[发明专利]并行异步混合算法处理系统和水库或水库群优化调度方法

说明书

技术领域

本发明涉及水库调度和并行算法技术领域，特别地，涉及一种并行异步混合算法处理系统和使用该并行异步混合算法处理系统的水库或者水库群优化调度方法。

背景技术

水库优化调度研究的基本内容是，根据水库来流过程，遵照调度准则，运用优化方法，寻求能使水库发电、防洪、灌溉、供水等各部门在整个分析期内的总效益最大的调度方案。水库优化调度问题极为复杂，具有大规模、高维性、动态性、非线性等特点。自上世纪六十年代以来，国内外学者围绕水库优化调度算法开展了大量的研究工作，将线性规划(LP)、非线性规划(NLP)、动态规划(DP)和其改进算法，如逐步优化算法(POA)、逐步逼近算法(DPSA)、离散微分动态规划算法(DDDP)，以及智能优化算法，如遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)、模拟退火算法(SA)等，应用于水库优化调度问题求解。

关于上述算法的优劣，一直是专家学者关注讨论的焦点。一般对于水库优化调度问题来讲，判别一个算法的优劣有四个原则：一是否快速收敛；二是否满足计算要求；三是否需要初始解；四是否便于应用。然而，上述算法却不能同时具备所有优点。线性规划算法能够有效克服高维问题，找到全局最优解，不需要提供初始解，理论与实际中都有广泛应用，但水库调度问题本质上属于非线性这一特点限制了其应用。非线性规划算法是解决水库调度问题的理想算法，但它收敛速度慢，同时难以克服高维问题。基本动态规划算法理论上能够得到全局最优解，但需要对水库状态进行离散，诚然离散越细越接近全局最优解，但由此将引起巨大的计算代价，另外动态规划在处理水库群问题时引起的“维数灾”使研究者望而却步。基本动态规划的“维数灾”问题，使研究者不断对其改进，发展了逐步优化算法、逐步逼近算法、离散微分动态规划算法等算法，这类算法虽然在一定程度上回避了基本动态规划的“维数灾”问题，同时带来了只能得到局部最优解、需要提供初始解等新的问题。另外，动态规划一类算法并行化困难，对于水库调度这类随着问题规模扩大计算量指数增长的算法来讲，并行化处理不能显著提高其计算效率。遗传算法、粒子群算法、蚁群算法属于基于种群的优化算法，其中遗传算法不依赖于问题的具体领域，具有很强的鲁棒性，直接以目标函数值作为概率搜索的基本信息，占用计算机内存少，适用于求解复杂系统的全局优化问题，但存在早熟和局部寻优能力差等缺点；粒子群算法具备遗传算法的上述优势，同时收敛速度快，但同样存在早熟和局部寻优能力差等缺点；蚁群算法在求解组合优化问题中获得较好的实验结果，蚂蚁群体的集体行为表现出的“群体智能”保证了蚁群算法的有效性和先进性，但需要对水库状态进行离散，同时易早熟。计算机物理极限速度的约束表明，只有通过并行才能够不断提高求解速度；另外，并行算法相应于串行算法在求解质量上的改进表明，并行算法必然是未来发展的趋势。并行算法在过去二十多年不断发展，例如基于种群的优化算法，如遗传算法、粒子群算法等，这类算法有四类并行模型，具体是主从式模型、粗粒度式模型、细粒度式模型三类基本模型，以及由这三类基本模型组合而成的混合式模型。然而，这些并行算法处理通常仅仅局限于一种算法，例如在上述四类并行模型中，各个从进程都执行同一种算法的部分操作，因而这些并行算法处理本质上难以克服该算法固有的“劣根性”。

发明内容

本发明是鉴于上述问题提出的，目的在于提供一种并行异步混合算法处理系统以及使用它的水库或者水库群优化调度方法，用于针对水库或者水库群优化调度问题的大规模、高维性、动态性、非线性等特点，解决单个算法独立应用时所存在的求解速度慢、求解质量差以及单个算法固有“劣根性”等问题。

为了实现上述目的，本发明的一种并行异步混合算法处理系统，包括结构层和支持层，所述结构层由主控进程、多个并行的从进程和中转进程组成，所述支持层包括模型库、算法库、数据库和知识库，所述主控进程控制程序进程，包括启动程序、终止程序、控制所述从进程的操作及顺序、控制所述中转进程的操作，所述多个并行的从进程分别执行各个不同的算法和相应的模型计算操作，同时向所述中转进程发送当前最优值，所述中转进程实现各个不同的算法的异步交换和最优值保存，将从所述从进程发送来的所述当前最优值与历史最优值进行比较，返回所述从进程比较后的最优值，从而使各个从进程中的各个算法通过中转进程实现交互和混合。