CN116307591A - 一种基于amocs-pt的跨流域调水工程优化调度方法 - Google Patents
一种基于amocs-pt的跨流域调水工程优化调度方法 Download PDFInfo
- Publication number
- CN116307591A CN116307591A CN202310283364.4A CN202310283364A CN116307591A CN 116307591 A CN116307591 A CN 116307591A CN 202310283364 A CN202310283364 A CN 202310283364A CN 116307591 A CN116307591 A CN 116307591A
- Authority
- CN
- China
- Prior art keywords
- water
- individuals
- nest
- cross
- river
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 317
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000012546 transfer Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000005086 pumping Methods 0.000 claims description 71
- 235000005770 birds nest Nutrition 0.000 claims description 34
- 235000005765 wild carrot Nutrition 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000007812 deficiency Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000013468 resource allocation Methods 0.000 abstract 1
- 241000544061 Cuculus canorus Species 0.000 description 8
- 238000010845 search algorithm Methods 0.000 description 8
- 241000282836 Camelus dromedarius Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
Abstract
本发明公开了一种基于AMOCS‑PT的跨流域调水工程优化调度方法，包括如下步骤：首先，获取跨流域调水工程的基本资料和相关参数，对跨流域调水工程进行合理概化；其次，分析跨流域调水工程的具体任务，确定优化调度模型的目标函数和约束条件，构建跨流域调水工程多目标优化调度模型；然后，采用AMOCS‑PT求解跨流域调水工程多目标优化调度模型，获取Pareto非劣解集；最后，采用基于组合赋权的模糊优选法，在Pareto解集中确定最佳的跨流域调水工程调度运行方案。本发明实现全局寻优，有效识别高维多目标问题的高质量解集，满足自主选择最佳水资源分配方案要求。
Description
技术领域
本发明属于水利水电领域的水库调度技术领域，具体涉及一种基于AMOCS-PT的跨流域调水工程优化调度方法。
背景技术
随着跨流域调水工程的蓬勃发展，其不同工程单元的结构和各工程单元之间的水力联系变得日趋复杂，在满足工程各种实际运行约束情况下，找到一个最佳的运行方案是十分困难的。同时，社会经济的高速发展对跨流域调水工程的运行要求也不断提高，除供水任务外，大型跨流域调水工程通常具有多种功能，在每个单独的功能下都需要保持一定的水量，这导致了一系列潜在的用水矛盾。多目标进化算法通过随机生成种群，并使用迭代搜索过程来修改和进化候选种群，能够有效解决复杂的系统问题。但是部分智能优化算法在求解高维多目标优化问题时，易陷入局部搜索或得不到最优解。因此，针对复杂的跨流域调水工程优化调度模型求解问题，如何选择合理高效的优化算法或改进优化算法，值得进一步研究。
多目标布谷鸟搜索算法是一种元启发式优化算法，它通过三种主要的进化算子的迭代来完成优化任务，包括莱维飞行、偏向随机行走和贪婪选择。多目标布谷鸟搜索算法因其计算高效、优化性能好、精度高等优点，使其成为解决现实的复杂多目标优化问题的有力工具。当前，在跨流域调水工程优化调度领域中，多目标布谷鸟搜索算法的运用较少，尤其在多目标问题中，同时多目标布谷鸟搜算算法在求解高维多目标问题时存在易陷于局部最优解、非劣解分布不均等缺陷。此外，采用多目标决策方法处理非劣解集时，需要基于主客观因素相结合确定评价指标权重。
发明内容
发明目的：本发明的目的在于针对传统多目标布谷鸟搜索算法在处理高维多目标问题时容易陷入局部收敛，寻优能力不强等缺陷，提出一种基于Pareto支配关系的自适应多目标布谷鸟搜索算法(multi-objective cuckoo adaptive search algorithm basedon pareto dominance,AMOCS-PT)的跨流域调水工程优化调度方法，并采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案。
技术方案：本发明的一种基于AMOCS-PT的跨流域调水工程优化调度方法，包括以下步骤：
S1、获取跨流域调水工程的基本资料和相关参数，包括：泵站和闸门的基本特征参数、水源的水位-库容关系曲线，并根据水源、泵站和闸门之间的水力联系对跨流域调水系统进行概化；
S2、分析跨流域调水工程的具体任务，构建以抽水量最小、缺水量最小、供水均衡性最大和抽江水量最小为目标函数，以水量平衡、水源调蓄能力、泵站工作能力、控制闸站过流能力和水源控制水位为约束条件的跨流域调水工程多目标优化调度模型；
S3、采用AMOCS-PT求解跨流域调水工程多目标优化调度模型，获取Pareto非劣解集；包括：
S31、根据跨流域调水工程特点，选择水泵逐时段抽水量、水闸逐时段的下泄水量和受水区逐时段需水量为决策变量，确定水源的水位值的上下限，划分跨流域调水工程整体调度的周期时段，设置AMOCS-PT算法的基本参数；
S32、令迭代次数g＝0，采用Logistic映射初始化AMOCS-PT算法的鸟窝位置，计算抽水量、缺水量、供水均衡性和抽江水量的目标函数值，并通过非支配排序选取非支配解得到新一代鸟窝位置；
