CN115619030B - 一种城市污水系统厂网协同优化方法、装置及电子设备 - Google Patents

一种城市污水系统厂网协同优化方法、装置及电子设备 Download PDF

Info

Publication number
CN115619030B
CN115619030B CN202211341645.2A CN202211341645A CN115619030B CN 115619030 B CN115619030 B CN 115619030B CN 202211341645 A CN202211341645 A CN 202211341645A CN 115619030 B CN115619030 B CN 115619030B
Authority
CN
China
Prior art keywords
sewage
pheromone
pipe network
array
reclaimed water
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
CN202211341645.2A
Other languages
English (en)
Other versions
CN115619030A (zh
Inventor
董欣
张大臻
曾思育
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202211341645.2A priority Critical patent/CN115619030B/zh
Publication of CN115619030A publication Critical patent/CN115619030A/zh
Application granted granted Critical
Publication of CN115619030B publication Critical patent/CN115619030B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本公开提供了一种城市污水系统厂网协同优化方法、装置及电子设备，该方法包括：S110，构建有向无权图G；S120，根据有向无权图G，得到约束子图S；S130，根据有向无权图G构建信息素数组，并初始化所述信息素数组；S140，根据信息素数组的信息素值搜索得到多个可行方案；S150，根据多个可行方案，得到每个可行方案对应的优化目标函数，并利用优化目标函数更新初始方案集，得到当前方案集；S160，根据当前方案集，更新信息素数组中的信息素值；S170，重复步骤S140～S160，直至当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代，完成城市污水系统厂网协同优化过程。

Description

一种城市污水系统厂网协同优化方法、装置及电子设备
技术领域
本公开涉及城市污水处理技术领域，具体涉及一种城市污水系统厂网协同优化方法、装置及电子设备。
背景技术
广义的城市污水系统包括污水子系统和再生水子系统，其中的设施包括污水处理与再生厂(简称“污水厂”或“厂”)、污水管网和再生水管网(两者并称“管网”或“网”)。
城市污水系统的功能或设计标准是首先利用污水管网收集所有污水排放用户产生的污水，在污水厂中将其处理至排放标准，而后部分尾水排入受纳水体，部分尾水经污水厂内的再生水处理单元处理至再生水水质标准，经再生水管网配给至指定的再生水用户(由于自来水往往可以替代再生水，并非所有潜在的再生水用户都必须被供给再生水)。系统规划设计的内容或要素包括：确定污水厂的位置、污水管网的空间布局和水力参数(包括管径、起点埋深、终点埋深)、污水提升泵站的位置、使用再生水的用户位置、再生水管网的空间布局和水力参数(包括管径)。
在基于人工经验的系统设计中，以上列举的设计要素一般按顺序依次确定，即先确定污水厂的位置、再确定各污水厂的服务片区、再确定各片区内的管网布局、最后确定管网的水力参数。而现有技术中，仅针对城市污水系统中的一个或若干个要素进行优化，而没有实现对全系统所有要素的协同优化。与此同时，常规的优化设计方法仅针对污水子系统(即污水管网和污水处理厂)，而不包括再生水子系统(再生水处理单元、再生水管网和再生水用户)。
发明内容
为解决现有技术中存在的问题，本公开提出了一种城市污水系统厂网协同优化方法、装置及电子设备。
本公开的第一个方面提供了一种城市污水系统厂网协同优化方法，包括：S110，以预设城市区域内的污水排放用户、再生水用户、污水管网检查井候选位置、污水处理与再生厂候选位置和再生水管网检查井候选位置为节点，以污水排放单元与污水管网检查井、污水管网检查井与污水管网检查井、污水管网检查井与污水处理与再生厂、污水处理与再生厂与再生水管网检查井、再生水管网检查井与再生水管网检查井和再生水管网检查井与再生水用户的连接关系为边，构建有向无权图G；S120，根据有向无权图G，得到约束子图S；其中，约束子图S包括所有污水排放用户，约束子图S的邻接矩阵ZS、节点及边的属性构成目标优化对象的决策变量；S130，根据有向无权图G构建信息素数组，并初始化信息素数组；其中，信息素数组中的每个信息素值与有向无权图的每条边一一对应；根据每个信息素值可得到约束子图S取到对应边的概率；S140，根据信息素数组的信息素值搜索得到多个可行方案；其中，每个可行方案表示决策变量的其中一组取值；S150，根据多个可行方案，得到每个可行方案对应的优化目标函数，并利用优化目标函数更新初始方案集，得到当前方案集；其中，优化目标函数包括：建设成本、运行能耗和/或再生水供应能力；S160，根据当前方案集，更新信息素数组中的信息素值；S170，重复步骤S140～S160，直至当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代，完成城市污水系统厂网协同优化过程。
进一步地，S120中根据有向无权图G，得到约束子图S，包括：根据有向无权图G的邻接矩阵Z、空间约束条件、水量约束条件和水力约束条件，得到约束子图S的邻接矩阵ZS。
进一步地，邻接矩阵Z包括6种表示潜在连接关系的边，6种表示潜在连接关系的边分别对应于非零矩阵块A～F中，邻接矩阵Z除非零矩阵块A～F的其他部分均为0。
进一步地，S140中根据信息素数组的信息素值搜索得到多个可行方案，包括：根据信息素数组的信息素值，使用多个智能体搜索得到多个可行方案。
进一步地，根据信息素数组的信息素值，使用多个智能体搜索得到多个可行方案对应的目标可行方案，包括：使用一个智能体选择搜索一个可行方案中的一个污水厂位置；根据信息素数组中的污水厂数量信息素，该智能体在1～M之间随机选取整数m作为该可行方案中污水厂的总数；其中，M表示M个污水厂候选位置，1≤m≤M，m、M均为整数；使用一个智能体根据信息素数组中的污水排放点位信息素，依次选取每个污水用户接入污水管网的检查井；使用一个智能体根据信息素数组中的再生水用户信息素依次选择每个再生水用户是否使用再生水；使用一个智能体根据信息素数组中的再生水收水点位信息素对选择使用再生水的再生水用户依次选择其接入再生水管网的检查井；根据每个污水用户、污水厂位置和污水管网的检查井，得到污水管网布局；根据每个再生水用户和再生水管网的检查井，得到再生水管网布局；根据污水管网布局、再生水管网布局和约束子图S，得到该可行方案所对应的目标可行方案；重复以上步骤，得到多个目标可行方案。
进一步地，根据多个可行方案，得到每个可行方案对应的优化目标函数，包括：根据多个目标可行方案对应的决策变量，计算每个目标可行方案对应的建设成本、运行能耗或再生水供应能力；其中，建设成本、运行能耗和再生水供应能力根据决策者根据城市污水系统的需求进行选取。
进一步地，根据污水用户、污水厂位置和污水管网的检查井，得到污水管网布局，包括：在每个污水用户所对应的检查井节点上设置一智能体；随机打乱全部智能体的行动顺序，并使得全部智能体中的每个智能体依次在由非零矩阵块B中构成的子图中，移动至该智能体未被访问过的相邻节点；其中，当该智能体移动至其他智能体己访问的节点或该智能体移动至任一污水厂对应的节点时，该智能体行动终止；当全部智能体的行动终止后，剔除所选取的污水厂中未被任何蚂蚁访问的污水厂，并得到矩阵BS的取值；其中，该矩阵BS表示污水管网布局。
