改进式遗传算法在污水泵站机组启停调度控制中的应用仿真
改进遗传算法在污水处理工艺优选决策指标权值确定中的应用
Ｅ ｇ ｅｒ ｇＵ ｉｅｓｙｏ Ｌ Ｃ ｏ ｇ ｉｇ４ ， ｈｎ ） ｎｉ ｅ ｎ ｎｖｒ ｔ ｆ Ａ， ｈ ｎ ｑｎ ０ Ｃ ｉａ ｎ ｉ ｉ Ｐ １１ ３１
Ａ ｓ ａｔ ｄｆ ｄｇｎ ｔ ｌｏｉ ｍ ｂ ｓｄ ｏ ｕｚ ｙｔ （ ＭＧ ｂ ｔ ｃ：Ａ ｍｏｉｅ ｅ ｅ ｃａ ｒｈ ａｅ ｎ ｆｚｙｓｓ ｍ Ｆ Ａ）ｗ ｓｅｔ ｌ ｈ ｄｔ ｄ ｔ ｍｉｅｔｅｗ ｉ ｔ ｏ ｒ ｉ ｉ ｇ ｔ ｅ ａ ｓ ｂｉ ｅ ｏ ｅｅ ｎ ｈ ｅ ｈｓ ｆ ａ ｓ ｒ ｇ
Ｏｐ ｉ ｕｍ ｃｓｏ ｆ ｒ Ｗ ａ ｔ ｗａｔ ｒ Ｔｒ ａ ｍｅ ｔＰｒ ｃ ｓ ｅ ｔｍ Ｄｅ ｉｉ ｎ ｏ ｓｅ ｅ ｅ ｔ ｎ ｏ ｅ ｓｓ ＴＡＮＧ ｎ Ｒａ ，ＬＯＮＧ ａ ｇ—ｕ 一，Ｆ Ｘｉｎ ｙ ＡＮＧ ｅ ｄ ｎ ，Ｌ ＡＮＧ ｎ － ｕ ， Ｕ ａ ，ＦＥＮＧ Ｚｈ ｎ— ｏ ｇ Ｉ Ｈｅ ｇ ｇ ｏ Ｗ Ｔｉｎ Ｙｕ—ｈ ｏ ｚａ
差 ；Ｈ Ａ Ｐ满足 污水 处理 工艺 优选决 策 指标 具 有 的层 次
聚 类 的 改 进 遗 传 算 法 （ ｄｆｄ Ｇ ｎｔ ｌ ｒｈ Ｍｏｉｅ ｅｅｃ Ａｇｉ ｍ ｉ ｉ ｏｔ
基金项 目： 国家重大科 技专项 （０ ８ Ｘ ７ １ ０ ３ ； ２０ Ｚ ０ ３ ５— ０ ） 重庆市 自然科学基金 （ Ｓ Ｃ ０ ９ Ｂ １ ５ Ｃ Ｔ ２ ０ Ｂ ７７ ） 收稿 日期 ：０ １ ０ — ２ 修订 日期 ：０ １ ０ — １ 通信作者 ： 向宇 ， 士后 ， ２ １－ ２ ２ ； ２ １— ５ ２ 龙 博 讲师
方法 难 以求解 。
遗传 算法 是求 解非 线 性 优化 函数 的 有效 手 段 ， 然
而基 本 遗传算 法 （ 简称 Ｃ Ａ） 在 易早熟 收敛 的缺 陷 ， Ｇ 存 难 以得 到全局 最优 解 。为 此 ， 文 建 立 了基 于模 糊 本
改进遗传算法在PID优化中的应用
改进遗传算法在PID优化中的应用
泰福高; 毛莺池; 石玉
【期刊名称】《《计算机工程》》
【年(卷),期】2011(037)017
【摘要】现有的比例积分微分（PID）优化设计算法难以兼顾系统对快速性、稳定性和鲁棒性的要求。
为此,提出一种改进的Pareto遗传算法。
该算法采用新的拥挤距离计算算法,改进非支配性的比较算法,引入双重精英机制,提高进化效率和解的质量,并且解的多样性好。
将该算法应用于PID多目标优化设计,仿真结果表明,决策者可根据当前工作需求在所得的Pareto解集中选择最优的满意解。
【总页数】3页(P149-151)
【作者】泰福高; 毛莺池; 石玉
【作者单位】常州工学院计算机信息工程学院江苏常州213002; 河海大学计算机及信息工程学院南京210098; 南京航空航天大学自动化学院南京210016
【正文语种】中文
【中图分类】TP273
【相关文献】
1.改进遗传算法PID参数优化在流浆箱总压控制中的应用 [J], 莫卫林;杨浩;熊智新;胡慕伊
2.改进遗传算法在无刷直流电机调速系统PID参数优化中的应用 [J], 国珍
3.基于改进遗传算法的PID参数优化在闪蒸罐压力控制中的应用 [J], 周勇;邓仕英
4.改进遗传算法PID参数优化在吹贯蒸汽流速控制中的应用 [J], 汤伟;杨润珊;孙振
宇
5.改进遗传算法在PID优化中的应用 [J], 秦福高; 毛莺池; 石玉
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法的维修任务调度优化及仿真
算各备选分配方案下的总 维修跨度时间， 取其 中时间最短的作为最终方案并绘制甘特 图。 根据甘特图采用 Ｅ ｔ ｄ ｘ ｎ 软件对调度过程进行仿真， ｅ
结果证 明，该算法理论 调度方案 的总维修跨度时间和 Ｅ ｔ ｄ仿真 时间一致 ，能有效节省 维修 时间。 ｘｅ ｎ
关麓蔼 ：任务调度；遗传 算法 ；甘特图 ；Ｅ ｔ ｄ ｘ ｎ 技术 ｅ
Ｏｐ ｉ ｚ ｔｏ ｎ ｉ ｌ ｔ ｎ ｏ ａｎ ｅ ａ ｃ ｓ ｃ ｅ ｕ ｅ ｔ ｍｉａｉ ｎ ａ ｄ Ｓ ｍｕ ａ ｉ ｆ ｏ Ｍ ｉ ｔｎ ｎ ｅＴａ ｋ Ｓ ｈ ｄ ｌ
Ｂａ ｅ ｎ Ｇ ｅ ｅｉ ｇ ｒｔ ｍ ｓ ｄ ｏ ｎ ｔｃＡｌ ｏ ｉｈ
ＹＡＮＧ ｎｇ ＺＥＮＧ ｎ Ｊｉ ． Ｂｉ
中圈分类 Ｅ １ 号； ７ ９
基于遗传 算法的维修任 务调度优化及仿 真
杨 晶 ，曾 斌
（ 海军工程大学管理工程 系，武汉 ４ ０ ３ ） ３ ０ ３
摘
要： 针对复杂维修任 务调度问题，用 Ｍａ ａ ｔｂ编写的程序计算出满足约束 条件 的几组备选分配方案 ， ｌ 筛选出有用方案后， 用遗传算法计
先 做 如 下 工 作和 假 设 ：
（） １ 对每个维修 点的关系进行研究 ，建立它们之间的联结
成本和联结 时间的数据表（ 。
间内恢复装备的战斗力 ，最大限度地保持和恢复装备的完好 性 ，提高装备 的快速、高强度 出动能力【，为战争赢得主动 ｌ Ｊ
权。对于维修任务调度问题 ，国内已做 了多方面 的研究【 】 ２。 但这些研究成果存在不足 ， ： 如 假设情况和约束条件 太简单 ； 不考虑任务执行时 的延误时间；假设不同任务在 同一维修点 使用时间上不冲突 ；所求的任务完成时间是累计消耗时间而 不是整个维修任务的总跨度时间。对于复杂维修任务调度 的 研究更是处于起步阶段 ，往往把维修任 务独立化而不考虑所
基于改进遗传算法的污水处理多目标优化控制方法
环保技术<匕£•矣全2021年第12期基于改进遗传算法的污水处理多目标优化控制方法张鸣中国石油大港油田分公司第五采油厂天津300280摘要：通过分析遗传算法的实际意义，提出利用算法定位污水处理目标源的方式，定义一个与行为结果最为符合的处理目标，使处理过程中多目标具备一个相对平衡的处理值。
同时，结合多 目标优化，从4个阶段规划控制污水处理过程，以此完成对污水处理的多目标优化控制。
此外，设计 对比实验，证明提出的方法在应用中可有效地降低污染物浓度。
关键词：改进遗传算法；多目标控制法；污水处理；优化污水进行处理的最终目标是排出的水质可满足国家污水排放标准，除此之外，在处理过程中如何降低处理成本也对企业来说也是很重要的。
在常规的污水处理过程中，最显著问题是人工处理成本的投入过高、处理工序较为复杂、进水与出水的水量波动较大，较难采用人工的方式对其进行处理，且与污水处理相关的数学模型较难建立。
因此，对污水处理进行多目标的同步控制是一项尚未完成的问题，也是 我国截止目前尚未攻克的研宄领域。
而出现此种问题的另一种原因在于污水处理过程中涉及的相关数据丰富度较高，整体体系较为封闭，难以从大量的有机数据集合中提取出有效的价值数据。
因此导致我国针对此方面的研宄一直未有显著的研宄成果，为了解决这一问题，本 文引入改进遗传算法，提出在污水处理中采用多目标优化控制方法，并希望通过对此方面的研究，降低污水处理成本，使出水达标更为可靠，以此实现水资源可持续使用政策在实践中的落实。
1改进遗传算法概述改进遗传算法作为一种新型算法，其核心的内容就是遗传因子。
通过为遗传因子赋予遗传信息，进而控制生物特征，并将其特征有效地向下传播，在本质上是利用基因遗传的概念，采用二进制的标志，模拟其遗传过程。
通过以染色体为载体，能够有效实现对基因的编码，进而使其具有遗传能力。
由此 可见，遗传算法的应用原理就是通过二进制的编码，将染色体的集合形成一个全新的种群，以便遗传使用。
基于遗传算法的改进PID控制器设计及应用
Science &Technology Vision科技视界基于遗传算法的改进PID 控制器设计及应用Design and Application of Improved PID Controller Based on Genetic Algorithm丁浩浩胡士成(温州大学,浙江温州325000)【摘要】提出了一种基于遗传算法优化改进的单神经元自适应PID 控制算法,避免一些参数及权系数的在线修正参考实验经验的问题。
该算法有两部分构成。
第一部分就是改进的单神经元自适应PID 控制D 、P 、I 的值,第二部分结合遗传算法在改进的单神经元自适应PID 控制的同时寻求合适的学习效率以及比例系数。
通过柴油机调速中电磁执行器仿真实例表明,该方法取得了很好的效果。