S33、采用自适应莱维飞行算子更新鸟窝Nest0的位置，并计算更新后鸟窝Nest1中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S34、合并上一代鸟窝Nest0和新一代鸟窝Nest1，计算合并后鸟窝中的所有个体的非支配排序等级，按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc1中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集的预设大小，则该层级以后的个体不再加入外部档案集中；
S35、根据自适应发现概率随机淘汰外部档案集Arc1中的鸟窝并生成新一代鸟窝Nest2，计算鸟窝Nest2中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S36、合并鸟窝Nest1和鸟窝Nest2，计算合并后鸟窝中所有个体的非支配排序等级，按照个体的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集Arc2的预设大小，则在该层级之后的个体不再加入外部档案集Arc2中，且该层级中的个体采用基于Pareto支配关系的外部档案集维护策略删除多余个体，直至该层个体个数满足要求，将当前鸟窝也记为Nest0；
S37、判断迭代次数g是否已达到最大迭代次数，若是，则终止运行并输出Pareto非劣解集；若否，则g＝g+1，返回S33继续进行；
S4、采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案。
进一步的，步骤S2中构建的跨流域调水工程多目标优化调度模型为：
minF(x)＝{f1,f2,f3,f4}
其中，F(x)是目标函数集；f1、f2、f3和f4分别表示抽水量、缺水量、供水均衡性和抽江水量；s.t是约束条件；Vt+1表示水源第t+1时段的库容；Vt表示水源第t时段的库容；It表示水源的第t+1时段的入流；Qt表示水源的第t+1时段的下泄；Vt,min和Vt,max分别表示水源第t时段的最小库容和最大库容；
表示水泵在第t个时段的抽水量；/>
表示水泵在第t个时段的最大抽水量；/>
表示水闸在第t个时段的泄水量；/>
表示水闸在第t个时段的最大泄水量。
进一步的，步骤S32具体为：
首先，采用Logistic映射计算混沌变量；然后通过反映射得到鸟窝的初始位置；最后，通过非支配排序选取非支配解得到新一代鸟窝；具体公式如下：
其中，
是第m个混沌变量，/>
是ym经过第k次迭代后产生的，m＝1,2,...,M，M表示鸟窝中个体的总数；/>
为通过反映射得到的鸟窝初始位置；lb和ub为变量范围的最小和最大值。
进一步的，步骤S33中采用自适应莱维飞行算子更新鸟窝位置的具体计算公式为：
其中，
是由当前鸟窝中第m个个体xm通过莱维飞行算子更新得到的新个体；α(g)是莱维飞行的控制参数，g是当前迭代次数；sL是符合莱维分布的步长向量；/>
为点对点乘法；xbset是当前鸟窝中的最优解；r是一个服从标准正态分布的随机向量；参数α0和ω是参数α(g)的控制参数；G是总迭代次数；u和v是两个具有正态分布的随机数，σu和σν是它们的尺度参数；β为分布参数；Г代表Gamma函数。
进一步的，步骤S35中根据自适应发现概率随机淘汰外部档案集中的鸟窝并生成新的鸟窝，具体计算公式为：
H(x)＝H(z1,z2,…,zm,…,zM)＝[H1,H2,…,Hm,…,HM]
其中，
是由莱维飞行算子更新后得到的第m个新个体/>
再次通过自适应发现概率随机淘汰更新得到的新个体；H(·)表示Heaviside函数，当zm＞0时Hm＝1，当zm≤0时，Hm＝0，m＝1,2,...,M，M表示鸟窝中个体的总数；Pa(g)是一个由鸟窝中所有个体被宿主鸟发现的概率Pa(g)组成的向量，其中，g是当前迭代次数；rand1和rand2分别是一个随机向量和一个随机数；zp和zq是从当前种群中随机抽取的两个不同解；pmin和pmax分别是参数Pa的最小和最大控制参数；c是Pa(g)的调整参数；G是总迭代次数。
进一步的，步骤S36具体包括以下步骤：
S361、将自适应发现概率更新得到的新鸟窝Nest2和更新前的上一代鸟窝Nest1进行合并，计算合并后鸟窝中所有个体的非支配排序等级，得到不同的非支配子集Fi(i＝1,2,…)；
S362、按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某个非支配子集Fi的加入使得鸟窝中的个体数量超过外部档案集Arc2的预设大小时，采用步骤S363中的选择策略删除Fi中的多余个体，将该解集Fi记为Fl，并称Fl为临界层子集；
S363、判断Fl的排序等级，若排序等级大于1，通过计算Fl中个体的超体积指标贡献度删除多余个体；若排序等级等于1，采用基于参考点的选择机制保留较好的个体。
更进一步的，步骤S363具体为：
(1)Fl排序等级大于1的环境选择：首先，将排序等级小于临界层的非支配子集直接选入下一代种群；然后，逐个移除Fl中的个体，采用HSO超体积算法计算Fl中的每个个体对外部档案集Arc2的超体积贡献度；最后，依次删除超体积指标贡献度最小的个体，直至外部档案集Arc2中保留的个体数量不超过其预设大小；
个体x的超体积贡献度计算公式如下：
ΔHV(x,P)＝HV(P)-HV(P-{x})
其中，HV(P)是集合P未移除个体x之前的超体积度量值；HV(P-{x})是将个体x从集合P中移除后解集的超体积度量值，ΔHV(x,P)是移除个体x后的超体积贡献度。
(2)Fl排序等级等于1的环境选择，采用基于参考点的选择机制，具体步骤如下：
①选取当前外部档案集Arc2中每个个体的每一维目标的最小值，作为理想点，采用自适应归一化技术将目标值进行归一化，再根据每个目标上的极值点构建超平面，采用边界交叉构造权重的方法，在标准化超平面上均匀的构造参考点集合Zs；
②计算Arc2中每个个体与参考线之间的垂直距离，将个体关联到与其垂直距离最小的那个参考点上，其中，参考线为理想点与参考点之间的连线；
③定义参考点的小生境数pj，pj定义为Arc2中与参考点j关联的个体的数量，并计算Zs中所有参考点的小生境数；
④选小生境数最小的那个参考点
如果这样的参考点不唯一，则随机选取一个，并计算在Fl中与参考点/>
关联的个体数/>
⑤如果
则在Fl中没有与参考点/>
关联的个体，那么在当前迭代过程中就不再考虑参考点/>
在Zs中选择除/>
以外的小生境数最小的其他参考点，此时更新参考点集合
并转至步骤⑦；
