[发明专利]一种基于多目标遗传算法的调度函数优化方法

摘要

本发明涉及一种基于多目标遗传算法的调度函数优化方法，所述方法的步骤如下：设定调度函数形式；决策变量设定；多目标粒子群算法MOPSO计算调度规则：多目标粒子群算法MOPSO计算过程包括：初始化；创建外部Archive，以popVar中非支配粒子位置信息在Archive中创建副本；迭代。本发明采用的粒子群算法，代替线性回归。所述算法具有流程简单易实现、算法参数少、收敛速度快等优点而被广泛采用。将其应用于水库调度函数的生成上，利用所建立的调度函数，优化出最优参数，得到水库最优调度函数。

主权项

1.一种基于多目标遗传算法的调度函数优化方法，其特征在于所述方法的步骤如下：设定调度函数形式：用于假设调度函数是线性的，假设影响水电站水库时段决策的主要因素为该水库在时段初的水库存水状态(水位或库容)和该时段的入库径流，决策变量(通常可取为时段末水位、库容、时段下泄流量或时段发电出力)是时段初水库存水和入库径流的函数，即；决策变量设定：用于将每个调度时段调度函数的参数作为优化的决策变量；多目标粒子群算法 MOPSO计算调度规则：多目标粒子群算法 MOPSO计算过程包括以下子步骤：初始化：①随机生成粒子群popVar,种群规模为M；②粒子初速度V（M）;③计算每个粒子对应多目标的适应值；④初始化粒子历史最优位置pBest=popVar;⑤初始化粒子全局谁有位置gBest;创建外部Archive，以popVar中非支配粒子位置信息在Archive中创建副本；迭代：初始化Iter=0;①计算拥挤距离，当Archive中非支配解个数超过1时，计算拥挤距离并降序排列；②更新速度，V（M）=0.4* V（M）+R1*(pBest（M）-popVar（M）+R2*(gBest（A）-P（M）);③更新粒子位置，P（M）= P（M）+ V（M）；④限制粒子位置范围，将更新后超出位置范围的粒子保持在边界上并改变速度方向；⑤突变变异，变异概率为Mu，当进化代数Iter＜IterM*Mu时进行变异操作；⑥评价，计算变异后生成每个粒子对应多目标的适应值；⑦更新Archive解集；⑧检测迭代次数，如果Iter＜IterM则回到“计算拥挤距离”，如果Iter≥IterM则结束计算。