專利名稱：一種基于多目標遺傳算法的調(diào)度函數(shù)優(yōu)化方法
技術(shù)領域：
本發(fā)明涉及一種基于多目標遺傳算法的調(diào)度函數(shù)優(yōu)化方法，是ー種梯級水庫群優(yōu)化調(diào)度方法，是ー種考慮多目標優(yōu)化的梯級水庫群調(diào)度函數(shù)優(yōu)化模型構(gòu)建及求解方法。
背景技術(shù)：
目前，國內(nèi)外研究的梯級水庫群優(yōu)化調(diào)度多是以單目標建立優(yōu)化模型，這樣可降低梯級優(yōu)化調(diào)度的難度，但同時也忽視了水電站可開發(fā)的綜合效益，導致研究結(jié)果極端、單一。水庫優(yōu)化調(diào)度中，僅考慮提高水電站的發(fā)電效益，就包含發(fā)電量最大、耗水量最小、蓄能最大等研究目標，而這些目標往往又是相悖的，追求其中一個目標最大，會造成另一目標的減小，整體利益無法得到最優(yōu)級體現(xiàn)。水電站水庫優(yōu)化調(diào)度的目的是制定優(yōu)化調(diào)度規(guī)則，指導水電站運行，從而獲得較好的效益。在來水確定的情況下，可以利用確定性優(yōu)化方法得出水庫運行結(jié)果，然后 利用回歸分析制定水庫調(diào)度函數(shù)。由于這種方法將統(tǒng)ー的優(yōu)化問題分解為兩個獨立的過程分別尋優(yōu)，往往導致計算結(jié)果背離原問題的真實最優(yōu)解；同吋，由于在回歸過程中難以考慮保證出力等約束，所以該方法制定的調(diào)度函數(shù)在指導水電站水庫運行吋，會出現(xiàn)水庫正常運行破壞較多的不利狀況。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)的問題，本發(fā)明提出了一種基于多目標遺傳算法的調(diào)度函數(shù)優(yōu)化方法。所述方法使用多目標粒子群算法M0PS0，代替線性回歸，有效的保證了水庫的正常運行。本發(fā)明的目的是這樣實現(xiàn)的一種基于多目標遺傳算法的調(diào)度函數(shù)優(yōu)化方法，所述方法的步驟如下
設定調(diào)度函數(shù)形式用于假設調(diào)度函數(shù)是線性的，假設影響水電站水庫時段決策的主要因素為該水庫在時段初的水庫存水狀態(tài)
'T (水位或庫容)和該時段的入庫徑流決策變量(通?？扇闀r段末水位、庫容、時段下泄流量或時段發(fā)電出力)是時段初水庫存水和入庫徑流的函數(shù)，即ut = a + hlt +cWt ；
決策變量設定用于將每個調(diào)度時段調(diào)度函數(shù)的參數(shù)作為優(yōu)化的決策變量；
多目標粒子群算法MOPSO計算調(diào)度規(guī)則多目標粒子群算法MOPSO計算過程包括以下子步驟
初始化
①隨機生成粒子群popVar，種群規(guī)模為M；
②粒子初速度V(M);
③計算每個粒子對應多目標的適應值；④初始化粒子歷史最優(yōu)位置pBest=popVar;
⑤初始化粒子全局誰有位置gBest;
創(chuàng)建外部Archive,以popVar中非支配粒子位置信息在Archive中創(chuàng)建副本；
迭代初始化Iter=O;
①計算擁擠距離，當Archive中非支配解個數(shù)超過I時，計算擁擠距離并降序排列；
②更新速度，V(M) =0. 4* V (M)+Rl* (pBest (M) -popVar (M)+R2* (gBest (A)-P(M));
③更新粒子位置，P(M)= P (M) + V (M)；
④限制粒子位置范圍，將更新后超出位置范圍的粒子保持在邊界上并改變速度方向；
⑤突變變異，變異概率為Mu，當進化代數(shù)Iter< IterM*Mu時進行變異操作；
⑥評價，計算變異后生成每個粒子對應多目標的適應值；
⑦更新Archive解集；