⑥如果Ij≠0时，分两种情况：若pj＝0，则将参考点j关联的所有个体中距离最小的个体选入下一代；否则，表示参考点j已经有关联的个体进入下一代了，多样性已经满足，此时从参考点j关联的个体中随机选择一个进入下一代；
⑦判断Arc2中的个体个数是否超过其预设大小，如果是则完成筛选；否则转到步骤④。
进一步的，步骤S4包括以下步骤：
S41、确定指标集V，并根据指标集V确定方案s指标n的特征值xsn(s＝1,2,…,S；n＝1,2,…,N)，建立相应的特征值矩阵X：
S42、基于标准化方法对上述特征值xsn进行归一化得到rsn，建立相对优属度矩阵R：
S43、根据各指标的重要程度，采用模糊组合赋权法确定各指标的组合权重W＝{w1,w2,...,wN}，即分别采用层次分析法确定各评价指标的主观权重w′，采用熵权法确定各评价指标的客观权重w″，然后基于
确定各指标的最终组合权重w；
S44、根据各指标的权重W及相对优属度矩阵R代入相对优属度
计算公式中，求得方案优选值U＝(μ1,μ2,…,μS)，优选值最大的方案即为所寻求的最佳方案。
本发明的一种基于AMOCS-PT的跨流域调水工程优化调度系统，包括：
数据采集及处理模块，用于获取跨流域调水工程的基本资料和相关参数，包括：泵站和闸门的基本特征参数、水源的水位-库容关系曲线，并根据水源、泵站和闸门之间的水力联系对跨流域调水系统进行概化；
模型构建模块，用于分析跨流域调水工程的具体任务，构建以抽水量最小、缺水量最小、供水均衡性最优和抽江水量最小为目标函数，以水量平衡、水源调蓄能力、泵站工作能力、控制闸站过流能力和水源控制水位为约束条件的跨流域调水工程多目标优化调度模型；
模型求解模块，用于采用AMOCS-PT求解跨流域调水工程多目标优化调度模型，获取Pareto非劣解集；包括：
S31、根据跨流域调水工程特点，选择水泵逐时段抽水量、水闸逐时段的下泄水量和受水区逐时段需水量为决策变量，确定水源的水位值的上下限，划分跨流域调水工程整体调度的周期时段，设置AMOCS-PT算法的基本参数；
S32、令迭代次数g＝0，采用Logistic映射初始化AMOCS-PT算法的鸟窝位置，计算抽水量、缺水量、供水均衡性和抽江水量的目标函数值，并通过非支配排序选取非支配解得到新一代鸟窝位置；
S33、采用自适应莱维飞行算子更新鸟窝Nest0的位置，并计算更新后鸟窝Nest1中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S34、合并上一代鸟窝Nest0和新一代鸟窝Nest1，计算合并后鸟窝中的所有个体的非支配排序等级，按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc1中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集的预设大小，则该层级以后的个体不再加入外部档案集中；
S35、根据自适应发现概率随机淘汰外部档案集Arc1中的鸟窝并生成新一代鸟窝Nest2，计算鸟窝Nest2中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S36、合并鸟窝Nest1和鸟窝Nest2，计算合并后鸟窝中所有个体的非支配排序等级，按照个体的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集Arc2的预设大小，则在该层级之后的个体不再加入外部档案集Arc2中，且该层级中的个体采用基于Pareto支配关系的外部档案集维护策略删除多余个体，直至该层个体个数满足要求，将当前鸟窝记为Nest0；
S37、判断迭代次数g是否已达到最大迭代次数，若是，则终止运行并输出Pareto非劣解集；若否，则g＝g+1，返回S33继续进行。
方案优化模块，用于采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案。
本发明的一种装置设备，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行上述的一种基于AMOCS-PT的跨流域调水工程优化调度方法的步骤。
有益效果：与现有技术相比，本发明具有以下显著技术效果：
(1)满足水库群多目标联合优化调度的要求；
(2)采用Logistic混沌映射代替纯随机搜索进行种群初始化，提高算法搜索空间分布的合理性和种群的多样性；
(3)在采用莱维飞行和随机发现概率进行鸟窝更新时，是根据迭代进程进行自适应调整的，避免了因参数设置随意而导致算法过早收敛到局部最优解或得不到最优解；
(4)提出一种基于Pareto支配关系的外部档案维护，通过引入超体积贡献度和基于参考点的选择机制来识别高质量的解，保证算法在求解高维多目标问题时的有效性；
(5)采用主客观权重相结合的多目标决策方法，选取跨流域调水工程的优化运行方案，增强了跨流域调水工程的多目标调度系统的自主决策能力，避免了决策过程中过度带入主观偏好。
附图说明
图1为本发明的方法流程图；
图2为跨流域调水工程系统概化图；
图3为AMOCS-PT算法流程图；
图4为南水北调东线工程优化调度方案集空间分布图；
图5为洪泽湖和骆马湖优化调度后的水位运行图。
具体实施方式
下面结合附图和具体实施例，进一步对本发明进行详细说明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明针对传统多目标布谷鸟搜索算法在处理高维多目标问题时容易陷入局部收敛，寻优能力不强等缺陷，提出了一种基于AMOCS-PT的跨流域调水工程优化调度方法，该方法采用Logistic混沌映射进行种群初始化，利用自适应发现概率和步长动态调整种群更新速度和范围，在外部档案集维护时引入超体积贡献度和参考点机制来识别高质量的解决方案，并采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案。
如图1所示，本发明的一种基于AMOCS-PT的跨流域调水工程优化调度方法，包括以下步骤：
S1、获取跨流域调水工程的基本资料和相关参数，包括：泵站和闸门的基本特征参数、水源的水位-库容关系曲线，并根据水源、泵站和闸门之间的水力联系对跨流域调水系统进行概化；
S2、分析跨流域调水工程的具体任务，构建以抽水量最小、缺水量最小、供水均衡性最优和抽江水量最小为目标函数，以水量平衡、水源调蓄能力、泵站工作能力、控制闸站过流能力和水源控制水位为约束条件的跨流域调水工程多目标优化调度模型：
minF(x)＝{f1,f2,f3,f4} (1)
