：
在每次发生种群重启后，重置所述锦标赛法的算法参数。
可选的，所述利用所述子代个体更新所述非劣解集之前，还包括：
基于预设变异算子对所述子代个体进行变异操作。
基于上述技术方案，对子代个体进行变异处理，可以提高子代个体的多样性，从而可以降低子代个体和父代个体取值基本相近的概率。
可选的，所述利用所述子代个体更新所述非劣解集，包括：
将所述子代个体与所述非劣解集中的非劣解逐个比对；
如果所述子代个体支配至少一个非劣解，则利用所述子代个体替换其支配的至少一个非劣解；
如果所述子代个体被至少一个非劣解支配，则丢弃所述子代个体；
如果所述子代个体与所有非劣解互不支配，则将所述子代个体添加至所述非劣解集中。
基于上述技术方案，仅将处于支配地位的变量个体保留在非劣解集中，既可以降低非劣解集的规模，简化整体算法流程，又可以保证非劣解集中的变量个体始终保持最优。
可选的，所述预设交叉算子存在多个，每个所述预设交叉算子对应一个选择概率；
所述按照预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体之前，还包括：
基于每个所述预设交叉算子对应的选择概率，选取一个交叉算子；
所述利用所述子代个体更新所述非劣解集之后，还包括：
若所述非劣解集发生变化，则增加所述子代个体对应的交叉算子的选择概率，否则降低所述子代个体对应的交叉算子的选择概率。
基于上述技术方案，一方面，可以通过设置的不同交叉算子，交叉生成具备不同特征的子代个体，另一方面，以子代个体的支配表现来反馈调节交叉算子的选择概率，可以使得更适合当前资源规划场景的交叉算子能够被更多的选择，从而可以持续生成最优的子代个体。
可选的，所述种群重启条件包括：
生成的子代个体数量达到指定数值；或者，
连续生成的多个子代个体均未触发非劣解集发生变化；或者，
所述非劣解集中的非劣解数量大于预设阈值。
基于上述技术方案，针对不同的业务需求可以设置不同的种群重启条件，使得整体算法更加贴合实际的资源规划场景。
可选的，所述当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案，包括：
当种群重启次数达到预设最大次数时，根据最新的非劣解集确定资源规划候选方案。
基于上述技术方案，根据经验对种群重启次数进行设定，可以使得在尽量少的种群重启次数中，尽可能得到更优的资源规划候选方案。
可选的，所述基于所述非劣解集构建新父代种群，包括：
获取所述父代种群的次优解集；
针对每个次优解，将与所述次优解的欧氏距离最小的非劣解，设置为与所述次优解相互对应；
针对每个非劣解，在所述非劣解对应的所有次优解中，将与所述非劣解的欧氏距离最大的次优解设置为所述非劣解的附属解；
基于所有非劣解和每个所述非劣解的附属解构建新父代种群。
基于上述技术方案，在种群重启的过程中同时引入次优解，可以提高构建的新父代种群的多样性和数据覆盖度。
可选的，所述基于所述非劣解集构建新父代种群，包括：
通过预设变异算子和预设交叉算子，对所述非劣解集中的变量个体进行变异和交叉处理，得到多个新非劣解；
基于所述非劣解集和所述多个新非劣解构建新父代种群。
基于上述技术方案，在种群重启过程中通过交叉变异操作得到新非劣解，再结合新非劣解构建新父代种群，可以提高新父代种群的多样性和数据覆盖度。
可选的，所述依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集，包括：
依据预设目标函数和预设约束条件，对所述父代种群中的变量个体进行非支配排序，得到非劣解集。
基于上述技术方案，在非支配排序时引入约束条件，可以在不增加算法复杂程度的情况下，实现算法对约束条件的自动处理，使得算法快速集中到可行域进行最优解的搜索，从而最终进化出满足约束条件的解集。
可选的，所述依据预设目标函数对所述父代种群中的变量个体进行非支配排序之前，还包括：
根据预设约束条件在预设目标函数中构造惩罚因子，以使变量个体远离所述预设约束条件时，所述预设目标函数的取值远离期望值。
基于上述技术方案，在目标函数中构造约束条件对应的惩罚因子，可以在不增加算法复杂程度的情况下，达到算法对约束条件的自动处理，使得算法快速集中到可行域进行最优解的搜索，从而最终进化出满足约束条件的解集。
可选的，所述基于所述非劣解集构建新父代种群，包括：
当所述预设目标函数仅存在一个时，基于所述非劣解集和所述父代种群，构建新父代种群。
基于上述技术方案，在单目标场景下中，保留父代种群中的部分变量个体，可以有效降低算法最终出现局部最优解的概率。
可选的，所述方法还包括：
当所述预设目标函数仅存在一个时，关闭种群重启机制。
基于上述技术方案，在单目标场景下中，设定不进行种群重启，可以防止种群重启过程中丢失过多的种群信息，从而可以有效降低算法最终出现局部最优解的概率。
第二方面，本申请实施例还提供了一种资源规划的装置，所述装置包括：
种群构建模块，用于基于资源规划调研数据，构建决策变量的父代种群；
支配排序模块，用于依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集；
解集更新模块，用于根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集；
种群重启模块，用于每当满足种群重启条件时，基于所述非劣解集构建新父代种群，并基于所述新父代种群执行新非劣解集的生成和更新；
结果输出模块，用于当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案。
可选的，所述解集更新模块，具体用于：
按照所述预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体；
每生成一个子代个体时，利用所述子代个体更新所述非劣解集。
