技術特征：

1.一種基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，包括以下步驟：

步驟一：獲取區(qū)域水資源系統(tǒng)工程的基本信息數(shù)據(jù)，包括：泵、閘站以及水庫水利工程過流能力值q，初末庫容限制V，正常蓄水位Z_正、防洪限制水位Z_防、死水位Z_死，容積-水位關系曲線S～Z，下游水位-下泄流量關系曲線Z～Q，發(fā)電機組出力約束值N，來水量W；

步驟二：建立以社會效益、經(jīng)濟效益以及生態(tài)環(huán)境的綜合效益最大的目標函數(shù)，考慮水量平衡、機組出力、過流能力約束條件的多目標水資源優(yōu)化配置數(shù)學模型：

opt F(x)＝{f₁(x),f₂(x),…,f_n(x)} (1)

s.t x∈G(x) (2)

式中，opt表示優(yōu)化方向，包括最大方向和最小方向，n表示水資源系統(tǒng)優(yōu)化調(diào)度的目標數(shù)；F(x)目標函數(shù)集；f_n(x)表示為社會效益、經(jīng)濟效益以及生態(tài)環(huán)境的綜合效益最大的目標函數(shù)；G(x)表示約束條件集，包括水量平衡約束、水源可供水量約束、水源輸水能力約束、用戶需水能力約束、變量非負約束。

步驟三：執(zhí)行改進的MAEPSO算法；

步驟四：基于外部歸檔集EA，采用基于組合權重的多目標決策方法確定水資源系統(tǒng)最優(yōu)配置方案。

2.如權利要求1所述的基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，所述步驟三：執(zhí)行改進的MAEPSO算法具體為：

步驟3-1：確定以水資源工程時段末蓄水量S、下泄流量u或工程過水流量q為決策變量，劃分水資源調(diào)度周期時段T；

步驟3-2：設定參數(shù)；確定由決策變量組成的初始種群規(guī)模G，搜索空間為D維，全局迭代次數(shù)MAXGEN，學習因子c₁和c₂，慣性因子w，粒子速度[v_min,v_max]，其中，v_min為離子速度最小值，v_max為離子速度最大值，定義第j個粒子位置表示為向量X_j＝(x_j1,x_j2,…,x_jD)，速度表示為向量V_j＝(v_j1,v_j2,…,v_jD)，歷史最優(yōu)位置表示為Q_j＝(q_j1,q_j2,…,q_jD)，外部歸檔集規(guī)模N_EA；

步驟3-3，生成初始種群，包括初始位置向量與初始速度向量；初始全局迭代次數(shù)，GEN＝0，外部歸檔集EA賦空集；

步驟3-4，計算每個個體的各個目標函數(shù)值，設置初始種群的個體極值及全局極值其中，P_j¹表示第1次迭代第j個粒子極值；將其非劣解加入到外部檔案EA中；

步驟3-5：分別利用和更新粒子當前的速度和位置，并且保證

$x_{jn}^{t+1}=\left\{\begin{array}{cc}{x}_{n,min}& if{x}_{jn}^{t+1}\<x_{n,min}\\ x_{n,max}& if{x}_{jn}^{t+1}\>x_{n,max}\\ x_{jn}^{t+1}& esle\end{array}\right.---\left(3\right)$

其中，c₁和c₂為學習因子，c₁是用來調(diào)節(jié)粒子飛向其最優(yōu)位置的步長，c₂是用來調(diào)節(jié)粒子飛向整個群體最優(yōu)位置的步長；r₁和r₂為[0，1]范圍之間的隨機數(shù)；w為權重；表示第t次迭代第j個粒子第n決策變量的飛行速度；表示第t次迭代第j個粒子第n決策變量位置；表示第j個粒子第n決策變量的歷史最優(yōu)位置；q_gn表示第n決策變量的歷史全局最優(yōu)位置；

慣性因子采用依據(jù)粒子群群體適應度值變化而進行調(diào)整的自適應策略如下：

$w_i=\left\{\begin{array}{cc}{w}_{start}& f_i\>f_{avg1}\\ w_{start}-\frac{(w_{start}-w_{end})(f_{avg1}-f_i)}{f_{avg1}-f_{avg2}}& f_{avg2}\≤f_i\≤f_{avg1}\\ w_{end}& f_i\<f_{avg2}\end{array}\right.---\left(4\right)$

式中，f_i表示粒子i的適應度值，f_avg1表示適應度值大于種群粒子平均適應度值的全部粒子的平均適應度值，f_avg2表示適應度值小于種群粒子平均適應度值的全部粒子的平均適應度值；采用線性調(diào)整學習因子策略，即c₁先大后小，c₂先小后大的方法：

$\left\{\begin{array}{c}{c}_1=c_{1s}+\frac{(c_{1e}-c_{1s})}{t_{\max }}\×t\\ c_2=c_{2s}+\frac{(c_{2e}-c_{2s})}{t_{\max }}\×t\end{array}\right.---\left(5\right)$

