文章生態(tài)最終版

1、A Thesis Submitted in Partial Fulfillment of the Requirements for theDegree of Master of EngineeringHybrid Quantum Particle Swarm Optimization Algorithm for PowerGeneration-Ecological Cooperative Optimization of Cascaded ReservoirsCandidate :Yan XiaMajor :Water Conservancy EngineeringSupervisor :Zho

2、ngkai FengHuazhong University of Science & TechnologyWuhan 430074, P.R.ChinaJune, 2019獨(dú)創(chuàng)性本人所呈交的是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除文中已經(jīng)標(biāo)明的內(nèi)容外，本不包含任何其他個(gè)人或集體已經(jīng)或撰寫(xiě)過(guò)的研究成果。對(duì)本文的研究做出貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全本的法律結(jié)果由本人承擔(dān)。作者簽名：日期：年月日使用書(shū)本作者完全了解學(xué)校有關(guān)保留、使用的規(guī)定，即：學(xué)校保留并向有關(guān)部門或機(jī)構(gòu)送交的復(fù)印件和，被查閱和借閱。本人華技大學(xué)可以將本的全部或部分內(nèi)容編入有關(guān)數(shù)

3、據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等保存和匯編本。保密，在年后適用本書(shū)。本屬于不。（請(qǐng)?jiān)谝陨戏娇騼?nèi)打“”）作者簽名：指導(dǎo)教師簽名：日期：年月日日期：年月日華技大 學(xué)摘要梯級(jí)水庫(kù)群優(yōu)化調(diào)度是提高水利用效率和水電系統(tǒng)調(diào)度效益的有效，對(duì)緩解我國(guó)能源短缺、推動(dòng)我國(guó)發(fā)展具有重要的意義和實(shí)用價(jià)值。隨著大規(guī)模水電基地的建成與投產(chǎn)，梯級(jí)系統(tǒng)日趨龐大、上下游的水力與電力日趨復(fù)雜，極大增加了建模求解難度，“如何進(jìn)一步發(fā)展行之有效的水電調(diào)度理論方法來(lái)實(shí)現(xiàn)水的高效配置”已成為當(dāng)前水電調(diào)度領(lǐng)域研究的熱點(diǎn)與難點(diǎn)問(wèn)題。為此，本文對(duì)梯級(jí)水庫(kù)群優(yōu)化調(diào)度問(wèn)題的求解展開(kāi)研究，主要內(nèi)容有：（1）提出了一種耦合兩重改進(jìn)策略的混合量

4、子粒子群算法。該算法通過(guò)在標(biāo)準(zhǔn)量子群算法的尋優(yōu)過(guò)程中創(chuàng)新性地嵌入極值變異、外部集合以及單純形搜索算子等策略，提高了種群中精英的引導(dǎo)能力以及豐富了種群的多樣性。（2）梯級(jí)水庫(kù)電優(yōu)化調(diào)度問(wèn)題，構(gòu)建了一個(gè)梯級(jí)水庫(kù)群總發(fā)電量最大的優(yōu)化調(diào)度模型，并用混合量子粒子群算法進(jìn)行求解。以烏江流域的 5 座水電站為實(shí)例，選擇不同的來(lái)水條件，對(duì)算法的應(yīng)用效果進(jìn)行驗(yàn)證，與不同算法的比較表明該算法在進(jìn)化過(guò)程中全局搜索能力強(qiáng)，能夠找到更優(yōu)的解。（3）梯級(jí)水庫(kù)群優(yōu)化調(diào)度問(wèn)題，首先，歸納了幾種常見(jiàn)的流量確定方法，并以烏江流域的梯級(jí)水庫(kù)群為例，采用不同的水文學(xué)方法推求了 3種不同的生態(tài)流量設(shè)計(jì)方案，其次，構(gòu)建了一個(gè)梯級(jí)水庫(kù)群總

5、缺水量最小的調(diào)度模型，最后，在不同流量設(shè)計(jì)方案下，采用混合量子粒子群算法對(duì)模型進(jìn)行求解并獲得了科學(xué)合理的調(diào)度結(jié)果，從而為求解梯級(jí)水庫(kù)群優(yōu)化調(diào)度提供了一種新的途徑。（4）梯級(jí)水庫(kù)電-多目標(biāo)優(yōu)化調(diào)度問(wèn)題，首先，構(gòu)建了梯級(jí)水庫(kù)群發(fā)電-多目標(biāo)調(diào)度優(yōu)化模型，采用二項(xiàng)分布賦權(quán)法設(shè)置權(quán)重向量集并采用多目標(biāo)模糊優(yōu)選的方法將多目標(biāo)問(wèn)題轉(zhuǎn)換為單目標(biāo)問(wèn)題，然后，利用混合量子粒子群算法對(duì)其進(jìn)行求解，通過(guò)多次求解，可以得到若干組不同權(quán)重下的非劣解，最后，分析了發(fā)電目標(biāo)與目標(biāo)之間的協(xié)同關(guān)系，得出了梯級(jí)水庫(kù)群調(diào)度適當(dāng)考慮需求目標(biāo)可以大幅度缺水的狀況而對(duì)發(fā)電效益帶來(lái)嚴(yán)重影響的結(jié)論，從而為梯級(jí)水庫(kù)群的調(diào)度工作提供一定的指導(dǎo)。：

6、梯級(jí)水庫(kù)群；優(yōu)化調(diào)度；混合量子粒子群算法；流量；多目標(biāo)模糊優(yōu)選I華技大 學(xué)AbstractOptimal scheduling of cascade reservoirs is an effective means to improve water use ef- ficiency and hydropower system dispatching efficiency, and it is of great significance and practical value for alleviating China's energy shortage and promoting Ch

7、ina's economic de- velopment. With the completion and commissioning of large-scale hydropower bases, the cascade systems are becoming increasingly large, and the upstream and downstream waterand power links are becoming more and more complex, which greatly increases the difficul-ty of ming and s

8、olving. "How to further develop effective hydropower dispatching the-ory and methods to achieve efficient allocation of water resources" has become a hot and difficult issue in the current research of hydropower dispatching.Thus, this paper studies the solution to the optimal scheduling pr

9、oblem of cascade reservoir, and the main contents are asfollows:(1) A hybrid quantum particle swarm optimization algorithm (HQPSO) with coupled two-fold improvement strategy is proposed. By innovatively increasing individual extremum variation, external archive set and simplex search operator in the

10、 optimization process of standard quantum partical swarm optimization algorithm, the proposed algorithm improvesthe guiding ability of elite individuals and enriches the diversity of the population.(2) For the problem of power generation optimal scheduling of cascade reservoirs, anoptimal scheduling

