买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于多约束耦合的水库群多目标智能优化调度方法，属于水库优化调度技术领域，首先构建梯级水库群大规模多目标调度模型；然后确定模型及算法的计算参数，创建初始寻优种群；最后构建基于多约束耦合的水库群多目标智能优化调度方法求解水库最优调度方案，通过多核自适应并行分配策略的分工机制匹配、双种群协同优化策略的收敛‑多样性均衡发展以及动态联合约束处理策略的多约束机制耦合等策略的有机结合，从而快速、高效的得到一组收敛性好、分布性广以及可行性强的调度方案集合，在均衡全局搜索和局部开发的同时，有效提升优化算法处理复杂约束工程问题的效率和精度，为解决水库群大规模多目标复杂工程问题提供了有效的技术方法。

主权项：1.一种基于多约束耦合的水库群多目标智能优化调度方法，其特征在于，包括以下步骤：步骤1、基于水库基本信息数据，构建最大防洪库容安全保证准则、防洪断面最大削峰准则、以及发电量最大准则的梯级水库群大规模多目标调度模型；同时对该梯级水库群大规模多目标调度模型添加约束条件，预设优化调度模型最大迭代次数、种群规模、精英种群规模，并将水库调度期的出库流量设置为决策变量；步骤2、执行基于多约束耦合的水库群多目标智能优化调度方法求解水库最优调度方案；步骤3、输出水库群最优调度方案集；步骤2中执行基于多约束耦合的水库群多目标智能优化调度方法求解水库最优调度方案的具体过程如下：S201、初始化：设置、和代表精英储存数为默认参数；根据决策变量的预设范围生成初始种群；计算初始种群中个体的适应度；执行多核自适应并行分配策略，对初始种群执行环境选择得到帕累托前沿第一等级的个体为初始化的精英种群；S202、执行双种群协同优化策略：将寻优种群分为收敛种群和多样性种群，执行多参量收敛优化策略和多样性随机扰动策略；S203、执行搜索特性优选策略，根据收敛个体与多样个体的搜索特性进行动态选择，得到优选的寻优种群X；S204、执行动态联合约束处理策略：结合基于种群全信息的修正约束策略、基于目标价值转换的自适应惩罚约束策略和基于严格约束支配原则的CDP策略三种约束处理技术，将优选种群进行约束修正后，将修正后的优选种群与种群合并且根据支配关系得到子代群体；S205、进行迭代更新：若达到预设最大迭代次数，则获得水库最优调度方案，并输出精英种群的适应度值，获得适应度值对应的水库群调度方案，否则返回执行步骤S202；S201的具体过程如下：S201-1、根据决策变量的预设范围生成寻优种群，并计算个体适应度；决策变量初始化如下式： 10其中，为第i个个体第个决策变量的值；表示在区间生成均匀分布随机数的函数；为种群中的个体数量；S201-2、执行多核自适应并行分配策略，首先通过函数确定电脑可启用处理器数目，然后基于核心处理器启动数目、主-子核心处理器频率以及并行模型启闭，设置对不同核心处理器进行自适应子种群并行分配；最后通过迭代实现种群间的信息交互，具体表达式如下： 11 12 13 14其中，是可启用的并行核心处理器数目，是最终确定的并行核心数目，函数为确定电脑核心处理器数目，是计算机上可用的物理处理器最大核心处理器数目，若无手动设置，则默认采用电脑最大核心处理器数目开展并行运算；是并行模型启动函数，是单核无并行模型，是多核并行模型；是对应的子种群数量，是总的种群数量，是设置的参考向量数量，,分别为目标数量和决策变量数目；S202的具体过程如下：S202-1、执行多参量收敛优化策略：在收敛种群中引入极值分布学习参量、均值分布学习参量、变异扰动学习参量三类学习参量，基于子代种群和精英种群中的相对最优最差个体信息对收敛种群进行动态优化，通过动态调整各参量在不同迭代阶段中的影响比重得到更新后的收敛种群；采用GA遗传算法对种群内部进行充分交流，并在迭代后期提高GA的选择概率，提高局部寻优能力，具体过程如下： 