混合智能算法及其在供水水库群优化调度中的应用

将遗传算法中的进化思想和蚁群算法中的群体智能技术有效地耦合,提出了一种基于两者的混合智能算法,应用于供水水库群系统的优化调度研究中。算法利用蚁群算法的并行性、正反馈性以及良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的进化思想,利用杂交、变异算子来进行局部寻优,使其能快速搜索到全局最优点。在种群随机搜索过程中嵌入确定性的模式搜索,使得算法同时具有随机性和确定性。结合模拟退火思想,构造了罚因子处理约束条件,使该算法对水库优化调度问题以及其他优化问题具有一定的通用性。通过实例验证,并与大系统聚合分解经典算法进行比较,结果表明该算法是可行的和有效的。     

An Improved Genetic Algorithm-Simulated Annealing Hybrid Algorithm for the Optimization of Multiple Reservoirs

A hybrid evolutionary search algorithm is developed to optimize the classical single-criterion operation of multi-reservoir systems. The proposed improved genetic algorithm-simulated annealing (IGA-SA) which combines genetic algorithms (GAs) and the simulated annealing (SA) is a new global optimization algorithm. The algorithm is capable of overcoming the premature convergence of GAs and escaping from local optimal solutions. In addition, it is faster than a traditional unimproved GA-SA algorithm. A case study of optimization operation on generation electricity of a 3-reservoir system in series over 41-year (from May 1940 to April 1981) time periods in Wujiang River, one branch of Yangtze River in China, was performed. The objective is to maximize generation output from the system over each 12-month operating periods. Trade-off analyses on binary coding representation and real-value coding representation of GAs are performed. Sensitivity to some parameters of the GA, the SA and the IGA-SA is analyzed, respectively, and the appropriate values of parameters are suggested. The performance of the proposed algorithm is compared with that of the existing genetic algorithm, the simulated annealing and the dynamic programming (DP). Results demonstrate that the GA is better than the DP, the SA performs better than the GA and the IGA-SA is more efficient than SA. The IGA-SA produces higher quality solutions and costs less computation time compared with the traditional GA-SA. The results obtained from these applications have proved that the IGA-SA has the ability of addressing large and complex problems and is a new promising search algorithm for multi-reservoir optimization problems.     

基于改进混合蛙跳算法的梯级水库优化调度

针对混合蛙跳算法在寻优过程中出现的早熟收敛问题,利用混沌技术的遍历性优势对子群最优个体进行变异操作,形成局部精细搜索策略;根据蛙群相对多样性参数来判断算法是否陷入局部最优,进而对蛙群最优个体进行扰动以提高全局寻优能力,形成全局激励调节策略。耦合2种策略,提出了一种改进混合蛙跳算法。将其应用于李仙江梯级水库优化调度中,结果表明所提算法具有寻优质量高、收敛速度快的特点,有效地克服了标准混合蛙跳算法的早熟缺陷,为水库调度模型的求解提供了一种新方法。     

电力系统日发电计划的启发式遗传算法

机组组合是电力系统日发电计划中主要的优化任务，在满足各种约束条件下求得全局最优解是一个比较困难的事情。遗传算法没有充分利用个体基因的有效信息，所以局部搜索能力较弱，而且随机遗传操作产生的大量不可行解，使得遗传算法的收敛能力降低。为了提高算法的全局搜索能力和收敛性，设计了基于局部优化算法的智能变异算子和消除约束冲突的修复算子。结果表明，运用了新算子的启发式遗传算法收敛到最优解的速度有显著提高。     

混沌蚁群算法在水库优化调度中的应用

提出一种基于混沌优化算法和蚁群算法相结合的混合算法,在求解水库优化调度问题的方法。根据混沌变量的随机性和遍历性,利用混沌变量进行优化搜索,从而有效地克服了蚁群算法存在的效率低、易于演化停滞及陷入局部最优等问题。又利用蚁群算法信息素正反馈的优点,改善了混沌搜索的盲目性,提高了搜索的效率。通过实例计算,结果表明该算法具有效率高及较强的全局寻优能力。     

利用改进的遗传算法求解供水优化调度研究

针对标准遗传算法存在容易产生过早收敛及易陷入局部最优的问题,提出了一种改进的遗传算法,并成功地应用在华东某市供水优化调度。数值模拟的结果表明利用该改进的遗传算法求解大规模供水系统优化调度问题,有效地克服了早熟现象,提高了全局优化能力。     

