提出了約束破壞向量、分段粒子群算法以及多目標分段粒子群算法,有效解決了在時間步長較小、計算時段數(shù)目較多時,傳統(tǒng)智能優(yōu)化算法解水庫優(yōu)化調(diào)度問題的尋優(yōu)效率低下甚至無可行解的問題。該方法基于粒子群算法框架,引入約束破壞向量、分段操作和特殊變異操作來增強進化過程中的種群質(zhì)量,從而提高算法的計算效率。閩江流域金溪梯級水庫多目標優(yōu)化調(diào)度的實例分析表明,在解時間步長較小、計算時段數(shù)目較多的水庫優(yōu)化調(diào)度問題時,分段粒子群算法、多目標分段粒子群算法相對其他算法具有明顯優(yōu)勢。 

【文章來源】：水資源與水工程學報. 2020,31(03)CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

迭代過程中某一解向量所表示的水庫水量變化過程線

特殊變異方式示意圖見圖2(流程可見圖4)。特殊變異操作的優(yōu)點為:(1)避免了水量結(jié)構(gòu)敏感段、約束不滿足段內(nèi)的變量單獨變異導致約束破壞度的增加，避免了迭代中出現(xiàn)大量不可行解的情況，提高了計算效率;(2)約束不滿足段的水量的整體增加，有助于降低此段出力約束的破壞度，水量結(jié)構(gòu)敏感段的整體抬升可以使得敏感段中的一部分時段不再敏感，有助于過長的水量結(jié)構(gòu)敏感段的解體;(3)此算法的各段之間的水量變化方式直接增加了各段的始、末水量變化的概率，有助于提高計算效率。

上述“分解聚合”求解策略的優(yōu)點在于:(1)可以使最終得到Pareto解集盡可能接近多目標問題的真實Pareto前沿;(2)先使解集中的某些解優(yōu)先接近真實Pareto前沿，再在真實Pareto前沿附近搜索Pareto解集的其他解，完善解集的多樣性，避免了算法在進化中為還未接近真實Pareto前沿的解集的多樣性花費過多的時間。4.4 種群排序與個體進化

【參考文獻】：
期刊論文
[1]梯級水電站優(yōu)化調(diào)度的改進社會情感優(yōu)化算法[J]. 劉強,鐘平安,陳宇婷,徐斌,朱非林.  水力發(fā)電學報. 2018(01)
[2]梯級水庫生態(tài)調(diào)度多目標混合蛙跳差分算法研究[J]. 方國華,林澤昕,付曉敏,郭玉雪,聞昕.  水資源與水工程學報. 2017(01)
[3]金昌二壩渠調(diào)水系統(tǒng)水能水量優(yōu)化調(diào)度研究[J]. 王鵬全,張永明,趙廷紅,肖大太,石占濤.  水資源與水工程學報. 2016(03)
[4]改進量子粒子群算法在水電站群優(yōu)化調(diào)度中的應用[J]. 馮仲愷,廖勝利,牛文靜,申建建,程春田,李澤宏.  水科學進展. 2015(03)
[5]基于改進布谷鳥算法的梯級水庫優(yōu)化調(diào)度研究[J]. 明波,黃強,王義民,劉登峰,白濤.  水利學報. 2015(03)
[6]一種多目標進化算法解集分布廣度評價方法[J]. 李密青,鄭金華.  計算機學報. 2011(04)
[7]幾種計算超體積算法的比較研究[J]. 周秀玲,郭平,陳寶維,王靜.  計算機工程. 2011(03)
[8]基于混合粒子群算法的梯級水電站多目標優(yōu)化調(diào)度[J]. 周建中,李英海,肖舸,張勇傳.  水利學報. 2010(10)
[9]梯級水電站多目標發(fā)電優(yōu)化調(diào)度[J]. 覃暉,周建中,肖舸,趙云發(fā),盧有麟,張勇傳.  水科學進展. 2010(03)
[10]烏溪江梯級水電站隱隨機優(yōu)化調(diào)度方案[J]. 唐海華.  水電自動化與大壩監(jiān)測. 2010(02)



本文編號：3527907