本發(fā)明涉及水電技術(shù)領(lǐng)域，具體是一種大規(guī)模梯級(jí)水電站群多核并行優(yōu)化調(diào)度方法。

背景技術(shù)：

隨著我國西南地區(qū)烏江、瀾滄江、紅水河、金沙江等特大干流梯級(jí)水電站群的出現(xiàn)，這類大規(guī)模水電系統(tǒng)優(yōu)化調(diào)度方法研究變得尤為重要。這類梯級(jí)水電站群突出的顯著特點(diǎn)是電站級(jí)數(shù)非常多，比如，烏江流域規(guī)劃11座電站，已建9座；瀾滄江規(guī)劃15級(jí)電站，已建6座；紅水河規(guī)劃10級(jí)電站，已建9座；金沙江中下游規(guī)劃12級(jí)電站，已建6座。水電站群電站級(jí)數(shù)多意味著梯級(jí)水電站之間的水力和電力聯(lián)系變得愈加復(fù)雜，增加了問題的約束條件數(shù)目，對(duì)于部分求解方法而言，其計(jì)算量隨電站及約束數(shù)目會(huì)呈指數(shù)增長(zhǎng)，進(jìn)一步加劇了水電系統(tǒng)優(yōu)化問題求解難度，如何保證系統(tǒng)求解已成為大規(guī)模水電系統(tǒng)面臨的核心問題之一。以往常用的非線性規(guī)劃、動(dòng)態(tài)規(guī)劃等經(jīng)典方法，在求解大規(guī)模水電系統(tǒng)優(yōu)化問題時(shí)，存在無法避免的缺陷，建模求解非常困難，比如，非線性規(guī)劃方法難以對(duì)模型約束或目標(biāo)函數(shù)簡(jiǎn)化，即使采用一些線性化方法簡(jiǎn)化也易于使問題偏離實(shí)際；動(dòng)態(tài)規(guī)劃方法受求解規(guī)模限制，大規(guī)模問題易導(dǎo)致維數(shù)災(zāi)問題，造成求解困難甚至因內(nèi)存不足而無法計(jì)算。為了使在有限時(shí)間內(nèi)求解大規(guī)模水電站群優(yōu)化調(diào)度問題成為可能，并同時(shí)保證優(yōu)化結(jié)果的質(zhì)量，需要探索新的合理有效的求解算法。隨著90年代計(jì)算機(jī)技術(shù)的發(fā)展，為粒子群算法、遺傳算法、模擬退火方法、混沌算法等啟發(fā)式智能算法的興起提供了有利條件。這些智能算法在求解優(yōu)化問題時(shí)，并不依賴于問題本身的性質(zhì)和特點(diǎn)，在一定條件下證明可收斂到全局最優(yōu)，且具有魯棒性強(qiáng)、收斂速度快、尋優(yōu)機(jī)制簡(jiǎn)單等優(yōu)點(diǎn)，在求解優(yōu)化問題中被廣泛應(yīng)用。但是，單一的智能算法在應(yīng)用時(shí)仍然存在一定的缺陷，如粒子群算法存在早熟收斂、容易陷入局部最優(yōu)、停滯等，遺傳算法求解容易早熟且局部搜索能力差等。因此，根據(jù)不同智能算法的優(yōu)缺點(diǎn)，通過多種智能算法之間的相互結(jié)合，改進(jìn)單一算法的缺陷，是大規(guī)模水電系統(tǒng)優(yōu)化問題新的求解途徑。