11、 mwith the largest total power generation of cascade reservoirs isconstructed and solved by the hybrid quantum particle swarm optimization algorithm. Tak- ing the five hydropower stations in the Wujiang River as an example, different typical years are selected to verify the application effect of the

12、 algorithm. The comparison with different algorithms shows that the inproved algorithm has strong global search ability in the evolu-tion process and can find better solutions.(3) For the problem of ecological optimal dispatching of cascade reservoirs, firstly, the common methods for determining eco

13、logical flow are summarized. Taking the cascade res- ervoirs in Wujiang River as an example, different hydrological methods are used to caculate three different ecological flow design schemes. Secondly, an ecological scheduling m with the smallest total water shortage of cascade reservoirs is constr

14、ucted. Finally, under thedifferent ecological flow design schemes, the hybrid quantum particle swarm optimizationII華技大學(xué)algorithm is used to solve the mand obtain scientific and reasonable scheduling results.At the same time, the effectiveness of the algorithm is further verified, which provides a ne

15、wway to solve the ecological optimal scheduling of cascade reservoirs.(4) For the problem of power generation-ecological multi-objective optimization sched-uling for cascade reservoirs, firstly, a power generation-ecological multi-objective schedul-ing optimization mfor cascade reservoirs is constru

16、cted. The weight distribution vectorset is set by binomial distribution weighting method , and multi-objective fuzzy optimization is adopted, which transforms the multi-objective problem into a single-objective problem. Then, it is solved by the hybrid quantum particle swarm optimization algorithm.

17、Through multiple solving, several non-inferior solutions with different weights can be obtained. Fi- nally, the power generation target and ecological target are analyzed. The synergy relation- ship between the two groups is that the decision of the cascade hydropower stations to properly consider t

18、he ecological demand target can greatly improve the ecological water shortage without seriously affecting the power generation efficiency, thus providing certainsupport for the cascade reservoirs dispatching .Key words: cascaded reservoirs; optimal scheduling; ecological flow; hybrid quantum parti-c

19、le swarm optimization; multi-objective fuzzy optimization.III華技大 學(xué)目錄摘 要IAbstractIII錄IV緒論1選題背景及意義1梯級(jí)水庫(kù)群優(yōu)化調(diào)度中的主要問(wèn)題2梯級(jí)水庫(kù)群調(diào)度方式研究現(xiàn)狀3本文研究?jī)?nèi)容及技術(shù)路線6混合量子粒子群算法9引言9混合量子粒子群算法9數(shù)值測(cè)試9本章小結(jié)21目11.11.21.31.422.12.22.32.333.13.23.33.43.544.14.24.34.44.55電調(diào)度23基于混合量子粒子群算法的梯級(jí)水庫(kù)引言23梯級(jí)水庫(kù)電調(diào)度模型23模型的求解25工程應(yīng)用26本章小結(jié)31調(diào)度33基于混合量子粒子

20、群算法的梯級(jí)水庫(kù)群引言33梯級(jí)水庫(kù)群調(diào)度模型33流量34工程應(yīng)用36本章小結(jié)43電-協(xié)同調(diào)度45基于混合量子粒子群算法的梯級(jí)水庫(kù)IV華技大學(xué)5.15.25.35.45.566.16.2引言45梯級(jí)水庫(kù)群多目標(biāo)調(diào)度模型45模型的求解46工程應(yīng)用48本章小結(jié)51總結(jié)與展望52總結(jié)52展望53致謝54參考文獻(xiàn)55附錄 1附錄 2與專利60攻讀學(xué)位期間與導(dǎo)師合作完成學(xué)位期間參與的科研項(xiàng)目61攻讀V華技大 學(xué)1緒論1.1選題背景及意義隨著我國(guó)的迅速發(fā)展，能源消耗不斷提升，導(dǎo)致能源短缺問(wèn)題日益突出，以煤、石油為代表的不可再生能源會(huì)造成破壞、環(huán)境、酸雨和“溫室效應(yīng)”等多方面的環(huán)境問(wèn)題。因此，我國(guó)在節(jié)約、提高

21、能源利用效率的同時(shí)，亟需大力開(kāi)發(fā)利用可再生能源，加快調(diào)整能源結(jié)構(gòu)的步伐，從而逐步降低石油等化石能源在能源利用結(jié)構(gòu)中的比重。水力發(fā)電作為一種技術(shù)成熟、成本較低且清潔環(huán)保的可再生能源而率先成為我國(guó)重點(diǎn)開(kāi)發(fā)的能源。我國(guó)江河分布范圍廣，河流落差巨大且徑流量大，蘊(yùn)藏著豐富的水力。據(jù)統(tǒng)計(jì)，我國(guó)水能理論蘊(yùn)藏量為 60829 億 kW，技術(shù)可開(kāi)發(fā)裝機(jī)容量 54164 萬(wàn) kW，居世界第一1。但我國(guó)水能開(kāi)發(fā)率僅為 34%左右，遠(yuǎn)遠(yuǎn)落后于發(fā)達(dá)水開(kāi)發(fā)利用的平均水平，所以我國(guó)的水電具有廣闊的發(fā)展前景2。成立以來(lái)，我國(guó)的水電建設(shè)取得了巨大成就：探索出“流域、梯級(jí)、滾動(dòng)、綜合”的流域梯級(jí)水電開(kāi)發(fā)模式，建設(shè)了以烏江、瀾滄江

22、、長(zhǎng)江上游、黃河上游、湘西為代表的 13 大水電基地，形成了南、中、北三大“西電東送”的通道，了西南富于水電外送的瓶頸等等3。隨著流域大規(guī)模巨型水電站的建成與投產(chǎn)，流域梯級(jí)水電站群已成為我國(guó)主要的水電系統(tǒng)。由于梯級(jí)水庫(kù)群之間存在著復(fù)雜的水文、水力及電力，且包含了水位、庫(kù)容、流量等約束條件，使得梯級(jí)水庫(kù)群的調(diào)度成為一個(gè)難以處理的問(wèn)題。在過(guò)去很長(zhǎng)一段時(shí)間內(nèi)，調(diào)度者們主要利用水電站的常規(guī)調(diào)度圖來(lái)指導(dǎo)梯級(jí)水庫(kù)群的調(diào)度工作，該方法具有簡(jiǎn)單、直觀、易于使用的優(yōu)點(diǎn)，但是無(wú)法根據(jù)當(dāng)前徑流和預(yù)報(bào)來(lái)水實(shí)時(shí)調(diào)整調(diào)度過(guò)程，導(dǎo)致調(diào)度效果不太理想，難以充分發(fā)揮水庫(kù)群的興利效益。與常規(guī)調(diào)度方法相比，梯級(jí)水庫(kù)群的優(yōu)化調(diào)度可以