式中，c_1s,c_1e為學習因子c₁的初末值，分別取2.5、0.5；c_2s,c_2e為學習因子c₂的初末值，分別取0.5、2.5；t為目前的迭代次數(shù)，t_max是最大迭代次數(shù)；

步驟3-6：計算當前個體目標函數(shù)值，根據(jù)更新當前個體至最優(yōu)pbest，同時根據(jù)更新群體至最優(yōu)gbest，其中t表示第t代循環(huán)，X_j^t、X_j^t+1分別表示第t、t+1次迭代第j個粒子，f(X_j^t)、f(X_j^t+1)表示第t、t+1次迭代第j個粒子適應性函數(shù)值；

步驟3-7：根據(jù)新的非劣解采用基于距離的方法維護外部檔案N_EA：每次迭代都計算每個非劣解距離左右兩個粒子的距離，通過比較該非劣解的兩個距離是否小于某個限值Dis，如果均小于限值Dis，則從外部檔案中刪除此非劣解，并重新計算左右兩邊粒子的距離；

步驟3-8：基于Sigma選取策略來選擇全局向?qū)?，為各粒子選擇新的pbest，以雙目標問題為例，f₁和f₂分別代表兩個目標；

步驟3-9：判斷是否達到全局迭代次數(shù)MAXGEN，若沒有達到，GEN＝GEN+1，轉(zhuǎn)到步驟25，繼續(xù)下一輪的全局搜索，否則，算法結(jié)束，輸出EA。

3.如權利要求2所述的基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，所述步驟3-7根據(jù)新的非劣解采用基于距離的方法維護外部檔案N_EA：每次迭代都計算每個非劣解距離左右兩個粒子的距離，通過比較該非劣解的兩個距離是否小于某個限值Dis，如果均小于限值Dis，則從外部檔案中刪除此非劣解，并重新計算左右兩邊粒子的距離具體為：

步驟3-7-1，將找到的所有非劣解集按照某個目標適應度值從小到大進行排序；

步驟3-7-2，計算非劣解與非劣解在目標空間的歐氏距離：

${\mathrm{dis}}_i=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{\[f_i\left(j\right)-f_{i+1}\left(j\right)\]}^2}---\left(6\right)$

其中，n為目標的個數(shù)；

步驟3-7-3，判斷上一步中計算的每個距離是否小于限值Dis，如果dis_i-1＜Dis且dis_i＜Dis，則刪除非劣解i并重新計算非劣解i-1與非劣解i+1的歐氏距離作為dis_i-1；臨界距離Dis設計為根據(jù)非劣解的情況自適應調(diào)整：

$Dis=\frac{\underset{i=1}{\overset{N_{EA}-1}{\Σ}}{\mathrm{dis}}_i}{N_{EA}+1}---\left(7\right)$

步驟3-7-4，判斷非劣解的個數(shù)是否超過外部檔案的大小，若超過轉(zhuǎn)S5，否則轉(zhuǎn)S5；

步驟3-7-5，返回外部歸檔集EA。

4.如權利要求2所述的基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，所述步驟3-8，基于Sigma選取策略來選擇全局向?qū)?，為各粒子選擇新的pbest，以雙目標問題為例，f₁和f₂分別代表兩個目標，具體為：

步驟3-8-1，計算外部歸檔集EA中所有成員的Sigma值σ_a，如下式計算：

${\mathrm{\σ}}_a=\frac{{f_1}^2-{f_2}^2}{{f_1}^2+{f_2}^2}---\left(8\right)$

其中:σ_a就是Sigma值，f₁,f₂為對應的目標函數(shù)值，a＝1,2,…,N_EA；

步驟3-8-2，從種群中選擇一個粒子，計算該粒子的Sigma值σ_i；

步驟3-8-3，計算該粒子的Sigma值σ_i與外部檔案所有成員的Sigma值之間的歐氏距離，選擇與該粒子Sigma值歐氏距離最小的外部檔案成員作為該粒子的pbest，更新粒子當前的速度和位置。

5.如權利要求2所述的基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，所述步驟四基于外部歸檔集EA，采用基于組合權重的多目標決策方法確定水資源系統(tǒng)最優(yōu)配置方案，包括以下步驟：

步驟4-1，利用模糊層次分析法確定屬性主觀權重W'；

步驟4-2，利用CRITIC法確定屬性客觀權重W”；

步驟4-3，確定屬性組合權重W：當?shù)玫礁髟u價指標的主觀權重w_i'和客觀權重w_j”后，按式計算各指標組合權重w_j:

$w_j=\frac{{w_j}^{\′\′}{w_j}^{\′}}{\underset{j=1}{\overset{n}{\Σ}}{w_j}^{\′\′}{w_j}^{\′}}---\left(13\right);$

