技术摘要：
本发明公开了一种基于HMAQGA的水库群联合优化调度方法，步骤如下：首先获取水库群的基本信息，对系统进行概化；其次分析水库群任务，构建水库群多目标联合优化调度数学模型；然后执行HMAQGA求解水库群多目标联合优化调度模型获取Pareto非劣解集；最后采用基于组合赋权  全部
背景技术：
合理高效的水库调度模式，能在硬件设施不变的情况下，获得更可观的社会、经济 效益。随着流域水库群规模的不断扩大，对于水库群联合运行方式的要求也不断提高。因 此，如何通过模型的构建及求解，快速准确地找到大规模水库群的最优调度方案，为水库群 联合调度提供理论基础，已成为亟待解决的问题。近年来，随着数学规划和计算机水平的日 益提升，在传统智能算法基础上引入Pareto非劣解集理论的多目标进化算法，如多目标遗 传算法、多目标粒子群算法、多目标蛙跳算法及多目标蚁群算法等被广泛应用于水库群联 合优化调度中。但是部分智能优化算法存在寻优过程随机性较大，常出现多次求解结果不 一致的现象，且易陷入局部搜索、易早熟。因此，针对复杂的水库群优化调度模型，如何选择 合理高效的优化算法进行模型求解，值得进一步研究。 上世纪量子力学的提出，使我们能从原子层面了解物质的基本结构，并于世纪末 由Shor教授研究应用于信息科学，提出了量子算法。1996年，Narayanan结合了量子多宇宙 的思想，将其引入遗传算法中，提出了一种全新的量子衍生算法，并在旅行商问题的应用中 取得成功。2000年，K.H.Han等在遗传算法中引入量子的态矢量编码方式，开创了量子遗传 算法，提出了量子旋转门更新的方式，实现了个体染色体的量子基因遗传，提高了量子遗传 算法的可行性。 多目标量子遗传算法因其计算高效、优化性能好、精度高等优点，很多学者加入到 该算法的研究中来，使其成为解决多目标优化问题的有力工具。在水库调度领域中，量子遗 传算法的运用较少，尤其在多目标问题中，量子遗传算法的应用方面的文献稀缺，现阶段提 出的基于多目标量子遗传算法的水库群联合优化调度存在易陷于局部最优解、非劣解分布 不均等缺陷。同时，采用多目标决策方法处理非劣解集时，需要基于主客观因素相结合确定 评价指标权重。
技术实现要素：
本发明的目的在于针对传统多目标量子遗传算法容易陷入局部收敛，外部档案集 非劣解分布不均，个体难收敛到非劣解前沿等缺陷，提出一种基于调和距离多目标的自适 应量子遗传算法(Harmonic  distance  multi-objective  quantum-inspired  Adaptive  Genetic  Algorithm，HMAQGA)的水库群联合优化调度方法，并在外部档案非劣解集的基础 上采用基于组合权重的模糊优选法选择最佳水库群调度方案。 技术方案：一种基于HMAQGA的水库群联合优化调度方法，包括以下步骤： Step  1：获取水库群的基本信息数据，包括：各水库的基本特征参数、水位-库容关 系曲线、下游水位-下泄流量关系曲线等，并根据各水库之间的水力、水文联系对水库群系 5 CN 111598447 A 说　明　书 2/11 页 统进行概化； Step  2：分析水库群任务，构建以发电量最大、缺水量最小、弃水量最小、最小出力 最大等的目标函数，以水量平衡、水库下泄流量、机组过流能力、下游防洪流量、水库水位为 约束的水库群多目标联合优化调度模型； Step  3：执行HMAQGA求解水库群多目标联合优化调度模型，获取Pareto(帕累托) 非劣解集； Step  4：采用基于组合赋权的模糊优选法在Pareto非劣解集中确定最佳水库群调 度运行方案。 进一步地，所述Step  3：执行HMAQGA求解水库群多目标联合优化调度模型，获取 Pareto非劣解集，具体为： Step  3-1，选择以各时段各个水库的水位值作为决策变量，确定各个水库的水位 值的上下限，划分水库群整体调度的周期时段T，确定种群规模N，最大迭代次数Ngen，决策变 量个数Nd，量子比特位数Nq，交叉概率Pc，灾变因子gk，灾变个体数目Nk，外部归档集规模Np， 适应度网格数目Ngrid； Step  3-2，令迭代次数g＝0，对种群中的每一个个体进行初始化，其中，每个个体 的概率幅对(αi ,l ,βi ,l)初始值均为 产生N个量子 染色体，组成初始种群Q(g)； Step  3-3，测量种群Q(g)中的所有个体 得到相应的确定解，计算所有个体的非 支配排序等级[P gi ]rank(i＝1,2,...,N)、调和距离 并对其进行基于调和距离 的快速非支配排序，根据相应的原则，选取Np个个体作为初始的外部归档集 Step  3-4，基于自适应网格机制，从外部归档集 中为每一个个体选取一个目标 个体； Step  3-5，基于量子旋转门U(θ)，根据量子调整策略，对种群Q(g)进行更新操作， 并采用式(1)进行量子H门修正个体概率幅，得到新的种群Q(g 1)； Step  3-5，采用量子旋转门U(θ)，根据表1量子调整策略，对种群Q(g)进行更新操 作，并利用下式进行量子H门修正个体概率幅，得到新的种群Q(g 1)； 式中，[α′iβ′i]为量子旋转门更新后基因，[α″iβ″i]为H门修正后的基因， Step  3-6，将更新后种群Q(t 1)与外部归档集 组合，将组合后的N Np个个体实 施测量，得到相应的确定解，计算所有个体的非支配排序等级 调和 距离 并对其进行快速非支配排序，选取前Np个个体组成更新后的外部 6 CN 111598447 A 说　明　书 3/11 页 归档集 Step  3-7，产生随机概率值P(P∈[0,1])，当P≤Pi时进行量子交叉操作，利用二项 式交叉使种群个体间的信息得到充分交流；当P＞Pi时则跳过量子交叉操作，进行下一步； Step  3-8，每进行gk次迭代均实施一次量子灾变操作，选择调和距离最小的Nk个个 体进行重生成操作，使Nk个个体初始化； Step  3-9，判断迭代次数g是否已达到Ngen，若是，则终止运行并输出结果；若否，则 g＝g 1，返回Step  3-4继续进化。 