本發(fā)明屬于信息技術領域，特別涉及一種基智能優(yōu)化水資源配置方法。

背景技術：

水資源作為準公共物品具有稀缺性和排他性等特點，隨著社會經(jīng)濟的發(fā)展，有限的水資源很難滿足不斷增長的需求，不少地區(qū)出現(xiàn)了水資源短缺的局面，如果不能進行科學有效的進行水資源配置，不僅會嚴重制約地區(qū)社會經(jīng)濟的發(fā)展，還可能會造成沖突事件的發(fā)生，因此水資源的合理配置顯得尤為重要，水資源系統(tǒng)作為一個復雜巨系統(tǒng)，在實施的有效資源配置中需要多學科、多主體的共同參與水資源配置通常被認為是一種空間上的分配或安置，后來又擴展到時間上的配置以及不同行業(yè)用水的配置，近來又發(fā)展到時間上的配置以及不同行業(yè)用水的配置，針對以水量分配為主要目標的水資源系統(tǒng)，對各種水資源配置決策屬性進行合理分析和聯(lián)合運用，以追求系統(tǒng)整體的可持續(xù)利用為目標的決策模型，而水資源優(yōu)化配置實質(zhì)上是協(xié)調(diào)水資源系統(tǒng)中經(jīng)濟環(huán)境和社會子系統(tǒng)之間的關系，保持系統(tǒng)之間的動態(tài)平衡，促使水資源系統(tǒng)朝著有序穩(wěn)定的演變、實現(xiàn)系統(tǒng)和諧、健康發(fā)展。

針對水資源配置的決策問題，國內(nèi)外很多學者從不同的角度進行了探討研究，傳統(tǒng)的決策技術分別用層次分析法、人工神經(jīng)網(wǎng)絡、物元模型等數(shù)學規(guī)劃模型的決策方法，即對數(shù)據(jù)結果或分布特征先做某種假定，按照一定準則建立顯示評價函數(shù)，對建立的評價函數(shù)模型進行實證的數(shù)據(jù)分析方法，黃鍵等針對傳統(tǒng)靜態(tài)群決策不能反應決策對象的動態(tài)變化的不足，提出了基于AHP的模糊動態(tài)群決策算法，Huang針對水資源優(yōu)化配置問題運用切比雪夫算法對水資源配置做到了系統(tǒng)分析，并提出了多層動態(tài)的群決策模型，并通過群成員之間的多階段的交互和啟發(fā)，產(chǎn)生了滿足群體期望要求的群體滿意解，從二元語義的角度探討了決策專家權重以及對于多階段權重不同階段間專家權重的設定對群決策結果的影響。

但是當前水資源配置仍很難突破單純使用優(yōu)化模型或模擬模型的思路，因水資源系統(tǒng)的復雜性，使用水資源系統(tǒng)的復雜性，使用優(yōu)化方法因數(shù)學模型的局限性不能很好的描述水字眼配置狀態(tài)，而采用模型又不能模擬整個復雜的系統(tǒng)，并且無法控制眾多的參數(shù)和條件，并且水資源配置通常是多目標的，并受眾多不確定因素的影響，有時目標會相互沖突，最優(yōu)解往往不存在或難以到達，大量半結構化非結構化問題需要決策者判斷和抉擇，決策者的偏好會影響水資源配置格局，無法避免決策者的偏好、經(jīng)驗不足等因素對方案比選時的影響，不能達到真正合理配置的目的，而且與水信息學為代表的其他學科研究工具的結合不夠，仍然停留在基于模糊集、人工神經(jīng)網(wǎng)絡、遺傳算法的模式識別上，離區(qū)域水資源智能配置還有較遠的距離。

技術實現(xiàn)要素：

發(fā)明目的：針對現(xiàn)有技術中存在的問題，本發(fā)明提供一種智能優(yōu)化水資源配置方法，該方法克服了傳統(tǒng)的水資源的缺點，將傳統(tǒng)的決策問題與神經(jīng)網(wǎng)絡以及遺傳算法相結合，提高了整個配置過程中的科學性和效率，并且考慮到了水資源配置存在大量不確定性和模糊性，開創(chuàng)性的將灰色模糊分層模型運用到其中，從而使水資源配置更加合理和高效。

技術方案：為解決上述技術問題，本發(fā)明提供一種水資源配置方法，具體步驟如下：

步驟一：收集數(shù)據(jù)，內(nèi)容為總人口數(shù)、總用水量、河道外生態(tài)用水量、人均用水量、上一級區(qū)域平均人均用水量、GDP、灌溉糧食增加總產(chǎn)量、灌溉用水量、田間用水量、取水口取水量、當?shù)厮Y源總用水量和地下水可開采量；