其中，F(x)是目标函数集；f1、f2、f3和f4表示抽水量、缺水量、供水均衡性和抽江水量；s.t是约束条件；Vt+1表示水源第t+1时段的库容；Vt表示水源第t时段的库容；It表示水源的第t+1时段的入流；Qt表示水源的第t+1时段的下泄；Vt,min和Vt,max分别表示水源第t时段的最小库容和最大库容；
表示水泵在第t个时段的抽水量；/>
表示水泵在第t个时段的最大抽水量；/>
表示水闸在第t个时段的泄水量；/>
表示水闸在第t个时段的最大泄水量。
S3、采用AMOCS-PT求解跨流域调水工程多目标优化调度模型，获取Pareto非劣解集；如图3所示，具体步骤如下：
S31、根据跨流域调水工程特点，选择水泵逐时段抽水量、水闸逐时段的下泄水量和受水区逐时段需水量为决策变量，确定水源的水位值的上下限，划分跨流域调水工程整体调度的周期时段，设置AMOCS-PT算法的基本参数；
S32、令迭代次数g＝0，采用Logistic映射初始化AMOCS-PT算法的鸟窝位置。首先，采用计算采用Logistic映射计算混沌变量；然后通过反映射得到鸟窝的初始位置；最后，通过非支配排序选取非支配解得到新一代鸟窝Nest0。具体公式如下：
其中：
是第m个混沌变量，/>
是ym经过第k次迭代后产生的，m＝1,2,...,M，M表示鸟窝中个体的总数；/>
为通过反映射得到的鸟窝初始位置；lb和ub为变量范围的最小和最大值。
S33、采用自适应莱维飞行算子更新鸟窝Nest0的位置，具体如公式(5)～(9)所示，并计算更新后鸟窝Nest1中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
其中，
是由当前鸟窝中第m个个体xm通过莱维飞行算子更新得到的新个体；α(g)是莱维飞行的控制参数，g是当前迭代次数；sL是符合莱维分布的步长向量；/>
为点对点乘法；xbset是当前鸟窝中的最优解；r是一个服从标准正态分布的随机向量；参数α0和ω是参数α(g)的控制参数；G是总迭代次数；u和v是两个具有正态分布的随机数，σu和σν是它们的尺度参数；β为分布参数；Г代表Gamma函数。
S34、合并上一代鸟窝Nest0和新一代鸟窝Nest1，计算合并后鸟窝中的所有个体的非支配排序等级，按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc1中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集的预设大小，则该层级以后的个体不再加入外部档案集中；
S35、根据自适应发现概率随机淘汰外部档案集Arc1中的鸟窝并生成新一代鸟窝Nest2，具体如公式(10)～(12)所示，并计算鸟窝Nest2中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
H(x)＝H(z1,z2,…,zm,…,zM)＝[H1,H2,…,Hm,…,HM] (11)
其中，
是由莱维飞行算子更新后得到的第m个新个体/>
再次通过自适应发现概率随机淘汰更新得到的新个体；H(·)表示Heaviside函数，当zm＞0时Hm＝1，当zm≤0时，Hm＝0，m＝1,2,...,M，M表示鸟窝中个体的总数；Pa(g)是一个由鸟窝中所有个体被宿主鸟发现的概率Pa(g)组成的向量，其中，g是当前迭代次数；rand1和rand2分别是一个随机向量和一个随机数；zp和zq是从当前种群中随机抽取的两个不同解；pmin和pmax分别是参数Pa的最小和最大控制参数，分别设置为0.15和0.6；c是Pa(g)的调整参数，设置为5；G是总迭代次数。
S36、合并鸟窝Nest1和鸟窝Nest2，计算合并后鸟窝中所有个体的非支配排序等级，按照个体的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集Arc2的预设大小，则在该层级之后的个体不再加入外部档案集Arc2中，且该层级中的个体采用基于Pareto支配关系的外部档案集维护策略删除多余个体，直至该层个体个数满足要求，将当前鸟窝记为Nest0，具体包括以下步骤：
S361、将自适应发现概率更新得到的新鸟窝Nest2和更新前的上一代鸟窝Nest1进行合并，计算合并后鸟窝中所有个体的非支配排序等级，得到不同的非支配子集Fi(i＝1,2,…)；
S362、按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某个非支配子集Fi的加入使得鸟窝中的个体数量超过外部档案集Arc2的预设大小时，采用步骤S363中的选择策略删除Fi中的多余个体，将该解集Fi记为Fl，并称Fl为临界层子集；
S363、判断Fl的排序等级，若排序等级大于1，通过计算Fl中个体的超体积指标贡献度删除多余个体；若排序等级等于1，采用基于参考点的选择机制保留较好的个体。
具体如下：
(1)Fl排序等级大于1的环境选择：首先，将排序等级小于临界层的非支配子集直接选入下一代种群；然后，逐个移除Fl中的个体，采用HSO超体积算法计算Fl中的每个个体对外部档案集Arc2的超体积贡献度；最后，依次删除超体积指标贡献度最小的个体，直至外部档案集Arc2中保留的个体数量不超过其预设大小；
个体x的超体积贡献度计算公式如下：
ΔHV(x,P)＝HV(P)-HV(P-{x}) (13)
其中，HV(P)是集合P未移除个体x之前的超体积度量值；HV(P-{x})是将个体x从集合P中移除后解集的超体积度量值，ΔHV(x,P)是移除个体x后的超体积贡献度。
(2)Fl排序等级等于1的环境选择，采用基于参考点的选择机制，具体步骤如下：
①选取当前外部档案集Arc2中每个个体的每一维目标的最小值，作为理想点，采用自适应归一化技术将目标值进行归一化，再根据每个目标上的极值点构建超平面，采用边界交叉构造权重的方法，在标准化超平面上均匀的构造参考点集合Zs；
②计算Arc2中每个个体与参考线之间的垂直距离，将个体关联到与其垂直距离最小的那个参考点上，其中，参考线为理想点与参考点之间的连线；
③定义参考点的小生境数pj，pj定义为Arc2中与参考点j关联的个体的数量，并计算Zs中所有参考点的小生境数；
④选小生境数最小的那个参考点
如果这样的参考点不唯一，则随机选取一个，并计算在Fl中与参考点/>
关联的个体数/>
⑤如果
则在Fl中没有与参考点/>
关联的个体，那么在当前迭代过程中就不再考虑参考点/>
在Zs中选择除/>
以外的小生境数最小的其他参考点，此时更新参考点集合
并转至步骤⑦；
⑥如果
时，分两种情况：若pj＝0，则将参考点j关联的所有个体中距离最小的个体选入下一代；否则，表示参考点j已经有关联的个体进入下一代了，多样性已经满足，此时从参考点j关联的个体中随机选择一个进入下一代；