23、充分利用入庫(kù)徑流預(yù)報(bào)信息來(lái)實(shí)現(xiàn)水庫(kù)綜合效益最大化，因此，梯級(jí)水庫(kù)群優(yōu)化調(diào)度成為現(xiàn)代水電調(diào)度領(lǐng)域的研究熱點(diǎn)之一。梯級(jí)水庫(kù)群的優(yōu)化調(diào)度是以運(yùn)籌學(xué)理論為基礎(chǔ)，借助計(jì)算機(jī)強(qiáng)大的運(yùn)算能力以及結(jié)合水文預(yù)報(bào)成果，在滿足約束條件的解空間中搜尋優(yōu)化調(diào)度方案4。從不同的條件出發(fā)，可以分為不同的類型，比如：根據(jù)調(diào)度時(shí)間的長(zhǎng)短可以分為中長(zhǎng)期優(yōu)化調(diào)度、短期優(yōu)化調(diào)度、實(shí)時(shí)優(yōu)化調(diào)度；根據(jù)優(yōu)化目標(biāo)的多少可以分為單目標(biāo)優(yōu)化調(diào)度和多目標(biāo)1華技大學(xué)優(yōu)化調(diào)度；根據(jù)優(yōu)化水庫(kù)的數(shù)量可以分為優(yōu)化調(diào)度和多庫(kù)優(yōu)化調(diào)度。無(wú)論根據(jù)什么標(biāo)準(zhǔn)分類，梯級(jí)水庫(kù)群優(yōu)化調(diào)度都是一個(gè)度、強(qiáng)約束、多階段、非線性的復(fù)雜耦合最優(yōu)問(wèn)題。做好梯級(jí)水庫(kù)群的優(yōu)化調(diào)度不僅能增

24、強(qiáng)流域水庫(kù)之間的豐枯期水文補(bǔ)償，減少無(wú)用棄水，提高水能利用率，從而增加水電發(fā)電量而降低火電發(fā)電量；又能保證電網(wǎng)的調(diào)峰、調(diào)頻、調(diào)相等，提高電網(wǎng)運(yùn)行的安全穩(wěn)定性。因此，加強(qiáng)梯級(jí)水庫(kù)群優(yōu)化調(diào)度的研究是實(shí)現(xiàn)水電系統(tǒng)調(diào)度效益最大化以及保障電力系統(tǒng)安全、穩(wěn)定、運(yùn)行的重要，也是我國(guó)實(shí)現(xiàn)節(jié)能減排目標(biāo)和治理霧霾的必由，對(duì)推動(dòng)我國(guó)發(fā)展、我國(guó)能源結(jié)構(gòu)具有重要的意義和實(shí)用價(jià)值。1.2梯級(jí)水庫(kù)群優(yōu)化調(diào)度中的主要問(wèn)題實(shí)施流域梯級(jí)水庫(kù)群優(yōu)化調(diào)度最關(guān)鍵的環(huán)節(jié)是優(yōu)化調(diào)度模型的建立及求解，其中主要包括了模型目標(biāo)的確定以及模型求解方法的選擇兩個(gè)方面。模型目標(biāo)的確定：對(duì)于調(diào)節(jié)能力較強(qiáng)的綜合利用型水庫(kù)，除了能創(chuàng)造巨大的效益外，還可以削

25、峰滯洪以減輕洪水對(duì)下游地區(qū)造成的危害，蓄豐補(bǔ)枯以保障生活、工業(yè)、農(nóng)業(yè)的基本用水，以及補(bǔ)給下游用水以維持河道健康等，具有重要的效益及效益。根據(jù)調(diào)度對(duì)象，水庫(kù)群調(diào)度的模型目標(biāo)可分為防洪、發(fā)電、生態(tài)等。防洪調(diào)度是通過(guò)合理調(diào)節(jié)水庫(kù)汛期攔蓄洪水的方式以降低水庫(kù)和下游地區(qū)的防洪風(fēng)險(xiǎn)；調(diào)度是合理調(diào)節(jié)水庫(kù)的下泄流量以實(shí)現(xiàn)河道缺水量最?。话l(fā)電調(diào)度是通過(guò)合理調(diào)節(jié)水庫(kù)的蓄泄過(guò)程和廠內(nèi)機(jī)組運(yùn)行方式以增加水電站的發(fā)電效益。因此，為了能充分發(fā)揮多功能水庫(kù)的綜合效益，選擇調(diào)度目標(biāo)以及協(xié)調(diào)目標(biāo)間的相對(duì)關(guān)系在優(yōu)化模型的建立中顯得十分重要。例如：文獻(xiàn)5三峽梯級(jí)汛期防洪、發(fā)電和航運(yùn)綜合運(yùn)用問(wèn)題，考慮不同目標(biāo)的優(yōu)先次序且基于汛期發(fā)電

26、和航運(yùn)調(diào)度必須服從防洪調(diào)度的規(guī)則，最終得到了理想的調(diào)度方案。文獻(xiàn)6瀾滄江中下游三座水庫(kù)為例，建立了考慮發(fā)電目標(biāo)和約束的梯級(jí)水庫(kù)調(diào)度模型，并定量分析了二者間的均衡關(guān)系。模型求解方法的選擇：隨著水庫(kù)群群規(guī)模日益壯大，問(wèn)題的復(fù)雜性與求解方法局限性之間的愈加突出7。傳統(tǒng)的優(yōu)化算法由于求解效率低、易陷入“維數(shù)災(zāi)”等不足而當(dāng)前科學(xué)研究和工程應(yīng)用的需要。例如：水電站長(zhǎng)期調(diào)度算法中的 DDDP算法，在電站維數(shù)大于 6 時(shí)，采用現(xiàn)有的計(jì)算機(jī)計(jì)算需要耗時(shí)約 1d 的時(shí)間，嚴(yán)重制約2華技大學(xué)了電網(wǎng)的安全穩(wěn)定運(yùn)行8。近年來(lái)，隨著計(jì)算機(jī)的迅猛發(fā)展，群智能優(yōu)化算法應(yīng)運(yùn)而生，因其具有求解速度快、適用性強(qiáng)以及全局尋優(yōu)能力強(qiáng)的