目前，學(xué)者們對(duì)混合智能算法的研究取得了豐碩的成果。但是，群體算法的求解精度與計(jì)算規(guī)模存在一定競(jìng)爭(zhēng)關(guān)系，即種群規(guī)模或迭代次數(shù)越大，在解空間搜索到全局優(yōu)化解的概率越大，求解精度越高，但是同時(shí)也意味著計(jì)算耗時(shí)越多，求解效率越低，尤其是應(yīng)用于我國當(dāng)前大規(guī)模梯級(jí)水電站群優(yōu)化調(diào)度時(shí)，求解效率下降非常顯著。另外，隨著電網(wǎng)和水電公司的精細(xì)化調(diào)度需求越來越高，提高求解效率已不容忽視。因此，如何在保證結(jié)果質(zhì)量的前提下，進(jìn)一步提高算法求解效率，是適應(yīng)水電快速發(fā)展必須解決的實(shí)質(zhì)性問題。

并行計(jì)算一直是計(jì)算機(jī)科學(xué)領(lǐng)域的研究熱點(diǎn)。基于多核處理器的多核并行技術(shù)以其并行實(shí)現(xiàn)容易、運(yùn)行環(huán)境穩(wěn)定、成本低廉等獨(dú)特的優(yōu)勢(shì)被廣泛應(yīng)用于實(shí)際工程，對(duì)于水電系統(tǒng)而言，尋求優(yōu)化調(diào)度問題、求解算法與并行技術(shù)之間的切入點(diǎn)，設(shè)計(jì)合適粗細(xì)粒度的并行優(yōu)化方式將是一種提高系統(tǒng)求解效率的可行途徑。目前，在梯級(jí)水電站群優(yōu)化調(diào)度領(lǐng)域并行優(yōu)化方法的研究成果中，方法并行化方式主要分為粗粒度和細(xì)粒度，而且成果普遍利用了已成熟的openmp、mpi或.net等能夠有效兼容fortran、c++、c#等語言的并行模式或框架，為fortran、c++、c#等語言開發(fā)的串行方法并行化提供了便利。但是這些框架并不能有效適應(yīng)java語言開發(fā)的串行方法，難以應(yīng)用于java編碼的程序并行化開發(fā)和改造。因此，實(shí)現(xiàn)串行方法并行化，選擇合適的并行模式或框架非常重要，不僅需要考慮編程語言的支持類型、并行任務(wù)的應(yīng)用性以及平臺(tái)兼容性等因素，而且開發(fā)人員對(duì)不同編程語言的熟悉程度也對(duì)并行框架的選擇有重要影響。

fork/join并行框架是一種基于java源碼開發(fā)的多核并行框架，并已作為標(biāo)準(zhǔn)程序集成到j(luò)ava版本7的并發(fā)程序包中，能夠最大效率地簡(jiǎn)化開發(fā)人員的編程工作，便于java編碼開發(fā)的串行方法并行化改造。因此，申請(qǐng)人以java語言為基礎(chǔ)開發(fā)語言，將一種自適應(yīng)混合粒子群算法和fork/join多核并行框架耦合，發(fā)明了一種基于fork/join多核并行框架的大規(guī)模梯級(jí)水電站群粗粒度多核并行優(yōu)化調(diào)度方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種大規(guī)模梯級(jí)水電站群多核并行優(yōu)化調(diào)度方法，以解決如何將fork/join多核并行框架與一種自適應(yīng)混合粒子群算法耦合，從而實(shí)現(xiàn)方法的并行化，提高求解效率，并為其他智能算法的并行化提供參考和借鑒。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種大規(guī)模梯級(jí)水電站群多核并行優(yōu)化調(diào)度方法，包括以下步驟：

1)劃分子種群：從主線程中獲取初始種群的計(jì)算規(guī)模作為父任務(wù)規(guī)模，采用fork/join并行框架的通用的閾值計(jì)算公式將父任務(wù)劃分為不少于1個(gè)規(guī)模更小的子任務(wù)，且每次遞歸分解將父任務(wù)規(guī)模對(duì)半劃分為2個(gè)規(guī)模相同的子任務(wù)，直至子任務(wù)規(guī)模小于或等于閾值，停止分解；