改进的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度变异模块相结合的分层收敛算法:第一层采用广度变异和外部存档的方式改善种群的多样性;第二层嵌套广度变异模块,并采用自适应遗传算法进行全局搜索。通过比较自适应遗传算法和分层进化算法,结果显示:基于遗传算法的分层算法具有高效的全局搜索能力,避免了自适应遗传算法陷入局部最优的缺陷,在一定收敛条件下得到了更接近全局最优的目标值。     

改进遗传算法及其在水库群优化调度中的应用

根据梯级水电站优化调度特点,建立遗传算法(GA)求解多阶段最优化问题的数学模型.针对标准遗传算法(sGA)局部寻优能力较差、易早熟等不足之处,从编码方法、遗传算子和混合算法方面对其进行改进,提出了采用超立方体浮点数编码自适应遗传算法(AGA)和超立方体浮点数编码遗传模拟退火算法(SA-GA).通过16种不同策略的GA在雅砻江梯级优化调度中的应用,其结果表明了改进策略在解决水库群优化问题方面的有效性和优越性.最后将GA与动态规划(DP)算法的性能进行比较分析,充分体现了GA的优点.     

基于GWO-LSTM的丹江口水库入库径流预测

入库径流预测对丹江口水库调度及水资源利用具有重要的指示意义。基于灰狼优化算法（GWO）构建不同的预测模型,开展丹江口水库月入库径流预测研究,并探讨网络结构超参数的选取及验证GWO全局遍历性、收敛快的特点。结果表明:灰狼优化的长短期记忆模型（GWO-LSTM）的预测精度和泛化性能优于灰狼优化的人工神经网络模型（GWO-BP）和逐步回归模型,其验证期的纳什效率系数平均达到0.969,整体趋势预测较好,峰值捕捉略有不足,可适用于丹江口水库月入库径流预测;模型超参数依据经验取值时,其预测结果不如GWO优化,验证期的纳什效率系数不足0.5,未达到可接受范围,而且带有一定的偶然性,建议选用具有全局优化特性的优化算法进行超参数选取;验证了GWO算法全局遍历性和收敛快的特点,平均在3次迭代后可达到收敛状态。     

改进风驱动优化算法在水库调度中的应用

风驱动算法是一种新兴的基于群体迭代启发式的全局优化算法,与遗传算法、布谷鸟算法等相比,具有明确的物理背景,但该算法避免不了易陷入早熟和收敛效率慢的问题。针对早熟,本文提出了扰动策略,对当前最优适应度值对应的任一元素进行扰动,且随着迭代次数的增加,扰动量逐渐减少。针对收敛效率不高,提出了空间压缩策略,采用奇偶相间的方式,通过计算约束更新解的上下限以保证该解是可行解。将改进的风驱动优化算法运用到某水库的优化调度中,并与粒子群算法和标准风驱动算法进行比较。结果表明改进的风驱动优化算法更为可靠、高效,能以较快速度收敛于最优解,且最优解值更大,为水库优化调度模型求解提出新的解决方案。     

对分插值与混沌嵌套搜索算法在梯级水库联合优化调度中的应用

在分析对分插值逼近算法和混沌优化算法的遍历性、敏感性、普适型、规律性、随机性等特点基础上,通过嵌套结构把确定性搜索和随机搜索有机结合起来,提出一种对分插值与混沌嵌套搜索算法的梯级水库联合优化调度的求解方法.实例分析表明,该算法具有参数配置简单、普适性强、稳定性高、全局优化等特点,并取得了与POA算法一致的收敛精度且计算速度有优势,可以求解诸如水库优化调度等具有复杂约束条件的非线性优化问题.     

结合广度搜索的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度搜索算子结合的算法,同时为保证水库优化调度搜索全局最优提供了一定保障。针对遗传算法容易陷入局部最优的缺点,引入正弦函数取随机数的广度搜索与遗传算法相结合的算法。通过分析比较单独使用自适应遗传算法或者广度搜索算法以及结合算法在实际水库优化调度中效果,结果显示,优化结果要比自适应遗传算法以及广度算法的结果更理想。充分证明了结合算法的高效全局搜索能力,避免了自适应遗传算法陷入局部最优,同时在一定程度上克服了广度搜索很难收敛的缺点,在一定收敛条件下得到了更接近全局最优的结果。     

免疫粒子群算法在梯级电站短期优化调度中的应用

将免疫原理引入粒子群算法(PSO)中,利用其免疫记忆与自我调节机制保持各适应度层次的粒子维持一定的浓度,保证种群的多样性;引入疫苗接种等操作,对算法的进化过程进行有目的、有选择地指导,提高算法的搜索性能.随后在分析梯级电站短期优化调度数学模型及该算法特点的基础上,建立了基于免疫粒子群(IPSO)算法的梯级电站短期优化调度数学模型,并给出其具体的求解步骤.最后应用该方法进行仿真计算,并与常规调度及PSO算法进行对比,结果表明,该算法可获得较优的优化调度方案,并可提高解的精度,加快其收敛速度.     