可选的，所述解集更新模块，还用于：
利用预设归档幅值对所述非劣解集中的变量个体进行归档筛选，确定并保留所述非劣解集中的归档非劣解。
可选的，所述解集更新模块，具体用于：
判断所述子代个体和任一所述归档非劣解间的距离是否大于所述预设归档幅值；若是，则利用子代个体更新所述非劣解集，否则丢弃所述子代个体。
可选的，所述解集更新模块，具体用于：
确定预设交叉算子所需的父代数量n；
在所述非劣解集中随机选取一个非劣解，并从所述父代种群中选取n-1个变量个体；
基于所述预设交叉算子，对所述非劣解和所述n-1个变量个体进行交叉操作，生成一个子代个体。
可选的，所述解集更新模块，具体用于：
使用锦标赛法从所述父代种群中选取n-1个变量个体；
基于所述非劣解集的更新情况，调整所述锦标赛法的算法参数。
可选的，所述种群重启模块，还用于：
在每次发生种群重启后，重置所述锦标赛法的算法参数。
可选的，所述解集更新模块，还用于：
基于预设变异算子对所述子代个体进行变异操作。
可选的，所述解集更新模块，具体用于：
将所述子代个体与所述非劣解集中的非劣解逐个比对；
如果所述子代个体支配至少一个非劣解，则利用所述子代个体替换其支配的至少一个非劣解；
如果所述子代个体被至少一个非劣解支配，则丢弃所述子代个体；
如果所述子代个体与所有非劣解互不支配，则将所述子代个体添加至所述非劣解集中。
可选的，所述预设交叉算子存在多个，每个所述预设交叉算子对应一个选择概率；
所述解集更新模块，还用于：
基于每个所述预设交叉算子对应的选择概率，选取一个交叉算子；
若所述非劣解集发生变化，则增加所述子代个体对应的交叉算子的选择概率，否则降低所述子代个体对应的交叉算子的选择概率。
可选的，所述预设种群重启条件包括：
生成的子代个体数量达到指定数值；或者，
连续生成的多个子代个体均未触发非劣解集发生变化；或者，
所述非劣解集中的非劣解数量大于预设阈值。
可选的，所述结果输出模块，具体用于：
当种群重启次数达到预设最大次数时，根据最新的非劣解集确定资源规划候选方案。
可选的，所述种群重启模块，具体用于：
获取所述父代种群的次优解集；
针对每个次优解，将与所述次优解的欧氏距离最小的非劣解，设置为与所述次优解相互对应；
针对每个非劣解，在所述非劣解对应的所有次优解中，将与所述非劣解的欧氏距离最大的次优解设置为所述非劣解的附属解；
基于所有非劣解和每个所述非劣解的附属解构建新父代种群。
可选的，所述种群重启模块，具体用于：
通过预设变异算子和预设交叉算子，对所述非劣解集中的变量个体进行变异和交叉处理，得到多个新非劣解；
基于所述非劣解集和所述多个新非劣解构建新父代种群。
可选的，所述支配排序模块，具体用于：
依据预设目标函数和预设约束条件，对所述父代种群中的变量个体进行非支配排序，得到非劣解集。
可选的，所述支配排序模块，还用于：
根据预设约束条件在预设目标函数中构造惩罚因子，以使变量个体远离所述预设约束条件时，所述预设目标函数的取值远离期望值。
可选的，所述种群重启模块，具体用于：
当所述预设目标函数仅存在一个时，基于所述非劣解集和所述父代种群，构建新父代种群。
可选的，所述种群重启模块，还用于：
当所述预设目标函数仅存在一个时，关闭种群重启机制。
第三方面，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、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的资源规划的方法。
综上所述，本申请具有以下有益效果：
采用本申请公开的资源规划方法，资源规划设备构建决策变量的父代种群，并以目标函数为标准对决策变量非支配排序，之后通过交叉变异等操作不断更新非劣解集，再循环执行种群重启，非支配排序，非劣解集更新的一系列操作。这样，通过上述算法流程，可以由资源规划设备在大量的资源规划方案中，比对并推荐出至少一个更符合目标期待值的资源规划候选方案，使得技术人员可以在少量的选择中，快速高效地确定资源规划最终方案，从而可以提高资源规划的效率。
附图说明
图1为本申请其中一个实施例的资源规划的方法流程图；
图2为本申请其中一个实施例的子代个体的生成示意图；
图3为本申请其中一个实施例的资源规划算法的整体流程示意图；
图4为本申请其中一个实施例的资源规划装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-4 及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供了一种资源规划的方法，该方法可以应用于资源规划设备，资源规划设备具体可以是配置有水资源管理信息系统的、应用于水资源规划、水污染控制等环境规划或水环境工程设计领域的网络设备。资源规划设备可以用于在给定的多个资源规划目标的基础上，综合考量多维度的决策变量对资源规划目标的影响，以在给定的决策范围内，筛选出至少一种可行的资源规划候选方案。此处，资源规划目标可以是在进行资源规划时期望达到的目标，如可以是规划成本最低、环境影响最小、总耗时最短等；决策变量可以是资源规划中具体的决策参数组，每个决策变量可以由一组多维度的决策参数构成，决策参数可以是规划地点、工程规模大小、设施采购方案、资源分配方案等，不同决策变量包含的决策参数所对应的维度相同，且存在至少一个维度上决策参数的取值不同。当然，根据实际业务场景的需要，上述资源规划设备的功能可以由多台网络设备组件的设备集群完成。
下面将结合具体实施方式，对图1所示的处理流程进行详细的说明，内容可以如下：
101，基于资源规划调研数据，构建决策变量的父代种群。
