现代优化算法在水资源优化配置中应用的对比分析精品文档完整版Word文档下载推荐.docx
《现代优化算法在水资源优化配置中应用的对比分析精品文档完整版Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《现代优化算法在水资源优化配置中应用的对比分析精品文档完整版Word文档下载推荐.docx(11页珍藏版)》请在冰豆网上搜索。
![现代优化算法在水资源优化配置中应用的对比分析精品文档完整版Word文档下载推荐.docx](https://file1.bdocx.com/fileroot1/2022-11/24/c995ffda-a127-43ef-9200-2135aafcc111/c995ffda-a127-43ef-9200-2135aafcc1111.gif)
2国外水资源优化配置6
3遗传算法与粒子群算法的应用7
3.1遗传算法概述7
3.2粒子群算法概述7
3.3遗传算法和粒子群算法在RBF网络学习中的应用8
3.3.1基于变长度染色体遗传算法的RBF网络学习算法8
3.3.2基于减聚类和粒子群算法的RBF网络学习算法11
4结语12
参考文献13
现代优化算法在水资源优化配置中应用的对比分析
摘要:
本文通过对国内外水资源优化配置方法的现状和发展趋势的分析,结合具体案例,利用遗传算法和粒子群算法的对比分析,以此来选择较好的计算方案。
关键字:
水资源优化配置现状,遗传算法,粒子群算法
Abstract:
Byanalyzingthecurrentsituationanddevelopingtrendofdomesticandinternationalwaterresourceconfigurationoptimizationmethod,combinedwithspecificcases,usingcomparativeanalysisofgeneticalgorithmandparticleswarmalgorithm,inordertochoosethebettercalculationscheme.
1国内水资源优化配置
1.1现状
我国水资源研究的起步略晚于国际同类研究,但自改革开放以来发展迅速。
由于我国人水矛盾的复杂性与尖锐性,以及有效解决这一矛盾对国家可持续发展的重要性,我国学者率先提出了水资源优化配置理论,在实践方面也居于世界前列。
从系统工程角度看,水资源优化配置是研究一个地区宏观经济系统、水资源系统和环境生态系统之间的相互依存与相互制约的定量关系。
这一关系集中体现在用水竞争和投资竞争上。
由于水资源的量与质不能满足需求,导致了在用水目的上、时间上和地域上的用水竞争。
用水竞争要通过工程和非工程措施来解决,而各类解决措施均要求投资,由此又引起投资竞争问题。
由于存在多种解决用水竞争和投资竞争的途径,不同解决途径对区域发展模式和水资源开发利用模式具有不同影响,因此需要对水资源进行合理配置。
水资源优化配置的目标,是兼顾水资源开发利用当前利益与长远利益、兼顾不同地区与部门间的利益、兼顾水资源开发利用的社会、经济和环境利益,以及兼顾效益在不同受益者之间的公平分配。
目前我国学者和国际上有关学者已提出社会净福利函数、生态环境成本和绿色GDP等概念和计算方法。
在水资源规划研究方面,我国学者提出了面向可持续发展的水资源规划理论。
即在各个发展阶段,均要保持水量在需求与供给之间的平衡,水环境在污染与治理之间的平衡,水投资在来源与使用之间的平衡,以及人工生态与自然生态在总体效应上的平衡,以保持和谐的人水关系。
相应的定量化规划手段也已形成,并在1993年开展的全国第一次水中长期供求计划中内得到应用。
在水资源需求的预测技术方面,我国学者提出了基于宏观经济的需水预测方法,考虑了经济发展速度、结构对水资源需求的影响。
提出驱动需水增长的内因为人口与经济两大因素,影响需水的外部因素有水资源条件、水工程条件、水市场条件和水管理条件等。
预测时既不是单纯地以供定需,也不是以需定供,而是供需动态反馈与平衡。
这一技术已初步形成,在国家“九五”科技攻关西北水资源项目和其他相关研究中将得到进一步完善。
【1】
当下的水资源优化配置理论和方法研究已经取得了一定的发展,且在社会经济和科学技术的高速发展过程之中不断完善,取得了很多有价值的成果。
从研究方法上,优化模型由单一的数学规划模型发展为数学规划和模拟技术、向量优化理论等几种方法的组合模型。