27、優(yōu)點(diǎn)，被廣泛應(yīng)用于梯級(jí)水庫(kù)群的優(yōu)化調(diào)度中，例如：文獻(xiàn)9利用協(xié)同差分進(jìn)化算法求解梯級(jí)水庫(kù)中長(zhǎng)期發(fā)電優(yōu)化調(diào)度問(wèn)題。文獻(xiàn)10提出多目標(biāo)混合蛙跳差分進(jìn)化算法求解梯級(jí)水庫(kù)多目標(biāo)調(diào)度模型。文獻(xiàn)11采用并行遺傳算法求解雅礱江梯級(jí)水庫(kù)群優(yōu)化調(diào)度問(wèn)題?？傮w而言，現(xiàn)代智能優(yōu)化算法在水電調(diào)度領(lǐng)域中應(yīng)用較多，但仍然存在結(jié)果不穩(wěn)定，陷入局部最優(yōu)的缺陷，因而，十分有必要進(jìn)一步研究科學(xué)高效的方法來(lái)求解梯級(jí)水庫(kù)群優(yōu)化調(diào)度問(wèn)題，使得水庫(kù)群的綜合效益最大化，這也是本文研究的重點(diǎn)內(nèi)容。1.3梯級(jí)水庫(kù)群調(diào)度方式研究現(xiàn)狀近年來(lái)，隨著我國(guó)特大流域梯級(jí)水庫(kù)群調(diào)度模式的形成，如何統(tǒng)籌上下有水量、水力的梯級(jí)水庫(kù)群調(diào)度，實(shí)現(xiàn)水的高效利用與合理分

28、配，成為水優(yōu)化配置中亟待解決的科學(xué)問(wèn)題和工程難題。本文選取梯級(jí)水庫(kù)群優(yōu)化調(diào)度中幾個(gè)熱門的問(wèn)題展開(kāi)論述。1.3.1梯級(jí)水庫(kù)電調(diào)度發(fā)電是大型水電站需要承擔(dān)的重要任務(wù)之一，合理利用水能，充分發(fā)揮水電站的發(fā)電效益，不僅是推動(dòng)我國(guó)快速發(fā)展的強(qiáng)大動(dòng)力，而且是調(diào)整我國(guó)能源結(jié)構(gòu)，實(shí)現(xiàn)節(jié)能減排目標(biāo)的有效。水庫(kù)電優(yōu)化調(diào)度按調(diào)度時(shí)間可分為實(shí)時(shí)發(fā)電優(yōu)化調(diào)度、短期發(fā)電調(diào)度以及中長(zhǎng)期發(fā)電調(diào)度。水庫(kù)群實(shí)時(shí)發(fā)電優(yōu)化調(diào)度是指在電力系統(tǒng)實(shí)際運(yùn)行的過(guò)程中，水電系統(tǒng)需要快速跟蹤電網(wǎng)負(fù)荷的實(shí)時(shí)變化，根據(jù)當(dāng)前水電站系統(tǒng)的運(yùn)行工況，不斷將更新的實(shí)時(shí)負(fù)荷指令在廠間進(jìn)行優(yōu)化分配，實(shí)現(xiàn)發(fā)電策略的滾動(dòng)修正，制定既滿足電網(wǎng)安全穩(wěn)定要求，又能實(shí)現(xiàn)梯級(jí)

29、電站效益最大化的出力方案12。目前，已有相關(guān)學(xué)者開(kāi)展關(guān)于水庫(kù)群實(shí)時(shí)發(fā)電調(diào)度方面的研究。例如：文獻(xiàn)13提出了隔河巖水電站機(jī)組自動(dòng)下的實(shí)時(shí)發(fā)電運(yùn)行策略，從時(shí)間和空間兩個(gè)方面建立了雙目標(biāo)實(shí)時(shí)負(fù)荷分配模型，并針對(duì)機(jī)組的運(yùn)行工況提出了不可調(diào)控區(qū)的判定及運(yùn)行調(diào)整方法，最終取得了較為滿意的結(jié)果。文獻(xiàn)14構(gòu)建了以發(fā)電量最大為目標(biāo)的徑流式水電廠實(shí)時(shí)優(yōu)化調(diào)度模型，采用離散動(dòng)態(tài)法逐步逼近尋優(yōu)計(jì)算，最終開(kāi)發(fā)出徑流式水電站實(shí)時(shí)優(yōu)化調(diào)度系統(tǒng)。3華技大學(xué)水庫(kù)群短期發(fā)電調(diào)度是通過(guò)滿足需求和約束條件來(lái)確定電站的出力變化過(guò)程，充分發(fā)揮水電的作用，使得水電系統(tǒng)的運(yùn)行效益最大，其研究的重要內(nèi)容包括水電站日發(fā)電計(jì)劃編制和水電站廠內(nèi)運(yùn)行

30、兩個(gè)方面。目前，已有很對(duì)學(xué)者不同流域水庫(kù)群短期發(fā)電調(diào)度開(kāi)展了的相關(guān)研究。文獻(xiàn)15題，分別從水電站空間分布特性、水電站間水流大規(guī)模水電站群短期調(diào)度問(wèn)特性以及水庫(kù)調(diào)節(jié)性能等 3 個(gè)方面對(duì)水電站群進(jìn)行分解，并通過(guò)并行計(jì)算來(lái)提高求解速度，長(zhǎng)江上游水電站群的短期發(fā)電調(diào)度的結(jié)果表明該方法能在較短時(shí)間內(nèi)計(jì)算出大規(guī)模水電站群的調(diào)度方案。文獻(xiàn)16提出了免疫蛙跳算法，并中。文獻(xiàn)17提出了雙向動(dòng)態(tài)應(yīng)用于應(yīng)用于金沙江中游梯級(jí)水電站短期發(fā)電調(diào)度并行計(jì)算方法，烏江流域水電站群應(yīng)用實(shí)例表明，該方法可以大幅度地縮減大規(guī)模流域梯級(jí)水電站電調(diào)度的時(shí)間。水庫(kù)群中長(zhǎng)期發(fā)電調(diào)度研究的是較長(zhǎng)時(shí)間內(nèi)水電站運(yùn)行的方式，受天然來(lái)水變化、電網(wǎng)負(fù)