在实施中，在进行资源规划时，技术人员可以通过实地调研，获取进行资源规划对应的实际场景和需求，从而可以确定初步的资源规划调研数据。该资源规划调研数据可以是前述的决策范围，即每个维度下决策参数的可选取值范围，例如水池容积为“1000m3-1500m3”、水量调度速率为“50L/min-70L/min”、设备采购厂家包括“厂家A、厂家B和厂家C”。之后，资源规划设备可以基于资源规划调研数据，构建包含一定数量的决策变量的父代种群，其中每个决策变量中任一维度决策参数的取值均满足上述资源规划调研数据。
102，依据预设目标函数对父代种群中的变量个体进行非支配排序，得到非劣解集。
在实施中，资源规划设备中可以设置有多个资源规划目标，而针对每个资源规划目标可以存在对应的目标函数fi(x)，其中，变量个体x＝ {x1，x2，x3，…，xn}T，xn为各维度的决策参数。对于父代种群中的变量个体xa和xb，若对于任意目标函数fi(x)，都满足fi(xa)不劣于fi(xb)，且存在一个目标函数fj(x)，使得fj(xa)优于fj(xb)，则可以称为变量个体xa支配变量个体xb。基于此规则，资源规划设备可以对父代种群中的变量个体进行非支配排序，即确定每个变量个体与其它变量个体间的支配关系，并可以进一步将未被任何其它变量个体支配的变量个体选取为非劣解，从而可以得到非劣解集。
103，根据预设交叉算子和父代种群中的变量个体，更新非劣解集。
在实施中，资源规划设备可以预先设置有用于执行变量交叉处理的交叉算子(后续称为预设交叉算子)，通过预设交叉算子可以产生新的变量个体。这样，资源规划设备可以根据预设交叉算子对父代种群中的变量个体进行交叉操作，从而可以进一步利用交叉生成的新变量个体对步骤102中得到的非劣解集进行更新。
104，每当满足种群重启条件时，基于非劣解集构建新父代种群，并基于新父代种群执行新非劣解集的生成和更新。
其中，种群重启条件可以是技术人员预先设置在资源规划设备中，用于触发种群重启的条件。
在实施中，在对非劣解集进行更新的过程中，每当检测发现达到种群重启条件时，资源规划设备可以开始种群重启处理，即以最新的非劣解集为基础构建新父代种群，并参照步骤102、103，依据预设目标函数对新父代种群中的变量个体进行非支配排序，以生成新非劣解集，再根据预设交叉算子和新父代种群中的变量个体，对新非劣解集进行更新。同理，在新非劣解集的更新过程中，资源规划设备同样可以检测是否再次满足种群重启条件，如果是，则再次触发种群重启处理，并循环执行后续步骤。值得一提的是，新父代种群的规模(即包含的变量个体的数量)可以是非劣解集规模的指定倍数，并且新父代种群中的变量个体可以包含非劣解集中的所有非劣解，以及由非劣解衍生得到的变量个体。而父代种群的规模则可以由技术人员自行设定。
105，当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案。
其中，算法终止条件可以是技术人员预先设置在资源规划设备中，用于终止整个算法流程的条件。
在实施中，在执行非劣解集更新和种群重启的循环过程中，如果检测到满足了预设的算法终止条件时，资源规划设备可以停止步骤102-104的处理，并以最新的非劣解集中的变量个体作为标准，确定资源规划候选方案，即每个变量个体均可以对应设置一个资源规划候选方案。
对于步骤103，具体可以由父代个体交叉生成子代个体，并利用子代个体更新非劣解集，相应的处理可以如下：按照预设交叉算子，对非劣解集中的变量个体和父代种群中的其它变量个体进行交叉计算，逐个生成子代个体；每生成一个子代个体时，利用子代个体更新非劣解集。
在实施中，资源规划设备可以将父代种群中的变量个体分为非劣解集中的变量个体和其它变量个体，再按照预设交叉算子规定的计算方式，对非劣解集中的变量个体和其它变量个体进行交叉计算，从而可以生成子代个体。这样，资源规划设备每通过交叉计算生成一个子代个体时，可以利用该新生成的子代个体对非劣解集进行一次更新处理。
具体的，上述交叉生成子代个体的处理可以包括如下处理：确定预设交叉算子所需的父代数量n；在非劣解集中随机选取一个非劣解，并从父代种群中选取n-1个变量个体；基于预设交叉算子，对非劣解和n-1个变量个体进行交叉操作，生成一个子代个体。
在实施中，在每次生成一个子代个体的过程中，可以先确定预设交叉算子所需的父代数量n，然后从非劣解集中随机选取一个非劣解，并同时按照预设选择函数从父代种群的所有变量个体中选取n-1个变量个体。当然，也可以从除非劣解集之外的其它变量个体中选取n-1个变量个体。继而，可以利用预设交叉算子，对上述选取的一个非劣解和n-1个变量个体进行交叉操作，以生成一个子代个体。
可选的，可以利用锦标赛法选取n-1个变量个体，并在更新非劣解集之后，可以基于非劣解集的更新情况，调整锦标赛法的算法参数。
在实施中，锦标赛法是一种用于选择操作的方法，假设种群包含为m个变量个体，先从m个变量个体中随机选择k(k<n)个变量个体，再从这k个变量个体中选择最符合期望的一个变量个体。需要说明的是，本申请实施例中的“期望”或“期望值”可以理解为“资源规划时所希望达到的数值”，而非指概率论和统计学中的“数学期望”。这样，一方面，可以基于上述锦标赛法，完成n-1 个变量个体的选取处理；另一方面，可以在利用子代个体更新非劣解集后，判断非劣解集是否发生变化，如果发生变化，则可以调整锦标赛法的算法参数，即增大“k”的取值，否则减小“k”的取值。
此外，可以在每次发生种群重启后，重置锦标赛法的算法参数，即将上述“k”的取值调整为初始值。
可选的，资源规划设备可以在每生成一个子代个体后，基于预设变异算子对子代个体进行变异操作，从而改变子代个体中的决策参数。
为了便于理解，图2示出了一个子代个体的生成过程示意图，其可以主要包含非支配排序、父代选取、交叉操作和变异操作等处理。
进一步的，可以在所有目标函数取值均相近的多个非劣解中仅保留一个非劣解，相应的，可以存在如下处理：利用预设归档幅值对非劣解集中的变量个体进行归档筛选，确定并保留非劣解集中的归档非劣解。