确定含水层参数的单纯形-混沌优化算法

以无限含水层和有直线隔水边界情况下的解析解为基础,将单纯形一混沌优化算法应用于分析抽水试验数据,求解含水层参数函数优化问题。针对混沌优化算法收敛速度较慢的缺点,文中将单纯形算法和混沌优化算法结合,构造了单纯形一混沌优化算法。数值实验结果表明：单纯形一混沌优化算法可有效地应用于求解含水层参数函数优化问题;待估参数初始取值范围对单纯形一混沌优化算法的收敛速度有一定的影响,但不会影响该算法最终的收敛性;与混沌优化算法相比较,单纯形一混沌优化算法具有收敛速度快和结果精度高的优点。     

混沌差分进化算法在水库优化调度中的应用研究

针对差分进化算法在求解水库调度等复杂优化问题时,算法初始种群的随机性导致其在解空间中的代表性不足,算法的贪婪选择策略又极易导致种群迅速趋同而"早熟"收敛。提出初始种群的混沌生成策略,利用混沌因子的遍历性提高算法初始种群的代表性。同时,以动态概率接受适应值较差的个体作为子代个体参与进化,从而提高算法跳出局部最优解的能力。将改进的差分进化算法模拟乌江梯级电站优化调度问题,模拟计算结果表明,改进的差分进化算法具有较高全局搜索能力,大幅提高了求解的精度,适合求解水库优化调度等问题。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

基于改进萤火虫算法的梯级水库优化调度研究

梯级水电站水库群联合调度问题具有复杂的约束条件,受到发电、供水、防洪等目标的制约。作为多目标非线性优化调度问题,为了解决传统算法中存在结果受初值参数影响较大、容易陷入局部最优解、收敛速度不理想等问题,首次尝试将萤火虫算法引入梯级水库优化调度研究中。在传统萤火虫算法模仿自然界萤火虫捕食求偶行为的基础上,对其进行优化与改进,引入目标空间中解的Pareto支配关系比较萤火虫荧光亮度,比较其优化解,采用轮盘赌法确定萤火虫每次更新过程中的移动路径,利用精英保留策略建立多目标萤火虫模型。通过典型的梯级水电站进行仿真计算,研究结果表明,改进的多目标萤火虫算法在优化过程中具有较强的寻优能力,能更好地进行全局搜索和局部搜索,计算过程中具有良好的稳定性,并且计算效率较高,优于遗传算法(GA)、粒子群算法(PSO)和蚁群算法(ACO),为多阶段、多约束的梯级水电站水库群中长期优化调度问题提供了新的途径和新方法。     

Adaptive Genetic Algorithm for Daily Optimal Operation of Cascade Reservoirs and its Improvement Strategy

For the specialty of cascade reservoirs optimization and the premature convergence of GA, several improvement strategies are presented in this paper. Firstly, solution space generation method is found application to generate feasible initial population. Secondly, chaos optimization is adopted to optimize initial population. Thirdly, new selective operators, trigonometric selective operators, are proposed to overcome the fitness requirement of non-negative and to maintain the diversity of population. Fourthly, adaptive probabilities of crossing and mutation are adopted in order to improve the convergence speed of GA. Besides, elitist strategy is used to ensure that the best individual can be remained in each generation. Furthermore, the performance of these proposed improvement strategies was checked against the historical improvement strategies by simulating optimal operation of Three Gorges cascade reservoirs premised on historical hourly inflows, and the comparison yields indications of superior performance. In these proposed improvement strategies, trigonometric selective operators are feasible and effective for optimizing operation of cascade reservoirs. These new selective operators could help GA to find a more excellent solution in the same algebra, and the performance of convergence speed is advanced. Adaptive probabilities of crossing and mutation have better performance than other improvement strategies, such as annealing chaotic mutation and simulated annealing of large probability of mutation, because this method realizes the twin goals of maintaining diversity in the population and advancing the convergence speed of GA.     

混沌优化方法及其在水文水资源中的应用研究进展

混沌优化方法是解决非线性问题的一种新颖而有效的方法。本文介绍了混沌优化方法的基本原理及其优点,并且分别对两类混沌优化方法——完全混沌优化方法和混合混沌优化方法的国内外研究发展现状及其在水文水资源领域中的应用情况做了较为详细的介绍。同时,也提出了目前在混沌优化理论研究过程中存在的一些问题。最后,对混沌优化理论未来的发展前景进行了展望。