进一步地，所述Step  3-3具体包括以下步骤： Step  3-3-1对于每个个体i构造两个参数ni和Si，其中ni表示当前种群中支配个体 i的个体数量，Si表示被个体i支配的全部个体集合； Step  3-3-2检索所有ni＝0的个体，将他们存入子集F1，此即等级为1的非支配个体 集合，对该集合内的个体赋予同一非支配等级P[i]rank，剩余个体集合为P1。接着检索P1中所 有的nk＝1个体，将他们存入子集F2中，即第二级非支配个体集合，对该集合内的个体赋予一 个相同的非支配等级P[i]rank 1。以此类推，直到种群中的所有个体都被分级为止，每一个个 体均被赋予非支配等级； Step  3-3-3按下式计算个体的调和距离di，以调和距离来替代原先快速非支配排 序法中的拥挤距离，以更好地评价个体的拥挤度： 式中，di,k表示个体i与其邻近的第k个个体的欧几里得距离，k表示总个体数减1； Step  3-3-4非支配排序选取精英个体组成外部归档集。经上述操作，每个个体i均 具有两个参数P[i]rank、di，即非支配等级与调和距离。此时，采用以下原则选取精英个体组 成外部归档集：当个体间非支配等级不同时，选取等级较低的个体，以保证种群的收敛性； 当个体间非支配等级相同时，则选取调和距离较大的个体，以保证种群的多样性。 进一步地，所述Step  3-4具体包括以下步骤： Step  3-4-1初始化外部归档集。对于当前个体来讲，并不被全部外部归档集中的 个体支配。因此，先从外部归档集中选取支配或弱支配当前个体的个体，组成“目标集合”， 当前个体的目标个体将在此集合中产生。 Step  3-4-2自适应网格划分目标解集空间。根据目标解集空间的大小(个体的适 应度值)，将空间划分成Ngrid个网格，每个个体根据各自的适应度值分布在相应的网格中。 计算各网格的平均适应度值，用网格的平均适应度值代替网格内的个体适应度值。各网格 的平均适应度值计算公式如下所示： 式中，n表示目标函数个数；fi(x)表示个体x的第i个目标函数对应的适应度值。 Step  3-4-3采用轮盘赌选取最优目标个体。采用轮盘赌的方法选取最优个体的网 格，网格的适应度值越大，越有可能被选取。网格选取后，从该网格中随机选取一个个体作 7 CN 111598447 A 说　明　书 4/11 页 为当前个体的目标个体。 进一步地，所述Step  4采用基于组合赋权的模糊优选法在Pareto解集中确定最佳 水库群调度运行方案，具体为： Step  4-1确定指标集V＝{v1,v2,...,vn}，其中vj(j＝1,2,...,n)表示第j个影响 事物评判的模糊因素； Step  4-2根据指标集确定方案j指标i的特征值xij(i＝1,2,...,m；j＝1,2,..., n)，建立相应的特征值矩阵X： Step  4-3基于标准化方法对上述建立的特征值矩阵进行归一化，得到相对优属度 矩阵R： Step  4-4根据各因素的重要程度，采用模糊组合赋权法确定各因素的组合权重W ＝{w1,w2,...,wn}，即分别采用层次分析(AHP)法确定各评价指标的主观权重wj′，采用熵权 法确定各评价指标的客观权重wj″，然后基于wj＝λwj′ (1-λ)wj″(λ∈(0,1))确定各指标的 最终组合权重wj。 Step  4-5根据各指标的权重W及相对优属度矩阵R代入相对优属度计算公式 中，求得方案优选值U＝(μ1 ,μ2,...,μm)，优选值最大的方案即为所寻求的最 佳方案。 本发明采用上述技术方案，具有以下有益效果： (1)满足水库群多目标联合优化调度的要求； (2)利用调和距离进行非劣解集的非支配排序，更新外部归档集，充分考虑某个解 的所有邻近个体的变化对该解的空间疏密程度的影响，以评价解空间中个体的疏密程度， 确保非劣解个体分布均匀，具有良好的多样性，加快全局收敛； (3)采用自适应网格机制为每一个个体选择最为合适的目标个体引导其进化，引 导种群向Pareto真实前沿逼近的同时，应保证种群个体的分布性，促使解集在解空间中均 匀分布，避免种群集聚于局部区域； (4)采用量子H门概率幅值修正，修正经量子旋转门更新后的个体，避免种群陷入 局部最优从而致使算法过早收敛，强化算法的全局寻优性能； (5)引入量子灾变操作，可有效防止算法在计算极端问题时，发生过早收敛，从而 加强算法的全局寻优性能； (6)所采用的多目标决策方法，主客观权重相结合，增强了水库群多目标调度系统 8 CN 111598447 A 说　明　书 5/11 页 的自主决策能力，又避免决策过程中过度带入主观偏好。 附图说明 图1是本发明的方法流程图； 图2是水库群系统概化图； 图3是HMAQGA流程图； 图4是多目标决策方法流程图； 图5是黄河上游水库群联合调度方案集空间分布图；