在实施中，可以根据目标函数的个数构建多维向量空间，每一维度对应一个目标函数，每个变量个体对应多维向量空间中的一个向量。之后，可以利用预设归档幅值对非劣解集中的变量个体进行归档筛选，即先利用预设归档幅值ε将多维向量空间划分为大量连续的边长为ε的空间单元，再将非劣解集中的每个变量个体归档至对应的空间单元中。接下来，对于同一空间单元中的多个变量个体，可以将距离空间单元的中心点最近的非劣解确定为归档非劣解，然后保留每个空间单元中的归档非劣解，并删除每个空间单元中除归档非劣解外的其它非劣解。需要说明的是，空间单元的中心点不等同于空间单元的物理中心点，该中心点可以是根据各维度上目标函数的期望值所确定的，也就是说，相比于空间单元中的其它点，中心点对应的各目标函数取值可以更符合期望。
可选的，基于上述仅保留归档非劣解的处理，利用子代个体更新非劣解集的处理可以相应如下：判断子代个体和任一归档非劣解间的距离是否大于预设归档幅值；若是，则利用子代个体更新非劣解集，否则丢弃子代个体。
在实施中，在利用预设归档幅值确定归档非劣解后，每当生成一个子代个体时，可以先计算子代个体与每个归档非劣解间的距离。此处，距离的计算可以按维度进行，即指代各个维度上两者的差值。当子代个体和任一归档非劣解间的距离大于预设归档幅值时，可以利用子代个体更新非劣解集，否则可以直接丢弃该子代个体。这样，可以仅保留性能提升超过预设归档幅值的子代个体，有效降低了非劣解集的更新频率，从而可以提高整体算法的计算效率。
可选的，可以通过支配关系确定非劣解集的实际更新与否，相应的处理可以如下：将子代个体与非劣解集中的非劣解逐个比对；如果子代个体支配至少一个非劣解，则利用子代个体替换其支配的至少一个非劣解；如果子代个体被至少一个非劣解支配，则丢弃子代个体；如果子代个体与所有非劣解互不支配，则将子代个体添加至非劣解集中。
在实施中，资源规划设备每生成一个子代个体后，可以将子代个体与非劣解集中的非劣解逐一进行比对，以确定双方的支配关系。如果子代个体支配非劣解集中的至少一个非劣解，则可以利用子代个体替换掉其支配的所有非劣解。如果子代个体被非劣解集中的至少一个非劣解支配，则可以直接丢弃掉子代个体，非劣解集保持不变。如果子代个体与非劣解集中的所有非劣解间均互不支配，则可以将子代个体直接添加至非劣解集中。
在另一实施例中，预设交叉算子可以存在多个，每个预设交叉算子对应一个选择概率，因此在步骤103前可以存在如下处理：基于每个预设交叉算子对应的选择概率，选取一个交叉算子；在步骤103后存在如下处理：若非劣解集发生变化，则增加子代个体对应的交叉算子的选择概率，否则降低子代个体对应的交叉算子的选择概率。
在实施中，资源规划设备中可以预先设置有多个交叉算子，如可以包括 SBX(Simulation Binary Crossover)算子、DE(Differential Evolution)算子、PCX (Parent-Centric Crossover)算子、UNDX(Unimodal Normal Distribution Crossover) 算子、SPX(Simplex Crossover)算子以及UM(Uniform Mutation)算子等。每个预设交叉算子可以对应一个选择概率，该选择概率用于体现在所有预设交叉算子中进行随机选择时，相应的交叉算子可以被选择到的概率，在算法开始时，每个交叉算子对应的选择概率相等。这样，在生成子代个体之前，可以先根据每个预设交叉算子对应的选择概率，选取本次所使用的一个预设交叉算子。
进一步的，在利用子代个体更新非劣解集之后，还可以根据非劣解集的变化情况，反馈调节预设交叉算子的选择概率。详细而言，在执行了更新处理后，如果非劣解集发生了变化，则代表本次使用的交叉算子大概率能够得到高性能的子代个体，故而可以增加本次交叉算子的选择概率；如果非劣解未发生变化，则代表本次使用的交叉算子大概率无法得到高性能的子代个体，故而可以降低本次交叉算子的选择概率。
对于步骤104，种群重启条件可以由技术人员根据具体需要进行设定，如下给出了几种可行的方案：
其一：生成的子代个体数量达到指定数值。
在实施中，资源规划设备可以在通过交叉操作生成子代个体的同时，记录已生成的子代个体的数量。当子代个体数量达到指定数值时，可以触发种群重启机制，并在种群重启时清零已生成的子代个体数量。
其二，连续生成的多个子代个体均未触发非劣解集发生变化。
在实施中，资源规划设备可以在利用交叉生成的子代个体更新非劣解集后，记录非劣解集的变化情况。当非劣解集未发生变化时，可以开始计数，如果下一子代个体再次未触发非劣解集发生变化，则计数加1。当出现子代个体触发了非劣解集发生变化，上述计数清零。这样，当计数达到预设数值时，则表明连续生成的多个子代个体均未触发非劣解集发生变化，从而可以执行种群重启，并同时清零上述计数。
其三，非劣解集中的非劣解数量大于预设阈值。
在实施中，在利用子代个体更新非劣解集的同时，可以实时监控非劣解集中的非劣解数量。当非劣解数量大于预设阈值时，即可以触发种群重启，并可以设定重启后的种群规模为非劣解集规模的指定倍数。
对于步骤105，可以设定种群重启一定次数后终止算法流程，相应的处理可以如下：当种群重启次数达到预设最大次数时，根据最新的非劣解集确定资源规划候选方案。
在实施中，在算法的执行过程中，种群可以重启多次，资源规划设备中可以设置有相应的种群重启的最大次数。这样，当种群重启次数达到该预设最大次数时，即可以终止算法流程，并根据最新的非劣解集确定资源规划候选方案。举例而言，若设定最大次数为10次，则可以在第10次种群重启开始时，取消该次种群重启，并保留该次种群重启前的非劣解集作为最新的非劣解集。
对于步骤104，在种群重启时可以同时保留部分非最优个体，相应的处理可以如下：获取父代种群的次优解集；针对每个次优解，将与次优解的欧氏距离最小的非劣解，设置为与次优解相互对应；针对每个非劣解，在非劣解对应的所有次优解中，将与非劣解的欧氏距离最大的次优解设置为非劣解的附属解；基于所有非劣解和每个非劣解的附属解构建新父代种群。