进一步地，根据每个再生水用户和再生水管网的检查井，得到再生水管网布局，包括：在每个再生水用户所对应的检查井节点上设置一智能体；随机打乱全部智能体的行动顺序，并使得全部智能体中的每个智能体依次在由非零矩阵块E中构成的子图中，移动至该智能体未被访问过的相邻节点；其中，当该智能体移动至其他智能体已访问的节点或该智能体移动至任一污水厂对应的节点时，该智能体行动终止；当全部智能体的行动终止后，剔除所选取的污水厂中未被任何蚂蚁访问的污水厂，并得到矩阵ES的取值；其中，该矩阵ES表示再生水管网布局。
进一步地，信息素数组的信息素包括：污水排放点位信息素、污水管网信息素、污水厂数量信息素、污水厂位置信息素、再生水用户信息素、再生水收水点位信息素和再生水管网信息素。
本公开的第二个方面提供了一种城市污水系统厂网协同优化装置，包括：目标优化对象构建模块，用于以预设城市区域内的污水排放用户、再生水用户、污水管网检查井候选位置、污水处理与再生厂候选位置和再生水管网检查井候选位置为节点，以污水排放单元与污水管网检查井、污水管网检查井与污水管网检查井、污水管网检查井与污水处理与再生厂、污水处理与再生厂与再生水管网检查井、再生水管网检查井与再生水管网检查井和再生水管网检查井与再生水用户的连接关系为边，构建有向无权图G；并根据有向无权图G，得到约束子图S；其中，约束子图S包括所有污水排放用户，约束子图S的邻接矩阵ZS、节点及边的属性构成目标优化对象的决策变量；信息素数组构建模块，用于根据有向无权图G构建信息素数组，并初始化信息素数组；其中，信息素数组中的每个信息素值与有向无权图的每条边一一对应；根据每个信息素值可得到约束子图S取到对应边的概率；可行方案确定模块，用于根据信息素数组的信息素值搜索得到多个可行方案；其中，每个可行方案表示决策变量的其中一组取值；方案集确定模块，用于根据多个可行方案，得到每个可行方案对应的优化目标函数，并利用优化目标函数更新初始方案集，得到当前方案集；其中，优化目标函数包括：建设成本、运行能耗和/或再生水供应能力；信息素数组更新模块，用于根据当前方案集，更新信息素数组中的信息素值；方法迭代模块，用于重复可行方案确定模块、方案集确定模块和信息素数组更新模块的操作，直至当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代，完成城市污水系统厂网协同优化过程。
本公开的第三个方面提供了一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现本公开的第一个方面提供的城市污水系统厂网协同优化方法。
本公开的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本公开的第一个方面提供的城市污水系统厂网协同优化方法。
本公开的第五个方面提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开的第一个方面提供的城市污水系统厂网协同优化方法。
本公开相对于现有技术至少具备以下有益效果：
(1)、本公开提供的城市污水系统厂网协同优化方法，该方法基于以系统用户和系统设施潜在位置为节点，用户和设施、设施和设施间的潜在连接关系为边，构建有向无权图的方式，将城市污水系统厂网协同设计问题数学化，同时可将系统的设计方案表述为上述有向无权图的子图，使得方案的数学优化成为可能。
(2)、该方法在运用蚁群优化算法求解上述数学优化问题时，将城市污水系统厂网协同设计过程概化为不同智能体(蚂蚁)的决策树，利用多个蚂蚁协同决策，对可行方案进行搜索。该方法相比于传统的蚁群优化算法直接针对决策变量全部取值空间进行搜索的做法，降低了不可行解的出现概率，从而极大的提高了搜索效率。
附图说明
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
图1示意性示出了根据本公开一实施例的城市污水系统厂网协同优化方法的流程图；
图2示意性示出了根据本公开一实施例的获得多个可行方案对应的目标可行方案的流程图；
图3示意性示出了根据本公开一实施例的确定污水厂位置的流程图；
图4示意性示出了根据本公开一实施例的确定污水管网布局的流程图；
图5示意性示出了根据本公开一实施例的本方法与现有技术的优化方案效果对比图；
图6示意性示出了根据本公开一实施例的城市污水系统厂网协同优化装置的方框图；
图7示意性示出了根据本公开一实施例的适于实现上文描述的方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
下面将结合本公开具体的实施例中的城市污水系统厂网协同优化方法的具体流程，对本公开的技术方案进行详细说明。应当理解，附图中示出的城市污水系统厂网协同优化方法的流程及计算结构等仅是示例性的，以帮助本领域的技术人员理解本公开的技术方案，并非用以限制本公开的保护范围。
图1示意性示出了根据本公开实施例的城市污水系统厂网协同优化方法的流程图。如图1所示，该方法包括：步骤S110～S170。
在操作S110，以预设城市区域内的污水排放用户、再生水用户、污水管网检查井候选位置、污水处理与再生厂候选位置和再生水管网检查井候选位置为节点，以污水排放单元与污水管网检查井、污水管网检查井与污水管网检查井、污水管网检查井与污水处理与再生厂、污水处理与再生厂与再生水管网检查井、再生水管网检查井与再生水管网检查井和再生水管网检查井与再生水用户的连接关系为边，构建有向无权图G。
本公开的实施例中，给定一个城市区域后，以预设城市区域内的污水排放用户、再生水用户、污水管网检查井候选位置、污水处理与再生厂候选位置和再生水管网检查井候选位置为节点，以污水排放单元与污水管网检查井、污水管网检查井与污水管网检查井、污水管网检查井与污水处理与再生厂、污水处理与再生厂与再生水管网检查井、再生水管网检查井与再生水管网检查井和再生水管网检查井与再生水用户的潜在连接关系为边，构建有向无权图G，如下表1所示。
表1
Figure BDA0003914541050000081
具体地，将有向无权图G的邻接矩阵记作Z。该邻接矩阵Z可以表示为：
Figure BDA0003914541050000082
其中，将邻接矩阵Z按照上式(1)所示的方式分块，行从上至下、列从左至右依次表示污水排放单元、污水管网检查井、污水处理与再生厂、再生水管网检查井和再生水用户，则上述的6种表示潜在连接关系的边分别记录于非零矩阵块A～F中，邻接矩阵Z的其余部分均为0。即有向无权图G的边及其邻接矩阵Z中的符号对应关系如下表2所示。
表2
Figure BDA0003914541050000091
其中，对各矩阵的矩阵元的含义说明如下：若Aij＝1，表示第i个污水排放单元可以连接至第j个污水管网检查井，两者之间存在潜在连接关系；若Aij＝0，则表示两者之间没有潜在连接关系。
因此，城市污水系统厂网协同优化问题的所有已知信息，可以表示为有向无权图G的邻接矩阵Z及其节点、边的一系列属性，如下表3所示。
表3
Figure BDA0003914541050000092
需说明的是，节点属性由向量表示，均为列向量，其长度等于该类节点的总数。边属性由矩阵表示，其中矩阵Lw与非零矩阵块B的维度相同。矩阵Lr与非零矩阵块E的维度相同。
在操作S120，根据有向无权图G，得到约束子图S。其中，约束子图S包括所有污水排放用户，约束子图S的邻接矩阵ZS、节点及边的属性构成目标优化对象的决策变量。
本公开的实施例中，城市污水系统厂网协同优化问题求解的结果即为系统建设方案，由有向无权图G的一个约束子图S及其节点、边属性共同构成。与图G的边代表潜在连接关系不同，约束子图S的边代表所得到的系统建设方案中实际存在的连接关系。约束子图S的邻接矩阵记作ZS，与邻接矩阵Z一一对应。即邻接矩阵ZS可以由相应的矩阵块AS～FS来表示，如下式：
Figure BDA0003914541050000101
约束子图S的节点属性包括：污水处理与再生水厂的规模。约束子图S的边属性包括污水管段的管径、起点埋深、终点埋深和再生水管段的管径，如下表4所示。