【关键词】遗传算法;单神经元;电磁执行器;仿真【Abstract 】An improved single neuron adaptive PID control algorithm based on genetic algorithm is proposed to avoid the on-line correction of some parameters and weights.The algorithm consists of two parts.The first part is the improved single neuron adaptive PID control D,P,I value,the second part of the combination of genetic algorithm and the improved single neuron adaptive PID control for learning efficiency and proportion coefficient.The simulation example of electromagnetic actuator in diesel engine speed regulation shows that this method can achieve good results.【Key words 】Genetic algorithm;Single neuron;Eelectromagnetic actuator ;Simulation※基金项目:2016年校级创新创业训练计划基于多视成像的瓯柑品质无损检测研究(JWDC2016052);2016年校级创新创业训练计划基于特征变量筛选的糖度近红外预测模型的优化(JWDC2016058)。
基于遗传算法的水资源优化调度研究
基于遗传算法的水资源优化调度研究随着社会经济的快速发展和人口的不断增长，水资源的供需矛盾日益突出。
同时，气候变化带来的干旱、洪涝等极端气候事件也给水资源管理带来了巨大的挑战。
如何合理、高效地进行水资源的调度成为了迫切需要解决的问题。
传统的水资源调度方法大多基于数学优化模型，需要对水文资料、地形地貌、水资源供需等方面进行大量的调研和计算，而且往往需要调度人员具有高度的专业知识和经验。
这种方法存在的问题是，计算量大，耗时长，且容易受到不确定性因素的影响。
为了解决这些问题，近年来，基于人工智能的方法在水资源调度中被越来越广泛地应用。
其中，基于遗传算法的水资源优化调度研究获得了很大的进展。
遗传算法是模拟自然选择和自然遗传机制的计算方法。
其基本思想是将一组可能的解看作是一个个体，类比自然界的个体，通过不断的交叉、变异和选择，逐步寻找最优解。
遗传算法的优点是具有良好的随机性和全局搜索能力，且易于实现和调节。
将遗传算法应用到水资源调度中，首先需要确定优化的目标函数，即在特定的约束条件下，最大化或最小化某种指标。
这些指标可以包括水资源利用效益、节约成本、保证供水质量等。
其次，需要确定变量的范围和上下限。
这些变量可以包括水库水位、出水量、输水管网的运行状态等。
最后，需要通过遗传算法对变量进行搜索和优化，找到最优解。
值得注意的是，遗传算法虽然具有全局搜索的能力，但是其结果往往是近似最优解，而非绝对最优解，因此还需要对结果进行评估和调整，以获得更好的调度方案。
总之，基于遗传算法的水资源优化调度研究是一项重要的课题，它可以有效地提高水资源调度的效率和准确度，为保障人民生活和促进经济发展做出贡献。
未来随着人工智能技术的不断进步，基于遗传算法的水资源调度将会得到更为广泛的应用。
排污单位用电监管系统中的遗传算法应用
排污单位用电监管系统中的遗传算法应用摘要：对重点排污单位进行用电监管是各地进行大气污染防治的重要手段。
针对废气排污单位的用电监管设施产生的数据，通过遗传算法可以有效甄别出其中的异常数据，从而精准判断企业废气污染排放设施和治理设施的状态，对排污企业进行远程监管，能够精准打击不正常运行污染防治设施等环境违法行为，为深入打好大气污染防治攻坚战提供技术支撑。
关键字：废气污染物；用电监管；遗传算法The Application of Genetic Algorithm Based on electricitysupervision system of pollution treatment facilitiesAbstract: Electricity supervision system of the pollution treatment facilities is an important part of Air Pollution Control. Aiming at the data generated by monitor devices, Genetic Algorithm can find the exception data exactly. Based on Genetic Algorithm, the electricity supervision system can analyze the emission status of the factories. This can help to fight the environmental crime and support to win the battle against air pollution.Key Words: pollution source; electricity supervision system; genetic algorithm;0 引言排污设施和治污设施用电监管是各地进行污染防治的重要手段[1-3]，通过用电监管设施，可对企业各产污设施和治污设施的运行进行实时动态监测，判断排污单位污染防治设施运行是否正常运行，停限产措施是否执行到位，能够打击不正常运行污染防治设施等环境违法行为，为大气污染防治进行精准监管提供有效的技术支撑。
基于改进遗传算法的梯级水电站优化调度方法
基于改进遗传算法的梯级水电站优化调度方法摘要随着能源问题的日益紧迫，水电站的调度与运营变得越来越重要。
梯级水电站具有复杂的水电耦合特性，同时受到多种不确定性因素的影响，如水流变化、负荷波动等。
优化梯级水电站的调度方法具有重要的现实意义。
本文针对梯级水电站的优化调度问题，提出了一种基于改进遗传算法的调度优化方法。
该方法从梯级水电站的实际调度运营考虑出发，综合考虑了水电调度相互耦合的影响，考虑了不同电站的优化特点，通过改进遗传算法对调度方案进行优化，得到最优的调度方案。
本文采用了实例验证该方法的可行性与有效性，结果表明，该方法能够有效提高水电站的发电效率，降低水电站的运营成本，具有实用价值。
AbstractKeywords: cascade hydropower station; optimization scheduling; improved genetic algorithm一、引言梯级水电站具有上下游电站之间水位相互制约的复杂的水电耦合特性和复杂的发电机组负荷响应特性，受到多种不确定性因素的影响，如水流变化、负荷波动等。
这些因素使得梯级水电站的调度问题变得十分复杂。
为了解决这一问题，不少学者和工程技术人员进行了深入的研究。
传统的调度方法往往基于规划、经验或试-and-error原则，具有计算复杂度高、求解速度慢等缺点。
如何建立简单、准确、高效的梯级水电站的调度优化方法，是解决梯级水电站调度问题的重要研究方向。
遗传算法是一种模拟生物进化过程的全局优化算法，具有强大的全局搜索能力，适用于复杂的优化问题。
针对梯级水电站调度问题，利用遗传算法进行调度优化已经得到了广泛的研究。
但传统的遗传算法存在着陷入局部最优解的问题，同时求解速度较慢。
本文针对该问题提出了一种基于改进遗传算法的调度优化方法，以期得到更优的调度方案，最终提高水电站的运营效率，降低运营成本。
本文的组织结构如下：第二部分对梯级水电站调度问题进行了分析；第三部分介绍了遗传算法及其改进方法；第四部分介绍了本文提出的基于改进遗传算法的梯级水电站调度优化方法；第五部分采用实例对该方法进行了验证；最后一部分对所做工作进行了总结，并对进一步研究进行了展望。
基于改进自抗扰和遗传算法的永磁同步电机速度控制
基于改进自抗扰和遗传算法的永磁同步电机速度控制摘要永磁同步电机（PMSM）具有高效、速度响应快和扭矩密度大等优点，已广泛应用于各种工业领域。
然而，在实际应用中，PMSM常常受到干扰和非线性因素的影响，导致其速度控制性能下降。
因此，本文提出了一种基于改进自抗扰（PID）控制器和遗传算法优化的PMSM 速度控制方法。
首先，根据PMSM的数学模型，设计了改进PID控制器，该控制器能够有效地抵抗干扰和非线性因素的影响。
接着，使用遗传算法对PID参数进行优化，以进一步提高控制精度和稳定性。
最后，通过对Simulink仿真模型的测试和分析，证明了本文方法的有效性和优越性。