在实施中，资源规划设备在进行种群重启时，可以先获取本次重启前的父代种群的次优解集。此处，参考步骤102中的支配排序，在得到了父代种群的非劣解集后，可以从父代种群中去除所有非劣解，然后在剩余的所有变量个体中再次进行非支配排序，将剩余变量个体中未被任何其它变量个体支配的变量个体选取为次优解，从而可以得到次优解集。接下来，针对每个次优解，可以计算每个非劣解与该次优解的欧氏距离，并选取欧氏距离最小的非劣解与该次优解配对，从而每个非劣解可能存在零个、一个或多个与其对应的次优解。之后，对于每个非劣解，可以在其对应的所有次优解中，确定出与该非劣解的欧式距离最大的一个次优解，并将该次优解设置为该非劣解的附属解。这样，在种群重启的过程中，可以基于所有非劣解和每个非劣解的附属解构建新父代种群。
对于步骤104，在构建新父代种群时可以同时对非劣解进行交叉和变异操作，相应的处理可以如下：通过预设变异算子和预设交叉算子，对非劣解集中的变量个体进行变异和交叉处理，得到多个新非劣解；基于非劣解集和多个新非劣解构建新父代种群。
在实施中，在基于非劣解集构建新父代种群时，可以在复制非劣解集的同时，通过交叉操作和变异操作生成新的变量个体。具体而言，资源规划设备中可以预设有用于种群重启的变异算子和交叉算子，在种群重启时，即可通过上述预设变异算子和预设交叉算子，对非劣解集中的变量个体进行变异和交叉处理，以得到多个新非劣解，之后则可以基于非劣解集和得到的多个新非劣解构建新父代种群。其中，为了提高种群的多样性，可以选用如AMS算子的交叉算子来辅助进行交叉操作。
对于步骤102，可以在进行非支配排序时引入约束条件，相应的处理可以如下：依据预设目标函数和预设约束条件，对父代种群中的变量个体进行非支配排序，得到非劣解集。
在实施中，资源规划设备在每项资源规划业务中可以设置有至少一个约束条件，约束条件可以针对单个或多个决策参数的取值，也可以针对单个或多个目标函数的取值，例如，约束条件可以是水量调度速率大于60L/min，和/或总成本小于1000万元。这样，在进行非支配排序时，可以依据预设目标函数和预设约束条件，对父代种群中的变量个体进行非支配排序，以得到非劣解集。具体来说，对于任意两个变量个体：如果两个变量个体都满足所有约束条件，那么两个变量个体之间的支配顺序可以通过非支配排序决定，即比较两个变量个体在各维度目标函数上的取值；如果两个变量个体均未满足所有约束条件，那么可以设定对约束条件满足程度更高的变量个体支配另一个变量个体，而无需比较任一目标函数的取值，例如，存在10个约束条件，变量个体A满足8个约束条件，变量个体B满足5个约束条件，则可以认为变量个体A支配变量个体B，又例如，约束条件为总成本小于1000万元，变量个体A的总成本为1100万元，变量个体B的总成本为1200万元，则可以认为变量个体A对约束条件的满足程度更高；如果一个变量个体满足所有约束条件而另一个变量个体未满足所有约束条件，那么可以判定满足约束条件的变量个体支配另一个变量个体。
可选的，可以在非支配排序时引入约束条件，相应的，步骤102之前可以存在如下处理：根据预设约束条件在预设目标函数中构造惩罚因子，以使变量个体远离预设约束条件时，预设目标函数的取值远离期望值。
在实施中，资源规划设备在每项资源规划业务中可以设置有至少一个约束条件，约束条件可以针对单个或多个决策参数的取值，也可以针对单个或多个目标函数的取值，例如，约束条件可以是水量调度速率大于60L/min，和/或总成本小于1000万元。这样，在进行非支配排序前，可以将约束条件转化成目标函数的一部分，即将对约束条件的违反程度加入到目标函数中，当变量个体远离预设约束条件时，预设目标函数的取值同步远离期望值，使得变量个体在计算过程中被淘汰的可能性变大。具体可以基于预设约束条件在预设目标函数中构造惩罚因子，举例而言，当预设约束条件为水量调度速率大于60L/min，预设目标函数 fi(x)的取值越小越符合期望，则可以构造惩罚因子δ(δ＜0)，，从而可以得到新目标函数
Figure RE-GDA0002910615180000171
其中，xa为水量调度速率。
对于步骤104，针对单目标问题，为了防止种群信息因重启而被过多丢弃，可以采用如下方式构建新父代种群：当预设目标函数仅存在一个时，基于非劣解集和父代种群，构建新父代种群。
在实施中，当预设目标函数仅存在一个时，资源规划设备可以在种群重启的过程中，同时获取最新的非劣解集和该非劣解集对应的父代种群，再合并两者包含的全部变量个体。之后，资源规划设备可以在合并得到的所有变量个体中，按照预设目标函数的取值，从最符合期望的变量个体开始，选取N个变量个体，以构建新父代种群。其中，N为构建新父代种群所需变量个体的数量。不难理解，为了防止种群重启过程中丢弃过多的当前种群信息，因此还可以设定当预设目标函数仅存在一个时，不触发种群重启机制，以避免种群重启所带来的问题。
参考图3所示的整体算法流程图，其中主要示出了种群重启循环和生成子代个体的相关步骤，具体细节可以详见本实施例中文字说明内容。
采用本申请公开的资源规划方法，资源规划设备构建决策变量的父代种群，并以目标函数为标准对决策变量非支配排序，之后通过交叉变异等操作不断更新非劣解集，再循环执行种群重启，非支配排序，非劣解集更新的一系列操作。这样，通过上述算法流程，可以由资源规划设备在大量的资源规划方案中，比对并推荐出至少一个较为符合目标期待值的资源规划候选方案，使得技术人员可以在少量的选择中，快速高效地确定资源规划最终方案，从而可以提高资源规划的效率。
基于相同的技术构思，本申请实施例还提供了一种资源规划的装置，如图4所示，所述装置包括：