表4
Figure BDA0003914541050000102
通过上述概化得到的数学优化问题，其决策变量为
Figure BDA0003914541050000111
优化目标可包括建设成本、运行能耗和再生水供应能力中的一个或多个。
本公开的实施例中，根据有向无权图G的邻接矩阵Z、空间约束条件、水量约束条件和水力约束条件，得到约束子图S的邻接矩阵ZS。
例如，在空间约束条件中，满足的约束条件如下：
1)、约束子图S是有向无权图G的子图，即系统内各用户到设施、设施与设施间的连接关系只能在所有给定的潜在连接关系之中选取，满足以下关系：
ZS≤Z
2)、有向图BS和ES中均不包括闭合路径，即污水管网和再生水管网中均不包含环状结构，满足以下关系：
Figure BDA0003914541050000112
其中，N+表示正整数集合，n为正整数。BS n表示矩阵BS的n次幂。ES n表示矩阵BS的n次幂。
3)、每个污水用户能且只能接入唯一的污水管网检查井，满足以下关系：
Figure BDA0003914541050000113
其中，Nwn表示污水管网检查井候选位置数量，AS，ij表示矩阵AS中的第i行第j列的元素。
4)、使用再生水的用户能且只能接入唯一的再生水管网检查井，不适用再生水的潜在用户不接入再生水管网检查井，满足以下关系：
Figure BDA0003914541050000114
其中，Nrn表示再生水管网检查井候选位置数量。FS，ij表示矩阵FS中的第i行第j列的元素。
5)、每个污水管网检查井的下游能且只能与一个污水管网检查井或一个污水处理与再生厂相连。每个再生水管网检查井的上游能且只能与一个再生水管网检查井相连或一个污水处理与再生厂，满足以下关系：
Figure BDA0003914541050000121
Figure BDA0003914541050000122
其中，Np表示污水厂候选位置数量。BS，ij、CS，ij、DS，ij、ES，ij分别表示矩阵BS、CS、DS、ES中的第i行第j列的元素。
例如，在水量约束条件中，满足的约束条件如下：
1)、每个污水厂的污水处理规模等于所有流向它的污水排放用户的排水量之和，可以表示为：
Figure BDA0003914541050000123
其中，BS m表示矩阵BS的m次幂。
2)、每个污水厂的再生水处理规模等于所有它所供给的再生水用户的需求量之和，可以表示为：
Figure BDA0003914541050000124
其中，ES m表示矩阵ES的m次幂。
3)、每个污水厂的再生水处理规模不大于其污水处理规模，污水处理规模不大于所要求的最大污水处理规模，可以表示为：
Figure BDA0003914541050000125
其中，矩阵AS -1、矩阵BS -1分别表示矩阵AS、BS的逆矩阵。
Figure BDA0003914541050000126
表示污水管段设计流量。
4)、每根污水管道的设计流量等于其上游所有污水排放用户的排水量之和，可以表示为：
Figure BDA0003914541050000127
其中，
Figure BDA0003914541050000128
表示再生水管段设计流量。需说明的是，
Figure BDA0003914541050000129
和
Figure BDA00039145410500001210
是水量约束和水力约束的中间变量，既不属于已知信息、也不属于决策变量。
例如，在水力约束条件中，满足的约束条件如下：
1)、Ai、ri、smin，i、si、θi分别表示第i根污水管段的过水断面面积、水力半径、重力流允许的最小坡度、实际坡度、设计液位对应的圆心角，污水管段的序号i等于其上游(靠近污水用户端)检查井节点在矩阵B中的行号。
Figure BDA0003914541050000131
代表矩阵BS和向量
Figure BDA0003914541050000132
相乘后所得向量的第i个元素，即检查井i在污水管网中的下游检查井的地表高程，可以满足的表达式为：
Figure BDA0003914541050000133
2)、污水提升泵站相关的决策变量
Figure BDA0003914541050000134
须满足的约束如下：
Figure BDA0003914541050000135
3)、再生水管道须满足的水力约束如下：
Figure BDA0003914541050000136
其中，vi代表第i根再生水管段的流速，再生水管段的序号i等于其下游(靠近再生水用户端)检查井节点在非零矩阵块E中的行号。
在操作S130，根据有向无权图G构建信息素数组，并初始化信息素数组。其中，信息素数组中的每个信息素值与有向无权图的每条边一一对应。根据每个信息素值可得到约束子图S取到对应边的概率。
本公开的实施例中，步骤S110～S120中已将优化问题的决策变量表示为约束子图S及其节点和边属性(即
Figure BDA0003914541050000141
由于约束子图S是有向无权图G的子图，在操作本步骤的大致思路是将有向无权图G的每条边对应于一个信息素值，该值大致决定了约束子图S取到这些边的概率。
例如，信息素的结构与有向无权图G的结构略有不同，具体如下：
非零矩阵块A、B、E的每个非零元素直接对应于一个信息素值。非零矩阵块A表示每个污水排放单元可以连接至哪些污水管网检查井(即污水排放点位)，相应地，构建信息素数组τijk，WOut辅助污水排放点位的选取。非零矩阵块B表示每个污水管网检查井下游可以与哪些其他检查井相连，相应地，构建信息素数组τijk，WPipe。非零矩阵块E表示每个污水管网检查井下游可以与哪些其他检查井相连，相应地，构建信息素数组τijk，RPipe。以上矩阵的前两个维度与相应的非零矩阵块A、B、E相同，第三个维度等于优化目标数。
非零矩阵块C和D表示污水管网、再生水管网与污水厂的潜在连接。每个污水厂是否包含在方案中，将按可行方案搜索中的选择污水厂位置的方式分两步进行决策。因此需要2个信息素数组τjk，NWWTP和τjk，WWTP分别辅助污水厂数量和污水厂具体位置的决策。
非零矩阵块F表示再生水用户与再生水管网的连接。根据可行方案搜索，将首先决定每个潜在再生水用户是否使用再生水(其由再生水用户信息素数组τijk，RUser辅助决策)，然后对使用再生水的用户，决定从哪个检查井获取再生水供应(其由再生水收水点位信息素数组τijk，RIn辅助决策)。
以上所有信息素数组的维度和张量元的含义如下表5所示。所有信息素数组的均初始化为同一数值τ0，其推荐取值见下表6所示。
表5中，Nobj表示优化目标数量。Nwu表示污水排放单元数量。Nwn表示污水管网检查井候选位置数量。NWWTP表示污水厂候选位置数量。Nru表示再生水用户数量。Nrn表示再生水管网检查井候选位置数量。
表5
Figure BDA0003914541050000151
表6
Figure BDA0003914541050000161
需说明的是，表6中各推荐取值仅为示例性的说明，其并不构成本公开实施例的限定。
如上述信息素张量元的含义可知，信息素数组的第一个下标i均代表决策所针对的对象(如污水用户、再生水用户等)，因此i的值在蚂蚁决策时是已知的。在步骤S140中蚁群搜索可行解的决策步骤可知，蚂蚁的决策可以表述为在已知i的值和j的可行取值集合(记作Ni)后，综合考虑各个优化目标k下的信息素值，选取一个j的值。不失一般性，将影响这一决策的信息素张量记为τijk，并设蚂蚁最终的选择为j＝c，则c由下述规则确定：
Figure BDA0003914541050000162
q～U(0，1)
q0∈[0，1]
上式中，J依以下概率Pj随机确定：
Figure BDA0003914541050000171
其中，τij表示综合各优化目标后的信息素浓度，其值由各个优化目标对应的信息素τijk加权平均而来，权重系数λk为每个方案开始构建前所指定的[0，1]区间上的均匀分布随机数，满足以下关系：
Figure BDA0003914541050000172
其中，ηij表示先验信息，代表人的经验对蚂蚁选择的指导，可以事先人为指定，也可以全部置为常数1。α、β为权重指数，其取值如表6所示。q表示每次蚂蚁决策前在0～1区间取的随机数。q0是一个0～1间的常数。
