论文部分内容阅读
水库防洪调度(RFCO)是一个复杂的多目标优化问题,在洪水来临时,决策者希望能够获得一组精确的调度方案来进行水库的调度。但是由于现有的多目标水库防洪调度算法求解能力有限,主要通过引入调度时间间隔减小了决策变量的数目来表现出好的性能,其获得的最优调度方案只是一个粗略的近似解。为了满足决策者的精确性需求,本文致力于能够获得精确的小时调度方案,但是这会造成水库防洪调度问题决策空间维数的急剧增加,并且由于RFCO问题中决策变量之间的链式相关性,导致对现有的基于变量分组方法的大规模多目标优化算法提出了很大的挑战。所以为了应对这些挑战,本文提出了一种多目标优化算法来直接求解大规模RFCO问题。同时,在洪水来临时决策者希望能够迅速获得一组调度方案,因此本文提出的算法也要满足决策者的实时性需求。本文的主要研究成果和创新点如下:1)针对目前的多目标优化算法求得的解是近似调度方案的问题,本文引入了一种新的“分而治之”策略,即一种由粗到细的分解方法,并结合基于分解的进化多目标优化算法(MOEA/D)框架提出了大规模多目标水库防洪调度算法(CFD-MOEA/D)。该算法是将原来的优化问题分解成包含若干个不同详细程度的子问题序列,然后按照由粗到细的顺序优化每个子问题来获得最精确的解。安康水库六场典型洪水的仿真结果验证了CFD-MOEA/D算法的有效性,该算法通过从粗粒度到细粒度依次求解子问题,逐步收敛到Pareto最优前沿,成功地得到了精确的小时调度方案。此外,对于本文提出的由粗到细的分解方法,其关键点是不同调度时间间隔的子问题序列的产生,因此本文分析了调度时间间隔与子问题难度之间的关系并发现了水库防洪调度问题的特性,结合该特性给出了子问题个数的设置建议以及子问题序列中子问题的调度时间间隔的设置方法,在此基础上可以确定CFD-MOEA/D算法的子问题序列。2)为了能够在短时间内迅速获得一组精确的调度方案,本文在提出的CFD-MOEA/D算法的基础上结合孤岛并行模型法提出了一种并行大规模多目标水库防洪调度算法(pCFD-MOEA/D)。该算法把CFD-MOEA/D算法中分解的子问题分别分配一个处理器来进行独立优化,并且每个子问题在进化的过程中会每隔一段时间进行个体的迁移,子问题之间的通信是基于本文提出的一种单向拓扑的孤岛并行模型来进行。通过同时进化这些子问题,精确的小时调度方案就可以在合理的时间内获得。实验结果表明pCFD-MOEA/D算法可以将原来的串行CFD-MOEA/D算法速度提高至三倍以上,有效的提高了算法的求解效率。