31、荷波動(dòng)以及水電站的調(diào)節(jié)能力的影響顯著。已有不少關(guān)于這方面的研究。文獻(xiàn)18以烏江流域的七座水庫(kù)為例，構(gòu)建了以烏江梯級(jí)水電站電量最大和兼顧保證出力的發(fā)電量最大的兩種模型，并應(yīng)用 DPSA-POA 混合算法、分解協(xié)調(diào)算法和加速遺傳算法對(duì)兩個(gè)模型求解，獲得了理想的結(jié)果。文獻(xiàn)19以金沙江中游四級(jí)水電站為例，采用數(shù)據(jù)挖掘的決策樹(shù)算法提取梯級(jí)水庫(kù)群中長(zhǎng)期發(fā)電調(diào)度規(guī)則，其中主要選取了入庫(kù)流量、時(shí)段初水位和月平均出力 3 個(gè)特征屬性中挖掘梯級(jí)水庫(kù)群的月發(fā)電調(diào)度規(guī)則。數(shù)據(jù)集，通過(guò)決策樹(shù)算法從根據(jù)已有的成果來(lái)看，水庫(kù)電優(yōu)化調(diào)度常見(jiàn)的調(diào)度目標(biāo)有：發(fā)電量最大、發(fā)電效益最大、最小保證出力最大、耗水量最小、系統(tǒng)耗能最小等，

32、其研究思路描述如下：首先，結(jié)合已有的調(diào)度經(jīng)驗(yàn)，分析水庫(kù)群的調(diào)度目標(biāo)以及約束條件，并建立相應(yīng)的調(diào)度模型；然后，尋求合適的求解方法以及約束處理策略；最后，通過(guò)應(yīng)用于實(shí)際工程總結(jié)出合理有效的調(diào)度方案。1.3.2梯級(jí)水庫(kù)群調(diào)度水庫(kù)通過(guò)調(diào)度改變天然徑流的時(shí)空分布以實(shí)現(xiàn)防洪、發(fā)電、航運(yùn)等目標(biāo)，帶來(lái)巨大的效益和效益的同時(shí)，對(duì)河流系統(tǒng)的結(jié)構(gòu)和功能也產(chǎn)生了諸多不利的影響，如河流形態(tài)以及河床地貌演變規(guī)律的變化20，自然水文周期的人工化、生物多4華技大學(xué)樣性減少等。日益破壞的河流環(huán)境,嚴(yán)重阻礙了水、水環(huán)境的可持續(xù)發(fā)展，同時(shí)也成為制約人類生存和發(fā)展的瓶頸。基于此認(rèn)識(shí)，自上個(gè)世紀(jì) 80 年代以來(lái)，國(guó)外在這方面已開(kāi)展了大

33、量研究，以盡可能減少對(duì)工程主要調(diào)度目標(biāo)影響為前提，通過(guò)優(yōu)化水庫(kù)調(diào)度過(guò)程來(lái)滿足天然河道的生態(tài)流量需求，相應(yīng)研究成果應(yīng)用于美國(guó)田納西流域水庫(kù)群21,22、科羅拉多大峽谷以及澳大利亞墨累河流域23等。我國(guó)在本世紀(jì)初開(kāi)展該領(lǐng)域理論研究與實(shí)際應(yīng)用，雖起步較晚，但發(fā)展較快，近年來(lái)也取得了多項(xiàng)研究成果。文獻(xiàn)24基于黃河上游實(shí)測(cè)水沙序列，采用 IHA 指標(biāo)體系以及運(yùn)用多系列貢獻(xiàn)率分割法，揭示了梯級(jí)水庫(kù)群運(yùn)行對(duì)河流的影響。文獻(xiàn)25采用分解協(xié)調(diào)技術(shù)，構(gòu)建了保障流量的水庫(kù)水量水質(zhì)調(diào)度模型，并分析了不同河道流量下水質(zhì)指標(biāo)效果的優(yōu)劣。文獻(xiàn)26根據(jù)三峽水庫(kù)宜昌站的逐日流量資料，計(jì)算了宜昌站最小、最大以及適宜徑流的閾值，并

34、建立了三峽水庫(kù)調(diào)度模型。文獻(xiàn)27從維持河道的流量以及提高下游四大家魚(yú)和中華鱘產(chǎn)卵繁殖量的角度出發(fā)，確定了三峽水庫(kù)調(diào)度目標(biāo)?？傮w而言，研究梯級(jí)水庫(kù)群調(diào)度問(wèn)題，關(guān)鍵在于采用合適的計(jì)算方法確定生態(tài)流量標(biāo)準(zhǔn)，其目的是盡可能使天然水文過(guò)程的變化程度最小，從而更好地保護(hù)河流生物群落的多樣性以及維持河道系統(tǒng)的健康。常見(jiàn)的調(diào)度目標(biāo)有缺水量最小、水文變化度最小、保護(hù)度最大等。研究的思路大致如下：首先，根據(jù)歷史水文、觀測(cè)等資料，選擇合適的方法推求流量標(biāo)準(zhǔn)；然后，建立相應(yīng)的調(diào)度模型并尋求合適的求解方法以及約束處理策略；最后，根據(jù)調(diào)度結(jié)果以及實(shí)際應(yīng)用，總結(jié)出科學(xué)合理的調(diào)度方案。1.3.3梯級(jí)水庫(kù)電協(xié)同調(diào)度現(xiàn)行的梯級(jí)水

35、庫(kù)群調(diào)度理念多在于強(qiáng)調(diào)水利用帶來(lái)的效益和效益而忽略了水庫(kù)調(diào)節(jié)對(duì)天然徑流的改變所造成的流域環(huán)境的改變。因此，基于調(diào)度的梯級(jí)水庫(kù)群群多目標(biāo)優(yōu)化調(diào)度已成為當(dāng)前研究的重要課題，尤其對(duì)我國(guó)文明建設(shè)和確保河流系統(tǒng)健康具有重要意義。國(guó)內(nèi)已有不少關(guān)于水庫(kù)（群）調(diào)度的研究。文獻(xiàn)28以梯級(jí)水庫(kù)群年發(fā)電量最大為優(yōu)化目標(biāo)，同時(shí)增加流量約束條件，提出了以流量為基礎(chǔ)的水庫(kù)優(yōu)化調(diào)度模型。文獻(xiàn)29丹江口水庫(kù)的多個(gè)目標(biāo)，5華技大學(xué)根據(jù)目標(biāo)優(yōu)先級(jí)分配的權(quán)重的方法將多目標(biāo)轉(zhuǎn)換為單目標(biāo)問(wèn)題，并采用自適應(yīng)遺傳算法進(jìn)行求解。文獻(xiàn)30建立了兼顧、和環(huán)境效益的多目標(biāo)優(yōu)化運(yùn)行模型，并應(yīng)用約束法將多目標(biāo)模型轉(zhuǎn)換為單目標(biāo)模型，采用動(dòng)態(tài)方法進(jìn)行求解