⑦判断Arc2中的个数是否超过其预设大小，如果是则完成个体筛选；否则转到步骤④。
S37、判断迭代次数g是否已达到最大迭代次数，若是，则终止运行并输出Pareto非劣解集；若否，则g＝g+1，返回S33继续进行。
S4、采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案；包括以下步骤：
S41、确定指标集V，并根据指标集V确定方案s指标n的特征值xsn(s＝1,2,…,S；n＝1,2,…,N)，建立相应的特征值矩阵X：
S42、基于标准化方法对上述特征值xsn进行归一化得到rsn，建立相对优属度矩阵R：
S43、根据各指标的重要程度，采用模糊组合赋权法确定各指标的组合权重W＝{w1,w2,...,wN}，即分别采用层次分析(AHP)法确定各评价指标的主观权重w′，采用熵权法确定各评价指标的客观权重w″，然后基于
确定各指标的最终组合权重w；
S44、根据各指标的权重W及相对优属度矩阵R代入相对优属度
计算公式中，求得方案优选值U＝(μ1,μ2,…,μS)，优选值最大的方案即为所寻求的最佳方案。
本发明的一种基于AMOCS-PT的跨流域调水工程优化调度系统，包括：
数据采集及处理模块，用于获取跨流域调水工程的基本资料和相关参数，包括：各工程单元的基本特征参数、水源工程的水位-库容关系曲线，并根据各水源和输配水工程之间的水力联系对跨流域调水系统进行概化；
模型构建模块，用于分析跨流域调水工程的具体任务，构建以抽水量最小、缺水量最小、供水均衡性最优为目标函数，以水量平衡、水源调蓄能力、泵站工作能力、控制闸站过流能力、水源控制水位为约束条件的跨流域调水工程多目标优化调度模型；
模型求解模块，用于采用AMOCS-PT求解跨流域调水工程多目标优化调度模型，获取Pareto非劣解集；包括：
S31、根据跨流域调水工程特点，选择水泵逐时段抽水量、水闸逐时段的下泄水量和受水区逐时段需水量为决策变量，确定水源的水位值的上下限，划分跨流域调水工程整体调度的周期时段，设置AMOCS-PT算法的基本参数；
S32、令迭代次数g＝0，采用Logistic映射初始化AMOCS-PT算法的鸟窝位置，计算抽水量、缺水量、供水均衡性和抽江水量的目标函数值，并通过非支配排序选取非支配解得到新一代鸟窝位置；
S33、采用自适应莱维飞行算子更新鸟窝Nest0的位置，并计算更新后鸟窝Nest1中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S34、合并上一代鸟窝Nest0和新一代鸟窝Nest1，计算合并后鸟窝中的所有个体的非支配排序等级，按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc1中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集的预设大小，则该层级以后的个体不再加入外部档案集中；
S35、根据自适应发现概率随机淘汰外部档案集Arc1中的鸟窝并生成新一代鸟窝Nest2，计算鸟窝Nest2中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S36、合并鸟窝Nest1和鸟窝Nest2，计算合并后鸟窝中所有个体的非支配排序等级，按照个体的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集Arc2的预设大小，则在该层级之后的个体不再加入外部档案集Arc2中，且该层级中的个体采用基于Pareto支配关系的外部档案集维护策略删除多余个体，直至该层个体个数满足要求，将当前鸟窝记为Nest0；
S37、判断迭代次数g是否已达到最大迭代次数，若是，则终止运行并输出Pareto非劣解集；若否，则g＝g+1，返回S33继续进行。
方案优化模块，用于采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案。
本发明的一种装置设备，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行如上述的一种基于AMOCS-PT的跨流域调水工程优化调度方法的步骤，并能实现上述方法的技术效果。
实施例
现以南水北调东线工程江苏段优化调度为例，说明本发明方法的合理性与有效性。南水北调东线工程江苏段位于32°15′-34°30′N和117°00′-119°45′E之间。工程涉及供水范围62000km2，共包括长江、洪泽湖和骆马湖3个水源、2条输水线路(运西河和运河线)和14座泵站。洪泽湖和骆马湖的死水位为11.3m和21m，正常蓄水位为13.5m和23m，汛限水位为12.5m和22.5m，南水北调东线工程的水泵和水闸的参数如表1所示。
表1南水北调东线工程江苏段的水泵和水闸参数
本发明将以各受水区的供水量和水泵的抽水量为决策变量，采用AMOCS-PT进行优化调度，实现跨流域调水工程总抽水量最小、供水保证率最大、抽江水量最小、各受水区逐时段标准差最小为目标，以水量平衡、湖泊水位限制、泵站工作能力、控制闸站过流能力等为约束条件。确定AMOCS-PT算法的具体参数设置为：种群规模为500，最大迭代次数为10000，外部归档集规模为500，选取典型平水年进行优化调度，调度方案集空间分布如图4所示。由图4可知，调度方案集在空间分布呈现明显竞争关系，调度方案分布广泛且均匀，总抽水量最小、供水保证率最大、抽江水量最小、各受水区逐时段标准差四个目标之间相互制约、相互冲突，特别是总抽水量最小和供水保证率最大两个目标之间存在明显的反比关系，因此采用AMOCS-PT算法求解的水库群优化调度方案集是合理有效的。基于Pareto非劣解集，采用组合赋权的模糊优选法确定水库群最佳调度方案，对应的总抽水量、供水保证率、抽江水量和各受水区逐时段标准差的目标值为71.13亿m3、71％、9.55亿m3和0.19，洪泽湖和骆马湖优化运行水位如图5中(a)和(b)所示。
Claims (10)
1.一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，包括以下步骤：
S1、获取跨流域调水工程的基本资料和相关参数，包括：泵站和闸门的基本特征参数、水源的水位-库容关系曲线，并根据水源、泵站和闸门之间的水力联系对跨流域调水系统进行概化；
S2、分析跨流域调水工程的具体任务，构建以抽水量最小、缺水量最小、供水均衡性最大和抽江水量最小为目标函数，以水量平衡、水源调蓄能力、泵站工作能力、控制闸站过流能力和水源控制水位为约束条件的跨流域调水工程多目标优化调度模型；