2)子線程同時(shí)計(jì)算各自分配的子任務(wù)：每個(gè)分配到子線程的子任務(wù)的種群規(guī)模相同，并且設(shè)置相同計(jì)算參數(shù)的自適應(yīng)混合粒子群算法計(jì)算各子任務(wù)的最優(yōu)解；

3)輸出最優(yōu)解：當(dāng)各子線程完成所有子任務(wù)的計(jì)算，合并所有子任務(wù)的最優(yōu)解并篩選出全局最優(yōu)解，返回主線程；

其中自適應(yīng)混合粒子群算法求解過程，包括以下步驟：

step1算法參數(shù)初始化：設(shè)定種群規(guī)模m、混沌序列個(gè)數(shù)d、種群最大迭代次數(shù)kmax、飛行加速度c1，c2、慣性因子w、常量e、常量s、粒子能量上限eini、粒子能量下限efin以及粒子相似度上限sini和粒子相似度下限sfin；

step2種群初始化：根據(jù)logistic映射公式，在各時(shí)段水位允許范圍內(nèi)，隨機(jī)初始化粒子種群個(gè)體位置(zi1，zi2，...，zin)以及粒子飛行速度(vi1，vi2，...，vin)；其中，粒子位置元素為水位，飛行速度元素為水位漲落速度；

step3計(jì)算粒子適應(yīng)度、粒子個(gè)體最優(yōu)解以及種群全局最優(yōu)解：粒子適應(yīng)度與其個(gè)體最優(yōu)解比較，若粒子適應(yīng)度比其個(gè)體最優(yōu)解更優(yōu)，則當(dāng)前粒子位置作為個(gè)體最優(yōu)位置；粒子適應(yīng)度與種群全局最優(yōu)解比較，若粒子適應(yīng)度比種群全局最優(yōu)解更優(yōu)，則當(dāng)前粒子位置作為種群全局最優(yōu)位置；

step4計(jì)算粒子能量以及粒子能量閾值：若粒子能量低于當(dāng)前粒子能量閾值，對(duì)粒子當(dāng)前位置與速度執(zhí)行變異操作；

step5計(jì)算粒子相似度以及粒子相似度閾值：若兩相鄰粒子相似度小于當(dāng)前粒子相似度閾值，則對(duì)較差粒子的歷史最優(yōu)位置執(zhí)行變異操作；

step6引入基于鄰域的貪心隨機(jī)搜索策略對(duì)粒子的個(gè)體最優(yōu)位置進(jìn)行更新，若在鄰域搜索到的當(dāng)前位置比搜索前粒子適應(yīng)度更大，則代替搜索前粒子個(gè)體位置，再用搜索后粒子個(gè)體位置與粒子歷史最優(yōu)位置以及種群全局最優(yōu)位置作比較，更新粒子歷史最優(yōu)位置以及種群最優(yōu)位置；

step7更新粒子種群；

step8判斷迭代是否結(jié)束：若當(dāng)前迭代次數(shù)小于最大迭代次數(shù)，返回step3；否則退出迭代，輸出結(jié)果；

fork/join并行框架采用分治法技術(shù)，通過遞歸分割原問題，形成不少于1個(gè)規(guī)模更小、相互獨(dú)立且可并行計(jì)算的子任務(wù)；當(dāng)各子任務(wù)進(jìn)行獨(dú)立并行計(jì)算后，組合各子任務(wù)的子結(jié)果即能輸出原問題的最終結(jié)果，其中fork/join并行框架的線程池：當(dāng)程序開始執(zhí)行時(shí)，默認(rèn)創(chuàng)建與可用的處理器數(shù)目相同的活動(dòng)線程數(shù)；在分治法執(zhí)行過程中，定義了一個(gè)可自由設(shè)置的控制子任務(wù)規(guī)模大小的閾值作為子任務(wù)規(guī)模的上限值，即當(dāng)子任務(wù)規(guī)模小于或等于閾值時(shí)，分治法執(zhí)行結(jié)束，各子任務(wù)被平均分配到不同線程中開始并行計(jì)算；在子任務(wù)并行計(jì)算過程中，fork/join采用雙端隊(duì)列排序模式，并采用了工作竊取算法，即當(dāng)一個(gè)線程的隊(duì)列計(jì)算任務(wù)為空時(shí)，將從其它處于工作狀態(tài)的線程隊(duì)列尾部竊取計(jì)算任務(wù)。

