多目标免疫遗传算法在梯级水库优化调度中的应用研究

为了提高遗传算法在多目标梯级水库优化调度中的应用效果,在标准遗传算法的基础上引入了免疫机制,并将其应用到周公宅-皎口水梯级水库优化调度中。计算结果表明,免疫遗传算法较好地克服了标准遗传算法收敛速度慢、易陷入局部极值、早熟等弱点。     

基于多目标遗传算法的综合利用水库优化调度图求解

分析了常规方法求解综合利用水库调度图存在的问题。结合实例，提出了一个基于遗传算法的调度图求解模型。模型以保证率和缺水量为目标，以基本调度线为决策变量，通过水库的模拟运行结果评价可行解，然后利用遗传算子不断改进调度线，能直接搜索得出调度图的非劣解集。计算结果显示了模型较常规方法的合理性和优越性。     

梯级水库水沙联合优化调度多目标决策模型及应用

针对梯级水库运用过程中蓄水与排沙之间的矛盾,首先建立了梯级水库防洪、发电调度及泥沙冲淤计算子模型;然后,以水库防洪、发电、航运和泥沙冲淤为基本目标,建立了梯级水库水沙联合优化调度多目标决策模型,并采用约束法和加权理想点法进行非劣解求解和评价;最后,将该模型应用到溪洛渡-向家坝梯级水库汛末蓄水时间的研究中,得到了梯级水库蓄水时间与多年平均发电量和库容淤损率之间的非劣解集,并给出不同目标权重下满足梯级水库发电和减淤要求的最佳蓄水方案,为研究和解决多沙河流梯级水库水沙联合调度问题提供了技术手段。     

基于多目标差分进化算法的水库多目标防洪调度研究

为求解水库多目标防洪优化调度问题，提出一种基于自适应柯西变异的多目标差分进化算法。算法采用一种自适应柯西变异策略克服早熟收敛问题，提高了收敛精度；根据多目标优化的特点对差分算子进行修正，并引入外部档案技术，提高了算法的收敛速度。通过对典型历史洪水的多目标调度研究，结果表明基于自适应柯西变异的多目标差分进化算法在可接受的时间内，可生成大量在各目标分布均匀、分布范围广的非劣调度方案供决策者评价优选，为水库多目标防洪调度决策提供了一种新的调度方案生成方法。     

梯级水库群多目标优化调度模型及CPF-DPSA算法研究

梯级水库群多目标联合优化调度是水能资源高效利用的重要研究内容,现有水库群多目标优化调度模型及求解算法的通用性亟待提高。在总结现有三种目标函数型式(累积值、极值及百分比)的基础上,以梯级总发电量最大、最小出力最大和生态断面用水保证率最大为目标,建立了具有普适性的梯级水库群多目标优化调度模型,提出了求解该模型的基于惩罚因子的动态规划逐次逼近算法(CPF-DPSA),探究了各目标与对应惩罚系数之间的变化关系,确定了各惩罚系数的影响范围,获得了分布较为均匀和广泛的非劣解集。老挝南欧江梯级水库群应用表明,该模型具有较好的适用性,CPF-DPSA算法获得的非劣解集分布广泛、均匀。尤其在长系列优化方面,CPF-DPSA算法在结果精度、非劣解质量和非劣解分布等方面比第三代快速非劣排序遗传算法(NSGA-Ⅲ)表现出更好的性能。     

基于多目标差分进化算法的水库多目标防洪调度研究

为求解水库多目标防洪优化调度问题,提出一种基于自适应柯西变异的多目标差分进化算法,克服了早熟收敛问题,提高了收敛精度;同时,根据多目标优化的特点对差分算子进行修正,并引入外部档案技术,提高了算法的收敛速度。本文以坝前最高水位最低、最大下泄流量最小和汛末水位最接近汛限水位为目标,对三峡水库展开多目标防洪调度研究,结果表明,该算法可在较短时间内生成大量在各目标分布均匀、分布范围广的非劣调度方案供决策者评价优选,为水库多目标防洪调度决策提供了一种新的调度方案生成方法。     