36、，得到多目標(biāo)優(yōu)化模型的非劣解集。文獻(xiàn)31把水庫(kù)運(yùn)行產(chǎn)生的下泄流量與天然流量的偏差最小作為目標(biāo)，建立了以防洪、發(fā)電、為目標(biāo)的多目標(biāo)調(diào)度模型?；仡櫼延谢谡{(diào)度的梯級(jí)水庫(kù)群多目標(biāo)優(yōu)化調(diào)度的研究方法可以發(fā)現(xiàn)，常見(jiàn)的處理方式歸納起來(lái)有兩類：一類是通過(guò)某些方式將多目標(biāo)轉(zhuǎn)換為單一目標(biāo)，然后用單目標(biāo)優(yōu)化方法求解；另一類是多目標(biāo)智能優(yōu)化算法?？傊?，兩類多目標(biāo)方法在梯級(jí)水庫(kù)群調(diào)度領(lǐng)域應(yīng)用都較，且各有利弊。采用將多目標(biāo)轉(zhuǎn)換成單目標(biāo)進(jìn)行求解，這種方法操作簡(jiǎn)單且以發(fā)展成單目標(biāo)計(jì)算方法為基礎(chǔ)，但是，每次求解只能得到一組非劣解，想要得到多組非劣解，需要進(jìn)行多次求解，而且，這種方法易受決策者的影響，性較大；相比于多目標(biāo)轉(zhuǎn)換為

37、單目標(biāo)進(jìn)行求解而言，多目標(biāo)智能優(yōu)化算法可以通過(guò)一次求解便能得到分布均勻的多目標(biāo)非劣前沿，避免了多次求解運(yùn)算的繁雜，然而，為了得到分布均勻的非劣解，多目標(biāo)進(jìn)化算法通常需要設(shè)置一個(gè)較大的種群規(guī)模，這也意味著采用該方法計(jì)算會(huì)耗用的時(shí)間，不滿足實(shí)時(shí)性要求。因此，可以根據(jù)實(shí)際情況選擇合適的方法來(lái)求解梯級(jí)水庫(kù)群多目標(biāo)優(yōu)化調(diào)度問(wèn)題。1.4本文研究?jī)?nèi)容及技術(shù)路線梯級(jí)水庫(kù)群優(yōu)化調(diào)度是典型的非線性、度、強(qiáng)約束工程問(wèn)題，是我國(guó)能源結(jié)構(gòu)的重要舉措，也是我國(guó)水電調(diào)度領(lǐng)域研究的熱門課題。本文在閱讀國(guó)內(nèi)外相關(guān)文獻(xiàn)資料、系統(tǒng)了解該領(lǐng)域研究現(xiàn)狀的基礎(chǔ)上，對(duì)水庫(kù)群調(diào)度常見(jiàn)的幾種模型和優(yōu)化方法進(jìn)行了研究。主要介紹了混合量子粒子群算

38、法在梯級(jí)水庫(kù)群優(yōu)化調(diào)度中的應(yīng)用，并利用烏江流域的梯級(jí)水庫(kù)群進(jìn)行實(shí)例驗(yàn)證。全文內(nèi)容與章節(jié)安排如下：第 1 章緒論系統(tǒng)介紹了本文的研究背景及意義，對(duì)梯級(jí)水庫(kù)優(yōu)化調(diào)度的模型和方法的研究現(xiàn)狀進(jìn)行了闡述，并確定了的整體框架和研究?jī)?nèi)容。第 2 章混合量子粒子群算法6華技大學(xué)在標(biāo)準(zhǔn)量子粒子群算法的基礎(chǔ)上，通過(guò)引入極值變異、外部集合以及單純形搜索算子等改進(jìn)策略，提出了混合量子粒子群算法，以期增加種群的多樣性以及提高算法的全局搜索性能，并通過(guò) 12 個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)驗(yàn)證所提算法的性能。第 3 章基于混合量子粒子群算法的梯級(jí)水庫(kù)電調(diào)度首先，構(gòu)建了梯級(jí)水庫(kù)電調(diào)度模型，然后，利用混合量子粒子群算法對(duì)水庫(kù)電調(diào)度模型進(jìn)行求

39、解，并以烏江流域梯級(jí)水庫(kù)群為實(shí)例開(kāi)展研究，驗(yàn)證算法的有效性以及探求梯級(jí)水庫(kù)群最優(yōu)的發(fā)電調(diào)度過(guò)程。第 4 章基于混合量子粒子群算法的梯級(jí)水庫(kù)群調(diào)度本章首先介紹了幾種常見(jiàn)的流量計(jì)算方法，然后，以烏江流域梯級(jí)水庫(kù)群為實(shí)例，采用不同的水文學(xué)法推求了 3 種不同的流量設(shè)計(jì)方案，最后，構(gòu)建了梯級(jí)水庫(kù)群調(diào)度模型，并在 3 種不同流量標(biāo)準(zhǔn)下，用所提的混合量子粒子群算法對(duì)模型進(jìn)行求解以探求梯級(jí)水庫(kù)群最優(yōu)的調(diào)度過(guò)程。第 5 章基于混合量子粒子群算法的梯級(jí)水庫(kù)電-協(xié)同調(diào)度本章構(gòu)建了梯級(jí)水庫(kù)電-多目標(biāo)優(yōu)化調(diào)度模型，然后采用二項(xiàng)分布賦權(quán)法設(shè)置權(quán)重向量集以及采用多目標(biāo)模糊優(yōu)選的方法將多目標(biāo)問(wèn)題轉(zhuǎn)換為單目標(biāo)問(wèn)題，再利用混合

40、量子粒子群算法進(jìn)行求解，最后分析了發(fā)電與兩個(gè)目標(biāo)間的關(guān)系。第 6 章總結(jié)與展望總結(jié)了本文相關(guān)的研究?jī)?nèi)容與成果，分析了本文存在的不足并對(duì)下一階段的研究?jī)?nèi)容進(jìn)行展望。7華技大 學(xué)第2章 混合量子粒子群算法圖 1-1技術(shù)路線圖8第6章 總結(jié)與展望梯級(jí)水庫(kù)群優(yōu)化調(diào)度第5章梯級(jí)水庫(kù)電- 協(xié)同優(yōu)化調(diào)度構(gòu)建梯級(jí)水庫(kù) 電- 多目標(biāo)協(xié)同優(yōu)化調(diào)度模型采用多目標(biāo)模糊優(yōu)選方法將多目標(biāo)模型轉(zhuǎn)換為單目標(biāo)模型利用混合量子粒子群算法對(duì)多目標(biāo)模型進(jìn)行求解以烏江流域梯級(jí)水庫(kù)群為實(shí)例分析發(fā)電與間的關(guān)系第4章梯級(jí)水庫(kù)群優(yōu)化調(diào)度采用不同的水文學(xué)法推求了3種不同的流量設(shè)計(jì)方案構(gòu)建以水庫(kù)群總?cè)彼孔钚槟繕?biāo)的調(diào)度模型利用混合量子粒子群算法

