并行动态规划和改进遗传算法在水库调度中的应用分析_0(范本)

《并行动态规划和改进遗传算法在水库调度中的应用分析_0(范本)》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、并行动态规划和改进遗传算法在水库调度中的应用分析_0并行动态规划和改进遗传算法在水库调度中的应用分析内容简介：0引言水库优化调度是典型的多维非线性优化问题，求解方法显得尤其重要。动态规划基本的动态规划算法适用动态规划的问题必须满足最优化原理和无后效性。动态规划法适用于求解水库优化调度模型，具体求解步骤如下：①阶段变量：由于水库优化调度是按照时间过程进行的，属于多段决策过程，阶段变量按时间段选取。②状态变量：状态变量选取水库对应变量，例如水位、库容等。其水库水位和库容反应了调度过程的演变，并满足无后效

2、性要求。③决策变量：时段末的水库状态对应一个决策，即决策变量。④状态转移规律：根据决策变量从而得到时段末的一个状态，作为下一时段的起始状态。2)并行算法设计水库优化调度模型的求解过程具有一定的并行性，有利于并行计算的实施。多核处理器的日益普及为并行机制的实现提供了必要的硬件基础。为了防止单线程计算而导致计算资源的浪费;在动态规划算法中嵌入并行模块。并行计算动态规划实现并行化的具体步骤：①在并行域前，首先主线程计算水库的各个时段的所有的决策方案，并用并行化嵌套语句设置多个子线程。②每个子线程从对应共享

3、内存中获取计算数据，包括电站的基础属性数据、各类特征曲线和约束条件等。每一个线程由一个CPU内核处理，同时每一个子线程只允许与主内存进行通信和数据交互，核与核是相互隔离的，从而保证各个线程独立工作。③子线程通过与共享内存的通信得到数据，计算当前时段的一个决策方案的发电量和目标适应值，并将结果返回到主内存中，从而达到了汇合。④当所有子线程执行完成后，结束并行计算，回到主线程，回到主线程环境中。2改进遗传算法应用遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟

4、自然进化过程搜索最优解的方法，通过种群交叉变异进化寻优的启发式的搜索算法。在自适应遗传算法寻优过程中，用适应度函数评价每一代个体的优劣，通过对整个参数空间编码得到待处理种群，再对其检测并选择优良个体进行随机交叉得到下一代种群，新一代种群中优良个体的性状得以保留，同时适应度低的个体将被淘汰。改进的自适应遗传算法分两层，第一层采用无搜索策略的广度搜索算法寻找种群的多样性，通过外部存档的方式储存精英个体，增加种群多样性，从而增强起初母体的鲁棒性;第二层采用第一层外部存档的初始种群，并嵌套广度搜索的变异模块

5、，通过合理判定条件进入随机变异，防止陷入局部最优，并采用自适应遗传算法进行全局搜索。分层收敛算法具体设计步骤如下3实例应用三峡工程是治理开发长江的关键性工程，水库正常蓄水位5m，防洪限制水位145m，枯期消落低水位155m，具有巨大的防洪、发电、航运和枯期向下游补水等综合利用效益，三峡水库防洪库容221.5亿m3，兴利库容165.0亿m3，有巨大的调蓄能力。由于三峡水库可进行年调节，而汛期基本保持汛限水位不变，所以对供水期进行优化调度更加合理，即从开始蓄水到翌年的汛前进行优化调度，采用旬为计算时段。

6、以典型枯水年供水期作为研究对象，选取三峡坝址宜昌水文站的天然来水95%保证率的72年的径流系列作为研究依据。4结论基于动态规划算法，嵌入并行计算模块;在自适应遗传算法基础上，采用外部存档的方式，提出了改进的分层遗传算法，并将改进算法应用到三峡水库实际调度中。实验算例的应用情况表明，并行动态规划算法相比于串行计算，提高了算法计算效率;与其它两个算法相比较，分层遗传算法提高了收敛速度并改善了调度效益，而长系列的计算结果进一步验证了改进算法的有效性。改进的算法从不同的角度提高了求解速度并改善了求解质量，为

7、水库优化调度问题的求解提供了一定的参考。内容简介：准确了解坝体施工期间及竣工后的变形规律并对其进行预测是保证大坝安全运行的必要条件。为了提高预测结果的精度和可靠性，国内外学者提出很多方法。支持向量机以其最小化的结构风险、较强的泛化能力，在回归预测领域表现出其优越性，但论文格式论文范文毕业论文准确了解坝体施工期间及竣工后的变形规律并对其进行预测是保证大坝安全运行的必要条件。为了提高预测结果的精度和可靠性，国内外学者提出很多方法。支持向量机以其最小化的结构风险、较强的泛化能力，在回归预测领域表现出其优越

8、性，但对监测序列的长期预测效果并不理想。考虑到变形监测系统的动态性、时效性等特点，将滚动预测时剔除训练集中非支持向量的改进的滚动预测模型应用到坝体沉降监测中，提高预测精度。1改进的支持向量机回归模型改进的支持向量机回归模型由标准支持向量机v-SVR改进而来，是用一个数量上有意义的参数。代替经验误差，建立能够自动计算的支持向量回归方法，通过核函数进行映射，构造高维空间中的线性回归函数为权值向量，h为截距。把回归分析问题转化为最优化问题。2滚动预测模型1传统的滚动预测模型