作為本發(fā)明進(jìn)一步的方案：fork/join并行框架的接口類以及實(shí)現(xiàn)類封裝在java.util.concurrent中。

作為本發(fā)明進(jìn)一步的方案：自適應(yīng)混合粒子群算法實(shí)現(xiàn)的代碼類需繼承fork/join并行框架的應(yīng)用接口類java.util.concurrent.recursiveaction或者java.util.concurrent.recursivetask。

作為本發(fā)明進(jìn)一步的方案：fork/join并行框架的通用的閾值設(shè)置公式如下：

式中：為計(jì)算結(jié)果取上整數(shù)；μ為規(guī)模控制閾值；sc為原問題規(guī)模；w為多核處理器邏輯線程數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明以java語言為基礎(chǔ)開發(fā)語言，將一種自適應(yīng)混合粒子群算法和fork/join多核并行框架耦合，發(fā)明了一種基于fork/join多核并行框架的大規(guī)模梯級(jí)水電站群粗粒度多核并行優(yōu)化調(diào)度方法。解決如何將fork/join多核并行框架與一種自適應(yīng)混合粒子群算法耦合，從而實(shí)現(xiàn)方法的并行化，提高求解效率，并為其他智能算法的并行化提供參考和借鑒。本發(fā)明能夠有效提高線程利用率；fork/join是一種基于內(nèi)存共享的并行框架，實(shí)現(xiàn)了內(nèi)核中緩存共享，而且fork/join具有獨(dú)特的隊(duì)列設(shè)計(jì)，其竊取算法能夠有效減少物理緩存的占用和爭(zhēng)奪，減少線程閑置時(shí)間，提高線程利用率。

附圖說明

圖1是自適應(yīng)混合粒子群算法流程圖；

圖2是分治法示意圖；

圖3是閾值控制方式示意圖；

圖4是工作竊取算法示意圖；

圖5是fork/join偽代碼示意圖；

圖6是pahpso方法并行設(shè)計(jì)框架示意圖；

圖7是水庫群拓?fù)浣Y(jié)構(gòu)圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

實(shí)施例1

本發(fā)明實(shí)施例中，一種大規(guī)模梯級(jí)水電站群多核并行優(yōu)化調(diào)度方法的具體實(shí)施過程如下所述。

一、梯級(jí)水電站群優(yōu)化調(diào)度模型

(1)目標(biāo)函數(shù)

以梯級(jí)水庫群總發(fā)電量最大模型為例。該模型可描述為：在已知調(diào)度期內(nèi)各電站入庫流量過程條件下，考慮水量平衡、蓄水量、泄量、出力等各種約束，兼顧防洪、灌溉、航運(yùn)等綜合要求，制定最優(yōu)調(diào)度決策過程，使調(diào)度期內(nèi)水庫群發(fā)電量最大。目標(biāo)函數(shù)數(shù)學(xué)表達(dá)式如下：

式中：e為水電站群總發(fā)電量(億kw.h)；n為電站數(shù)目；i為電站序號(hào)；t為時(shí)段數(shù)；t為時(shí)段序號(hào)；為水電站i第t時(shí)段的平均出力；δt為第t時(shí)段的小時(shí)數(shù)。