因此，信息素与蚂蚁决策概率的对应规则的实质是：对蚂蚁的每个可行下一步状态，首先计算综合信息素τij与先验信息ηij的指数加权乘积，然后取随机数q。若q≤q0，则直接选择该加权乘积最大的状态，否则以正比于该加权乘积的概率进行随机选择。
在操作S140，根据信息素数组的信息素值搜索得到多个可行方案。其中，每个可行方案表示决策变量的其中一组取值。
本公开的实施例中，可行方案搜索的任务是在信息素的指导下，不断搜索得到多个可行方案。每一次可行方案搜索需要达到的方案总数记作Npop。Npop为常数，其取值如表6所示。
每次使用多个智能体(如虚拟“蚂蚁”，合称为一个“蚁群”)共同搜索一个可行方案。一个可行方案相当于决策变量
Figure BDA0003914541050000173
的一组取值。蚁群将按下述方式确定决策变量的取值，最终构成一个可行方案。
根据本公开的实施例，根据信息素数组的信息素值，使用多个智能体搜索得到多个可行方案。具体地，如图2所示，根据信息素数组的信息素值，使用多个智能体搜索得到多个可行方案对应的目标可行方案，包括：步骤S241～S248。
在操作S241，使用一个智能体选择搜索一个可行方案中的一个污水厂位置。根据信息素数组中的污水厂数量信息素，该智能体在1～M之间随机选取整数m作为该可行方案中污水厂的总数。其中，M表示M个污水厂候选位置，1≤m≤M，m、M均为整数。
本公开的实施例中，如图3所示，使用一个蚂蚁选择方案中的污水厂位置。给定M个污水厂候选位置后，该蚂蚁首先依据τjk，NWWTP(先验信息ηij设置为常数1)，在1～M之间随机选取整数m作为本公开中污水厂的总数，然后依据τjk，NWWTP(先验信息ηij设置为常数1)不断从所有尚未选取的位置中随机取出一个，直到总数量达到m。本步骤S241中未被选中的污水厂节点，将不被保留在约束子图S中，即本步骤S241确定了矩阵CS、DS的取值如下：
Figure BDA0003914541050000181
Figure BDA0003914541050000182
在操作S242，使用一个智能体根据信息素数组中的污水排放点位信息素，依次选取每个污水用户接入污水管网的检查井。
本公开的实施例中，使用一只蚂蚁，依据τijk，WOut(先验信息ηij设置为常数1)，按i＝1到Nwu依次选取每个污水用户接入污水管网的检查井，本步骤S242矩阵AS的取值如下：
Figure BDA0003914541050000183
且满足：
Figure BDA0003914541050000184
在操作S243，使用一个智能体根据信息素数组中的再生水用户信息素依次选择每个再生水用户是否使用再生水。
本公开的实施例中，使用一只蚂蚁，依据τijk，RUser(先验信息ηij设置为常数1)，按j＝1到Nru依次选择每个再生水用户是否使用再生水。未被选中的潜在再生水用户节点将不被保留在约束子图S中。
在操作S244，使用一个智能体根据信息素数组中的再生水收水点位信息素对选择使用再生水的再生水用户依次选择其接入再生水管网的检查井。
本公开的实施例中，使用一只蚂蚁，依据τijk，RIn(先验信息ηij设置为常数1)，对于在S243中已选择的每个再生水用户依次选择其接入再生水管网的检查井。经过步骤S243～S244后，矩阵FS的取值确定如下：
Figure BDA0003914541050000191
且满足
Figure BDA0003914541050000192
在操作S245，根据每个污水用户、污水厂位置和污水管网的检查井，得到污水管网布局。
本公开的实施例中，由于污水用户和已选中的污水厂均已和管网检查井候选节点形成连结，步骤S245中使用Nwu个蚂蚁(Nwu表示污水用户数量)构建由污水用户接入的检查井到污水厂接入的检查井之间的路径。这些蚂蚁的行动顺序与行动规则如图4所示，具体包括：
(1)、在每个污水用户所对应的检查井节点上设置一只蚂蚁。
(2)、随机打乱所有蚂蚁的行动顺序。按此顺序，每只蚂蚁依次在由矩阵B中构成的图中移动至一个未被自己访问过的相邻节点。节点间的转移规则遵循上述蚂蚁行动的一般规则。具体地，所有检查井节点i、j间的有向边都对应一组信息素值τijk，WPipe和先验信息，其中先验信息ηij，WPipe与节点i、j的的地表坡度的指数成正比，满足以下关系：
Figure BDA0003914541050000193
其中，Elevi、Elevj分别表示检查井节点i和节点j的地表高程，单位为m。Lw，ij表示检查井节点i、j间的空间距离，单位为m。C表示固定常数，取为1.5。
当某蚂蚁行至另一只蚂蚁所经过的路径时，将其已经过路径与另一只蚂蚁的合并，同时该蚂蚁行动终止。当蚂蚁行至任一污水厂对应的节点时，该蚂蚁行动亦终止。
当某只蚂蚁没有可行的相邻节点，即所有相邻节点都已被此蚂蚁遍历时，将其转移至自身已通过的路径上有下一步可行节点的最近节点。
(3)、当全部智能体的行动终止后，剔除所选取的污水厂中未被任何蚂蚁访问的污水厂，并得到矩阵BS的取值。其中，该矩阵BS表示污水管网布局。否则，返回至步骤(2)。矩阵BS满足以下关系：
Figure BDA0003914541050000201
在操作S246，根据每个再生水用户和再生水管网的检查井，得到再生水管网布局。
本公开的实施例中，步骤S246类似于步骤S245，使用Nru个蚂蚁(Nru表示再生水用户数量)生成再生水管网布局，蚂蚁决策所依据的信息素张量为τijk，RPipe(先验信息ηij设置为常数1)。具体地，步骤S246包括：在每个再生水用户所对应的检查井节点上设置一智能体。随机打乱全部智能体的行动顺序，并使得全部智能体中的每个智能体依次在由非零矩阵块E中构成的子图中，移动至该智能体未被访问过的相邻节点；其中，当该智能体移动至其他智能体已访问的节点或该智能体移动至任一污水厂对应的节点时，该智能体行动终止。当全部智能体的行动终止后，剔除所选取的污水厂中未被任何蚂蚁访问的污水厂，并得到矩阵ES的取值。其中，该矩阵ES表示再生水管网布局。
最终确定矩阵ES的取值，即
Figure BDA0003914541050000202
在操作S247，根据污水管网布局、再生水管网布局和约束子图S，得到该可行方案所对应的目标可行方案。
本公开的实施例中，在步骤S241～S246中确定了AS、BS、CS、DS、ES、FS(这些矩阵共同构成了ZS)之后。首先，根据步骤S120中的水量约束，求得各污水管段和再生水管段的设计流量
Figure BDA0003914541050000211
和污水厂的处理规模
Figure BDA0003914541050000212
根据管段的设计流量求出和水力约束，可以求得管网的水力参数
Figure BDA0003914541050000213
以及泵站设置的位置和其提升高度
Figure BDA0003914541050000214
因此，
Figure BDA0003914541050000215
都是ZS的函数。
在操作S248，重复以上步骤S241～247，得到多个目标可行方案。
本公开的实施例中，由于蚂蚁的决策依赖信息素，具有一定的随机性，重复以上可行方案生成流程即可生成多个不同的目标可行方案。
在操作S150，根据多个可行方案，得到每个可行方案对应的优化目标函数，并利用优化目标函数更新初始方案集，得到当前方案集。其中，优化目标函数包括：建设成本、运行能耗和/或再生水供应能力。
本公开的实施例中，根据步骤S140中生成的方案的具体信息(即决策变量
Figure BDA0003914541050000216
可以计算得到方案的建设成本、运行能耗和再生水供应水平。应用本公开提供的方法时所采用的目标函数，可依决策者的要求，可以选择三者中的一个或多个。
估算建设成本Co的经验公式应根据当地的物价水平进行选取，建设成本Co可以满足以下关系：
Co＝CoWC+CoWT+CoRT+CoRD
其中，CoWC表示污水管网建设成本。CoWT表示污水处理厂建设成本。CoRT表示再生水处理厂建设成本。CoRD表示再生水管网建设成本。其中，CoWC满足以下关系：
CoWC＝Copipe+Copump