AbstractPermanent magnet synchronous motor (PMSM) has the advantages of high efficiency, fast speed response and high torque density, and has been widely used in various industrial fields. However, in practical applications, PMSM is often affected by interference and non-linear factors, which can lead to a decline in its speed control performance. Therefore, this paper proposes a speed control method for PMSM based on an improved self-adaptive (PID) controller and genetic algorithm optimization. Firstly, according to the mathematical model of PMSM, an improved PID controller is designed, which can effectively resist the influence of disturbance andnon-linear factors. Then, genetic algorithm is used to optimize the PID parameters to further improve the control accuracy and stability. Finally, the effectiveness and superiority of this proposed method are proved by testing and analysis of Simulink simulation model.Keywords: Permanent magnet synchronous motor; Improved PID controller; Genetic algorithm; Speed control1. 引言永磁同步电机(PMSM)是一种高效、速度响应快和扭矩密度大的电机，已广泛应用于各种工业领域，如机器人、风力发电和电动汽车等。
基于改进自抗扰和遗传算法的永磁同步电机速度控制
基于改进自抗扰和遗传算法的永磁同步电机速度控制
永磁同步电机（Permanent Magnet Synchronous Motor，PMSM）由于其高效、高性能的特点在工业领域中得到广泛应用。
随着现代控制理论的不断进步，不断有新的控制策略被提出来提升永磁同步电机的控制性能。
本文将提出一种基于改进自抗扰（Improved Sliding Mode Control，ISMC）和遗传算法的永磁同步电机速度控制方法。
介绍改进自抗扰控制方法。
ISMC是传统自抗扰控制方法的一种改进方式，通过引入非线性函数和自适应控制律，提高了系统的鲁棒性和控制精度。
ISMC主要通过设计滑模面来实现控制目标，滑模面可以使系统的输出跟随参考输入，并且对参数的变化具有较好的鲁棒性。
然后，介绍遗传算法。
遗传算法是一种模拟生物进化过程的优化算法，它通过模拟进化的过程来搜索问题的解空间。
遗传算法具有全局搜索能力和较高的鲁棒性，在复杂的优化问题中具有较好的应用效果。
本文的主要思路是将ISMC和遗传算法相结合，提出一种改进的永磁同步电机速度控制方法。
具体实现方法如下：根据永磁同步电机的动态数学模型，设计ISMC控制器，通过滑模面实现输出变量跟踪目标值。
然后，将遗传算法应用于优化ISMC控制器的参数，以获得更好的控制性能。
通过遗传算法优化ISMC控制器的参数可以提高系统的鲁棒性和精度。
通过仿真实验验证本文方法的有效性和可行性。
通过对永磁同步电机速度的控制，可以实现永磁同步电机的高效运行。
本文提出的基于改进自抗扰和遗传算法的速度控制方法，可以提高永磁同步电机的控制性能，使其在实际应用中更加稳定和精确。
遗传算法在水科学若干领域应用中的改进
!""# 年第 $ 期 水污染控制系统规划是要在水体 水质 要 求的 约 束下 ，
使得整个系统治理污染物的费用最低。它主要可分为 @ 种 模型， 即排放口最优化处理模型、 最优化均匀处理 模型 、 区 6#］ 域最优化处理模型 ［ 。刘首文、 冯尚友用 7+A 求解堵河流
63］ 域 @ 个排放口最优化处理问题 ［ 。黄国如、 胡和平、 田富强 等 同样 也 以 7+A 求 解了 一个 C 个排 放口 的 最优 化 处 理 问 64］ 题［ 。可见， 对于解决排放口较少的最优化处理问题， 采用
・ ・ $"
林
澍， 李
霞， 赵
Hale Waihona Puke 群： 遗传算法在水科学若干领域应用中的改进 水科学与工程技术
%&’()*’、 +,-./) 等在选择算子中采用分级选择策略，将适
应度高的个体复制， 适应度居中的个体保持不变， 适应度低 的个体弃去， 并在交叉中采用按适应度大小固定搭配， 减少 了遗传过程中的随机性， 提高了效率， 另外还将变异算子改 为一个个体最多进行一个位的变异，同样通过纽约水供应 管道问题证明了以上改进的有效性，并证明求解效率优于
#
遗传算法在布水管网设计领域的改进
布水管网设计主要围绕的是达到供排水要求的前提下 如何使管网造价最低的问题。此种问题多数是在管网布置 路径确定情况下， 求解各管段的管径， 且多已有若干个离散 的待选管径，这种问题的解只是这些固定管径的一个排列 组合问题， 故相对较为易解， 国内外对该问题的求解已较为 成熟。 张景国、 李树平在选种中仅将群体分为适应度高的个 后 体 和适 应 度低 的 个 体 ， 前 者 被 选 中 的 概 率 为 #’6#’;"<87 ， 这样虽提高了计算速度， 但不能很好的体现 者 则 为 32#’， 8］ 个体差异 ［ 。 =>’?@ 、 A)1BC.’ 等根据遗传早期种群中函数值 的差异较大而晚期种群中的差异较小的特点，提出适应度 函数应是可变指数的幂形式， 早期采用低值指数， 以避免早 期种群中因出现某个相对较优个体而使搜索 过 早收 敛 ， 随 着进化继续进行， 指数逐渐增大， 以解决遗传后期因种群内 函数值趋向一致而导致的进化速度慢的问题，同时还采用 格雷码编码方案和邻近变异算子，并对有名的纽约水供应 #］ 。 D.’E 管道问题进行了求解， 证明了以上改进的有效性 ［
改进遗传算法用于给水管网多工况优化设计
改进遗传算法用于给水管网多工况优化设计王瑛;李文娟;李梦【摘要】为满足给水管网优化设计中多工况约束条件,达到全局优化的范畴,提出以给水管网年折算费用最低的多工况设计数学模型,并从适应度值标定和群体多样化两方面来改进遗传算法,应用该遗传算法求解模型.对工程算例管网进行优化求解,优化结果的对比表明,采用改进遗传算法能在满足管网运行各个工况的约束条件下,年折算费用比采用常规算法节省2.63%.%In order to satisfy the variable regime constraint in optimization of pipe network design and achieve global optimization, a mathematical model for designing water supply network in variable regime was presented with minimum conversion cost and the genetic algorithm was improved in terms of both the fitness value and group diversification. This improved genetic algorithm was then used to solve the model.Finally, an engineering example was given to show the optimization procedure. It was shown by contrasting the optimization results that using improved genetic algorithm could meet foregoing constraint conditions of variable regime of the network and save 2. 63％ of conversion cost when compared to using conventional algorithm.【期刊名称】《兰州理工大学学报》【年(卷),期】2011(037)003【总页数】4页(P129-132)【关键词】给水管网;优化设计;多工况;遗传算法;适应度值;群体多样化【作者】王瑛;李文娟;李梦【作者单位】兰州理工大学土木工程学院,甘肃兰州,730050;兰州理工大学土木工程学院,甘肃兰州,730050;兰州理工大学土木工程学院,甘肃兰州,730050【正文语种】中文【中图分类】TU991目前，国内外基于优化算法的给水管网优化设计研究仅仅是针对用水量最高时单一工况，不属于全局优化范畴［1］.在各种单工况优化模型渐渐暴露不足的同时，学者们［2］陆续尝试性地提出基于给水管网多工况的优化设计模型，并将其应用于给水管网算例或工程实例，取得了较原有优化模型更好的效果.在已有研究的基础上，提出多工况优化设计模型，并从适应度值的标定和群体多样性两方面改进遗传算法，最后用该算法求解多工况优化设计模型.管网管径组合和水泵扬程得到优化，优化结果表明改进的遗传算法求解出的年折算费用值比常规的遗传算法求解结果低.1 给水管网多工况优化设计数学模型1.1 目标函数管网的年折算费用是指一定建设年限内，每年分摊的建造费用和管理费用之和.