(2)約束條件

水量平衡約束：

水庫蓄水量約束：

發(fā)電流量約束：

出庫流量約束：

出力約束：

末水位約束：

水電系統(tǒng)總出力約束：

式中：為水電站i第t時(shí)段初水庫蓄水量(m³)；為水電站i第t時(shí)段入庫流量(m³/s)；為水電站i第t時(shí)段出庫流量(m³/s)；為水電站i第t時(shí)段區(qū)間流量(m³/s)；ki為水電站i的上游電站數(shù)；k為上游電站序號(hào)；為水電站i第t時(shí)段的上游水庫k的出庫流量(m³/s)；為水電站i第t時(shí)段的發(fā)電流量(m³/s)；為水電站i第t時(shí)段的棄水流量(m³/s)；分別為水電站i第t時(shí)段水庫蓄水量上下限(m³)；分別為水電站i第t時(shí)段發(fā)電流量上下限(m³/s)；分別為水電站i第t時(shí)段出庫流量上下限(m³/s)；分別為水電站i第t時(shí)段出力上下限(mw)；分別為水電站i的初始時(shí)刻和t時(shí)刻的蓄水狀態(tài)；sbi、sei分別為水電站i指定的初始蓄水狀態(tài)和末時(shí)段預(yù)期的蓄水狀態(tài)；分別為水電系統(tǒng)第t時(shí)段總出力上下限(mw)。

二、自適應(yīng)混合粒子群算法(ahpso)求解流程

step1算法參數(shù)初始化。設(shè)定種群規(guī)模m、混沌序列個(gè)數(shù)d、種群最大迭代次數(shù)kmax、飛行加速度c1，c2、慣性因子w、常量e、常量s、粒子能量上限eini、粒子能量下限efin以及粒子相似度上限sini和粒子相似度下限sfin。

step2種群初始化。根據(jù)logistic映射公式，在各時(shí)段水位允許范圍內(nèi)，隨機(jī)初始化粒子種群個(gè)體位置(zi1，zi2，...，zin)以及粒子飛行速度(vi1，vin，...，vin)。其中，粒子位置元素為水位，飛行速度元素為水位漲落速度。

step3計(jì)算粒子適應(yīng)度、粒子個(gè)體最優(yōu)解以及種群全局最優(yōu)解。粒子適應(yīng)度與其個(gè)體最優(yōu)解比較，若粒子適應(yīng)度比其個(gè)體最優(yōu)解更優(yōu)，則當(dāng)前粒子位置作為個(gè)體最優(yōu)位置；粒子適應(yīng)度與種群全局最優(yōu)解比較，若粒子適應(yīng)度比種群全局最優(yōu)解更優(yōu)，則當(dāng)前粒子位置作為種群全局最優(yōu)位置。

step4計(jì)算粒子能量以及粒子能量閾值。若粒子能量低于當(dāng)前粒子能量閾值，對(duì)粒子當(dāng)前位置與速度執(zhí)行變異操作。

step5計(jì)算粒子相似度以及粒子相似度閾值。若兩相鄰粒子相似度小于當(dāng)前粒子相似度閾值，則對(duì)較差粒子的歷史最優(yōu)位置執(zhí)行變異操作。

step6引入基于鄰域的貪心隨機(jī)搜索策略對(duì)粒子的個(gè)體最優(yōu)位置進(jìn)行更新。若在鄰域搜索到的當(dāng)前位置比搜索前粒子適應(yīng)度更大，則代替搜索前粒子個(gè)體位置，再用搜索后粒子個(gè)體位置與粒子歷史最優(yōu)位置以及種群全局最優(yōu)位置作比較，更新粒子歷史最優(yōu)位置以及種群最優(yōu)位置。