S3、采用AMOCS-PT求解跨流域调水工程多目标优化调度模型，获取Pareto非劣解集；包括：
S31、根据跨流域调水工程特点，选择水泵逐时段抽水量、水闸逐时段的下泄水量和受水区逐时段需水量为决策变量，确定水源的水位值的上下限，划分跨流域调水工程整体调度的周期时段，设置AMOCS-PT算法的基本参数；
S32、令迭代次数g＝0，采用Logistic映射初始化AMOCS-PT算法的鸟窝位置，计算抽水量、缺水量、供水均衡性和抽江水量的目标函数值，并通过非支配排序选取非支配解得到新一代鸟窝位置；
S33、采用自适应莱维飞行算子更新鸟窝Nest0的位置，并计算更新后鸟窝Nest1中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S34、合并上一代鸟窝Nest0和新一代鸟窝Nest1，计算合并后鸟窝中的所有个体的非支配排序等级，按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc1中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集的预设大小，则该层级以后的个体不再加入外部档案集中；
S35、根据自适应发现概率随机淘汰外部档案集Arc1中的鸟窝并生成新一代鸟窝Nest2，计算鸟窝Nest2中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S36、合并鸟窝Nest1和鸟窝Nest2，计算合并后鸟窝中所有个体的非支配排序等级，按照个体的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集Arc2的预设大小，则在该层级之后的个体不再加入外部档案集Arc2中，且该层级中的个体采用基于Pareto支配关系的外部档案集维护策略删除多余个体，直至该层个体个数满足要求，将当前鸟窝也记为Nest0；
S37、判断迭代次数g是否已达到最大迭代次数，若是，则终止运行并输出Pareto非劣解集；若否，则g＝g+1，返回S33继续进行；
S4、采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案。
2.根据权利要求1所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，步骤S2中构建的跨流域调水工程多目标优化调度模型为：
minF(x)＝{f1,f2,f3,f4}
其中，F(x)是目标函数集；f1、f2、f3和f4分别表示抽水量、缺水量、供水均衡性和抽江水量；s.t是约束条件；Vt+1表示水源第t+1时段的库容；Vt表示水源第t时段的库容；It表示水源的第t+1时段的入流；Qt表示水源的第t+1时段的下泄；Vt,min和Vt,max分别表示水源第t时段的最小库容和最大库容；
表示水泵在第t个时段的抽水量；/>
表示水泵在第t个时段的最大抽水量；/>
表示水闸在第t个时段的泄水量；/>
表示水闸在第t个时段的最大泄水量。
3.根据权利要求1所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，步骤S32具体为：
首先，采用Logistic映射计算混沌变量；然后通过反映射得到鸟窝的初始位置；最后，通过非支配排序选取非支配解得到新一代鸟窝；具体公式如下：
其中，
是第m个混沌变量，/>
是ym经过第k次迭代后产生的，m＝1,2,...,M，M表示鸟窝中个体的总数；/>
为通过反映射得到的鸟窝初始位置；lb和ub为变量范围的最小和最大值。
4.根据权利要求1所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，步骤S33中采用自适应莱维飞行算子更新鸟窝位置的具体计算公式为：
其中，
是由当前鸟窝中第m个个体xm通过莱维飞行算子更新得到的新个体；α(g)是莱维飞行的控制参数，g是当前迭代次数；sL是符合莱维分布的步长向量；/>
为点对点乘法；xbset是当前鸟窝中的最优解；r是一个服从标准正态分布的随机向量；参数α0和ω是参数α(g)的控制参数；G是总迭代次数；u和v是两个具有正态分布的随机数，σu和σν是它们的尺度参数；β为分布参数；Г代表Gamma函数。
5.根据权利要求1所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，步骤S35中根据自适应发现概率随机淘汰外部档案集中的鸟窝并生成新的鸟窝，具体计算公式为：
H(x)＝H(z1,z2,…,zm,…,zM)＝[H1,H2,…,Hm,…,HM]
其中，
是由莱维飞行算子更新后得到的第m个新个体/>
再次通过自适应发现概率随机淘汰更新得到的新个体；H(·)表示Heaviside函数，当zm＞0时Hm＝1，当zm≤0时，Hm＝0，m＝1,2,...,M，M表示鸟窝中个体的总数；Pa(g)是一个由鸟窝中所有个体被宿主鸟发现的概率Pa(g)组成的向量，其中，g是当前迭代次数；rand1和rand2分别是一个随机向量和一个随机数；zp和zq是从当前种群中随机抽取的两个不同解；pmin和pmax分别是参数Pa的最小和最大控制参数；c是Pa(g)的调整参数；G是总迭代次数。
6.根据权利要求1所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，步骤S36具体包括以下步骤：
S361、将自适应发现概率更新得到的新鸟窝Nest2和更新前的上一代鸟窝Nest1进行合并，计算合并后鸟窝中所有个体的非支配排序等级，得到不同的非支配子集Fi(i＝1,2,…)；
S362、按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某个非支配子集Fi的加入使得鸟窝中的个体数量超过外部档案集Arc2的预设大小时，采用步骤S363中的选择策略删除Fi中的多余个体，将该解集Fi记为Fl，并称Fl为临界层子集；
S363、判断Fl的排序等级，若排序等级大于1，通过计算Fl中个体的超体积指标贡献度删除多余个体；若排序等级等于1，采用基于参考点的选择机制保留较好的个体。
7.根据权利要求6所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，步骤S363具体为：