对问题的描述由单目标发展为多目标,特别是大系统优化理论、计算机技术和新的优化算法的应用,使复杂多水源、多用水部门的水资源优化配置问题变得较为简单,求解也较为方便。
从研究对象的空间规模上,由最初的灌区、水库等工程控制单元水量的优化配置研究,扩展到不同规模的区域、流域和跨流域水量优化配置研究。
【2】
1.2存在的问题
虽然水资源优化配置研究取得了很大的进展,但研究的时间毕竟很短,还存在很多问题和不成熟的地方,特别是随着社会的发展,新的问题不断出现,水资源合理配置在理论和技术上,不断面临新的挑战。
由于水资源系统涉及经济、社会、技术和生态环境的各个方面,是一个复杂的巨系统,特别是可持续发展战略实施,对水资源优化配置的要求越来越高,水资源优化配置也不断面临新的挑战。
用可持续发展思想审视已有的研究成果,尚有不完善的地方:
1)对水资源承载能力估计和重视不足,忽视科技进步和现代化管理对提高水资源利用效率的巨大作用;
【3】
2)只重水量不重水质,忽视水的生态环境保护在水资源配置中的重要地位;
3)只重视确定条件下水资源的优化配置,对不确定性对水资源优化配置的影响研究不够;
4)只重视工程措施,对非工程措施在水资源优化配置中的应用研究不够;
5)模型缺乏实用性,模型优化出来的最优解,不能反映决策者的愿望,是大量的模型失去实用价值或者可行性差,而且不便于实际操作。
【4】
1.3发展趋势
纵观国内外水资源配置研究,水资源的优化配置是针对水资源短缺和用水的竞争性提出来的,其总体目标就是实现社会、经济、环境协调地发展。
具体来说就是在查清当地水资源数量、质量及其分布规律、水资源开发利用现状和存在问题、生态环境现状及演变规律以及社会经济发展历程的基础上,依据可持续的发展观点,按照高效、公平和优先性协调的原则,通过在生活、工业、农业和生态环境各用水部门之间进行协调,解决用水、争水矛盾;
实现当地地表水、地下水、外调水、中水多水源的联合配置,使整个区域的水资源得到合理充分的利用;
通过节水、污水回用以及雨水集蓄利用等措施实现整个区域的水资源高效利用,提高区域供水保证率和总体供水效益,促进生态环境的良性发展。
1.3.1基于可持续发展的水资源配置理论
社会经济的不断发展,使得对水资源的需求量不断增加,而对水资源的盲目、掠夺式开发和利用则会危及人类赖以生存的生态环境,而生态环境的破坏,反过来又会阻碍社会经济的发展,最终危及人类的生存与发展。
因此,只有实现水资源合理开发和高效利用、积极恢复和修复被破坏的生态环境,人类才能保障自己生存和可持续发展。
1.3.2生态环境需水量计算理论研究
水是生态环境的控制性要素,水资源的不合理开发利用和管理导致了严重的生态环境问题。
生态环境需水量既是水资源开发利用的基本依据,也是实现水资源合理规划与配置的技术支持。
1.3.3水质水量联合优化配置
水质和水量密切相关,有关分析资料表明,在我国未来发展中,水质导致的水资源危机大于水量危机,必须引起高度重视。
因此在水资源优化配置过程中,应该充分重视水质问题,水质问题与环境和生态问题密切相关,实现了水质水量的优化配置,必将有利于水环境和生态环境的改善和保护,最终实现水资源开发利用的良性循环。
1.3.4模型功能向多功能方向发展
为了使模型具有反映客观事物内在联系、符合人类思维方式和成为决策过程的有力工具,水资源配置模型的功能应该是重点研究的内容之一,使其具有产生方案、比较方案、评价方案的多种功能。
1.3.5新技术新方法的应用
新的优化方法和3s(GIs,GPS,Rs)技术的应用将丰富水资源优化配置的研究领域和手段。
新近发展起来的智能优化方法,如遗传算法(GA)、模拟退火算法(sA)、禁忌搜索似BU)、人工神经网络(ANN)和混沌优化等,对于离散、非线性、非凸等大规模优化问题充分显示出其优越性,必将被越来越广泛地应用。
在信息化社会,3S技术在水资源领域的应用已经显示出强大的功能,3S技术与水资源优化配置的理论、模型和方法结合的水资源优化配置专家支持系统是非常有前途的研究方向。
【5】
2国外水资源优化配置
国际上以水资源系统分析为手段、水资源优化配置为目的的实践研究,最初源于Masse提出的水库优化问题。
20世纪60年代,由于系统工程理论与计算机技术的发展,系统分析方法应用到流域水资源系统规划中。