经济性作为管网优化设计的目标函数，其表达式为式中：T为管网建设投资偿还期，a；P为年折旧和大修费率；N为管网管段数；a，b，α为管道造价经济参数；Di为管段i的管径；li为管段i的长度；L为供水工况数；M为泵站数；qj为泵站j的流量；hj为泵站j的扬程；E为电费；η为水泵机组综合效率；Tsj表示水泵在各种工况下运行时间占全年运行时间的比例，符合由工程实际中管网供水条件的变化所导致的水泵扬程的变化.1.2 约束条件2 遗传算法改进设计从适应度值标定和群体多样化两方面来改进遗传算法.2.1 适应度值的标定初始群体中可能存在某些个体适应度值的异常，为避免其统治整个群体并误导群体的发展方向而使算法收敛于局部最优解，需限制其繁殖.在计算临近结束，遗传算法逐渐收敛时，群体中个体适应度值比较接近，继续优化选择较为困难，在最优解附近左右摇摆，此时应将个体适应度值加以放大，以提高选择能力，这就是适应度值的标定.适应度函数设计如下.2.2 群体多样化早熟是遗传算法运行的一个致命弱点，即收敛到局部最优解而非全局最优解，这也是遗传算法最难解决的一个问题.遗传算法的早熟原因是交叉算子在搜索过程中存在着严重的成熟化效应［3－4］.在起搜索作用的同时，无法避免的是群体多样性逐渐趋于0，从而减少搜索范围，导致提前收敛.为了增加群体的多样性，有效避免早熟现象的发生，在遗传算法进行选择操作前，做如下步骤.1）个体按照适应度值大小排序.2）求群体平均适应度值，以此作为阀值，选择适应度值大于平均适应度值的个体. 3）判断相似度，以最高适应度值为模板，去除相似个体.4）重复步骤3），以适应度值高的个体为模板，选择不同的模板组成群体.5）判断是否达到群体规模.如果是则进行下一步交叉、变异等遗传操作，否则重复步骤4）.如果不能得到足够的群体规模，则将去除的个体按照适应度值大小顺序依次补足群体所缺数量.6）判断是否满足结束要求.如果是则结束，否则转到步骤1）.2.3 编码基于管网优化中的管段规模大，为避免标准遗传算法二进制编码带来的繁冗［5］，采用十进制数来表示优化问题的解.考虑到该管网负有消防给水任务，将最小的管径选为DN150.算例中水源泵站出水流量最大为175 L／s，根据界限流量表中流量介于130～168 L／s，管径宜选DN450.本文优选管径的选择范围为｛150，200，250，300，350，400，450｝.2.4 遗传操作算子2.4.1 选择算子Baker为判别选择算子的好坏使用了三种判别标准：偏差、个体扩展、效率.本文的选择操作采用基于适应度的随机遍历采样法，该方法是具有零偏差和最小个体扩展的单状态抽样算法.为了给遗传操作确定一个高起点，加快算法的收敛，本文采用界限流量法的结果作为模板［5］.2.4.2 交叉算子、变异算子交叉操作选用单点交叉，交叉概率为0.55.变异操作采用离散单点变异，变异概率为0.01.3 算例算例管网如图2（图中管长单位为m，节点流量单位为L／s）所示.该管网区域由2个水源同时供水——西部水源和东部水源，共有14个节点和19根管段，除了2个水源泵站以外，管网中无其他增压水泵和阀门，管网所在区域地势平坦，所有节点的地面标高为0.最高时管网总用水量为330 L／s，其中西部水源拟设2台泵，供水为155 L／s；东部水源拟设3台泵，供水175 L／s；不计备用泵.2个水源泵站的吸水井的水位标高均为－4.2 m.图1 改进遗传算法求解模型的流程图Fig.1 Flow－chart of improved genetic algorithm for model solution图2 管网布置Fig.2 Layour of water supply network多工况主要是指远、近期规划的最大用水时、消防时、最大转输时、事故时以及规划年限内出现情况最多的平均时工况等，进行这些工况优化设计的目的是确定最优的水泵扬程和管径组合，同时减少单工况设计后的反复校核工作.1）最大时工况.最大时工况下，管网水压要求达到最小服务水压28 m.11为控制点，2个泵站5台水泵全部启用，同时向管网供水，水泵运行时间占全年10%.2）平均时工况.平均时工况下，各节点的用水量为最高时用水量的80%；东部水源泵站的一台水泵停机，其他4台水泵启用向管网供水，水泵运行时间占全年运行总时间的87%［6］.3）消防时工况.消防工况定位控制点11和流量最大的节点7，消防用水量为25 L／s，管网用水量按照最大日最大时用水量加消防流量计算.此时水压可适当降低，火灾点的水压按照10 m水头考虑.消防工况下，5台水泵全部启动供水，运行时间占全年运行总时间的1%.4）事故时工况.事故工况下6管段为事故段，管网用水流量按最高时用水流量70%计算，工业企业事故流量按照规定计算.管网水压要求达到最小服务水压28 m.东部水源泵站的1台水泵停机，其他4台水泵运行时间占全年运行总时间的2%.表1 改进遗传优化设计与常规算法设计结果之平均时工况下的数据比较Tab.1 Comparison of results of design with IGA and conventional algorithm注：管网建造费改进优化算法为474.28万元，简单遗传算法为487.92万元.管道或节点改进优化算法优化结果管径／mm流速／（L·s－1）节点自由水压／m简单遗传算法优化结果管径／mm流速／（L·s－1）节点自由水压／m 1 300 0.5230.40 300 0.32 31.50 2 250 0.21 29.63 250 0.22 30.69 3 400 0.53 29.84 400 0.60 30.90 4 350 0.76 30.14 350 0.75 31.28 5 300 0.32 29.70 300 0.3430.82 6 300 0.47 29.46 300 0.58 30.50 7 400 0.46 29.24 400 0.40 30.02 8 300 0.42 29.65 300 0.49 30.91 9 200 0.21 29.31 200 0.32 30.24 10 150 0.22 28.86 150 0.34 29.76 11 300 0.37 28.00 250 0.42 28.00 12 250 0.39 28.73 250 0.44 28.06 13 150 0.44 31.47 200 0.68 32.57 14 200 0.48 31.82 1500.75 32.29 15 200 0.36 150 0.31 16 150 0.40 100 0.46 17 150 0.41 100 0.36 18 450 0.78 450 0.78 19 450 0.88 500 0.71技术参数：T＝12 a，P＝3，E＝0.6元／kw·h，η＝0.65.最大时工况下运行时间Tsj＝10%，M＝5；平均时工况下Tsj＝87%，M＝4；消防时工况下Tsj＝1%，M＝5；事故工况下Tsj＝2%，M＝4.最大遗传代数取800代，交叉概率pc＝0.55，变异概率pm＝0.01.选用loop软件进行水力计算，与改进的遗传算法结合，利用Matlab编写优化程序，对管网进行优化.优化结果见表1.通过改进遗传算法的计算，得到最终管网布置方案.该优化结果经过各工况的校核证明模型能满足各工况约束条件.将多工况优化下的平均时优化结果与常规算法下的结果进行比较.由表1可见，在管径组合方面，前者由于是以界限流量表作为选择模板，管径的选择介于150～450 mm，后者在管径的选择范围较大介于100～500 mm；在管网建造费方面，前者比后者节省了2.8%.在泵站优化方面，由表2、3对比可见，2种优化结果管径组合不一样，导致泵站的流量、扬程选择也不同，对比可见前者比后者在泵站运行管理方面节省了1.6%.管网年折算费前者比后者节省2.63%.优化结果证明改进遗传算法较之简单遗传算法具有更大的优越性.表2 改进遗传优化设计泵站结果Tab.2 Results of pumping station design with IGA注：泵站运行费81.08万元，年折算费用555.36万元.水源水泵站最大时（5台泵）流量／（L·s－1）扬程／m平均时（4台泵）流量／（L·s－1）扬程／m事故时（4台泵）流量／（L·s－1）扬程／m消防时（5台泵）流量／（L·s －1）扬程／m西部水源 77.50 39.24 62.00 37.47 54.25 37.10 88.3525.49东部水源 58.34 39.78 70.00 37.82 61.25 37.44 67.08 25.83表3 常规算法设计泵站结果Tab.3 Results of pumping station design with conventional algorithm水源水泵站最大时（5台泵）流量／（L·s－1）扬程／m平均时（4台泵）流量／（L·s－1）扬程／m事故时（4台泵）流量／（L·s －1）扬程／m消防时（5台泵）流量／（L·s－1）扬程／m西部水源 77.50 40.91 62.00 38.57 54.25 38.30 88.35 34.91东部水源 58.34 40.48 70.00 38.29 61.25 38.08 66.50 33.914 结论结合工程算例，在界限流量法基础上应用改进遗传算法进行管网的多工况优化设计，主要结论如下.1）结合管网优化实际，遗传算法选择算子采用界限流量优选管径为模板，给遗传操作确定一个高起点，加快算法的收敛.2）引入适应度标定的定义，提高群体的多样性，避免算法收敛于局部最优解，从而达到全局最优.3）单工况优化模型已不能满足给水管网工程的要求［7］，而多工况优化模型可以满足所设计工况下的供水要求；加入水泵特性曲线优化的内容，更符合工程实际中由供水量变化所导致的水泵工况的变化情况，同时减少了其他工况反复校核的繁琐工作，具有很好的应用价值和工程价值.