面向梯级水库多目标优化调度的进化算法研究

实际工程中以梯级水库多目标优化调度为代表的大规模高维多目标优化问题,其优化难度是一般方法所难以应对的。为此本文提出一种新型的多目标粒子群算法LMPSO,其包含了基于超体积指标Ihk的适应值分配方法与基于问题变换的搜索空间降维策略,以有效处理问题的高维目标向量与大规模决策变量。将该算法应用于溪洛渡-向家坝梯级水库的中长期多目标优化调度中,并与4种知名算法的计算结果进行对比分析,验证LMPSO在求解该类问题上的卓越性能。由此为多目标优化调度高质量非劣解集的获取提供一种可靠的方法,并为下一步的多目标调度决策提供有力的数据支持。     

水库多目标优化调度技术比较研究

多目标智能优化算法种类繁多,不断涌现,在水库优化调度中得到了广泛应用,但多目标智能优化技术仍然是目前水库群综合利用优化调度研究中的热点和难点之一。已有的研究算法大多是关于水库优化调度中适用性的应用研究,且实际问题简化多,在算法算子的选择、算法性能的探讨和比较、特别是多目标优化等方面还不够深入。为此,选择应用较为广泛的NSGA-Ⅱ和DEMO算法,从变量规模、约束处理技术等方面,对其在水库多目标优化调度中的应用效果进行初步分析、比较和评估,为水库多目标优化调度算法的选择提供了参考。     

水库水沙优化调度

摘 要:针对水沙优化调度多目标、高维和难以求解的特点,利用约束法将多目标模型转化为单目标模型,并采用全局搜索能力和收敛性较强的鲶鱼效应粒子群算法求解水沙优化调度模型.该算法利用鲶鱼效应对种群多样性的动态调节和驱赶作用,克服了粒子群容易陷入局部最优的缺点.实例验证表明,优化结果给出了较为满意的水库发电与泥沙淤积的非劣解集及水库非劣运用过程,算法具有有效性和通用性.     

基于分段粒子群算法的梯级水库多目标优化调度模型研究

提出了约束破坏向量、分段粒子群算法以及多目标分段粒子群算法,有效解决了在时间步长较小、计算时段数目较多时,传统智能优化算法解水库优化调度问题的寻优效率低下甚至无可行解的问题。该方法基于粒子群算法框架,引入约束破坏向量、分段操作和特殊变异操作来增强进化过程中的种群质量,从而提高算法的计算效率。闽江流域金溪梯级水库多目标优化调度的实例分析表明,在解时间步长较小、计算时段数目较多的水库优化调度问题时,分段粒子群算法、多目标分段粒子群算法相对其他算法具有明显优势。     

基于多目标遗传算法的水资源优化配置

文章基于进化计算思想提出了水资源优化配置的多目标遗传算法,建立了基于并列选择多目标遗传算法的水资源优化配置模型.并结合实例分析,求出水资源优化配置问题的Pareto最优解.优化结果表明,该算法应用在水资源优化配置中是合理、有效的.     

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.     

单纯形混合遗传算法在水库优化调度中的应用研究

针对遗传算法收敛速度慢,收敛率低等缺点作了改进,引进了单纯形算法与遗传算法相融合的单纯形混合遗传算法(SM-HGA),并将其应用于水电站水库优化调度中,通过实例计算证明改进后的单纯形遗传算法具有收敛速度快收敛率高的优点,是水库调度比较好的方法.     

自适应混沌差分进化算法在梯级水库优化调度中的应用

介绍了一种基于自适应混沌映射的差分进化算法,该算法采用混沌映射的方式产生初始种群,并综合考虑算法迭代进度和个体进化程度两个因素,对缩放因子进行动态调整以促进算法全局搜索和局部寻优的平衡。同时,在算法进化的不同阶段采取不同尺度的扰动策略,进一步提高算法的再搜索能力。将该算法应用于某梯级水库发电调度的研究中,通过实例计算,并与基本差分进化算法、模拟退火算法相比,得到了更优的全局最优解,验证了该算法的可靠性和实用性。     

自适应遗传算法在水库优化调度中的应用

本文提出了一种基于自适应遗传算法的水库优化调度问题的求解方法，并通过实例对自适应遗传算法和标准遗传算法的性能做了比较。结果表明，由于自适应遗传算法能够在进化过程中根据个体优劣和群体分散程度对遗传控制参数进行自动调整，可以较好地解决标准遗传算法在应用中遇到的收敛性差和容易早熟等问题。在进化相同代数条件下，自适应遗传算法能够在保持群体多样性的同时，加快收敛速度，其稳定性也优于标准遗传算法。遗     