其中，Copipe表示污水管道建设成本。Copump表示污水泵站建设成本，Copipe、Copump分别满足以下关系：
Figure BDA0003914541050000221
Figure BDA0003914541050000222
Figure BDA0003914541050000223
其中，i表示污水管段编号，即污水管段上游检查井的编号。
Figure BDA0003914541050000224
表示管长，单位m。Hi表示平均埋深，单位m。Dw，i表示管径，单位mm。a11～a17表示经验系数。Hpump，i表示泵站的提升高度，单位m。Pw，i表示泵站对应管段的设计流量，即泵站的设计流量，单位L/s。a21～a22表示经验系数。
其中，CoWT可以满足以下关系：
Figure BDA0003914541050000225
其中，NWWTP表示污水厂数量。Caw，i表示污水处理设计规模。a31～a33表示经验系数。
其中，CoRT可以满足以下关系：
Figure BDA0003914541050000226
其中，Car，i表示再生水处理设计规模。a41～a42表示经验系数。
其中，CoRD可以满足以下关系：
Figure BDA0003914541050000227
其中，
Figure BDA0003914541050000228
表示第j个再生水检查井上游(靠近污水厂)的管段长度。若
Figure BDA0003914541050000229
则代表第j根再生水管段位于第i个污水厂的下游，否则
Figure BDA00039145410500002210
因此，
Figure BDA00039145410500002211
Lr，j是第i个污水厂下游所有再生水管段的长度之和。a51～a52表示经验系数。
本公开的实施例中，以上所有经验值的取值可以为：a11＝1215，a12＝4490，a13＝150.5，a14＝765.7，a15＝-2257，a16＝60600，a17＝-8.5，a21＝0.1057，a22＝0.6690，a31＝5.3，a32＝1120，a33＝1051，a41＝3.544，a42＝0.7894，a51＝9.82×10-4，a52＝0.8049。
本公开的实施例中，计算运行能耗En的公式如下：
En＝EnWC+EnWT+EnRT+EnRD
其中，En表示运行能耗。EnWC表示污水收集能耗。EnWT表示污水处理能耗。EnRT表示再生水处理能耗。EnRD表示再生水配给能耗。EnWC满足以下关系：
Figure BDA0003914541050000231
其中，ρ表示污水的密度，1.0×103kg/m3。g表示重力加速度，9.8N/kg。η表示泵的机械效率。Hpump，i表示污水泵站提升高度，单位m。Pw，i表示污水泵站平均流量，单位m3/yr。
EnWT满足以下关系：
Figure BDA0003914541050000232
其中，ew表示污水处理单位能耗，取值为0.407kWh/m3。
EnRT满足以下关系：
其中，er表示再生水处理单位能耗，取值为0.193kWh/m3。
EnRD满足以下关系：
Figure BDA0003914541050000233
其中，Qr，i表示再生水用户i的再生水需求量，单位m3/yr。Elevr，i表示再生水用户i的高程，单位m。
Figure BDA0003914541050000234
表示再生水用户i对应的污水厂检查井的高程。Lr，j表示再生水管段j的长度。Pr，j表示再生水管段j的设计流量。Dr，j表示再生水管段j的管径。C表示Hazen-Williams系数，混凝土管C取为120。
本公开的实施例中，计算再生水供应水平Re的公式如下：
Figure BDA0003914541050000241
根据本公开的实施例，目标函数计算完成后，将本轮迭代生成的方案集与前序迭代所保留的方案集合并，对方案进行排序，并保留排位前(推荐取值见上表6)的方案，得到新的方案集。方案排序的方法为：若仅采用了一个优化目标，则依此目标函数值对方案从优至劣进行排序；若采用了两个及以上的优化目标，则使用现有技术中公开的多目标排序算法。
在操作S160，根据当前方案集，更新信息素数组中的信息素值。
本公开的实施例中，在步骤S150中得到的当前方案集中的方案依次按各个优化目标从优至劣进行排序，取出每次排序前2位的方案，根据生成这些方案时的蚁群的决策，按如下方式更新信息素数组中的信息素值：
τijk(t+1)＝(1-ρ)τijk(t)+ρΔτ
Figure BDA0003914541050000242
其中，τijk(t)，τijk(t+1)表示t与t+1次迭代时的信息素浓度。ρ表示信息素衰减率，其值见表6。方案包含选项(i，j)代表在生成该方案的过程中，蚂蚁对于决策对象i(比如潜在的再生水用户i)的某个决策(比如，τijk＝τijk，RUser时为是否使用再生水)选择了j(比如，j＝0代表该用户没有使用再生水)。
在操作S170，重复步骤S140～S160，直至当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代，完成城市污水系统厂网协同优化过程。
本公开的实施例中，假设连续迭代100内，保留的方案集内所有目标函数最优值改进幅度不超过阈值(如5％等)，则说明方案改进的速率放缓，算法可以停止，完成城市污水系统厂网协同优化过程。此外，迭代总次数达到Ngen(其取值见上表6)时，算法也停止。否则，返回步骤S140，直至当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代。
如图5所示，本公开提供的优化方法相比于初始方案集，在维持相同再生水供应水平的前提下，建设成本最多可降低31％，运行能耗最多可降低86％。其他计算结果表明，对优化方案集中的各方案而言，如果只采用优化后的污水厂位置、而不优化相应的管网布局(即不采用厂网协同优化)，则在维持相同再生水供应水平的前提下，建设成本和运行能耗分别最多只能降低20％和60％。
本公开的实施例提供的城市污水系统厂网协同优化方法，该方法基于以系统用户和系统设施潜在位置为节点，用户和设施、设施和设施间的潜在连接关系为边，构建有向无权图的方式，将城市污水系统厂网协同设计问题数学化，同时可将系统的设计方案表述为上述有向无权图的子图，使得方案的数学优化成为可能。在运用蚁群优化算法求解上述数学优化问题时，将城市污水系统厂网协同设计过程概化为不同智能体的决策树，利用多个蚂蚁协同决策，对可行方案进行搜索。该方法相比于传统的蚁群优化算法，直接针对决策变量全部取值空间进行搜索的做法，降低了不可行解的出现概率，从而极大的提高了搜索效率。
图6示意性示出了根据本公开一实施例的城市污水系统厂网协同优化装置的方框图。
如图6所示，该城市污水系统厂网协同优化装置600，包括：目标优化对象构建模块610、信息素数组构建模块620、可行方案确定模块630、方案集确定模块640、信息素数组更新模块650及方法迭代模块660。该装置600可以用于实现参考图1所描述的城市污水系统厂网协同优化方法。
目标优化对象构建模块610，用于以预设城市区域内的污水排放用户、再生水用户、污水管网检查井候选位置、污水处理与再生厂候选位置和再生水管网检查井候选位置为节点，以污水排放单元与污水管网检查井、污水管网检查井与污水管网检查井、污水管网检查井与污水处理与再生厂、污水处理与再生厂与再生水管网检查井、再生水管网检查井与再生水管网检查井和再生水管网检查井与再生水用户的连接关系为边，构建有向无权图G；并根据有向无权图G，得到约束子图S；其中，约束子图S包括所有污水排放用户，约束子图S的邻接矩阵ZS、节点及边的属性构成目标优化对象的决策变量。该目标优化对象构建模块610例如可以用于执行上文参考图1所描述的S110～S120步骤，在此不再赘述。
信息素数组构建模块620，用于根据有向无权图G构建信息素数组，并初始化信息素数组。其中，信息素数组中的每个信息素值与有向无权图的每条边一一对应；根据每个信息素值可得到约束子图S取到对应边的概率。该信息素数组构建模块620例如可以用于执行上文参考图1所描述的S130步骤，在此不再赘述。
