[发明专利]一种大规模梯级水电站群多核并行优化调度方法

摘要

本发明公开了一种大规模梯级水电站群多核并行优化调度方法，划分子种群从主线程中获取初始种群的计算规模作为父任务规模，采用Fork/Join并行框架的通用的阈值计算公式将父任务划分为不少于1个规模更小的子任务，且每次递归分解将父任务规模对半划分为2个规模相同的子任务，直至子任务规模小于或等于阈值，停止分解；子线程同时计算各自分配的子任务每个分配到子线程的子任务的种群规模相同，并且设置相同计算参数的自适应混合粒子群算法计算各子任务的最优解；输出最优解当各子线程完成所有子任务的计算，合并所有子任务的最优解并筛选出全局最优解，返回主线程。本发明实现方法的并行化，提高求解效率，减少线程闲置时间，提高线程利用率。

主权项

一种大规模梯级水电站群多核并行优化调度方法，其特征在于，包括以下步骤：1)划分子种群：从主线程中获取初始种群的计算规模作为父任务规模，采用Fork/Join并行框架的通用的阈值计算公式将父任务划分为不少于1个规模更小的子任务，且每次递归分解将父任务规模对半划分为2个规模相同的子任务，直至子任务规模小于或等于阈值，停止分解；2)子线程同时计算各自分配的子任务：每个分配到子线程的子任务的种群规模相同，并且设置相同计算参数的自适应混合粒子群算法计算各子任务的最优解；3)输出最优解：当各子线程完成所有子任务的计算，合并所有子任务的最优解并筛选出全局最优解，返回主线程；其中自适应混合粒子群算法求解过程，包括以下步骤：Step 1算法参数初始化：设定种群规模m、混沌序列个数d、种群最大迭代次数Kmax、飞行加速度c1，c2、惯性因子w、常量e、常量s、粒子能量上限eIni、粒子能量下限eFin以及粒子相似度上限sIni和粒子相似度下限sFin；Step 2种群初始化：根据Logistic映射公式，在各时段水位允许范围内，随机初始化粒子种群个体位置(zi1，zi2，...，zin)以及粒子飞行速度(Vi1，Vi2，...，Vin)；其中，粒子位置元素为水位，飞行速度元素为水位涨落速度；Step 3计算粒子适应度、粒子个体最优解以及种群全局最优解：粒子适应度与其个体最优解比较，若粒子适应度比其个体最优解更优，则当前粒子位置作为个体最优位置；粒子适应度与种群全局最优解比较，若粒子适应度比种群全局最优解更优，则当前粒子位置作为种群全局最优位置；Step 4计算粒子能量以及粒子能量阈值：若粒子能量低于当前粒子能量阈值，对粒子当前位置与速度执行变异操作；Step 5计算粒子相似度以及粒子相似度阈值：若两相邻粒子相似度小于当前粒子相似度阈值，则对较差粒子的历史最优位置执行变异操作；Step 6引入基于邻域的贪心随机搜索策略对粒子的个体最优位置进行更新，若在邻域搜索到的当前位置比搜索前粒子适应度更大，则代替搜索前粒子个体位置，再用搜索后粒子个体位置与粒子历史最优位置以及种群全局最优位置作比较，更新粒子历史最优位置以及种群最优位置；Step 7更新粒子种群；Step 8判断迭代是否结束：若当前迭代次数小于最大迭代次数，返回Step 3；否则退出迭代，输出结果；Fork/Join并行框架采用分治法技术，通过递归分割原问题，形成不少于1个规模更小、相互独立且可并行计算的子任务；当各子任务进行独立并行计算后，组合各子任务的子结果即能输出原问题的最终结果，其中Fork/Join并行框架的线程池：当程序开始执行时，默认创建与可用的处理器数目相同的活动线程数；在分治法执行过程中，定义了一个可自由设置的控制子任务规模大小的阈值作为子任务规模的上限值，即当子任务规模小于或等于阈值时，分治法执行结束，各子任务被平均分配到不同线程中开始并行计算；在子任务并行计算过程中，Fork/Join采用双端队列排序模式，并采用了工作窃取算法，即当一个线程的队列计算任务为空时，将从其它处于工作状态的线程队列尾部窃取计算任务。