(1)Fl排序等级大于1的环境选择：首先，将排序等级小于临界层的非支配子集直接选入下一代种群；然后，逐个移除Fl中的个体，采用HSO超体积算法计算Fl中的每个个体对外部档案集Arc2的超体积贡献度；最后，依次删除超体积指标贡献度最小的个体，直至外部档案集Arc2中保留的个体数量不超过其预设大小；
个体x的超体积贡献度计算公式如下：
ΔHV(x,P)＝HV(P)-HV(P-{x})
其中，HV(P)是集合P未移除个体x之前的超体积度量值；HV(P-{x})是将个体x从集合P中移除后解集的超体积度量值，ΔHV(x,P)是移除个体x后的超体积贡献度。
(2)Fl排序等级等于1的环境选择，采用基于参考点的选择机制，具体步骤如下：
①选取当前外部档案集Arc2中每个个体的每一维目标的最小值，作为理想点，采用自适应归一化技术将目标值进行归一化，再根据每个目标上的极值点构建超平面，采用边界交叉构造权重的方法，在标准化超平面上均匀的构造参考点集合Zs；
②计算Arc2中每个个体与参考线之间的垂直距离，将个体关联到与其垂直距离最小的那个参考点上，其中，参考线为理想点与参考点之间的连线；
③定义参考点的小生境数pj，pj定义为Arc2中与参考点j关联的个体的数量，并计算Zs中所有参考点的小生境数；
④选小生境数最小的那个参考点
如果这样的参考点不唯一，则随机选取一个，并计算在Fl中与参考点/>
关联的个体数/>
⑤如果
则在Fl中没有与参考点/>
关联的个体，那么在当前迭代过程中就不再考虑参考点/>
在Zs中选择除/>
以外的小生境数最小的其他参考点，此时更新参考点集合
并转至步骤⑦；
⑥如果
时，分两种情况：若pj＝0，则将参考点j关联的所有个体中距离最小的个体选入下一代；否则，表示参考点j已经有关联的个体进入下一代了，多样性已经满足，此时从参考点j关联的个体中随机选择一个进入下一代；
⑦判断Arc2中的个体个数是否超过其预设大小，如果是则完成筛选；否则转到步骤④。
8.根据权利要求1所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法，其特征在于，步骤S4包括以下步骤：
S41、确定指标集V，并根据指标集V确定方案s指标n的特征值xsn(s＝1,2,…,S；n＝1,2,…,N)，建立相应的特征值矩阵X：
S42、基于标准化方法对上述特征值xsn进行归一化得到rsn，建立相对优属度矩阵R：
S43、根据各指标的重要程度，采用模糊组合赋权法确定各指标的组合权重W＝{w1,w2,...,wN}，即分别采用层次分析法确定各评价指标的主观权重w′，采用熵权法确定各评价指标的客观权重w″，然后基于
确定各指标的最终组合权重w；
S44、根据各指标的权重W及相对优属度矩阵R代入相对优属度
计算公式中，求得方案优选值U＝(μ1,μ2,…,μS)，优选值最大的方案即为所寻求的最佳方案。
9.一种基于AMOCS-PT的跨流域调水工程优化调度系统，其特征在于，包括：
数据采集及处理模块，用于获取跨流域调水工程的基本资料和相关参数，包括：泵站和闸门的基本特征参数、水源的水位-库容关系曲线，并根据水源、泵站和闸门之间的水力联系对跨流域调水系统进行概化；
模型构建模块，用于分析跨流域调水工程的具体任务，构建以抽水量最小、缺水量最小、供水均衡性最优和抽江水量最小为目标函数，以水量平衡、水源调蓄能力、泵站工作能力、控制闸站过流能力和水源控制水位为约束条件的跨流域调水工程多目标优化调度模型；
模型求解模块，用于采用AMOCS-PT求解跨流域调水工程多目标优化调度模型，获取Pareto非劣解集；包括：
S31、根据跨流域调水工程特点，选择水泵逐时段抽水量、水闸逐时段的下泄水量和受水区逐时段需水量为决策变量，确定水源的水位值的上下限，划分跨流域调水工程整体调度的周期时段，设置AMOCS-PT算法的基本参数；
S32、令迭代次数g＝0，采用Logistic映射初始化AMOCS-PT算法的鸟窝位置，计算抽水量、缺水量、供水均衡性和抽江水量的目标函数值，并通过非支配排序选取非支配解得到新一代鸟窝位置；
S33、采用自适应莱维飞行算子更新鸟窝Nest0的位置，并计算更新后鸟窝Nest1中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S34、合并上一代鸟窝Nest0和新一代鸟窝Nest1，计算合并后鸟窝中的所有个体的非支配排序等级，按照鸟窝的非支配排序等级从小到大依次加入外部档案集合Arc1中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集的预设大小，则该层级以后的个体不再加入外部档案集中；
S35、根据自适应发现概率随机淘汰外部档案集Arc1中的鸟窝并生成新一代鸟窝Nest2，计算鸟窝Nest2中所有个体对应的抽水量、缺水量、供水均衡性和抽江水量的目标函数值；
S36、合并鸟窝Nest1和鸟窝Nest2，计算合并后鸟窝中所有个体的非支配排序等级，按照个体的非支配排序等级从小到大依次加入外部档案集合Arc2中，当某一等级的个体加入使得鸟窝中个体的数量超过外部档案集Arc2的预设大小，则在该层级之后的个体不再加入外部档案集Arc2中，且该层级中的个体采用基于Pareto支配关系的外部档案集维护策略删除多余个体，直至该层个体个数满足要求，将当前鸟窝记为Nest0；
S37、判断迭代次数g是否已达到最大迭代次数，若是，则终止运行并输出Pareto非劣解集；若否，则g＝g+1，返回S33继续进行。
方案优化模块，用于采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳跨流域调水工程调度运行方案。
10.一种装置设备，其特征在于，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行如权利要求1-8任一项所述的一种基于AMOCS-PT的跨流域调水工程优化调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283364.4A CN116307591A (zh) | 2023-03-22 | 2023-03-22 | 一种基于amocs-pt的跨流域调水工程优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283364.4A CN116307591A (zh) | 2023-03-22 | 2023-03-22 | 一种基于amocs-pt的跨流域调水工程优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116307591A true CN116307591A (zh) | 2023-06-23 |