步驟二：對上面的數(shù)據(jù)使用進行預處理，具體為：將每一類的數(shù)據(jù)在不同子區(qū)域的最大值與最小值求出，然后將每一個區(qū)域的屬性(如取水口取水量)使用以下公式，歸一化到0—1區(qū)間，y即為子區(qū)域歸一化后的值；

步驟三：使用灰色模糊分層模型得出在原始輸入條件得到的各地區(qū)評分，具體為：將步驟二中所歸一化的各變量使用分層模型，依據(jù)變量之間的重要度差異，得出關于這一系列變量的權值W，具體步驟如下：依據(jù)如下表格設立各個變量的重要程度，并使變量一一對應，如此便得到了一系列變量的權值W。

步驟四：使用模糊綜合評價法對缺水率、人均用水量、河道外人均生態(tài)用水量、用水均衡率、單方水GDP、單方水糧食產(chǎn)量、灌溉水利用系數(shù)、河道內(nèi)生態(tài)用水比例、最小生態(tài)環(huán)境用水保障程度、水資源開發(fā)利用率、地表水用水比例、缺水均衡率、地下水利用系數(shù)和用水結果系數(shù)，使用上述11個指標進行綜合評價得到隸屬度矩陣L，具體計算步驟如下：根據(jù)評價指標表，(下表是部分評價指標標準表)，再按照隸屬度函數(shù)，便可得到隸屬度矩陣。

隸屬度函數(shù)如下：其中u_i1表示屬性的隸屬度函數(shù)值，x表示該指標的特征值，l_j表示該指標評價等級的第j級標準值。

再使用步驟三中得到權值w與L相乘得到模糊綜合評價結果b；

步驟五：將模型綜合評價b與地區(qū)的環(huán)境條件：缺水量、人均用水量、地區(qū)糧食產(chǎn)量、地區(qū)水資源總量、地下水可開采量、農(nóng)業(yè)灌溉耗水量、城鎮(zhèn)人口、農(nóng)村人口、灌溉面積、內(nèi)塘養(yǎng)殖面積和林果灌溉，作為徑向基神經(jīng)網(wǎng)絡的輸入條件，輸出條件為各地區(qū)的分配水量，訓練網(wǎng)絡，訓練網(wǎng)絡具體為：使用matlab的神經(jīng)網(wǎng)絡工具箱，再使用徑向基網(wǎng)絡函數(shù)newrb()，輸入條件和輸出條件便是步驟五中所示的各環(huán)境因素，迭代次數(shù)設為1000次，精度設為0.0001，神經(jīng)元起始數(shù)量設為100，之后依次增加10；

步驟六：以預測年份的各環(huán)境條件，其中環(huán)境條件為上述步驟五所述，以及對各地區(qū)的預計分配結果b2做為步驟五中已經(jīng)訓練好的徑向基神經(jīng)網(wǎng)絡的輸出，得出初始的分配結果；

步驟七：將步驟六中得到的初始分配結果使用模糊綜合評價法，得出綜合評價結果b2，將b2與往年的綜合評價結果做對比，若好于之前結果，則得出了分配方案，若不符合，則使用模擬退火遺傳算法對b2進行微調(diào)，微調(diào)后的結果當作徑向基網(wǎng)絡的輸入，得出新的分配方案；

步驟八：將分配方案使用步驟七循環(huán)執(zhí)行，直至退出。

與現(xiàn)有技術相比，本發(fā)明的優(yōu)點在于：

與現(xiàn)有的技術相比，本發(fā)明所提供的一種基于基于改進模擬退火遺傳算法與灰色模糊相結合的水資源配置模型，通過引入了灰色模糊分層模型，大大抑制了水資源決策過程存在的模糊性與不確定性，并將其與徑向基神經(jīng)網(wǎng)絡相結合，考慮到訓練過程中的誤差，并防止尋找過程中陷入了局部最小值，又增加了改進的蟻群遺傳算法為其做修正，克服了傳統(tǒng)水資源決策過程中的低效率性以及不實用性，將智能算法與灰色模糊分層模型相結合，并使用改進后的蟻群遺傳算法做修正，真正達到了水資源的智能配置。