可行方案确定模块630，用于根据信息素数组的信息素值搜索得到多个可行方案；其中，每个可行方案表示决策变量的其中一组取值。该可行方案确定模块630例如可以用于执行上文参考图1所描述的S140步骤，在此不再赘述。
方案集确定模块640，用于根据多个可行方案，得到每个可行方案对应的优化目标函数，并利用优化目标函数更新初始方案集，得到当前方案集；其中，优化目标函数包括：建设成本、运行能耗和/或再生水供应能力。该可行方案确定模块640例如可以用于执行上文参考图1所描述的S150步骤，在此不再赘述。
信息素数组更新模块650，用于根据当前方案集，更新信息素数组中的信息素值。该信息素数组更新模块650例如可以用于执行上文参考图1所描述的S160步骤，在此不再赘述。
方法迭代模块660，用于重复可行方案确定模块、方案集确定模块和信息素数组更新模块的操作，直至当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代，完成城市污水系统厂网协同优化过程。该方法迭代模块660例如可以用于执行上文参考图1所描述的S170步骤，在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上装置、基板上的装置、封装上的装置、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，目标优化对象构建模块610、信息素数组构建模块620、可行方案确定模块630、方案集确定模块640、信息素数组更新模块650及方法迭代模块660中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，目标优化对象构建模块610、信息素数组构建模块620、可行方案确定模块630、方案集确定模块640、信息素数组更新模块650及方法迭代模块660中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上装置、基板上的装置、封装上的装置、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，目标优化对象构建模块610、信息素数组构建模块620、可行方案确定模块630、方案集确定模块640、信息素数组更新模块650及方法迭代模块660中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图7示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的方框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，本实施例中所描述的电子设备700，包括：处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的装置中限定的上述功能。根据本公开的实施例，上文描述的装置、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/装置中所包含的；也可以是单独存在，而未装配入该设备/装置/装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的城市污水系统厂网协同优化方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机装置中运行时，该程序代码用于使计算机装置实现本公开实施例所提供的城市污水系统厂网协同优化方法。
在该计算机程序被处理器701执行时执行本公开实施例的装置/装置中限定的上述功能。根据本公开的实施例，上文描述的装置、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的装置中限定的上述功能。根据本公开的实施例，上文描述的装置、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
附图中的流程图和框图，图示了按照本公开各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附保护范围及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附保护范围来进行确定，还由所附保护范围的等同物来进行限定。

Claims (10)

1.一种城市污水系统厂网协同优化方法，其特征在于，包括：
S110，以预设城市区域内的污水排放用户、再生水用户、污水管网检查井候选位置、污水处理与再生厂候选位置和再生水管网检查井候选位置为节点，以污水排放单元与污水管网检查井、污水管网检查井与污水管网检查井、污水管网检查井与污水处理与再生厂、污水处理与再生厂与再生水管网检查井、再生水管网检查井与再生水管网检查井和再生水管网检查井与再生水用户的连接关系为边，构建有向无权图G；
S120，根据所述有向无权图G，得到约束子图S；其中，所述约束子图S包括所有污水排放用户，所述约束子图S的邻接矩阵ZS、节点及边的属性构成目标优化对象的决策变量；
S130，根据所述有向无权图G构建信息素数组，并初始化所述信息素数组；其中，所述信息素数组中的每个信息素值与所述有向无权图的每条边一一对应；根据所述每个信息素值可得到所述约束子图S取到对应边的概率；
S140，根据所述信息素数组的信息素值搜索得到多个可行方案，包括：
根据所述信息素数组的信息素值，使用多个智能体搜索得到多个可行方案；以及，
根据所述信息素数组的信息素值，使用多个智能体搜索得到多个可行方案对应的目标可行方案，包括：
使用一个智能体选择搜索一个可行方案中的一个污水厂位置；
根据所述信息素数组中的污水厂数量信息素，该智能体在1～M之间随机选取整数m作为该可行方案中污水厂的总数；其中，M表示M个污水厂候选位置，1≤m≤M，m、M均为整数；
使用一个智能体根据所述信息素数组中的污水排放点位信息素，依次选取每个污水用户接入污水管网的检查井；
使用一个智能体根据所述信息素数组中的再生水用户信息素依次选择每个再生水用户是否使用再生水；
使用一个智能体根据所述信息素数组中的再生水收水点位信息素对选择使用再生水的再生水用户依次选择其接入再生水管网的检查井；
根据所述每个污水用户、所述污水厂位置和污水管网的检查井，得到污水管网布局；
根据所述每个再生水用户和所述再生水管网的检查井，得到再生水管网布局；
根据所述污水管网布局、所述再生水管网布局和所述约束子图S，得到该可行方案所对应的目标可行方案；
重复以上步骤，得到多个目标可行方案；
其中，每个可行方案表示所述决策变量的其中一组取值；
S150，根据所述多个可行方案，得到每个可行方案对应的优化目标函数，并利用所述优化目标函数更新初始方案集，得到当前方案集；其中，所述优化目标函数包括：建设成本、运行能耗和/或再生水供应能力；
S160，根据所述当前方案集，更新所述信息素数组中的信息素值；
S170，重复步骤S140～S160，直至所述当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代，完成城市污水系统厂网协同优化过程。
2.根据权利要求1所述的城市污水系统厂网协同优化方法，其特征在于，所述S120中根据所述有向无权图G，得到约束子图S，包括：
根据所述有向无权图G的邻接矩阵Z、空间约束条件、水量约束条件和水力约束条件，得到所述约束子图S的邻接矩阵ZS。
3.根据权利要求2所述的城市污水系统厂网协同优化方法，其特征在于，所述邻接矩阵Z包括6种表示潜在连接关系的边，所述6种表示潜在连接关系的边分别对应于非零矩阵块A～F中，所述邻接矩阵Z除所述非零矩阵块A～F的其他部分均为0。
4.根据权利要求1所述的城市污水系统厂网协同优化方法，其特征在于，根据所述多个可行方案，得到每个可行方案对应的优化目标函数，包括：
根据所述多个目标可行方案对应的决策变量，计算每个目标可行方案对应的所述建设成本、所述运行能耗或所述再生水供应能力；其中，所述建设成本、所述运行能耗和所述再生水供应能力根据决策者根据城市污水系统的需求进行选取。