⑧檢測迭代次數(shù)，如果Iter< IterM則回到“計算擁擠距離”，如果Iter ^ IterM則結(jié)束計算。本發(fā)明產(chǎn)生的有益效果是本發(fā)明采用的粒子群算法，代替線性回歸。所述的粒子群算法(Particle Swarm Optimization, PS0)是ー種基于集群智能理論的隨機全局優(yōu)化進化算法。該算法具有流程簡單易實現(xiàn)、算法參數(shù)少、收斂速度快等優(yōu)點而被廣泛采用；但PSO也有自身的缺陷，第一就是局部收斂即早熟問題，第二是后期收斂速度慢的問題。將其應用于水庫調(diào)度函數(shù)的生成上，利用所建立的調(diào)度函數(shù)，優(yōu)化出最優(yōu)參數(shù)，得到水庫最優(yōu)調(diào)度函數(shù)。


下面結(jié)合附圖和實施例對本發(fā)明作進ー步說明。圖I是本發(fā)明的實施例一所述M0PS0算法計算流程圖。
具體實施例方式實施例一
本實施例是ー種基于多目標遺傳算法的調(diào)度函數(shù)優(yōu)化方法。其基本原理如下
I)調(diào)度函數(shù)形式
水庫群中，任一水庫某時段的決策不但取決于水庫該時段天然來水和水庫初狀態(tài)，還取決于水庫群中其它各庫在該時段的天然來水和水庫初狀態(tài)，且是非線性的函數(shù)關系。深入研究發(fā)現(xiàn)，決策(出力、時段末水位和發(fā)電流量)受高階非線性影響并不明顯，在工程允許計算誤差范圍內(nèi)，可以視為線性關系。從計算角度看，從ー組數(shù)據(jù)中辨識出決策函數(shù)，如果待辨識的參數(shù)過多，而數(shù)據(jù)有限，有可能得不到ー個唯一的函數(shù)；如果階數(shù)過高，還可能出現(xiàn)過擬合現(xiàn)象。因此，一般假設調(diào)度函數(shù)是線性的，假設影響水電站水庫時段決策的主要
因素為該水庫在時段初的水庫存水狀態(tài)％ (水位或庫容)和該時段的入庫徑流*^，決策變
量(通?？扇闀r段末水位、庫容、時段下泄流量或時段發(fā)電出力)是時段初水庫存水和入庫徑流的函數(shù)。即ut = a-bblt -￥ c Wt
2)決策變量設定
針對上述調(diào)度函數(shù)隱式優(yōu)化方法求解多目標問題時采取權(quán)重控制帶來的隨意性問題，本文提出一種采用多目標啟發(fā)式優(yōu)化方法的調(diào)度函數(shù)直接優(yōu)化方法。該方法把每個調(diào)度時段調(diào)度函數(shù)的參數(shù)作為優(yōu)化的決策變量，如一年有36個旬調(diào)度時段，每個時段3個決策變量，一年的調(diào)度函數(shù)就有108個決策變量。3 )多目標粒子群算法MOPSO
多目標粒子群優(yōu)化算法(MOPSO)是PSO算法在多目標優(yōu)化領域應用的一種改進算法。MOPSO算法中g(shù)Best和pBest的概念進行了重新定義。對于群體中的每個粒子可能也沒有曾經(jīng)到達的最好位置(即pBest)。MOPSO中引進了外部集、擁擠距離和突變變異使Pareto解集能迅速收斂到最優(yōu)面且均勻分布。外部集是存儲種群中的非支配粒子的規(guī)模固定的集 合，個體的密度信息是其選擇的主要依據(jù)。變異可以防止過早收斂提高算法性能。MOPSO算法計算流程圖如圖I所示。本實施例所述方法的具體步驟如下
設定調(diào)度函數(shù)形式用于假設調(diào)度函數(shù)是線性的，假設影響水電站水庫時段決策的主要因素為該水庫在時段初的水庫存水狀杏,T (水位或庫容)和該時段的入庫徑流A，決策
變量(通?？扇闀r段末水位、庫容、時段下泄流量或時段發(fā)電出力)是時段初水庫存水和入庫徑流的函數(shù)，即
決策變量設定用于將每個調(diào)度時段調(diào)度函數(shù)的參數(shù)作為優(yōu)化的決策變量；
多目標粒子群算法MOPSO計算調(diào)度規(guī)則多目標粒子群算法MOPSO計算過程包括以下子步驟
初始化
①隨機生成粒子群popVar，種群規(guī)模為M；
②粒子初速度V(M);
③計算每個粒子對應多目標的適應值；
④初始化粒子歷史最優(yōu)位置pBest=popVar;
⑤初始化粒子全局誰有位置gBest;
創(chuàng)建外部Archive,以popVar中非支配粒子位置信息在Archive中創(chuàng)建副本；
迭代初始化Iter=O;
①計算擁擠距離，當Archive中非支配解個數(shù)超過I時，計算擁擠距離并降序排列；
②更新速度，V(M) =0. 4* V (M)+Rl* (pBest (M) -popVar (M)+R2* (gBest (A)-P(M));