种群构建模块401，用于基于资源规划调研数据，构建决策变量的父代种群；支配排序模块402，用于依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集；
解集更新模块403，用于根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集；
种群重启模块404，用于每当满足种群重启条件时，基于所述非劣解集构建新父代种群，并基于所述新父代种群执行新非劣解集的生成和更新；
结果输出模块405，用于当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案。
可选的，所述解集更新模块403，具体用于：
按照所述预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体；
每生成一个子代个体时，利用所述子代个体更新所述非劣解集。
可选的，所述解集更新模块403，还用于：
利用预设归档幅值对所述非劣解集中的变量个体进行归档筛选，确定并保留所述非劣解集中的归档非劣解。
可选的，所述解集更新模块403，具体用于：
判断所述子代个体和任一所述归档非劣解间的距离是否大于所述预设归档幅值；若是，则利用子代个体更新所述非劣解集，否则丢弃所述子代个体。
可选的，所述解集更新模块403，具体用于：
确定预设交叉算子所需的父代数量n；
在所述非劣解集中随机选取一个非劣解，并从所述父代种群中选取n-1个变量个体；
基于所述预设交叉算子，对所述非劣解和所述n-1个变量个体进行交叉操作，生成一个子代个体。
可选的，所述解集更新模块403，具体用于：
使用锦标赛法从所述父代种群中选取n-1个变量个体；
基于所述非劣解集的更新情况，调整所述锦标赛法的算法参数。
可选的，所述种群重启模块404，还用于：
在每次发生种群重启后，重置所述锦标赛法的算法参数。
可选的，所述解集更新模块403，还用于：
基于预设变异算子对所述子代个体进行变异操作。
可选的，所述解集更新模块403，具体用于：
将所述子代个体与所述非劣解集中的非劣解逐个比对；
如果所述子代个体支配至少一个非劣解，则利用所述子代个体替换其支配的至少一个非劣解；
如果所述子代个体被至少一个非劣解支配，则丢弃所述子代个体；
如果所述子代个体与所有非劣解互不支配，则将所述子代个体添加至所述非劣解集中。
可选的，所述预设交叉算子存在多个，每个所述预设交叉算子对应一个选择概率；
所述解集更新模块403，还用于：
基于每个所述预设交叉算子对应的选择概率，选取一个交叉算子；
若所述非劣解集发生变化，则增加所述子代个体对应的交叉算子的选择概率，否则降低所述子代个体对应的交叉算子的选择概率。
可选的，所述预设种群重启条件包括：
生成的子代个体数量达到指定数值；或者，
连续生成的多个子代个体均未触发非劣解集发生变化；或者，
所述非劣解集中的非劣解数量大于预设阈值。
可选的，所述结果输出模块405，具体用于：
当种群重启次数达到预设最大次数时，根据最新的非劣解集确定资源规划候选方案。
可选的，所述种群重启模块404，具体用于：
获取所述父代种群的次优解集；
针对每个次优解，将与所述次优解的欧氏距离最小的非劣解，设置为与所述次优解相互对应；
针对每个非劣解，在所述非劣解对应的所有次优解中，将与所述非劣解的欧氏距离最大的次优解设置为所述非劣解的附属解；
基于所有非劣解和每个所述非劣解的附属解构建新父代种群。
可选的，所述种群重启模块404，具体用于：
通过预设变异算子和预设交叉算子，对所述非劣解集中的变量个体进行变异和交叉处理，得到多个新非劣解；
基于所述非劣解集和所述多个新非劣解构建新父代种群。
可选的，所述支配排序模块402，具体用于：
依据预设目标函数和预设约束条件，对所述父代种群中的变量个体进行非支配排序，得到非劣解集。
可选的，所述支配排序模块402，还用于：
根据预设约束条件在预设目标函数中构造惩罚因子，以使变量个体远离所述预设约束条件时，所述预设目标函数的取值远离期望值。
可选的，所述种群重启模块404，具体用于：
当所述预设目标函数仅存在一个时，基于所述非劣解集和所述父代种群，构建新父代种群。
可选的，所述种群重启模块404，还用于：
当所述预设目标函数仅存在一个时，关闭种群重启机制。
本申请实施例还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、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如步骤101至步骤 105所述的资源规划的方法。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其它等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (20)

1.一种资源规划的方法，其特征在于，所述方法包括：
基于资源规划调研数据，构建决策变量的父代种群；
依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集；
根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集；
每当满足种群重启条件时，基于所述非劣解集构建新父代种群，并基于所述新父代种群执行新非劣解集的生成和更新；
当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案。
2.根据权利要求1所述的方法，其特征在于，所述根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集，包括：
按照预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体；
每生成一个子代个体时，利用所述子代个体更新所述非劣解集。