改进的多目标量子遗传算法在南水北调东线工程江苏段水资源优化调度中的应用

构建南水北调东线工程江苏段水资源优化调度模型,采用改进的多目标量子遗传算法(multiobjective quantum genetic algorithm,MOQGA),运用组合赋权方法对非劣解集进行多属性决策,提出南水北调东线工程江苏段水资源优化调度方案。在平水年、枯水年和特枯水年3种典型年来水条件下,相对于常规调度,优化调度的受水区总缺水量分别减少了0.89亿m3、0.87亿m3和0.08亿m3,系统总抽水量分别减少21.04亿m3、39.14亿m3和50.76亿m3。该优化调度方案能够充分利用湖泊的调蓄能力,提高各用水户的需水满足度,降低抽水成本。     

水库多目标优化调度理论及其应用研究

本文提出了综合利用水库的多目标优化调度的理论 ，并将该理论应用在综合利用水库优化调度过程中，在此应用中用马尔可夫单链弹性相关理 论处理径流，并在引入“有效雨量”的基础上，将供水量作为决策条件，以满足用水保证率 条件下供水量最大为目标函数，建立了相应的数学模型和编制了相应的计算程序，绘出了综 合利用水库三维优化调度图，利用三维优化调度图进行综合调节计算，计算结果理想、效益 显著，且大大增加了调度过程的灵活性。经沐浴水库等多个综合利用水库的实践证明，本方 法是可靠有效的。     

PA-DDS算法在水库多目标优化调度中的应用

Pareto存档动态维度搜索（Pareto-Archived Dynamically Dimensioned Search,PA-DDS）算法是一种求解多目标问题的随机搜索启发式算法。本文将PA-DDS算法引入考虑供水和发电的多目标优化模型优化水库调度图,与非支配排序遗传算法（NSGA-II）和多目标粒子群算法（MOPSO）对比了收敛性,并在求得非劣解分布的均匀性和与理论Pareto前端的相似性方面与NSGA-II进行比较,分析该算法求解水库多目标调度问题的优化性能,对比分析不同目标下的优化调度图。结果表明：PA-DDS算法能够得到更高质量的非劣解集,优化调度图与原设计调度图相比,能更有效协调供水和发电的矛盾,在小幅降低（0.96%）发电量的前提下显著提高（8.07%）水库供水量,平均每年增加经济效益0.55亿元。     

PA-DDS算法在水库多目标优化调度中的应用

Pareto存档动态维度搜索(Pareto-Archived Dynamically Dimensioned Search,PA-DDS)算法是一种求解多目标问题的随机搜索启发式算法。本文将PA-DDS算法引入考虑供水和发电的多目标优化模型优化水库调度图,与非支配排序遗传算法(Non-dominaled Sorting Genetic AlgorithmⅡ,NSGA-II)和多目标粒子群算法(Multi-Objectives Particlce Swarm Optimization,MOPSO)对比了收敛性,并在求得非劣解分布的均匀性和与理论Pareto前端的相似性方面与NSGA-II进行比较,分析该算法求解水库多目标调度问题的优化性能,对比分析不同目标下的优化调度图。结果表明:PA-DDS算法能够得到更高质量的非劣解集,优化调度图与原设计调度图相比,能更有效协调供水和发电的矛盾,在小幅降低(0.96%)发电量的前提下显著提高(8.07%)水库供水量,平均每年增加经济效益0.55亿元。     

基于遗传算法的多目标问题求解方法

寻求非劣解集是多目标决策的基本手段。已有成熟的非劣解生成技术本质上都是以标量优化的手段通过多次计算得到非劣解集。目前遗传算法在多目标问题中的应用方法多数是根据决策偏好信息，先将多目标问题标量化处理为单目标问题后再以遗传算法求解，仍然没有脱离传统的多目标问题分步解决的方式。在没有偏好信息条件下直接使用遗传算法推求多目标问题的非劣解集的研究尚不多见。