参考文献：［1］吕谋，董深.基于遗传算法的给水管网多工况优化设计［J］.水利学报，2007，38（12）：1507－1511.［2］董深.吕谋.陆海.基于遗传算法给水管网优化模型的改进研究［J］.中国给水排水，2007，23（17）：87－90.［3］储诚山.张宏伟.改进混合遗传算法用于给水管网优化设计的研究［J］.天津大学学报，2006，39（10）：1216－1226.［4］廖青桃，余国平.改进遗传算法在给水管网优化设计中的应用［J］.苏州科技学院学报：工程技术版，2008，21（2）：46－50.［5］周荣敏.林性粹.用基于整数编码的管径遗传算法进行环状管网优化设计［J］.灌溉排水，2001，20（3）：49－52.［6］王荣和，顾国维.给水管网多工况优化设计的使用性［J］.中国给水排水，1999，4（15）：39－40.［7］ JIN Xi，ZHANG Jie，GAO Jinliang，etal.Multi－objective optimization of water supply network rehabilitation with non－dominated sorting genetic algorithm－Ⅱ ［J］.Journal of Zhejiang University：science，2008，9（3）：391－400.。
基于遗传算法的并联注水泵站调控优化
基于遗传算法的并联注水泵站调控优化罗小俊【摘要】为提高油田并联注水泵站的能效,建立了以能耗最小为目标、调频式离心泵和往复式柱塞泵为泵种的数学模型.为减小误差,提出建立单泵模型时结合实际数据,并设定各泵变频调速上下限及泵运行高效区等约束条件,缩小了泵群组合筛选范围,采用遗传算法求解,得到合理的泵组合方案及各单泵设计参数.编制软件实例分析表明,该方法适用于并联注水泵站优化调控.%To improve the energy efficiency of pumps connected in parallel in oil field,a mathematical model,by adopting centrifugal muhilevel pumps and reciprocating plunger pumps,was established for the purpose of minimizing energy consumption.To reduce the error,it was proposed that using actual data when designing the model of single pump;relevant constraint conditions,such as the range of variable-frequency regulating speed and high efficiency region of the pump running,were defined beforehand,and the selection range of combination for pump group was decreased.Genetic algorithm was also applied,which could get the reasonable solution and the parameters of every single pump.Through analysing the samples,it was shown that the method is suitable for optimal operation of pumping stations connected in parallel.【期刊名称】《中州煤炭》【年(卷),期】2017(039)005【总页数】5页(P166-169,174)【关键词】并联注水泵站;变频调速;遗传算法;调控模式;注水系统【作者】罗小俊【作者单位】长江大学石油工程学院,湖北武汉430100【正文语种】中文【中图分类】TP29目前国内大多数油田采用注水式开发，在保证原油高产稳产同时，注水系统能耗大、效率低的问题一直存在。
基于改进混沌遗传算法的水资源优化调度
基于改进混沌遗传算法的水资源优化调度赵小强;何智娥【摘要】水资源调度是解决水资源短缺的重要方法,具有多目标、大规模和不确定性的特点.针对混沌遗传算法(CGA)求解水资源调度存在收敛速度慢及易陷入局部优化等问题,提出一种改进的混沌遗传算法(DE-CGA).该算法结合差分算法的全局搜索性、混沌的遍历性和遗传算法的反演性形成了双层结构,较好地克服了收敛速度慢及易陷入局部优化的缺点.仿真结果表明,在水资源实际调度中本文提出的DE-CGA比CGA得到更大的综合效益.【期刊名称】《兰州理工大学学报》【年(卷),期】2015(041)004【总页数】6页(P65-70)【关键词】水资源优化调度;双层结构;混沌遗传算法(CGA)【作者】赵小强;何智娥【作者单位】兰州理工大学电气工程与信息工程学院,甘肃兰州730050;兰州理工大学电气工程与信息工程学院,甘肃兰州730050【正文语种】中文【中图分类】TV212Key words:optimized scheduling of water resources; double-layer structure; chaos genetic algorithm (CGA)水是生命之源,水是生产之要,水是生态之基.目前,全球约有14亿人口缺乏安全清洁饮用水,据估测到2025年全球约有23亿人口将会面临水资源短缺问题.因此,水即将成为制约社会以及全球经济发展的瓶颈之一,如何通过提高水资源的利用效率来缓解这一危机,实现水资源的可持续利用,不仅是21世纪中国水利工作者的首要任务,也是摆在学术界面前的一个紧要问题.为此,人们不断地努力研究以寻求更有效的算法实现水资源的合理调度.水资源调度管理的宗旨是实现水资源的优化配置,其目的是落实水量分配方案和取水总量控制指标,保障生产生活和生态合理用水需求,实现人与自然和谐共处.水资源调度管理对象为流域内各区域地表水、地下水和非传统水源.在调度类型上根据调度时间和紧迫性可分为常规水资源调度和应急水资源调度；按照水资源调度的目的可分为防汛抗旱应急调度生态用水调度供水调度等；根据调度影响区域也可分为流域内调度和跨流域调度[1].近些年来,水资源进行优化调度的智能优化算法层出不穷,刘攀等人[2]提出了遗传算法在水库调度中的应用,解决了及时效性要求不高的实时调度问题和水库规划设计问题；张忠波等人[3]提出了改进遗传算法,利用GA双层收敛方法和较强的鲁棒性,提高了全局搜索能力；昌易等人[4-7]提出了基于遗传算法的区域水资源调度,建立了涵盖社会效益、经济效益和环境效益的模型,实现了水资源的可持续发展；黄显峰等人[8]提出了多目标混沌遗传算法,解决了要求目标函数和约束条件连续、可微的困难.但这些算法在水资源调度过程中仍然存在收敛速度慢、易陷入局部优化等问题,本文引入差分算法与混沌遗传算法相结合,构造双层结构来优化算法,使水资源调度的综合效益达到最大.混沌是一种常见的自然现象,这种现象覆盖了科学界的大部分分支.它是非线性系统所独有且广泛存在的一种非周期的运动形式,其表面上混乱,但其内部结构精致且规律[9-10].混沌的规律性有：解对初始值的高度敏感性；相空间的遍历性；系统的内在随机性.混沌现象的这些规律使快速寻优成为可能.非线性规划处理的问题是在等式或不等式约束下求出某个目标函数的最优解[11].一般表示为式中：X∈En,f(x)为目标函数,hj(x)为约束函数,这些函数中至少有一个为非线性函数.约束条件有用集合表示,令称S为可行集或可行域,S中的点称为可行点.混沌的研究模型之一是Logistic模型,其方程为式中：λ为控制参数,取值[0,4],Logistic的映射是 [0,1]上的不可逆映射.当λ取值4时,系统处于混沌状态,任意取初始点,可以得到[0,1]上的遍历的点列.用Logistic方程来生成混沌序列,将其转化成在优化问题解空间中混沌遍历的变量,通过搜索寻找到问题的最优解.混沌遗传算法(chaos genetic algorithm,CGA)的基本思想[11]是将混沌状态引入到优化变量中,并把混沌运动的遍历范围放大到优化变量的取值范围,然后把得到的混沌变量进行编码,表示成染色体,将它们置于问题的环境中,根据适者生存的原则,对其进行选择、复制、交叉、变异,然后对各个混沌变量附加一个混沌小扰动,通过逐代进化,最后收敛到一个最适合环境的个体上,求得问题的最优解.