41、對(duì)調(diào)度模型進(jìn)行求解以烏江流域梯級(jí)水庫(kù)群為實(shí)例探求調(diào)度過(guò)程第3章梯級(jí)水庫(kù)電優(yōu)化調(diào)度構(gòu)建以水庫(kù)群總發(fā)電量最大為目標(biāo)的發(fā)電調(diào)度模型采用串聯(lián)編碼策略以及用懲罰函數(shù)法處理約束破壞項(xiàng)利用混合量子粒子群算法對(duì)發(fā)電調(diào)度模型進(jìn)行求解以烏江流域梯級(jí)水庫(kù)群為實(shí)例探求發(fā)電調(diào)度過(guò)程通過(guò)12個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)對(duì)混合量子粒子群進(jìn)行算法測(cè)試單純形算子外部集極值變異量子粒子群算法第1章 緒論選題研究背景及意義，梯級(jí)水庫(kù)群優(yōu)化調(diào)度問(wèn)題、研究現(xiàn)狀華技大學(xué)2混合量子粒子群算法2.1引言對(duì)于非線性、度、強(qiáng)約束優(yōu)化問(wèn)題，現(xiàn)有的求解方法一般分為傳統(tǒng)優(yōu)化算法和群智能優(yōu)化算法兩大類，在實(shí)踐中取得了不同程度的。傳統(tǒng)的優(yōu)化算法以32、非線性33、動(dòng)態(tài)

42、34、逐步優(yōu)化算法35等為典型代表，但是，這線性些算法大都會(huì)存在求解效率較低、初始解依賴性大、“維數(shù)災(zāi)”等不足。近年來(lái)，隨著智能計(jì)算機(jī)技術(shù)的迅猛發(fā)展，群智能優(yōu)化算法已成為眾多學(xué)者深入研究的對(duì)象，這些群智能優(yōu)化算法因具有計(jì)算速度快、適用性強(qiáng)以及全局搜索性能好等優(yōu)點(diǎn)，被廣泛應(yīng)用于系統(tǒng)工程、自動(dòng)化、管理工程、計(jì)算機(jī)等諸多領(lǐng)域。量子粒子群算法（quantum particleswarm optimization, QPSO）作為群智能算法中的典型代表，具有搜索性能好、參數(shù)少、易編程實(shí)現(xiàn)等優(yōu)勢(shì)，已被應(yīng)用到國(guó)內(nèi)外諸多領(lǐng)域，國(guó)內(nèi)如：文獻(xiàn)36利用量子粒子群算法求解電力系統(tǒng)調(diào)度問(wèn)題；文獻(xiàn)37將量子粒子群算法應(yīng)用

43、于結(jié)構(gòu)參數(shù)的識(shí)別；文獻(xiàn)38采用量子粒子群算法調(diào)整模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的參數(shù)，并將其應(yīng)用于國(guó)原油價(jià)格工作。國(guó)外如：文獻(xiàn)39用量子粒子群算法校準(zhǔn)根區(qū)水質(zhì)模型際（RZWQM2）中的參數(shù)，與手動(dòng)嘗試和錯(cuò)誤校準(zhǔn)相比，提高了模型的效率和準(zhǔn)確性；文獻(xiàn)40將量子粒子群算法應(yīng)用于河流流量的 SVM 模型最優(yōu)參數(shù)的估算，提高了模型的精確性和可靠性。然而，在求解復(fù)雜約束問(wèn)題時(shí)，標(biāo)準(zhǔn) QPSO 算法仍然普遍存在易陷入局部最優(yōu)、結(jié)果不穩(wěn)定等問(wèn)題，因而十分有必要通過(guò)改進(jìn)來(lái)增強(qiáng)算法的性能。為此，本章在標(biāo)準(zhǔn) QPSO 算法尋優(yōu)過(guò)程中創(chuàng)新性地嵌入極值變異、外部檔案集合以及單純形搜索算子， 并在此基礎(chǔ)上提出了混合量子粒子群算法（ h

44、ybrid quantum particle swarm optimization, HQPSO），最后，通過(guò) 12 個(gè)標(biāo)準(zhǔn)標(biāo)準(zhǔn)測(cè)試函數(shù)對(duì)所提算法的性能進(jìn)行驗(yàn)證。2.2 混合量子粒子群算法2.2.1 標(biāo)準(zhǔn)量子粒子群算法Sun 等41在深入研究了群體進(jìn)化過(guò)程后，受量子力學(xué)的啟發(fā)，提出了一種具有全局搜索能力的量子粒子群算法。在 QPSO 算法中，粒子的速度和位置是無(wú)法同時(shí)精確測(cè)定的，需要采用波函數(shù)來(lái)描述粒子狀態(tài)，并通過(guò)求解方程得到粒子出現(xiàn)在決9華技大學(xué)策空間任意位置的概率密度函數(shù)，最后利用 Monte-Carlo 隨機(jī)模擬的方式獲得粒子在決策空間中的位置方程。在進(jìn)化過(guò)程中，粒子的聚散性受到最優(yōu)位置

45、中心某種吸引勢(shì)的，需要通過(guò)追蹤極值和全局極值來(lái)不斷更新位置，從而使得處于狀態(tài)的粒子能夠以一定的概率出現(xiàn)在搜索空間的任意位置，在很大程度上提高了種群的全局搜索能力。不失一般性，假定優(yōu)化目標(biāo)為越，則粒子位置更新：ì1k +1+ b | mbest k - X k | ´ln( )uif (v ³ 0.5)BïikiX=k +1íïî(2-1)i1- bk | mbest - X | ´ln(u )k +1if (v < 0.5)BkkïiiBk+1 = r ´ PBk + (1- r ) &#

46、180; GBk(2-2)i1i1b = 1 (b - b )(k - k) + b(2-3)kseek1mm1 (mmmååi,1åi,Dmbest k =PBk =PBk ,PBk )(2-4)ii=1i=1i=1GBk = arg maxPBk (2-5)i1£i£m PBk = arg max(PBk -1, X k )(2-6)iii式(2-1)(2-6)中： m 為種群規(guī)模； D 為粒子維度； k 為迭代次數(shù)； k 為最大迭代次數(shù)，k = 1, 2,kk, k；為粒子 在第k 代的位置；Xik為種群在第k 代的最優(yōu)位置；PBGBii