③更新粒子位置，P(M)= P (M) + V (M)；
④限制粒子位置范圍，將更新后超出位置范圍的粒子保持在邊界上并改變速度方向；
⑤突變變異，變異概率為Mu，當進化代數(shù)Iter< IterM*Mu時進行變異操作；
⑥評價，計算變異后生成每個粒子對應多目標的適應值；
⑦更新Archive解集；⑧檢測迭代次數(shù)，如果Iter < IterM則回到“計算擁擠距離”，如果Iter ^ IterM則結(jié)束計算。最后應說明的是，以上僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳布置方案對本發(fā)明進行了詳細說明，本領域的 普通技術(shù)人員應當理解，可以對本發(fā)明的技術(shù)方案(比如步驟的先后順序等)進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍。
權(quán)利要求
1.一種基于多目標遺傳算法的調(diào)度函數(shù)優(yōu)化方法，其特征在于所述方法的步驟如下設定調(diào)度函數(shù)形式用于假設調(diào)度函數(shù)是線性的，假設影響水電站水庫時段決策的主要因素為該水庫在時段初的水庫存水狀態(tài)Wt (水位或庫容)和該時段的入庫徑流決策變量4 (通?？扇闀r段末水位、庫容、時段下泄流量或時段發(fā)電出力)是時段初水庫存水和入庫徑流的函數(shù)，即=a + Mt + cWt ■ 決策變量設定用于將每個調(diào)度時段調(diào)度函數(shù)的參數(shù)作為優(yōu)化的決策變量； 多目標粒子群算法MOPSO計算調(diào)度規(guī)則多目標粒子群算法MOPSO計算過程包括以下子步驟 初始化 ①隨機生成粒子群popVar，種群規(guī)模為M； ②粒子初速度V(M); ③計算每個粒子對應多目標的適應值； ④初始化粒子歷史最優(yōu)位置pBest=popVar; ⑤初始化粒子全局誰有位置gBest; 創(chuàng)建外部Archive,以popVar中非支配粒子位置信息在Archive中創(chuàng)建副本； 迭代初始化Iter=O; ①計算擁擠距離，當Archive中非支配解個數(shù)超過I時，計算擁擠距離并降序排列； ②更新速度，V(M) =0. 4* V (M)+Rl* (pBest (M) -popVar (M)+R2* (gBest (A) -P(M)); ③更新粒子位置，P(M)= P (M) + V (M)； ④限制粒子位置范圍，將更新后超出位置范圍的粒子保持在邊界上并改變速度方向； ⑤突變變異，變異概率為Mu，當進化代數(shù)Iter< IterM^Mu時進行變異操作； ⑥評價，計算變異后生成每個粒子對應多目標的適應值； ⑦更新Archive解集； ⑧檢測迭代次數(shù)，如果Iter< IterM則回到“計算擁擠距離”，如果Iter ^ IterM則結(jié)束計算。
全文摘要
本發(fā)明涉及一種基于多目標遺傳算法的調(diào)度函數(shù)優(yōu)化方法，所述方法的步驟如下設定調(diào)度函數(shù)形式；決策變量設定；多目標粒子群算法MOPSO計算調(diào)度規(guī)則多目標粒子群算法MOPSO計算過程包括初始化；創(chuàng)建外部Archive，以popVar中非支配粒子位置信息在Archive中創(chuàng)建副本；迭代。本發(fā)明采用的粒子群算法，代替線性回歸。所述算法具有流程簡單易實現(xiàn)、算法參數(shù)少、收斂速度快等優(yōu)點而被廣泛采用。將其應用于水庫調(diào)度函數(shù)的生成上，利用所建立的調(diào)度函數(shù)，優(yōu)化出最優(yōu)參數(shù)，得到水庫最優(yōu)調(diào)度函數(shù)。
文檔編號G06F17/50GK102708248SQ20121014272
公開日2012年10月3日 申請日期2012年5月10日 優(yōu)先權(quán)日2012年5月10日
發(fā)明者于茜, 張云輝, 李獻新, 林旭, 王旭, 胡宇豐, 蘇景輝, 郭易, 雷曉輝, 高力書 申請人:中國水利水電科學研究院, 湖北省電力公司