混沌遗传算法所优化问题的一般式为式中为xi的变化区间,r为变量的个数.式(4)是模型的优化函数,式(5)为模型的约束条件[12].选用Logistic映射为混沌遗传模型,即式中：i为混沌变量的符号,i=1,2,…,r；u为种群序号,u=0,1,…,m；βi为混沌变量,0≤βi≤1；μi为吸引子.当μi=4时,系统处于全局映射,使u=1,2,…,m,可得到m 个初始解群.根据遗传算法的模式理论,定义短的模式被破坏的可能性较小,考虑到模型中参数之间的相互制约,故采用交叉的实数编码方案,在交叉编码下模式的定义长度比级联方式下的短,所以该参数决定的模式的生存率更高.为保证遗传个体之间的差异性,提高搜索效率,交叉编码中采用多点交换与局部交换相结合的方式.确定编码方式之后,仿照文献[11]所用的方法,令δk′=(1-α)δ*+αδk,其中δ*为当前最优解映射到[0,1]区间后形成的向量,δk为迭代k次后的混沌向量,δk′为加随机扰动后(x1,x2,…,xr)对应的混沌向量,α的值不能确定,可假设0<α<1,根据需要自适应的选取.当最优解范围不断缩小时,选取的α值也变小,可用式来确定α,其中m是由目标函数确定的一个整数,k为迭代次数.系统在优化分析时,数学模型起着至关重要的作用.水资源优化调度系统的数学模型一般包括目标函数和约束条件两部分,根据区域水资源的实际情况,对系统中的各个因素及其之间逻辑关系和结构做出相应的数学描述,并确定需要求解的未知变量.对于不同的系统,不同的水资源问题,由于自然条件和社会经济条件的不同,数学模型是不同的.水资源优化配置的目的是在保障人民生活需求的同时,促进经济的快速发展,还要符合生态的可持续发展.三个目标包括社会效益、经济效益和环境效益.如图1所示,用户用水可由独立水源和公共水源分别供给.假设研究区有K个子区,k=1,2,…,K；k 子区有I(k)个独立水源和J(k)个用户；研究区有M个公共水源,c=1,2,…,M[13-15].目标函数为式中：f1(X)为社会效益,以区域供水系统缺水量的大小来衡量,缺水量越小,社会效益越高.为k子区j用户的需水量,万m3；为决策变量,分别为独立水源i和公共水源c 向k子区j用户的供水量,万m3.f2(X)为经济效益,以区域水资源带来的直接经济收入衡量.分别为独立水源i和公共水源c向k子区j用户的供水效益系数,元/m3；分别为独立水源i和公共水源c向k子区j用户的供水费用系数,元/m3；分别为k 子区独立水源i和公共水源c的供水次序系数；为k子区j用户的用水公平系数；ωk为k子区的权重系数.f3(X)为环境效益,以重要污染物的排放量来衡量,排放量越小环境效益越高.为k子区j用户单位废水排放量中污染因子(用BOD、COD、TOC、TOD的量衡量)的含量,mg/L；为k子区j用户污水排放系数.1) 区域供水系统供水能力约束① 公共水源供水能力约束：式中：W(c,k)为公共水源c分配给k子区的水量,Wc为公共水源c的可供水量.② 独立水源的供水能力约束：式中：为k子区独立水源i的可供水量.2) 输水能力约束① 独立水源的输水能力约束：式中：为k子区独立水源i向j用户的最大输水能力.② 公共水源的输水能力约束：式中：为c向k子区的最大输水能力.3) 变量非负约束：差分进化算法是由R.Storn和K.Price提出的,差分进化(differential evolution)是一种基于群体差异的启发式随机搜索算法,通过种群内个体间的合作与竞争来实现对优化问题的求解.首先在问题的可行解范围内随机初始化种群,NP为群个体数目,上标0表示初始种群.个体问题的一个解,i为个体编号,D为解链长度.在水资源优化调度过程中,通常选取用户用水量作为决策变量.差分进化算法的基本思想[16]是将第g代种群中的第i个个体进行变异操作得到变异体：然后对变异的个体进行交叉操作产生试验个体：对于最小化优化问题的水资源系统,按下式进行选择操作产生新的个体：式中：；为父代基向量；为父代差分向量；F为缩放因子；g为迭代代数；CR为0~1的交叉概率；rand()为0~1生成的随机数；jrand为随机选取的随机量；f(·)为适应度函数.该水资源优化调度模型中有三个目标,而这三个目标之间是相互矛盾相互竞争的,模型中有多个子区、多个水源和多个用户,使求解过程变得复杂.本文提出的DE-CGA 算法为优势互补的双层结构.上层采用DE算法对目标种群进行快速的初步优化操作,然后将初步优化解集传送到下层结构；下层利用CGA既可以深度局部的搜索,又可以跳出局部优化的特性,对解集进行进一步的优化操作,通过一定的通信机制达到全局搜索和局部优化的有机融合,进而实现双层之间的信息交互和个体更新.算法的具体步骤如下：1) 初始化.以已知水源分配给用户的水量作为决策变量,在各决策变量的取值变化区间内随机产生N组变量组成初始种群.2) 设置变量.设变量的取值变化为[ai,bi],群体规模为m,混沌算子中的吸引子μi=4,父代间的多点交换率P1=0.6、局部交换率P2=0.8,子代的变异率Pm=0.9.3) 初级优化.利用差分进化算法对初始种群进行优化操作,形成临时最优解,将临时最优解传递到下层结构.4) 深度优化.利用混沌模型将临时最优解映射到混沌变量[0,1]内,根据选定r个混沌变量,分别引入到式(3)的r个优化变量中,使优化变量变换为混沌变量xi′,是混沌变量的变化范围与优化变量的取值范围相对应.式(17)中ci、di为变化常数,i=1,2,…,r.令再对混沌变量进行编码.5) 运算.对编码的变量进行选择、复制、交叉、变异操作.6) 比较选择.以max{f1(X),f2(X),f3(X)}作为适应度函数,计算式(17)的适应度值,对其进行降序排列,求出适应度的平均值并将之与最大值按下式比较,其中式(19)中ε为给定的一个很小的正数.如果成立,则寻优过程结束,输出最优解.如果不成立,则继续执行步骤6).7) 迭代次数t=t+1,返回步骤4)继续运行.8) 判断是否满足终止条件,或进化代数是否达到预定值.若已满足,即水资源已达到最优分配,停止进化计算,输出优化计算成果.反之,将新一代最优解送到步骤3)进行重新优化,直到满足终止条件或进化代数为止.假设某地区海拔高度为1 640~2 900 m.年降水量为350~500 mm,蒸发量可达到1 500 mm,年平均温度为7 ℃.该市区包括A区、B区、C区、D区,为中温带半干旱区,降水较少,日照充足,温差较大.全地区地表水资源总量约为1亿m3,地下水资源总量约为5亿m3,而地表水和地下水的重复计算量约为0.8亿m3.将上述模型应用到水资源优化配置中,对水资源分配时,遵循生活和生态水优先,其次是工业和农业用水.确定生活、生态、工业、农业用水的公平系数分别为：0.40、0.25、0.20、0.15；地表水、地下水、引入水(指从其它地区引入的水)的供水比重系数分别为：0.4、0.5、0.1；采用二元对比法确定三个目标的权重系数分别为：0.33、0.40、0.27；分区的权重系数分别为：0.35、0.20、0.17、0.28；废水中污染因子含量为：1 500、700、300、900；污水排放系数为0.8；各部门的需水量上下限和系数分别见表1和表2.在MATLAB中编写混沌遗传算法和差分算法相结合的水资源优化配置模型的程序,以2013年为基准年,以该地区2025年规划水平年的三个保证率(50%、75%、95%)的供需水为依据,拟定模型参数,经程序优化计算可得该地区水资源优化配置结果见表3~5.由以上配置结果可知,该市规划水平年(2025年)在50%保证率下的供水基本可以满足需求,保证率为75%和95%时存在不同情况的缺水.在水资源优化调度过程中为了确保高保证率,需要通过引入水来补充一定的供水量,所以会出现保证率高而供水量低的情况.为此,相同条件下,在MATLAB中编写CGA算法的水资源优化配置模型程序.因为在DE-CGA中保证率为50%时,缺水量最少,效益最佳,所以只计算该地区保证率在50%时的水资源优化配置,配置结果见表6.图2为A、B、C、D四个子区在不同保证率时利用DE-CGA所得调度结果的缺水量对比,结果显示保证率为50%时缺水量最小.图3为保证率为50%时CGA与DE-CGA调度结果缺水量的对比,结果显示DE-CGA调度结果缺水量明显降低.图4表示DE-CGA随种群数量变化时收敛速度更快,当种群达到预定值时收敛精度高于CGA.表7为DE-CGA和CGA调度所得目标函数值,数据显示DE-CGA调度下污染物排放持平,但缺水量少、经济效益高.综上,应用DE-CGA调度能更好地满足生活、生态、农业、工业的用水需求,获得更大的综合效益.水资源优化调度是水资源充分合理利用的重要手段.水资源调度是一个多目标性的系统,运用传统的规划方法很难解决好合理调度的问题.本文提出了混沌遗传和差分算法相结合的方法并应用到水资源调度领域中,根据混沌遗传算法的内在的特点和差分算法全局优化的特性,应用并列选择多目标求解水资源优化调度问题,最后利用相应的数学模型进行了实例分析,由实例计算求解出优化结果,比较可知本文提出的方法在调度水资源时更加合理高效.【相关文献】[1] 钱玲,刘媛,晁建颖.