步驟4-4，基于TOPSIS法方案確定最終優(yōu)化配置方案。

6.如權利要求5所述的基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，所述步驟4-1利用模糊層次分析法確定屬性主觀權重W'具體如下：

步驟4-1-1，根據(jù)所選取的各個目標函數(shù)，建立系統(tǒng)遞階層次結(jié)構(gòu)，并進行各層次之間指標間的兩兩比較，采用0.1～0.9標度法進行定量描述，建立模糊一致判斷矩陣R：

其中r_ij表示元素a_i比a_j重要的隸屬度，r_ij越大，a_i比a_j越重要；n為指標數(shù)目；

步驟4-1-2，主觀權重w_j'計算

${w_j}^{\′}=\frac{1}{n}-\frac{1}{2a}+\frac{1}{na}\underset{k=1}{\overset{n}{\Σ}}{r}_{jk}---\left(10\right)$

其中，參數(shù)a取值大小的選擇反映了決策者的個人偏好，a越小則表明決策者偏好權重之間差異程度越大；k＝1,2,…,n。

7.如權利要求5所述的基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，所述步驟4-2利用CRITIC法確定屬性客觀權重W”具體如下：

步驟4-2-1，計算指標j對應的信息量C_i，指標i與其他指標之間的沖突性量化指標而用式表示：

$C_j={\mathrm{\δ}}_j\underset{k=1}{\overset{m}{\Σ}}(1-r_{jk})---\left(11\right)$

式中，δ_j為指標j的標準差，r_jk為指標j,k的相關系數(shù)；

步驟4-2-2，所以指標i對應的歸一化的權重w_j”為：

${w_j}^{\′\′}=\frac{C_j}{\underset{j=1}{\overset{n}{\Σ}}{C}_j}---\left(12\right)$

8.如權利要求5所述的基于MAEPSO算法的區(qū)域水資源優(yōu)化配置方法，其特征在于，所述步驟4-4基于TOPSIS法方案確定最終優(yōu)化配置方案具體如下：

步驟4-4-1，設多目標水資源優(yōu)化配置問題的決策矩陣A為

$A=\left[\begin{array}{cccc}{f}_{11}& f_{12}& \mathrm{...}& f_{1N_{EA}}\\ f_{21}& f_{22}& \mathrm{...}& f_{2N_{EA}}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f_{n1}& f_{n2}& \mathrm{...}& f_{{\mathrm{nN}}_{EA}}\end{array}\right]---\left(14\right)$

式中，f_ij表示第i個可行方案第j個目標值，i＝1,2,…N_EA,j＝1,2,…,n；

由該矩陣A構(gòu)成規(guī)范決策矩陣Z'，其元素為

步驟4-4-2，構(gòu)造加權的規(guī)范決策矩陣Z_ij，其中的元素z_ij為z_ij＝w_jr_ij

步驟4-4-3，在加權規(guī)范化決策矩陣Z_ij中選取各個屬性都達到最優(yōu)的方案為

正理想方案Z⁺，各個屬性都達到最劣的方案為負理想方案Z^-；

$Z^{+}=\{\left(\underset{i}{max}{z}_{ij}\right|j=1,2,...,n^{\′}),\left(\underset{i}{\min }{z}_{ij}\right|j=1,2,...,n^{\′\′})|i=1,2,...,N_{EA}\}=\[z_1^{+},z_2^{+},...,z_n^{+}\]---\left(15\right)$

$Z^{-}=\{\left(\underset{i}{\min }{z}_{ij}\right|j=1,2,...,n^{\′}),\left(\underset{i}{\max }{z}_{ij}\right|j=1,2,...,n^{\′\′})|i=1,2,...,N_{EA}\}=\[z_1^{-},z_2^{-},...,z_n^{-}\]---\left(16\right)$

其中，n為效益型指標數(shù)目，n”為成本型指標數(shù)目，n＝n'+n”；

步驟4-4-4，采用歐幾里得范數(shù)來計算各方案與正、負理想方案距離，不同方案到正、負理想方案的距離分別為：

$\begin{array}{cc}{S}_i^{+}=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(z_{ij}-z_j^{+})}^2}& S_i^{-}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{(z_{ij}-z_j^{-})}^2}\end{array}---\left(17\right)$

式中，分別為第i個方案與正、負理想方案的歐幾里得范數(shù)距離；z_ij為第i個方案第j個指標的規(guī)范化值；分別為第j個指標的正、負理想方案屬性值；

步驟4-4-5，計算各個方案到正、負理想方案的相對接近度

$C_i^{+}=\frac{S_i^{-}}{S_i^{-}+S_i^{+}}---\left(18\right)$

步驟4-4-6，根據(jù)相對接近度指數(shù)的大小對樣本方案進行優(yōu)選排序；當方案越靠近正理想方案時，越接近1，取最大值對應的配置方案作為最優(yōu)方案。