附圖說明

圖1為本發(fā)明的總體流程圖；

圖2為圖1中改進的模擬退火算法的具體流程圖。

具體實施方式

下面結合附圖和具體實施方式，進一步闡明本發(fā)明。

圖1為本發(fā)明所使用的系統(tǒng)框架圖，步驟如下：

步驟101：充分利用了神經(jīng)網(wǎng)絡不需要考慮中間的細節(jié)，直接將輸入與輸出聯(lián)系在一起的特定，使用了徑向基神經(jīng)網(wǎng)絡，讓環(huán)境經(jīng)濟生態(tài)等初始條件與水資源最后的分配結果相聯(lián)系，初始的預案庫中是灰色模糊分層模型預先生成的。

步驟102：使用徑向基神經(jīng)網(wǎng)絡所訓練出來的初步方案，在放入到灰色模糊分層模型中，對配置結果進行檢驗，若符合條件，則生成結果，若不符合，則到步驟103，不符合的訓練結果可以放入預案庫，以供神經(jīng)網(wǎng)絡繼續(xù)迭代訓練，精益求精。

步驟103：充分考慮了傳統(tǒng)遺傳算法易陷入了局部最優(yōu)的特定，使用了改進的蟻群遺傳算法對剛剛生成的初步方案進行微調(diào)，具體細節(jié)見圖2說明。

如圖2所示：為本發(fā)明在優(yōu)化過程中所使用的改進的蟻群遺傳算法流程圖，步驟如下：

步驟201：采用鄰近算法生成初始種群；

步驟202：計算適應值，保存當前最優(yōu)染色體T_max；

步驟203：判斷T_max是否滿足結束條件；Yes則退出程序，No則計算迭代次數(shù)；

步驟204；判斷是否進行模擬退火操作，yes則跳轉到步驟209，NO則進行下一步。

步驟205；對染色體進行交叉操作；

步驟206；計算適應值，保存最優(yōu)染色體T_max；

步驟207；選擇染色體，并產(chǎn)生新群體；

步驟208；對T進行變異操作；

步驟209：給定初始溫度T₀，T_max賦給初始解X₀，設定最優(yōu)解記憶起min＝X₀,定義最大無更優(yōu)解產(chǎn)生次數(shù)count及提前終止條件；

步驟210：對其進行判斷，看是否滿足改良條件；

步驟211：生成新解，并對新解進行評價，接受新解.

步驟212：若滿足終止條件，保存最優(yōu)解，退出，否則，跳轉到步驟210.

本發(fā)明建立了經(jīng)濟、社會、生態(tài)綜合效益最有的水資源優(yōu)化配置模型，考慮到了在水資源分配過程中的多目標性，并且易受眾多不確定因素的影響，將多目標優(yōu)化與智慧算法相結合，考慮到了傳統(tǒng)反向傳播網(wǎng)絡易陷入局部最優(yōu)化，考慮到水資源配置中存在著大量的灰色性和模糊性，而灰色模型具有將無規(guī)律的原始數(shù)據(jù)生成較有規(guī)律的數(shù)列的能力，考慮到徑向基神經(jīng)網(wǎng)絡是一種性能優(yōu)良的神經(jīng)網(wǎng)絡，且具有全局的逼近能力，而且拓撲結構緊湊，結構參數(shù)可實現(xiàn)分離學習，收斂速度快，大大的提高了訓練效率。

基于改進模擬退火遺傳算法與灰色模糊相結合的水資源配置模型，具體過程如下：建立了經(jīng)濟、社會、生態(tài)綜合效益最大化的水資源優(yōu)化配置模型，首先通過徑向基神經(jīng)網(wǎng)絡對已有配置方案以及生態(tài)環(huán)境相關系數(shù)的輸入建立聯(lián)系，訓練出預分配方案，再通過灰色模糊分層模型自動篩選出較優(yōu)方案，并且此方案可用于徑向基神經(jīng)網(wǎng)絡的迭代訓練，將得出方案進行約束條件檢驗，若不符合要求，則進行下一步自動干預，使用改進的模擬退火遺傳算法對分配方案進行調(diào)整，若符合要求，則得出最終得分配方案，本發(fā)明能夠更加準確對水資源進行合理配置，并能夠對之前的分配結果進行迭代優(yōu)化，大大的加強了整個水資源分配過程的科學性與合理性。

以上所述僅為本發(fā)明的實施例子而已，并不用于限制本發(fā)明。凡在本發(fā)明的原則之內(nèi)，所作的等同替換，均應包含在本發(fā)明的保護范圍之內(nèi)。本發(fā)明未作詳細闡述的內(nèi)容屬于本專業(yè)領域技術人員公知的已有技術。