基于改进多目标粒子群算法的水库防洪调度

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (30): 33-39.

基于改进多目标粒子群算法的水库防洪调度

邢小红，罗军刚，解建仓

西安理工大学陕西省西北旱区生态水利工程重点实验室，西安 710048

出版日期:2012-10-21 发布日期:2012-10-22

Improved multi-objective Particle Swarm Optimization algorithm for reservoir flood dispatch

XING Xiaohong, LUO Jungang, XIE Jiancang

State Key Lab of Eco-Hydraulic Engineering in Shaanxi, Xi’an University of Technology, Xi’an 710048, China

Online:2012-10-21 Published:2012-10-22

摘要/Abstract

摘要： 提出了一种基于改进多目标粒子群优化算法的水库防洪调度算法（MOPSO-RFC）。该算法采用下泄流量编码方式；设计了一种基于邻域最大拥挤距离的全局极值选择算子，以保持更好的种群多样性；设计了一种基于差分进化的精英种群自学习算子，以提高算法的求解效率。对陕西省安康水库两场典型洪水的调度研究结果表明，MOPSO-RFC算法获得了一组质量高、多样性好的防洪调度方案，有效实现了削减洪峰的目的。

关键词: 水库防洪调度, 多目标粒子群优化, 差分进化

Abstract: In order to provide a more comprehensive information support to the decision making of the reservoir dispatch in the flood season, an improved multi-objective particle swarm optimization algorithm for reservoir flood dispatch（MOPSO-RFC） is proposed. In MOPSO-RFC the discharging downstream flow based coding is employed. In the proposed algorithm, a global best selection operator based on neighbor maximum crowding distance is deigned to maintain better diversity and elite population learning operator based on differential evolution is deigned to enhance its efficiency. Dispatching studies on the two typical floods of the Ankang reservoir in Shaanxi province indicate that MOPSO-RFC can obtain a set of scheduling schemes with good quality and variety. It can realize the purpose of reducing the flood peak.

Key words: reservoir flood dispatch, Multi-Objective Particle Swarm Optimization, differential evolution

邢小红，罗军刚，解建仓. 基于改进多目标粒子群算法的水库防洪调度[J]. 计算机工程与应用, 2012, 48(30): 33-39.

XING Xiaohong, LUO Jungang, XIE Jiancang. Improved multi-objective Particle Swarm Optimization algorithm for reservoir flood dispatch[J]. Computer Engineering and Applications, 2012, 48(30): 33-39.

[1]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[4]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[5]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[6]	沈鑫，邹德旋，张强. 采用双变异策略的自适应差分进化算法及应用[J]. 计算机工程与应用, 2020, 56(4): 146-157.
[7]	张梦琳，江沸菠，董莉，高颖. 智能无人机轨迹与任务卸载联合优化[J]. 计算机工程与应用, 2020, 56(21): 38-46.
[8]	王浩，李俊，周蓉. 自适应合并与分裂的多种群差分进化算法[J]. 计算机工程与应用, 2020, 56(15): 162-171.
[9]	王亚东，石全，尤志锋，宋卫星. 差分准对立学习多目标蚁狮算法[J]. 计算机工程与应用, 2020, 56(13): 156-163.
[10]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[11]	迟宗正，董绍正，郭童，任志磊，周宽久，郭禾. 求解风力发电机布局问题的超启发式算法研究[J]. 计算机工程与应用, 2019, 55(7): 220-225.
[12]	刘茜1，毛力1，杨弘2. 差分进化引导趋化算子的烟花优化算法[J]. 计算机工程与应用, 2019, 55(3): 140-146.
[13]	姜圣涛，穆学文. 广义模糊熵图像阈值分割参数选取的ADE方法[J]. 计算机工程与应用, 2018, 54(9): 183-188.
[14]	廖雄鹰1，2，李俊1，2，罗阳坤1，2，李波1，2. 基于自适应变异算子的差分进化算法[J]. 计算机工程与应用, 2018, 54(6): 128-134.
[15]	吴明胜，邓晓刚. 基于Tri-DE-ELM的半监督模式分类方法研究[J]. 计算机工程与应用, 2018, 54(3): 109-114.