我国水质水量联合调度研究现状和发展趋势 [J].环境科学与技术,2013,36(6):483-487.[2] 刘攀,郭生练,李玮,等.遗传算法在水库调度中的应用综述 [J].水利水电科技进展,2006,26(4):78-83.[3] 张忠波,张双虎,蒋云钟,等.改进的遗传算法在水库调度中的应用 [J].人民黄河,2012,34(8):54-57.[4] 易昌,黄牧涛.基于遗传算法的区域水资源优化配置研究及应用 [D].湖北:华中科技大学,2011.[5] KAN Yang,JIAO Zheng,MIN Yang,et al.Adaptive genetic algorithm for daily optimal operation of cascade reservoirs and its improvement strategy [J].Water Resource Manage,2013,27:4209-4235.[6] LIU Juan,CAI Zixing,LIU Jianqin.A novel genetic algorithm preventing prematureconvergence by chaos operator[J].The National Science Foundation ofChina,2000,7(2):100-103.[7] CHANG Jianxia,HUANG Qiang,WANG Yimin.Genetic algorithms for optimal reservoir dispatching [J].Water Resource Manage,2005,19:321-331.[8] 黄显峰,邵东国,顾文权,等.基于多目标混沌优化算法的水资源配置研究 [J].水利学报,2008,39(2):183-188.[9] 姚俊峰,梅炽,彭小奇.混沌遗传算法(CGA)的应用研究及其优化效率评价 [J].自动化学报,2002,28(6):935-942.[10] CHENG Chuntian,WANG Wenchuan,XU Dongmei,et al.Optimizing hydropower reservoir operation using hybrid genetic algorithm and chaos [J].Water Resource Manage,2008,22:895-909.[11] 邱琳,田景环,段春青,等.混沌优化算法在水库优化调度中的应用 [J].中国农村水利水电,2005,17(7):17-18.[12] 姚俊峰,梅炽,彭小奇,等.混沌遗传算法及其应用 [J].系统工程,2001,19(1):70-74.[13] XEVI E,KHAN S.A multi-objective optimization approach to water management [J].Journal of Environmental Management,2005,77:269-277.[14] 王战平,田军仓.基于粒子群算法的区域水资源优化配置研究 [J].中国农村水利水电,2013(2):7-10.[15] 李宗礼,李新攀,赵文举,等.基于多目标遗传算法的石羊河流域水资源优化配置模型 [J].兰州理工大学学报,2013,39(2):52-55.[16] 郑慧涛,梅亚东,胡挺,等.双层交互混合差分进化算法在水库群优化调度中的应用 [J].水力发电学报,2013,32(1):54-62.。
改进遗传算法在二次供水PID控制中的应用研究
改进遗传算法在二次供水PID控制中的应用研究文章提出了一种改进的遗传算法，并将其应用于恒压变频供水系统中。
该算法能克服传统遗传算法存在稳定性差，调节时间比较长、易于早熟等问题。
该算法能够对二次供水PID参数进行全局优化以及局部优化，并且能够有效地抑制早熟，使其更好地适应供水系统的实际需求。
仿真结果表明，基于此遗传算法寻优设计的二次供水PID控制器寻优速度大幅提高，鲁棒性强。
优化后的恒压变频供水系统，控制品质有了较大的改善和提高。
标签：供水系统；遗传算法；PID控制引言随着经济社会的快速发展，城市里高层建筑越来越多，人们对供水系统可靠性的要求不断提高。
恒压变频供水系统将采集到的用户端压力信号，实时反馈给可编程控制器（PLC）[6]。
PLC通过控制算法产生控制量，去实时维持管网水压基本恒定，以满足用户用水需求。
由于，PID控制算法简单、可靠性及鲁棒性好等优点。
所以城市供水系统普遍采用PID控制。
但是对于城市二次供水这样的大时滞、水泵运行状态切换频繁、难以确定数学模型的复杂控制系统，PID控制存在调节时间过长、抗扰动能力差等缺点尤为突出[1][5]。
遗传算法可以快速的将解空间中的全体解搜索出来，具有较强的参数寻优能力，所以文章将这种算法应用于恒压变频供水系统的PID参数寻优。
但是我们知道，经典的遗传算法优化的PID参数无法有效的抑制早熟，鲁棒性较差，无法适应水泵状态频繁切换的场合。
因此，文章提出了一种改进的遗传算法来优化恒压变频供水系统的PID参数。
1 基于遗传算法的PID控制1.1 PID控制算法PID控制的过程：被控对象（如管网压力）经过比例、积分、微分三部分运算，来实时维护管网水压的基本稳定。
PID控制系统统的运算过程，如图1所示。
图1 PID控制系统原理框图r（t）是系统的给定值（如给定水压），y（t）是被控对象的输出值（实际管网压力），e（t）是系统偏差。
（1）u（t）是PID控制器运算管网压力的偏差所得到的输出量，其完整的数学表达式为：（2）其中，kp为增益，TI为积分常数，TD为微分常数。
基于改进遗传算法的梯级水电站优化调度方法
基于改进遗传算法的梯级水电站优化调度方法随着全球经济和人口的快速增长，对电力的需求也越来越大。
因此，如何有效地利用水力资源是一项重要的任务。
梯级水电站是一种常见的水电站类型，它由一系列上下游相互连接的水电站组成，能够最大化地利用水力资源。
然而，梯级水电站的优化调度是一项复杂的问题，需要综合考虑多个因素，例如水位变化、发电机出力、电力需求等。
为了解决这个问题，研究人员提出了一种基于改进遗传算法的梯级水电站优化调度方法。
遗传算法是一种模拟自然选择和遗传机制的优化算法，已经被广泛应用于解决各种优化问题。
在梯级水电站的优化调度中，遗传算法可以通过对调度方案进行交叉和变异操作，从而得到更优的方案。
然而，传统的遗传算法存在着收敛速度慢、易陷入局部最优等问题。
因此，研究人员提出了一种改进遗传算法，以解决这些问题。
改进遗传算法的核心思想是引入多样性保持机制，从而增加算法的全局搜索能力。
具体来说，改进遗传算法包括以下几个步骤：第一步是初始化种群。
将随机产生的调度方案作为初始种群，其中每个调度方案包括每个水电站的开关状态和发电机出力，以及各个水库的水位。
第二步是评估适应度。
通过模拟各个水电站的水位、发电机出力和电力需求等参数，计算每个调度方案的适应度。
第三步是选择操作。
采用轮盘赌选择算法，根据每个调度方案的适应度大小选择一定数量的个体，作为下一代种群的父代。
第四步是交叉操作。
将父代种群中的个体进行随机交叉操作，产生一定数量的子代。
第五步是变异操作。
对子代种群中的个体进行随机变异操作，以增加种群的多样性。
第六步是重组种群。
将父代种群和子代种群合并，得到新的种群。
第七步是迭代操作。
重复执行以上步骤，直到达到停止迭代的条件。
通过改进遗传算法，可以得到更优的梯级水电站优化调度方案。
与传统的遗传算法相比，改进遗传算法具有以下几个优点：改进遗传算法具有更快的收敛速度。
因为引入了多样性保持机制，从而增加了算法的全局搜索能力，可以更快地找到最优解。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2006年4月系统仿真技术 Apr., 2006 第2卷第2期 System Simulation Technology V ol. 2, No.2中图分类号：TP18 文献标识码：A改进式遗传算法在污水泵站机组启停调度控制中的应用仿真高林峰1, 2，刘小莉1，朱长宁3，林邦辉2，刘宝华2（1 同济大学电信学院，上海，200092， 2 上海城市排水市南运营有限公司第二污水管理所，上海，201203，3 上海城市排水市南运营有限公司，上海，201203）摘要：污水泵站的机组启停控制目标是要确定系统机组的合理运行方案，使得在满足系统运行需要的前提下，系统的能耗最小。
本文论述了遗传算法在污水泵站机组启停应用中的原理和特点，针对传统遗传算法存在的问题，提出了改进意见。
该计算方法更好地提高了机组运行的综合效率。