3.根据权利要求2所述的方法，其特征在于，所述得到非劣解集之后，还包括：
利用预设归档幅值对所述非劣解集中的变量个体进行归档筛选，确定并保留所述非劣解集中的归档非劣解。
4.根据权利要求3所述的方法，其特征在于，所述利用所述子代个体更新所述非劣解集，包括：
判断所述子代个体和任一所述归档非劣解间的距离是否大于所述预设归档幅值；
若是，则利用子代个体更新所述非劣解集，否则丢弃所述子代个体。
5.根据权利要求2所述的方法，其特征在于，所述按照预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体，包括：
确定预设交叉算子所需的父代数量n；
在所述非劣解集中随机选取一个非劣解，并从所述父代种群中选取n-1个变量个体；
基于所述预设交叉算子，对所述非劣解和所述n-1个变量个体进行交叉操作，生成一个子代个体。
6.根据权利要求5所述的方法，其特征在于，所述从所述父代种群中选取n-1个变量个体，包括：
使用锦标赛法从所述父代种群中选取n-1个变量个体；
所述利用所述子代个体更新所述非劣解集之后，还包括：
基于所述非劣解集的更新情况，调整所述锦标赛法的算法参数。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在每次发生种群重启后，重置所述锦标赛法的算法参数。
8.根据权利要求2所述的方法，其特征在于，所述利用所述子代个体更新所述非劣解集之前，还包括：
基于预设变异算子对所述子代个体进行变异操作。
9.根据权利要求2所述的方法，其特征在于，所述利用所述子代个体更新所述非劣解集，包括：
将所述子代个体与所述非劣解集中的非劣解逐个比对；
如果所述子代个体支配至少一个非劣解，则利用所述子代个体替换其支配的至少一个非劣解；
如果所述子代个体被至少一个非劣解支配，则丢弃所述子代个体；
如果所述子代个体与所有非劣解互不支配，则将所述子代个体添加至所述非劣解集中。
10.根据权利要求2所述的方法，其特征在于，所述预设交叉算子存在多个，每个所述预设交叉算子对应一个选择概率；
所述按照预设交叉算子，对所述非劣解集中的变量个体和所述父代种群中的其它变量个体进行交叉计算，逐个生成子代个体之前，还包括：
基于每个所述预设交叉算子对应的选择概率，选取一个交叉算子；
所述利用所述子代个体更新所述非劣解集之后，还包括：
若所述非劣解集发生变化，则增加所述子代个体对应的交叉算子的选择概率，否则降低所述子代个体对应的交叉算子的选择概率。
11.根据权利要求2所述的方法，其特征在于，所述种群重启条件包括：
生成的子代个体数量达到指定数值；或者，
连续生成的多个子代个体均未触发非劣解集发生变化；或者，
所述非劣解集中的非劣解数量大于预设阈值。
12.根据权利要求1所述的方法，其特征在于，所述当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案，包括：
当种群重启次数达到预设最大次数时，根据最新的非劣解集确定资源规划候选方案。
13.根据权利要求1所述的方法，其特征在于，所述基于所述非劣解集构建新父代种群，包括：
获取所述父代种群的次优解集；
针对每个次优解，将与所述次优解的欧氏距离最小的非劣解，设置为与所述次优解相互对应；
针对每个非劣解，在所述非劣解对应的所有次优解中，将与所述非劣解的欧氏距离最大的次优解设置为所述非劣解的附属解；
基于所有非劣解和每个所述非劣解的附属解构建新父代种群。
14.根据权利要求1所述的方法，其特征在于，所述基于所述非劣解集构建新父代种群，包括：
通过预设变异算子和预设交叉算子，对所述非劣解集中的变量个体进行变异和交叉处理，得到多个新非劣解；
基于所述非劣解集和所述多个新非劣解构建新父代种群。
15.根据权利要求1所述的方法，其特征在于，所述依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集，包括：
依据预设目标函数和预设约束条件，对所述父代种群中的变量个体进行非支配排序，得到非劣解集。
16.根据权利要求1所述的方法，其特征在于，所述依据预设目标函数对所述父代种群中的变量个体进行非支配排序之前，还包括：
根据预设约束条件在所述预设目标函数中构造惩罚因子，以使变量个体取值远离所述预设约束条件时，所述预设目标函数的取值远离期望值。
17.根据权利要求1所述的方法，其特征在于，所述基于所述非劣解集构建新父代种群，包括：
当所述预设目标函数仅存在一个时，基于所述非劣解集和所述父代种群，构建新父代种群。
18.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述预设目标函数仅存在一个时，关闭种群重启机制。
19.一种资源规划的装置，其特征在于，所述装置包括：
种群构建模块，用于基于资源规划调研数据，构建决策变量的父代种群；
支配排序模块，用于依据预设目标函数对所述父代种群中的变量个体进行非支配排序，得到非劣解集；
解集更新模块，用于根据预设交叉算子和所述父代种群中的变量个体，更新所述非劣解集；
种群重启模块，用于每当满足种群重启条件时，基于所述非劣解集构建新父代种群，并基于所述新父代种群执行新非劣解集的生成和更新；
结果输出模块，用于当满足算法终止条件时，根据最新的非劣解集确定资源规划候选方案。
20.一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、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至18任一所述的资源规划的方法。