最早由工程、社会、与自然科学等学科的专家们组成的美国哈佛大学“哈佛水资源规划组”于1955年提出了将水资源与环境系统统一考虑的设想,探索经济目标、工程分析和政府决策间的关系,于1962年出版了《水资源系统分析》一书,将系统分析引人水资源规划,开始了流域水资源配置模型研究,从此,水资源配置模型在欧美受到极大的重视。
70年代初以来,伴随数学规划和模拟技术的发展及其在水资源领域的应用,水资源优化配置的研究成果不断增多。
Pearson等(l982)利用多个水库的控制曲线,以产值最大为目标,输水能力和预测的需求值作为约束条件,用二次规划方法对英国Nawwa区域的用水量优化分配问题进行了研究。
同年,英国学者PHerbeltson等,针对潮汐电站的特点,考虑多部门利益的相互矛盾,利用模拟模型对潮汐海湾的新鲜水量分配进行了模拟计算,展现了模拟技术的优越性;
荷兰学者ERomijn.MTalninga考虑了水的多功能性和多种利益的关系,强调决策者和决策分析者间的合作,建立了GelderiandtDoenthe的水资源量分配问题的多层次模型,体现了水资源配置问题的多目标和层次结构的特点。
W皿s(1987)应用线性规划方法求解了1个地表水库与4个地下水含水单元构成的地表水、地下水运行管理问题,地下水运动用基本方程的有限差分式表达,目标为供水费用最小或当供水不足情况下缺水损失最小,同时,用SUMT法求解了1个水库与地下水含水层的联合管理问题。
90年代初以来,由于水污染和水危机的加剧,传统的以供水量和经济效益最大为水资源优化配置目标的模式已不能满足需要,国外开始在水资源优化配置中注重水质约束、水资源环境效益以及水资源可持续利用研究。
A几al,Javald等(1992)针对Pakistan的某个地区的灌溉系统建立了线性规划模型,对不同水质的水量使用问题进行优化。
在劣质地下水和有限运河水可供使用的条件下,模型能得到一定时期内最优的作物耕种面积和地下水开采量等成果,在一定程度上体现了水质水量联合优化配置的思想。
watkins,DavidWJr(1995)介绍了一种伴随风险和不确定性的可持续水资源规划模型框架,建立了有代表性的水资源联合调度模型。
此模型是一个二阶段扩展模型,第一阶段可得到投资决策变量,第二阶段可得到运行决策变量,运用大系统的分解聚合算法求解最终的非线性混合整数规划模型。
wong,HughS等(1997)提出支持地表水、地下水联合运用的多目多阶段优化管理的原理和方法,在需水预测中考虑了当地地表水、地下水、外调水等多种水源的联合运用,并考虑了地下水恶化的防治措施,体现了水资源利用和水资源保护之间关系。
CarlosPercia和Gideonoron(1997)以经济效益最大为目标,建立了以色列南部Ei恤地区的污水、地表水、地下水等多种水源的管理模型,模型中考虑了不同用水部门对水质的不同要求。
3遗传算法与粒子群算法的应用
3.1遗传算法概述
遗传算法(GeneticAlgorithm)是一种通过模拟自然进化过程搜索最优解的方法,它是由美国Michigan大学J.Holland教授于1975年首先提出来的,并出版了颇有影响的专著《AdaptationinNaturalandArtificialSystems》,GA这个名称才逐渐为人所知,J.Hilland教授所提出的GA通常为简单遗传算法(SGA)。
遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法,与传统的优化算法相比,遗传算法以决策变量的编码作为运算对象;
使用多个点的搜索信息,具有隐含并行性;
使用概率搜索技术,而非确定性规则;
直接以适应度作为搜索信息,无需导数等其它辅助信息。
【6】
3.2粒子群算法概述
粒子群优化算法(PSO)是一种进化计算技术(evolutionarycomputation),1995年由Eberhart博士和kennedy博士提出,源于对鸟群捕食的行为研究。
该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型。
粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。
PSO同遗传算法类似,是一种基于迭代的优化算法。
系统初始化为一组随机解,通过迭代搜寻最优值。
但是它没有遗传算法用的交叉(crossover)以及变异(mutation),而是粒子在解空间追随最优的粒子进行搜索。