5.根据权利要求1所述的城市污水系统厂网协同优化方法，其特征在于，所述根据所述污水用户、所述污水厂位置和污水管网的检查井，得到污水管网布局，包括：
在每个污水用户所对应的检查井节点上设置一智能体；
随机打乱全部智能体的行动顺序，并使得所述全部智能体中的每个智能体依次在由非零矩阵块B中构成的子图中，移动至该智能体未被访问过的相邻节点；其中，当该智能体移动至所述全部智能体中其他智能体已访问的节点或该智能体移动至任一污水厂对应的节点时，该智能体行动终止；
当所述全部智能体的行动终止后，剔除所选取的污水厂中未被任何蚂蚁访问的污水厂，并得到矩阵BS的取值；其中，该矩阵BS表示所述污水管网布局。
6.根据权利要求1所述的城市污水系统厂网协同优化方法，其特征在于，所述根据所述每个再生水用户和所述再生水管网的检查井，得到再生水管网布局，包括：
在所述每个再生水用户所对应的检查井节点上设置一智能体；
随机打乱全部智能体的行动顺序，并使得所述全部智能体中的每个智能体依次在由非零矩阵块E中构成的子图中，移动至该智能体未被访问过的相邻节点；其中，当该智能体移动至所述全部智能体中其他智能体已访问的节点或该智能体移动至任一污水厂对应的节点时，该智能体行动终止；
当所述全部智能体的行动终止后，剔除所选取的污水厂中未被任何蚂蚁访问的污水厂，并得到矩阵ES的取值；其中，该矩阵ES表示所述再生水管网布局。
7.根据权利要求1所述的城市污水系统厂网协同优化方法，其特征在于，所述信息素数组的信息素包括：污水排放点位信息素、污水管网信息素、污水厂数量信息素、污水厂位置信息素、再生水用户信息素、再生水收水点位信息素和再生水管网信息素。
8.一种城市污水系统厂网协同优化装置，其特征在于，包括：
目标优化对象构建模块，用于以预设城市区域内的污水排放用户、再生水用户、污水管网检查井候选位置、污水处理与再生厂候选位置和再生水管网检查井候选位置为节点，以污水排放单元与污水管网检查井、污水管网检查井与污水管网检查井、污水管网检查井与污水处理与再生厂、污水处理与再生厂与再生水管网检查井、再生水管网检查井与再生水管网检查井和再生水管网检查井与再生水用户的连接关系为边，构建有向无权图G；并根据所述有向无权图G，得到约束子图S；其中，所述约束子图S包括所有污水排放用户，所述约束子图S的邻接矩阵ZS、节点及边的属性构成目标优化对象的决策变量；
信息素数组构建模块，用于根据所述有向无权图G构建信息素数组，并初始化所述信息素数组；其中，所述信息素数组中的每个信息素值与所述有向无权图的每条边一一对应；根据所述每个信息素值可得到所述约束子图S取到对应边的概率；
可行方案确定模块，用于根据所述信息素数组的信息素值搜索得到多个可行方案，包括：根据所述信息素数组的信息素值，使用多个智能体搜索得到多个可行方案；以及，根据所述信息素数组的信息素值，使用多个智能体搜索得到多个可行方案对应的目标可行方案，包括：使用一个智能体选择搜索一个可行方案中的一个污水厂位置；根据所述信息素数组中的污水厂数量信息素，该智能体在1～M之间随机选取整数m作为该可行方案中污水厂的总数；其中，M表示M个污水厂候选位置，1≤m≤M，m、M均为整数；使用一个智能体根据所述信息素数组中的污水排放点位信息素，依次选取每个污水用户接入污水管网的检查井；使用一个智能体根据所述信息素数组中的再生水用户信息素依次选择每个再生水用户是否使用再生水；使用一个智能体根据所述信息素数组中的再生水收水点位信息素对选择使用再生水的再生水用户依次选择其接入再生水管网的检查井；根据所述每个污水用户、所述污水厂位置和污水管网的检查井，得到污水管网布局；根据所述每个再生水用户和所述再生水管网的检查井，得到再生水管网布局；根据所述污水管网布局、所述再生水管网布局和所述约束子图S，得到该可行方案所对应的目标可行方案；重复以上步骤，得到多个目标可行方案；其中，每个可行方案表示所述决策变量的其中一组取值；
方案集确定模块，用于根据所述多个可行方案，得到每个可行方案对应的优化目标函数，并利用所述优化目标函数更新初始方案集，得到当前方案集；其中，所述优化目标函数包括：建设成本、运行能耗和/或再生水供应能力；
信息素数组更新模块，用于根据所述当前方案集，更新所述信息素数组中的信息素值；
方法迭代模块，用于重复所述可行方案确定模块、所述方案集确定模块和所述信息素数组更新模块的操作，直至所述当前方案集中的所有目标函数最优值改进幅度小于等于一阈值为止，停止迭代，完成城市污水系统厂网协同优化过程。
9.一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7中的任一项所述的城市污水系统厂网协同优化方法中的各个步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中的任一项所述的城市污水系统厂网协同优化方法中的各个步骤。
CN202211341645.2A 2022-10-28 2022-10-28 一种城市污水系统厂网协同优化方法、装置及电子设备 Active CN115619030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341645.2A CN115619030B (zh) 2022-10-28 2022-10-28 一种城市污水系统厂网协同优化方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341645.2A CN115619030B (zh) 2022-10-28 2022-10-28 一种城市污水系统厂网协同优化方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN115619030A CN115619030A (zh) 2023-01-17
CN115619030B true CN115619030B (zh) 2023-05-16

Family

ID=84876488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341645.2A Active CN115619030B (zh) 2022-10-28 2022-10-28 一种城市污水系统厂网协同优化方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115619030B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107168050A (zh) * 2017-06-01 2017-09-15 武汉科技大学 一种引力搜索算法及基于该算法的污水处理控制方法
CN111399455A (zh) * 2020-03-25 2020-07-10 北京工业大学 一种基于运行过程信息的城市污水处理实时优化控制方法
CN114065625A (zh) * 2021-11-16 2022-02-18 福州大学 基于子空间搜索的高维多目标协同进化方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101424943A (zh) * 2008-12-18 2009-05-06 浙江大学 基于互联网的污水流量跟踪协调优化控制方法及其系统
US8805579B2 (en) * 2011-02-19 2014-08-12 Richard Arthur Skrinde Submersible robotically operable vehicle system for infrastructure maintenance and inspection
CN103955443A (zh) * 2014-04-14 2014-07-30 武汉大学 一种基于gpu加速的蚁群算法优化方法
US20220096003A1 (en) * 2015-07-17 2022-03-31 Chao-Lun Mai Method, apparatus, and system for automatic and adaptive wireless monitoring and tracking