step7更新粒子種群。

step8判斷迭代是否結(jié)束。若當(dāng)前迭代次數(shù)小于最大迭代次數(shù)，返回step3；否則退出迭代，輸出結(jié)果。

算法流程如附圖1所示。

三、fork/join并行框架

(1)基本原理及核心

fork/join并行框架的核心繼承了分治法的特性，通過遞歸分割原問題，形成若干個(gè)規(guī)模更小、相互獨(dú)立且可并行計(jì)算的子任務(wù)。當(dāng)各子任務(wù)進(jìn)行獨(dú)立并行計(jì)算后，組合各子任務(wù)的子結(jié)果即可輸出原問題的最終結(jié)果，附圖2為分治法流程框架圖。fork/join并行框架設(shè)計(jì)了獨(dú)特的線程池技術(shù)，當(dāng)程序開始執(zhí)行時(shí)，默認(rèn)創(chuàng)建與可用的處理器數(shù)目相同的活動(dòng)線程數(shù)，便于線程的維護(hù)和管理，減小了系統(tǒng)資源消耗，尤其適合在單機(jī)多核配置上部署多線程程序。在分治法執(zhí)行過程中，定義了一個(gè)可自由設(shè)置的控制子任務(wù)規(guī)模大小的閾值作為子任務(wù)規(guī)模的上限值，即當(dāng)子任務(wù)規(guī)模小于或等于閾值時(shí)，分治法執(zhí)行結(jié)束，各子任務(wù)被平均分配到不同線程中開始并行計(jì)算，附圖3為閾值控制模式下的子任務(wù)分割框架圖。另外，在子任務(wù)并行計(jì)算過程中，fork/join設(shè)計(jì)了獨(dú)特的雙端隊(duì)列排序模式，并采用了工作竊取算法，即當(dāng)一個(gè)線程的隊(duì)列計(jì)算任務(wù)為空時(shí)，將從其它處于工作狀態(tài)的線程隊(duì)列尾部竊取計(jì)算任務(wù)，避免了線程處于閑置狀態(tài)，提高線程的利用效率，附圖4為工作竊取算法示意圖。

(2)實(shí)現(xiàn)方法

fork/join并行框架的接口類以及實(shí)現(xiàn)類封裝在java.util.concurrent中。雖然fork/join的并行效率與其他并行框架相比較并非最優(yōu)，但其最大優(yōu)點(diǎn)在于給開發(fā)人員提供了非常簡(jiǎn)便的應(yīng)用程序?qū)崿F(xiàn)接口。開發(fā)人員不再需要處理各種并行相關(guān)事務(wù)，例如同步、通信等，同時(shí)可避免難以調(diào)試的死鎖和數(shù)據(jù)爭(zhēng)用等錯(cuò)誤，只需按照給定接口的實(shí)現(xiàn)方式，編寫很少的程序即可完成算法與框架接口的對(duì)接，極大地簡(jiǎn)化了編寫并發(fā)程序的瑣碎工作，可大量節(jié)省開發(fā)人員的工作量，提高工作效率，fork/join偽代碼示意圖見附圖5。對(duì)于開發(fā)人員而言，應(yīng)用fork/join并行框架實(shí)現(xiàn)算法并行化計(jì)算主要需關(guān)注以下4個(gè)問題。

1)算法實(shí)現(xiàn)的代碼類需繼承fork/join應(yīng)用接口類java.util.concurrent.recursiveaction或者java.util.concurrent.recursivetask。

2)選擇合適的閾值劃分任務(wù)。根據(jù)附圖3中的實(shí)例，閾值的大小直接影響子任務(wù)的分割數(shù)目。當(dāng)閾值設(shè)置偏小，意味著子任務(wù)的規(guī)模更小且分割數(shù)量更多，易造成資源管理消耗過大；當(dāng)閾值設(shè)置偏大，意味著子任務(wù)的規(guī)模更大且分割數(shù)量更少，甚至當(dāng)子任務(wù)數(shù)量小于工作線程數(shù)時(shí)，易導(dǎo)致部分工作線程處于閑置狀態(tài)。因此，為了保證所有工作線程均能分配到子任務(wù)，通用的閾值設(shè)置公式如下：