同遗传算法比较,PSO的优势在于简单容易实现并且没有许多参数需要调整。
目前已广泛应用于函数优化,神经网络训练,模糊系统控制以及其他遗传算法的应用领域。
粒子群优化算法(PSO)是基于群体智能理论的优化算法,通过种群中粒子间的合作与竞争产生的群体智能指导优化搜索,收敛速度较快。
但PSO在算法早期存在精度低、易发散等缺点。
在收敛情况下,由于所有的粒子都向最优的方向飞去,所以粒子多样性变差,使得后期收敛速度明显变慢,且易陷入局部最优。
【7】
3.3遗传算法和粒子群算法在RBF网络学习中的应用
3.3.1基于变长度染色体遗传算法的RBF网络学习算法
在生物进化过程中,其染色体的长度并不是固定不变的,而是随着进化过程也在慢慢地变化,另一方面在用遗传算法求解实际问题时,也需要使用不同长度的编码串,因此Goldberg等人提出了一种变长度染色体遗传算法【8】。
1)编码
变长度染色体遗传算法将常规遗传算法的染色体编码串中各基因座位及相应的基因值组成一个二元组,把这个二元组按一定的顺序排列起来,就组成一个变长度染色体的编码方式。
如:
其中:
ik是所描述的基因在原常规染色体中的基因座编号;
xk为对应的基因值。
对所需求解的问题,若使用常规遗传算法时的染色体长度固定为l,则
。
2)遗传操作
在变长度染色体遗传算法中,由于染色体长度可变,遗传操作算子选择具有特殊性,一般选择算子选用锦标赛选择方法,其基本思想是从种群中随机选择k个个体,其中适应度最高的个体遗传到下一代,重复执行此过程,直到选出的个体数量达到要求为止。
其中k为竞赛模。
在变长度染色体GA法中,不再使用通用的交叉算子,而代之以切断算子和拼接算子。
切断算子是以预先某一给定的概率(Pc),在变长度染色体中随机选择一个基因座,在该位置将个体的基因座切断,使之成为两个个体。
在切断时必须保持基因的完整性。
拼接算子是以某一预先给定的概率(Ps),将两个个体的基因型连接在一起,使之成为一个个体。
这两个算子的处理过程称为并列阶段,其处理示例如图1所示。
1
1
编码
为了提高计算的精度并减小染色体的长度,采用浮点数编码。
由于每个基函数都由中心和宽度构成,因此在编码时将其变成一组,每个染色体由至少一组或多组组成,其染色体结构示意图如图2所示。
2
2 适应度函数
神经网络训练的目的在于寻找一些参数使其输出均方误差和最小,因此选择均方误差和的倒数为适应度函数。
第i个个体的适应度为:
3 遗传操作
在算法中选择一定的概率进行切断和拼接操作。
选择的目的是将优化的个体直接遗传到下一代或产生新的个体遗传到下一代,它是建立在种群中个体适应度的基础上的。
文中采用锦标赛选择算子,其中竞赛规模为2。
同时,为了不使最优的个体在选择中被淘汰,有必要采取精英保留策略,即将每一代中最优的个体直接遗传到下一代。
变异操作采用以当前值为中心,在一个小范围内进行随机扰动。
设参数在[L,R]
内进行变化,变异操作如下:
其中:
α,γ为(0,1)上的随机数,k∈(0,1)为一系数。
4 算法的基本步骤
a.采集训练样本,并根据训练样本的取值范围随机产生染色体;
b.对染色体进行切断和拼接操作;
c.对染色体解码并计算染色体的适应度,并根据适应度的大小进行选择操作;
d.对染色体进行变异操作,变异后计算染色体的适应度,如果变异后染色体的适应度比原染色体适应度小,则保持原染色体不变;
e.重复步骤2—4,直到达到计算要求为止,并保存每代中适应度最大的染色体;
f.从每代中适应度最大的染色体中选择最佳的染色体,将其解码后的值作为
g.RBF神经网络的结构参数,并对网络进行学习;
h.停止运算。
3)应用实例【9】
本文将基于变长度染色体GA的RBF神经网络应用于热电厂热负荷预测,采用文献【10】中给出的热负荷数据(见表1所示)。
用1987年至1991年的数据作为学习样本,对1992年和1993年的热负荷进行预测。
并将计算结果与文献【11】和文献【12】中计算结果进行对比。
基于变长度遗传算法RBF神经网络算法中种群规模为20,切断概率为0.95,拼接概率为0.9,变异概率为0.1,初始隐层节点数取为5。
训练误差选为E=0.001,表2给出了本文方法和文献【12】中方法在输入节点P=2~8时隐节点数目NH和预测均方误差σ的结果。
从表2中可以看出:
本文的方法预测均方误差明显优于文献【12】。
3.3.2基于减聚类和粒子群算法的RBF网络学习算法