15式中，是在第次迭代过程中通过收敛优化策略产生的第个个体的第个决策变量的值，和分别为当前迭代次数和最大迭代次数，、为学习因子；其中，采用趋于最优解、远离最差解的极值分布学习策略进行更新，参量的影响比重随着搜索过程的推进而逐渐削弱，使得种群在搜索前期能以较快的速度靠近优势解集区域；基于当前最优最差种群的均值分布学习策略进行更新，引导种群跳出局部最优的伪Pareto最优解；采取变异扰动策略进行更新，通过变异扰动增加局部勘探能力，具体表达式如下： 16其中，表示在第次迭代过程中获取的极值分布信息，、分别表示在第次迭代中通过环境非支配排序选择精英种群和当前寻优种群中Pareto前沿等级最优和最差的个体，是创建服从正态分布的随机函数，为随机序号； 17其中，表示在第次迭代过程中获取的均值分布信息，生成[0,1]区间内随机值，、分别表示在第次迭代中通过环境非支配排序选择出精英种群和当前寻优种群中Pareto前沿等级最优和最差的第个个体的第个决策变量，为寻优种群中第个个体第个决策变量的值； （18）其中，表示在第次迭代过程中获取的变异扰动信息，和分别为寻优种群中的随机被选中的两个个体；S202-2、执行多样性随机扰动策略：在多样性种群中引入随机扰动策略，通过随机生成、历史档案集、无约束环境非支配排序选择出多样性个体，扩大种群探索范围，具体过程如下： 19）其中，是在第t+1次迭代过程中通过多样性策略产生的第个个体；代表无约束环境非支配排序；代表随机生成个个体；表示在历史精英档案集合里随机选出个个体；S203中执行搜索特性优选策略，根据收敛个体与多样个体的搜索特性进行动态选择，得到优选的寻优种群X，具体表达式如下： 20） 21）其中，为向下取整函数；表示从中随机选择个整数的函数；为优选的寻优种群个体，是在第次迭代过程中通过收敛优化策略产生的第个个体的第个决策变量的值，是在第t+1次迭代过程中通过多样性策略产生的第个个体，和分别为当前迭代次数和最大迭代次数；S204的具体过程如下：S204-1、采用修正约束策略，具体表达式如下： 22） 23） 24） 25） 26）其中，代表停止允许违反程度放缩迭代次数；是停止允许违反程度放缩的比例参数；是向上取整函数；是在第t代中允许约束违反的程度；是寻优种群的约束违反值；和分别为两种约束违反程度计算模型；是违反约束的个体用于非支配排序的排序目标函数值，bre是违反约束的个体序号；是种群所对应的目标函数值；是违反约束的个体所对应的约束违反程度值；S204-2、采用自适应惩罚约束策略，具体表达式如下： 27） 28）其中，是违反约束的个体序号；是违反约束的个体对应的惩罚值，若未违反约束，则该值为0；是违反约束的个体用于非支配排序的排序目标函数值；是违反约束的个体所对应的目标函数值，表示寻优种群X在各个目标上最大的适应度值，表示表示寻优种群X中所有个体的约束违反程度值；S204-3、联合约束处理策略，动态联合约束处理策略通过随机扰动和指定迭代阶段双重限制要求，协同引入修正约束策略、自适应惩罚约束策略和CDP策略的三种约束处理手段对种群进行分类寻优限制，具体表达式如下： 29） 30） 31） 32）其中，、、分别代表基于严格约束支配原则的CDP策略所选择出的个体、基于种群全信息的修正约束策略所选择出的个体、基于目标价值转换的自适应惩罚约束策略所选择出的个体，、、分别代表各约束所选择的个体数目，和分别表示在第t次和第t+1次迭代过程中的寻优种群，为种群数量。

全文数据：

权利要求：

百度查询： 河海大学 一种基于多约束耦合的水库群多目标智能优化调度方法