47、k +1為粒子 在第k 代的歷史最優(yōu)位置；ik為種群在第 k 代的最優(yōu)位置中心；為種Bmbesti()k +1kv,u, rPBki為在0,1區(qū)間內(nèi)均勻分布的隨群在第代介于和GB之間粒子 的位置；i1機(jī)數(shù)； bk 為第k 次迭代時(shí)的收縮擴(kuò)張系數(shù)； bs , be 分別表示壓縮因子的初始值和終止值，通常取 bs =1.0， be =0.5。2.2.2Nelder-Mead（NM）單純形算法Nelder 和 Mead 在 Spendley 等人研究的基礎(chǔ)上設(shè)計(jì)出了新的單純形搜索方法42， 該方法不需要目標(biāo)函數(shù)的導(dǎo)數(shù)信息，是一種求解非線性、無(wú)約束問(wèn)題的局部?jī)?yōu)化算法， 具有編程簡(jiǎn)單，收斂速度快的優(yōu)點(diǎn)。

48、當(dāng)求解具有 D 個(gè)變量的最小化優(yōu)化問(wèn)題時(shí)，NM方法首先通過(guò)比較( D+1) 個(gè)頂點(diǎn)的目標(biāo)函數(shù)值，分別求得目標(biāo)函數(shù)值最小、次大以及最10華技大學(xué)大對(duì)應(yīng)的頂點(diǎn)，然后利用反射、擴(kuò)張、收縮、壓縮等操作在搜索空間內(nèi)尋找更優(yōu)的點(diǎn)，并用這個(gè)新的點(diǎn)代替目標(biāo)函數(shù)值最大對(duì)應(yīng)的頂點(diǎn)，直至單純形收斂到函數(shù)最小值附近才停止。NM 單純形法的主要步驟如下：1)初始化。對(duì)含有D個(gè)變量的無(wú)約束函數(shù)最小化問(wèn)題，D 是D的( D+1) 個(gè)點(diǎn)并初始的“單純形”。反射。首先計(jì)算單純形各個(gè)頂點(diǎn)的目標(biāo)函數(shù)值，并記 Xi 處的函數(shù)值為f ( Xi ) ，再2)根 f ( Xi ) 分別確定目標(biāo)函數(shù)值最小的頂點(diǎn) Xlow 、最大的頂點(diǎn) Xh

49、igh 以及次大的頂點(diǎn)X sec ；然后計(jì)算除去頂點(diǎn) Xhigh 后的單純形的形心 X center ，最后計(jì)算 Xhigh 的反射點(diǎn)Xr ，計(jì)算公式如下:center - X high )為 反 射 系 數(shù) ( a > 0 ) ， Nelder 和 Mead 建 議 設(shè)(2-7)置 a =1 ，如果 a其中 = Xr 并進(jìn)入下一輪迭代。sec ) ，則 Xhighf (f ( Xr ) <f ( Xlow ) ，則對(duì)反射點(diǎn)進(jìn)3)擴(kuò)張。如果反射操作產(chǎn)生了新的最小函數(shù)值，即行擴(kuò)張操作，公式表示如下：r - Xcenter )其中 b 為擴(kuò)張系數(shù)( b > 1)，Nelder和M

50、ead建議設(shè)置 b =2 ，如果 f ( Xe ) £(2-8)f ( Xlow ) ，= Xe ；否則擴(kuò)張操作失敗，即f (Xe ) >則 Xhighf (Xlow ) ，此時(shí)用 X r 代替 X high ，返回步驟 2)進(jìn)行下一輪迭代。f ( Xr ) £收縮。當(dāng) f ( Xr ) > f ( Xsec ) 且f ( Xhigh ) 時(shí)，用 X r 代替 X high 并嘗試進(jìn)行收縮4)f ( Xr ) >f ( Xhigh ) ，則不使用 X r 代替 X high 而直接進(jìn)行收縮操。收縮頂點(diǎn)操作，如果的計(jì)算公式如下：high - X center

51、 )其中g(shù) 是收縮系數(shù)( 0 < g < 1)，Nelder和Mead建議設(shè)置g =0.5 .如果(2-9)f ( Xc ) £ f ( Xhigh ) ，= Xc ，然后返回步驟 2)進(jìn)行下一輪迭代。則 Xhighf ( Xc ) >f ( Xhigh ) ，則收縮操作失敗。此時(shí)將進(jìn)行壓縮操5)壓縮。在第4)，如果11華技大學(xué)作。對(duì)單純形中除 Xlow 以外的每個(gè)頂點(diǎn)進(jìn)行如下的壓縮：low）(2-10)其中d 是壓縮系數(shù)( 0 < d < 1)，Nelder和Mead建議設(shè)置d =0.5 ，重新計(jì)算除 Xlow 以外2)進(jìn)行下一輪迭代。X2的每個(gè)頂點(diǎn)的

52、目標(biāo)函數(shù)值，返回步驟X2X2X2X2X2XeXXrXrXrXc X rX3X3X3XXX333cX1X1(b)X1(c)X1(d)X1(e)X1(f)(a)圖 2-1Nelder-Mead 單純形法的主要操作：(a)初始單純形；（b）反射操作；（c）擴(kuò)張操作；f ( Xr ) £f ( Xhigh ) ）；（e）收縮操作（ f ( Xr ) >f ( Xhigh ) ）；（d）收縮操作（f）壓縮操作2.2.3混合量子粒子群算法標(biāo)準(zhǔn)QPSO算法具有編程容易、收斂性能好，參數(shù)少等諸多優(yōu)點(diǎn)。但在實(shí)際應(yīng)用過(guò)程中，我們發(fā)現(xiàn)隨著種群規(guī)模的擴(kuò)大，求解效率會(huì)大幅度降低，同時(shí)算法的隨機(jī)性使其尋優(yōu)的精度不高，后期搜索效率低、容易陷入局部最優(yōu)，這說(shuō)明QPSO算法有很大的改進(jìn)空間。NM方法具有很強(qiáng)的局部尋優(yōu)能力，能夠在很大程度上提高算法的局部搜索能力?；诖耍菊绿岢隽艘环N耦合兩重改進(jìn)策略優(yōu)勢(shì)的混合量子粒子群算法：首先對(duì)極值按照一定的概率進(jìn)行變異搜索操作，以增加多樣性、強(qiáng)化種群全局開(kāi)采能力；而后建立外部集合來(lái)進(jìn)化過(guò)程中的部分精英，利用基于動(dòng)態(tài)概率辨識(shí)機(jī)制的單純形算子指導(dǎo)外部集中的開(kāi)展鄰域?qū)?yōu)，以提高算法搜索能力、避免陷入局部最優(yōu)。具體策略描述如下：（1）極值變異極值增強(qiáng)多樣性一般情況下，較好的極值可以科學(xué)地引導(dǎo)粒子飛行的方