在RBF神经网络学习中,经常采用K-means聚类算法、模糊聚类算法等聚类算法来确定基函数的中心值,但是对于基函数中心个数的确定,一直没有很好的办法。
文献【13】引入减聚类算法用于指导聚类学习,并通过一个聚类自动终止条件判断聚类个数。
将该算法运用到RBF网络学习中,对于简单问题能够取得较好的效果,但对于较复杂问题或精度要求较高的问题,很难达到要求。
其主要原因是由于减聚类方法虽然能够确定聚类的中心和个数,但类中心参数来至于聚类数据,很难取得很高的精度。
对于复杂问题,在要求较高的情况下,可以先采用减聚类算法确定基函数的中心个数,然后再对基函数的中心值进行优化,本节将粒子群算法应用于类中心参数优化。
1)PSO的编码和适应度函数
在PSO算法中,一个粒子对应于一个可行解,因此,粒子编码中应包括基函数中心值和宽度、粒子速度以及适应度。
设有m个中心,每个中心为k维,那么,粒子的位置为m×
(k+1)维,相应粒子速度也应该为m×
(k+1)维。
粒子的编码结构如图3所示:
3
2)仿真实例
考虑Logistic映射:
【14】
这是一个典型的混沌映射,当γ≥3.5699时会产生复杂的动态行为。
取γ=4,x(0)=0.2迭代生成长度为200的混沌序列,将前150组数据作为训练集,用来训练RBF神经网络,用后50组数据作测试集,用来评价网络的性能。
其中粒子种群数为20,η1=η2=2.05,Wmax=0.729,Wmin=0.4。
遗传算法种群数为20,交叉概率为0.6,变异概率为0.1。
取γa=0.5,γb=0.55,运用减聚类算法确定基函数中心个数为11个。
GA和PSO算法都经过20代运算,平均平方误差见表4。
4
4结语
遗传算法和粒子群算法是模拟生物系统行为的智能计算方法,其具有不需要被优化函数连续、可微和可导的特性,因此常用来对复杂非线性的参数进行估计。
虽然遗传算法和粒子群算法在一些领域都得到了应用,但如何将其应用到更广阔的领域对于算法的发展具有重大的意义。
随着遗传算法和粒子群算法理论研究的完善以及应用领域的进一步拓展,算法将得到更加广阔的应用前景。
【15】
参考文献:
【1】王浩,杨小柳,甘泓.水资源优化配置研究的现状与未来.中国水利水电科学研究院水资源所
【2】吴泽宁,索丽生.水资源优化配置研究进展[J].灌溉排水学报,2004,23
(2);
1-5
【3】王小娟.国内水资源优化配置研究综述.山西省晋城职业技术学院,晋城048000
【4】常文娟,马海波.国内水资源优化配置研究综述.河海大学,水文水资源学院,南京210098
【5】徐振国华北水利水电学院水利学院,李强武汉大学水利水电学院,杨天祥丹东市水利勘测设计研究院,马银辉天津港航工程有限公司,水资源优化配置研究现状及展望,河南水利与南水北调,2008年第11期
【6】高翔,海洋.遗传算法应用,洛阳理工学院,计算机与信息工程系,河南洛阳471003
【7】王杰文,李赫男.粒子群优化算法综述.湖南第一师范学院信息技术系,长沙,410205
【8】张友民,李庆国,戴冠中等.一种RBF网络结构优化方法[J].控制与决策,1996,11(6):
667-671
【9】文劲宇,刘沛,程时杰.遗传算法及其在电力系统中的应用[J].电力系统及其
自动化,1996,20(10):
57~60;
20(11):
60~65
【10】葛晓霞,缪国君等.热电厂热负荷的预测方法[J].热力发电,1996,26
(2):
25~28
【11】李勇,宋景东,孙海波等.热电厂热负荷预测的神经网络模型[J].热能动力工程,1998,13(6):
447~448
【12】张传斌,王学孝,邓正隆等.非线性时间序列的RBF神经网络预测方法及其应用[J].热能动力工程,2001,16(3):
311~312,342
【13】王洪斌,杨香兰,王洪瑞等.一种改进的RBF神经网络学习算法[J].系统工程与电子技术,2002,24(6):
103~105
【14】HelenaSzczerbicka,MatthiasBecker,MichaelSyrjakow.Geneticalgorithms:
atool
formodeling,simulationandoptimizationofcomplexsystems.CyberneticsandSystems,1998,29(7):
639~659
【15】张顶学.遗传算法与粒子群算法的改进及应用.2007.