[发明专利]基于多目标混沌遗传算法的流域水资源优化配置方法

权利要求书

1.一种基于多目标混沌遗传算法的流域水资源优化配置方法，其特征在于，包括以下步骤：

步骤一：获取流域水资源系统基本信息，包括：流域基本情况及水资源特点、流域分区概化、流域总需水量、流域总供水量；

步骤二：建立以社会、经济以及生态环境综合效益最大为优化准则，水量平衡约束、水库蓄水能力约束、水库下泄流量约束、水源可供水量约束、水源输水能力约束、用户需水能力约束、变量非负约束为约束条件的多目标水资源优化配置数学模型，并进行配置模型参数率定；

步骤三：将多目标混沌遗传算法应用于上述水资源优化配置数学模型，生成Pareto最优解集，即水资源优化配置备选方案集；

步骤四：在水资源优化配置备选方案集基础上，采用混沌神经网络综合评价模型确定水资源优化配置最佳均衡方案。

2.如权利要求书1所述的基于多目标混沌遗传算法的流域水资源优化配置方法，其特征在于，所述步骤三具体包括：

步骤3-1：约束条件处理，利用不可微精确罚函数法，选择一定的罚因子，构造惩罚项，将约束问题转化为无约束优化问题，此时得到连续对象的优化问题：

minf(x₁,x₂,L,x_N)x_i∈[a_i,b_i]i＝1,2,L,N(3)

式中，x_i为决策变量，a_i、b_i为决策变量取值上下限；

步骤3-2：参数设定，确定决策变量的个数N及变量的取值范围[a_i,b_i]，确定遗传算法的初始种群规模M、遗传算法的终止迭代次数T、交叉概率P_c和变异概率P_m；

步骤3-3：初始化种群，选取n个不同的初值，通过Logistic映射可得到n个轨迹不同的混沌变量序列ε_i,j，i＝1,2,L,N，j＝1,2,L,M，Logistic映射：

ε_i,k+1＝με_i,k(1-ε_i,k)(4)

式中，μ是控制参量，设0≤ε_i，1≤1，μ＝4时，系统完全处于混沌状态，具有混沌运动的所有特征；再将Logistic映射产生的混沌序列按式(5)放大到优化变量的取值范围，以此作为初始种群：

x_i,j＝a_i+(b_i-a_i)ε_i,j (i＝1,2,L,N，j＝1,2,L,M)(5)

式中，ε_i,j为混沌变量序列；

步骤3-4：构造外部存储档案，确定档案的最大规模，所述外部存储档案，用于预先保留适应度值较优的个体，避免其因为遗传算法的强随机性而破坏，最终从中获取非劣解集；

步骤3-5：按目标函数的个数对种群进行分割，对每个子群体分配一个子目标函数，各个子目标函数在相应的子群体中独立地进行选择操作；

步骤3-6：选择适当的适应度函数，计算各子群体对应的子目标函数的适应度值；

步骤3-7：选择适应度值高的个体组成新的子群体，将所有新组成的群体合并成一个完整的群体，进行交叉和变异操作，形成下一代种群；

步骤3-8：计算新的适应度值并进行调整，然后按适应度值对群体进行排序，将其中适应度最差的10％进行替换，并进行档案维护；

步骤3-9：如果满足终止迭代条件，输出Pareto最优解集，否则给当前代群体中适应度对应优化变量加一混沌扰动，并通过载波方法映射为优化变量，转入步骤3-6。

3.如权利要求2所述的基于多目标混沌遗传算法的流域水资源优化配置方法，其特征在于，在步骤3-1中，所述不可微精确罚函数法，将约束问题转化为无约束优化问题，避免计算上的序贯性质，直接使约束优化的解与罚函数的某个极小点精确地一致，转化公式为：

p(x)＝f(x)+σ(c(x))(2)

式中，f(x)是原问题的目标函数，σ(c(x))是惩罚项，c(x)是原问题的约束条件。