式中：為計(jì)算結(jié)果取上整數(shù)；μ為規(guī)?？刂崎撝?；sc為原問題規(guī)模；w為多核處理器邏輯線程數(shù)(具有“超線程”技術(shù)的處理器可在1個(gè)內(nèi)核中模擬2個(gè)邏輯線程)。另外，框架應(yīng)用接口類提供了劃分子任務(wù)的方法接口，因此，開發(fā)人員只需提供合適的閾值實(shí)現(xiàn)提供的接口，至于程序如何實(shí)現(xiàn)任務(wù)劃分以及線程分配，開發(fā)人員不需要關(guān)心。

3)實(shí)現(xiàn)fork/join接口類的voidcompute()方法。該方法接口主要實(shí)現(xiàn)各子任務(wù)的計(jì)算，即將算法可并行化部分的代碼程序?qū)懭朐摲椒ń涌凇?/p>

4)設(shè)置任務(wù)劃分方式。每次任務(wù)劃分可將父任務(wù)劃分為多個(gè)子任務(wù)，而劃分的子任務(wù)個(gè)數(shù)由開發(fā)人員編寫代碼實(shí)現(xiàn)。一般來說，采用對(duì)半分解父任務(wù)的方式有利于硬件實(shí)現(xiàn)負(fù)載均衡。

四、并行自適應(yīng)混合粒子群算法(pahpso)實(shí)現(xiàn)方式

ahpso方法的初始種群由不同的個(gè)體粒子組成，粒子的個(gè)數(shù)即為種群的計(jì)算規(guī)模。由于每個(gè)粒子代表解空間的一個(gè)候選解，采用劃分初始種群為多個(gè)規(guī)模更小子種群的粗粒度并行設(shè)計(jì)，并不影響每個(gè)粒子在其子種群中的搜索尋優(yōu)。因此，子種群之間的優(yōu)化搜索是相互獨(dú)立的，具有天然的并行性。附圖6為pahpso方法并行設(shè)計(jì)框架示意圖，其并行步驟主要如下：

1)劃分子種群。從主線程中獲取初始種群的計(jì)算規(guī)模作為父任務(wù)規(guī)模，采用fork/join閾值計(jì)算公式(9)將父任務(wù)劃分為多個(gè)規(guī)模更小的子任務(wù)，且每次遞歸分解將父任務(wù)規(guī)模對(duì)半劃分為2個(gè)規(guī)模相同的子任務(wù)，直至子任務(wù)規(guī)模小于或等于閾值，停止分解。

2)子線程同時(shí)計(jì)算各自分配的子任務(wù)。每個(gè)分配到子線程的子任務(wù)的種群規(guī)模相同，并且設(shè)置相同計(jì)算參數(shù)的ahpso方法計(jì)算各子任務(wù)的最優(yōu)解。

3)輸出最優(yōu)解。當(dāng)各子線程完成所有子任務(wù)的計(jì)算，合并所有子任務(wù)的最優(yōu)解并篩選出全局最優(yōu)解，返回主線程。

(1)基礎(chǔ)信息

為了驗(yàn)證pahpso方法的并行效率，采用瀾滄江下游梯級(jí)水庫群年發(fā)電量最大模型(見《具體實(shí)施方式》)作為計(jì)算實(shí)例。梯級(jí)自上游而下分別為小灣(多年調(diào)節(jié))、漫灣(季調(diào)節(jié))、大朝山(年調(diào)節(jié))、糯扎渡(多年調(diào)節(jié))和景洪(季調(diào)節(jié))水庫，水庫群梯級(jí)拓?fù)浣Y(jié)構(gòu)見附圖7。用于測(cè)試的計(jì)算機(jī)cpu配置為intelxeone31245@3.30ghz(4核)，測(cè)試狀態(tài)分別設(shè)置“超線程”開啟和關(guān)閉狀態(tài)進(jìn)行對(duì)比分析。

(2)并行性能指標(biāo)

加速比sp和效率ep是衡量并行算法性能的兩個(gè)常用指標(biāo)，其數(shù)學(xué)表達(dá)式分別如下所示：

sp＝t1/tp(1)

ep＝sp/p(2)