CN108762082B (zh) * 2018-06-07 2022-07-22 北京工业大学 一种污水处理过程协同优化控制系统
CN109034898A (zh) * 2018-07-25 2018-12-18 河海大学常州校区 一种基于改进蚁群的bp神经网络二手车价格评估算法
CN110375761A (zh) * 2019-08-07 2019-10-25 天津大学 基于增强蚁群优化算法的无人驾驶车辆路径规划方法
CN113552899B (zh) * 2021-07-09 2022-05-10 中国人民解放军国防科技大学 一种通信链路受限下的多无人机自主协同搜索方法
CN114610064B (zh) * 2022-03-11 2024-09-06 中国人民解放军国防科技大学 基于动态目标搜索的空地协同任务分配方法及相关设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107168050A (zh) * 2017-06-01 2017-09-15 武汉科技大学 一种引力搜索算法及基于该算法的污水处理控制方法
CN111399455A (zh) * 2020-03-25 2020-07-10 北京工业大学 一种基于运行过程信息的城市污水处理实时优化控制方法
CN114065625A (zh) * 2021-11-16 2022-02-18 福州大学 基于子空间搜索的高维多目标协同进化方法

Also Published As

Publication number Publication date
CN115619030A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
Karami et al. Flow direction algorithm (FDA): a novel optimization approach for solving optimization problems
Haghighi et al. Uncertainty analysis of water supply networks using the fuzzy set theory and NSGA-II
Li et al. Genetic search for solving construction site-level unequal-area facility layout problems
Hakimi-Asiabar et al. Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm
Hosseininasab et al. A multi-objective integrated model for selecting, scheduling, and budgeting road construction projects
Yazdi et al. Application of multi‐objective evolutionary algorithms for the rehabilitation of storm sewer pipe networks
Marques et al. Using real options in the optimal design of water distribution networks
Najafzadeh Neurofuzzy-based GMDH-PSO to predict maximum scour depth at equilibrium at culvert outlets
Baskan Harmony search algorithm for continuous network design problem with link capacity expansions
Rafipour-Langeroudi et al. Developing operating rules for conjunctive use of surface and groundwater considering the water quality issues
Donyaii et al. Water reservoir multiobjective optimal operation using Grey Wolf optimizer
Redouane et al. Automated optimization of well placement via adaptive space-filling surrogate modelling and evolutionary algorithm
Altarabsheh et al. New multiobjective optimization approach to rehabilitate and maintain sewer networks based on whole lifecycle behavior
Jamali et al. Machine learning for accelerating 2D flood models: Potential and challenges
Mansouri et al. An improved MOPSO algorithm for multi-objective optimization of reservoir operation under climate change
Ahmadi et al. An archive-based multi-objective evolutionary algorithm with adaptive search space partitioning to deal with expensive optimization problems: Application to process eco-design
CN109359740B (zh) 基于多生境遗传算法的机动路径优选方法及存储介质
Maric Metaheuristic approaches to solving large-scale bilevel uncapacitated facility location problem with clients' preferences
Sharma et al. Partitioning of water distribution network into district metered areas using existing valves
Moslemzadeh et al. Introducing improved atom search optimization (IASO) algorithm: Application to optimal operation of multi-reservoir systems
CN115619030B (zh) 一种城市污水系统厂网协同优化方法、装置及电子设备
Donyaii et al. Using composite ranking to select the most appropriate Multi-Criteria Decision Making (MCDM) method in the optimal operation of the Dam reservoir
Chaves et al. Stochastic fuzzy neural network: case study of optimal reservoir operation
CN117494861A (zh) 一种协调市县两级水资源利用目标的水资源优化配置方法
Gong et al. An improved ant colony optimization algorithm based on fractional order memory for traveling salesman problems

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