Family
ID=86790152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310283364.4A Pending CN116307591A (zh) | 2023-03-22 | 2023-03-22 | 一种基于amocs-pt的跨流域调水工程优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307591A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217440A (zh) * | 2023-08-16 | 2023-12-12 | 长江水利委员会长江科学院 | 基于可行策略的引调水工程多目标水量优化调度求解方法 |
| CN117557066A (zh) * | 2024-01-09 | 2024-02-13 | 陕西省水利电力勘测设计研究院 | 一种基于多维均衡调蓄的跨流域调水工程优化调度方法 |
| CN117592758A (zh) * | 2024-01-16 | 2024-02-23 | 陕西省水利电力勘测设计研究院 | 一种多个跨流域调水格局的联合调度方法 |
-
2023
- 2023-03-22 CN CN202310283364.4A patent/CN116307591A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217440A (zh) * | 2023-08-16 | 2023-12-12 | 长江水利委员会长江科学院 | 基于可行策略的引调水工程多目标水量优化调度求解方法 |
| CN117217440B (zh) * | 2023-08-16 | 2024-03-26 | 长江水利委员会长江科学院 | 基于可行策略的引调水工程多目标水量优化调度求解方法 |
| CN117557066A (zh) * | 2024-01-09 | 2024-02-13 | 陕西省水利电力勘测设计研究院 | 一种基于多维均衡调蓄的跨流域调水工程优化调度方法 |
| CN117557066B (zh) * | 2024-01-09 | 2024-05-03 | 陕西省水利电力勘测设计研究院 | 一种基于多维均衡调蓄的跨流域调水工程优化调度方法 |
| CN117592758A (zh) * | 2024-01-16 | 2024-02-23 | 陕西省水利电力勘测设计研究院 | 一种多个跨流域调水格局的联合调度方法 |
| CN117592758B (zh) * | 2024-01-16 | 2024-04-12 | 陕西省水利电力勘测设计研究院 | 一种多个跨流域调水格局的联合调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116307591A (zh) | 一种基于amocs-pt的跨流域调水工程优化调度方法 | |
| CN109670650B (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
| CN105809279B (zh) | 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 | |
| Afshar et al. | Optimizing multi-reservoir operation rules: an improved HBMO approach | |
| CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
| CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
| CN107370188A (zh) | 一种计及风电出力的电力系统多目标调度方法 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
| CN111724003B (zh) | 一种基于“分区-分级”理论的复杂水资源系统优化配置方法 | |
| Liu et al. | Chaos-assisted multi-population salp swarm algorithms: Framework and case studies | |
| CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
| CN107203687A (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
| CN112926825B (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 | |
| CN113708969A (zh) | 一种基于深度强化学习的云数据中心虚拟网络的协同嵌入方法 | |
| CN112149990B (zh) | 一种基于预测的模糊供需匹配方法 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN116029405A (zh) | 一种基于灌区渠系的多目标动态配水方法 | |
| CN106228235B (zh) | 一种顾及格局与过程耦合效应的土地利用空间优化配置方法 | |
| CN113313322B (zh) | Moea/d挤压工艺参数多目标优化方法及装置 | |
| CN117349732A (zh) | 基于人工智能的高流量湿化治疗仪管理方法及系统 | |
| CN116663740A (zh) | 一种多水库、多线路、多受水区的跨流域调水工程联合调度规则优化方法 | |
| CN112182951A (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| CN116957262A (zh) | 一种基于三进程耦合的园区综合能源系统的优化调度方法 | |
| CN109492744A (zh) | 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法 | |
| CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 |
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 |