CN202011298786.1A 2020-11-18 2020-11-18 一种资源规划的方法、装置及存储介质 Pending CN114519446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011298786.1A CN114519446A (zh) 2020-11-18 2020-11-18 一种资源规划的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011298786.1A CN114519446A (zh) 2020-11-18 2020-11-18 一种资源规划的方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114519446A true CN114519446A (zh) 2022-05-20

Family

ID=81594758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011298786.1A Pending CN114519446A (zh) 2020-11-18 2020-11-18 一种资源规划的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114519446A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107527119A (zh) * 2017-09-06 2017-12-29 河海大学 基于改进的多目标量子遗传算法的水资源优化调度方法
CN109948847A (zh) * 2019-03-18 2019-06-28 河海大学 一种应用于水库群调度的多目标进化算法
CN111047080A (zh) * 2019-11-25 2020-04-21 深圳大学 一种基于满足偏好的多目标决策优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107527119A (zh) * 2017-09-06 2017-12-29 河海大学 基于改进的多目标量子遗传算法的水资源优化调度方法
CN109948847A (zh) * 2019-03-18 2019-06-28 河海大学 一种应用于水库群调度的多目标进化算法
CN111047080A (zh) * 2019-11-25 2020-04-21 深圳大学 一种基于满足偏好的多目标决策优化方法

Similar Documents

Publication Publication Date Title
CN113064879A (zh) 数据库参数调整方法、装置及计算机可读存储介质
Yu et al. The combinatorial brain surgeon: pruning weights that cancel one another in neural networks
EP3779616A1 (en) Optimization device and control method of optimization device
KR20220004692A (ko) 데이터 증강 정책의 업데이트 방법, 장치, 기기 및 저장 매체
CN115469851A (zh) 一种编译器自动调参方法
CN115829024A (zh) 一种模型训练方法、装置、设备及存储介质
Chen et al. Neural network compression via sparse optimization
CN116027753A (zh) 一种多目标混合流水车间调度方法及系统
Muñoz et al. Enabling nas with automated super-network generation
CN110163255B (zh) 一种基于密度峰值的数据流聚类方法及装置
Zhang et al. Reinforcement learning with actor-critic for knowledge graph reasoning
CN114519446A (zh) 一种资源规划的方法、装置及存储介质
US8700541B2 (en) Modeling method of neuro-fuzzy system
CN111412795A (zh) 测试点设置方案生成方法及装置
CN110619447B (zh) 一种主播的评价方法、装置、设备和存储介质
CN115150152B (zh) 基于权限依赖图缩减的网络用户实际权限快速推理方法
Chang et al. A survey of some simulation-based algorithms for Markov decision processes
CN113220437B (zh) 一种工作流多目标调度方法及装置
Mabu et al. Genetic network programming with learning and evolution for adapting to dynamical environments
CN115345303A (zh) 卷积神经网络权重调优方法、装置、存储介质和电子设备
CN114678114A (zh) 应用于智慧医疗的大数据挖掘评估方法及大数据挖掘系统
CN114781508A (zh) 基于聚类的卫星测控调度方法及系统
CN114971325A (zh) 一种电动工具转子关键质量特征集筛选方法
CN114547286A (zh) 一种信息搜索方法、装置及电子设备
Tran et al. A sequential decision approach to ordinal preferences in recommender systems

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