式中：t1表示串行環(huán)境下算法執(zhí)行時(shí)間，s；tp表示p個(gè)內(nèi)核環(huán)境下算法執(zhí)行時(shí)間，s。

(3)測(cè)試方案

由于pahpso方法采用種群分解的粗粒度并行設(shè)計(jì)模式，為了測(cè)試不同種群規(guī)模條件下算法的并行性能，設(shè)置四組種群規(guī)模大小不同的方案進(jìn)行仿真測(cè)試。各方案種群規(guī)模大小設(shè)置見表1。

表1四組仿真方案種群規(guī)模大小

(4)并行結(jié)果

表2為pahpso方法在不同并行核數(shù)、超線程啟閉狀態(tài)下的并行結(jié)果。從表中可以看到，方法的計(jì)算時(shí)間隨著核數(shù)的增加大幅縮減，并行效果非常明顯。

對(duì)于同一方案，算法在不同并行環(huán)境下的并行性能有所不同。以方案一計(jì)算結(jié)果為例，隨著并行核數(shù)增加，在1核、2核、4核環(huán)境下的加速比分別為1、1.98、3.84，計(jì)算加速比逐漸提高。而且在相同核環(huán)境下，在“超線程”開啟狀態(tài)下獲得了更佳的加速效果，主要是因?yàn)椤俺€程”技術(shù)能夠在1個(gè)核心上模擬出2個(gè)邏輯線程，減少硬件cpu的閑置時(shí)間，更好地發(fā)揮了cpu的計(jì)算效率。但是隨著并行核數(shù)增加，在“超線程”啟閉相同環(huán)境下，1核、2核、4核且“超線程”開啟狀態(tài)下的效率分別為100％、99％、96％，呈逐漸下降趨勢(shì)，主要原因是并行核數(shù)越多，則執(zhí)行線程數(shù)越多，資源管理消耗、線程間通信時(shí)間、內(nèi)存占用等因素也相應(yīng)提高，直接影響了并行效率的下降。

對(duì)于不同方案，算法的種群規(guī)模越大，并行性能的優(yōu)勢(shì)愈加明顯。四組仿真方案在4核“超線程”開啟狀態(tài)下的縮減時(shí)間分別為486.6s、926.3s、1381.0s以及1787.2s，并行效果非常明顯。在相同的并行環(huán)境下，以4核“超線程”開啟為例，隨著種群規(guī)模增大，計(jì)算加速比、效率逐漸增加，且計(jì)算加速比越接近理想加速比。主要原因是計(jì)算任務(wù)規(guī)模越大，線程處于閑置狀態(tài)的時(shí)間越少，線程利用率更加充分。另外，方案三和方案四在2核環(huán)境“超線程”開啟狀態(tài)下的計(jì)算加速比大于理想加速比，發(fā)生“超線性”加速比現(xiàn)象，主要原因有兩點(diǎn)：1)“超線程”技術(shù)能夠有效提高線程利用率；2)fork/join是一種基于內(nèi)存共享的并行框架，實(shí)現(xiàn)了內(nèi)核中緩存共享，而且fork/join具有獨(dú)特的隊(duì)列設(shè)計(jì)，其竊取算法能夠有效減少物理緩存的占用和爭(zhēng)奪，減少線程閑置時(shí)間，提高線程利用率。

表2pahpso算法測(cè)試結(jié)果

對(duì)于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實(shí)施例的細(xì)節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無論從哪一點(diǎn)來看，均應(yīng)將實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。

此外，應(yīng)當(dāng)理解，雖然本說明書按照實(shí)施方式加以描述，但并非每個(gè)實(shí)施方式僅包含一個(gè)獨(dú)立的技術(shù)方案，說明書的這種敘述方式僅僅是為清楚起見，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)將說明書作為一個(gè)整體，各實(shí)施例中的技術(shù)方案也可以經(jīng)適當(dāng)組合，形成本領(lǐng)域技術(shù)人員可以理解的其他實(shí)施方式。