关键词：改进式遗传算法；污水泵站；机组启停The Simulation of Improved Genetic Algorithmsof the Crew On/Off Scheduling Control of Sewage Pumping StationGAO Linfeng1, 2, LIU Xiaoli1, ZHU Changning3, LIN Banghui2, LIU Baohua2(1 College of Electronics and Information Engineering, Tongji University, Shanghai, 200092,2 Second Sewage Administration, Shanghai Southern Municipal Sewerage Company, Shanghai, 201203,3 Shanghai Southern Municipal Sewerage Company, Shanghai, 201203)Abstract: The crew qiting control of sewage pumping station is to determine reasonable operating programmes, resulting in the system to meet the operational needs of the premise, the smallest energy systems. This paper addresses the principles and characteristics of the genetic algorithms in the application of sewage pumping station crew qiting, as well as the suggesting improvements to the problems of the traditional genetic algorithms. Emulational result indicates that this calculation of operating can better enhance the integrated efficiency.Keywords: improved genetic algorithms; sewage pumping station; crew qiting1 引言遗传算法（Genetic Algorithms，GA）是1962年由美国Michigan大学的Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。
它可广泛应用于函数优化[1]、组合优化[2]、生物工程、图象处理、机器学习[3]、神经网络[4]等众多领域。
该算法的突出特点在于它直接以目标函数作为搜索信息，使用概率搜索技术，在解空间进行高效启发式搜索，对于待寻优的函数基本无限制，并具有全局寻优的能力。
本文对遗传算法的基本原理和基本操作以及应用遗传算法进行泵机启停中的控制进行介绍和说明，并对传统的遗传算法的性能进行改变，最后简单介绍改进遗传算法在某一泵站机组启停中的应用情况。
2 遗传算法在泵机启停中的应用遗传算法通常是用一串数据或数组作为优化114 系统仿真技术第2卷第2期问题解决方案的代码，这一串数据或数组称为个体。
遗传算法的求解过程首先随机产生一定数量的个体形成一个种群，通过一个与目标函数相关的函数值（适应度函数值）评价各个体的优劣性。
再根据适应度函数值的大小来进行复制操作。
复制后的个体进行交叉以及变异操作，以保持种群中个体基因的多样性，防止陷入早熟或局部最优解。
接着对新产生的种群再进行复制、交叉、变异操作，如此迭代一定的次数后，产生最优个体，即最优方案[5]。
2.1 参数编码应用遗传算法解决泵机机组启停问题需要把求解变量表示为一串数据和数组，这个过程称为编码。
本文采用二进制数来表示优化问题的解。
定义泵机属性，用来表示该泵机的运行特点。
泵机属性主要可分为三种：泵机确定要开机、泵机不能开机、泵机停机但也可开机。
因此，可以根据泵机属性进行二进制编码，编码如表1所示。
泵机编码后，机组启停的方案就可以表示为按泵机属性排列的二进制字符串。
表1 泵机属性的编码泵机属性开机停机停机但可开机二进制编码00 01 10 2.2 初始种群的生成优化算法中二进制字符串的长度取决于泵站机组的数量，假如泵站有6台泵，则所需的二进制字符串数为6212×=。
通过多次调用随机产生二进制的算子，获得12位的字符串，产生初始的机组运行情况，即初始个体。
多个初始个体形成初始种群。
2.3 适应度函数的计算泵站机组的启停控制中的适应度函数必须反映系统的能耗，同时应该做到能耗越低则方案的适应度函数值就越大，这样才能达到控制优化的目的。
按照这个要求，将适应度函数取为与系统能耗的倒数成正比，即：11/()niif E Q==∑ （2.1）其中()iE Q∑为等量泵出流入流量泵机机组所消耗的能量。
n为运行机组中泵机的总数。
()iE Q为第i个泵机所消耗的能量，其值由泵机的Q－N曲线获得。
2.4 复制复制操作可以以多种算法的形式实现。
较为简单的方法是使用与轮盘赌的转盘相似的一种算法。
转盘上的比例对应于适应度函数值的大小。
适应度函数值大的位串占用的比例大，在每次转动转盘时，它被选择的几率就比较大。
这样位串的适应度函数值越高，在其下一代中产生的后代就越多。
随着种群的进化，其总体性能得到不断的优化。
2.5 交叉交叉是将复制产生的位串放入交配池中，将新复制产生位串个体随机两两配对，再按照一定的交叉概率，随机地选择交叉点，对匹配的位串进行交叉繁殖，产生一对新的位串。
2.6 变异变异是按设定的变异概率，改变位串中的某个字符发生变化。
变异是沿着字符串空间随机移动的。
当它有节制地和交叉一起使用时，就是一种防止过度成熟而丢失重要概念的保险策略。
变异操作是必不可少的，它可以起到恢复位串字符多样性的作用，并能适当地提高遗传算法的搜索效率。
3 传统遗传算法的改进3.1 对传统遗传算法的改进传统遗传算法复制算子、交叉算子的寻优功能随着进化迭代次数的增加而逐渐减弱，在应用中常出现早熟收敛；传统遗传算法的计算量大，全局优化速度慢，同时，传统遗传算法优化结果的精度受编码长度控制。
特别是当实际问题的变量变化空间高林峰，刘小莉，朱长宁，林邦辉，刘宝华：改进式遗传算法在污水泵站机组启停调度控制中的应用仿真 115很大时，上述问题就更加突出。
为了改进遗传算法以上的不足之处，有必要对其进行改进。
具体的改进措施在于以下几个方面：（1）对适应度函数的改进。
为避免早期收敛，同时为了增加适应度的作用，需要进行适应度函数的调整。
将适应度函数改为211/()ni i f E Q ==∑ （3.1）这样各个体间适应度函数值的差异变大了，算法中的择优操作变得更简单，种群优化速度更快[6]。
（2）保护最优个体。
根据传统遗传算法的原理，通过复制、交叉和变异产生的新一代种群，其平均适应度函数值应该比上一代要高。
可是由于计算中的随机性，就个体而言，新一代中的个体并不都比上一代的最优个体好。
因此，改进后的做法是把新一代中的最差个体替换成上一代中的最优个体。
这样一代一代地重复下去，不但各代的平均适应度函数值逐步提高，其最优个体的适应度函数值也保持上升的状态，加速了收敛过程。
（3）交叉、变异概率(,)c m p p 的自适应调整。
交叉、变异概率的自适应调整，是提高搜索效率的有效方法之一。
对于优质个体（适应度高于种群的平均值），交叉、变异概率取小一些可促进遗传算法的收敛；而对于适应度低于种群的平均值的个体，其概率应相当取大些，可避免算法陷入局部最优[7]。
调整算法为：''1max max '3,()/(),c c c c k f f f f f f p k f f⎧−−≥⎪=⎨<⎪⎩ （3.2） 2max max 4,()/(), m k f f f f f f p k f f⎧−−≥⎪=⎨<⎪⎩ （3.3） 其中：'c f —交叉前父代双亲适应度值大者。
f —需变异个体的适应度值。
k 1=k 3=1，k 2=k 4=0.5。
需要说明的是，本文中交叉、变异操作与传统的操作方法不同，它针对的不是随机个体的每个字符，而是以交叉概率、变异概率随机选择变异个体，进行个体的交叉和变异。
这样可以优化一部分个体，促进了新个体的出现，有利于最优个体的产生。
3.2 改进遗传算法在泵机启停中的控制方案设有一污水合流泵站。
泵站前池水位最低为-0.3米，最高为2.3米，而主泵的正常工作液位如表2所示。
表2 主泵的正常工作液位开泵台数开泵水位（m ）停泵水位（m ）1 0.20 0.002 0.40 0.203 0.80 0.504 1.20 0.90 51.501.30设定1.50米为极限调速水位。
水位超过1.50米时，全部泵机都进入全速排水状态。
0.20米为泵机启动水位。
在启动时，当水位由低于0.20米的水位上升到0.20米时，根据进水管的流量用遗传算法启动泵机机组。
当水位下降时，在0.20米处，机组仍然工作，直到低于0米，所有泵机停机。
将泵机的启动、停止水位分开，避免了泵机在同一点上频繁启停，减少了泵机在低水位区工作的时间，提高了节能效果。
改进遗传算法在如下情况下对泵机机组进行启停控制：（1）流量增大时，流入流量大于运行中的机组的最大额定流量和（在额定转速下，泵机机组最大的流量）。
（2）流量减少时，设运行机组泵机个数为n ，在2n ≥的情况下，如果流入流量小于n -1个泵机最大额定流量和。