[发明专利]一种基于多种群协作粒子群算法的水库群调度方法和系统

说明书

本发明公开了一种基于多种群协作粒子群算法的水库群调度方法和系统，属于水库调度领域。本发明通过引入惯性权重大小逐级递减的多个粒子群，将粒子群算法的全局寻优能力和局部寻优能力充分发掘，同时通过多种群寻得的种群最优值定义的吸引因子分化种群，使得算法不易陷入局部最优值，最大化粒子群寻优能力，使水库群调度的求解中寻优能力最大化，求得的解为全局最优值；本发明通过多种群间协作的方式，逐级在种群间传递最优位置并通过多种群间协作的方式迅速向全局最优值收敛，加快了粒子群算法寻优和收敛的速度，使其在求解水库群调度问题时花费较少的时间。

技术领域

本发明属于水库调度领域，更具体地，涉及一种基于多种群协作粒子群算法的水库群调度方法和系统。

背景技术

水库群调度涉及多个存在密切水力联系的水库,根据各个水库承担的综合利用任务，运用水库的调蓄能力，在多个水库间重新分配水资源的时空分布，达到兴利除害的目的，因此其实质是一个动态、高维、非线性函数优化问题。

目前，水库群调度优化技术主要分为数学规划方法和智能优化算法。第一类数学规划方法包括线性规划、动态规划、逐步优化算法等。由于在求解水库群调度模型中存在的时间复杂度问题，传统的数学规划方法存在维数灾难、计算效率低、存储成本高、易陷入局部最优等问题，难以满足现代水库群调度的要求。第二类作为智能优化算法的代表粒子群算法有收敛快，寻优能力强的特点，在水库调度中得到了广泛应用，然而粒子群算法在求解水库群调度问题时，尤其在多峰优化搜索中，也存在着早熟收敛问题。目前众多的粒子群改进算法，同样很难兼顾全局搜索性和算法的收敛速度，使得水库群调度问题求解时不能得出最优位置的解，且求解速度不快。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于多种群协作粒子群算法的水库群调度方法和系统，其目的在于在解决传统粒子群算法在求解水库群调度时或容易陷入局部最优，或收敛速度较慢，而造成水库群调度问题难求解，所求解并非最优的情况。

为实现上述目的，按照本发明的一个方面，提供了一种基于多种群协作粒子群算法的水库群调度方法，包括：

S1.建立水库群调度模型并确定其约束条件；

S2.多种群粒子群协作的粒子群初始化：水库群调度模型中决策变量作为算法的粒子，随机生成n个规模为N的初始种群，种群中个体初始值设定为满足已构建的水库群调度模型约束条件允许区间内的随机值，并按顺序对各个种群赋予从大到小不同的惯性权重，即ω_i-1＞ω_i；ω_i表示第i个种群的惯性权重，i＝1,...,n；

S3.适应值计算：计算每个种群的粒子适应值，得到每个粒子自身的历史适应值最优位置和每个种群的适应值最优位置；

S4.粒子速度更新：

若前一个种群最优位置对应的适应值优于后一个种群，且两个种群最优位置间的矢量角度小于90。，则前后种群协作更新粒子速度；

若前一个种群最优位置对应的适应值优于后一个种群，且两个种群最优位置间的矢量角度大于或等于90。，则对种群进行分化，分别更新粒子速度；

若前一个种群最优位置对应的适应值不优于后一个种群，则按本种群当前状态更新粒子速度；

S5.根据当前粒子速度更新粒子位置；

S6.所有种群的粒子迭代执行步骤S3-S5直至达到设定次数，求解得出水库群调度模型的决策变量值。

进一步地，步骤S2中每个种群的惯性权重由得到；式中，n为种群数量，ω_max和ω_min为惯性权重的最大值和最小值。

进一步地，步骤S4具体包括：