一种智能优化水资源配置方法与流程

本发明属于信息技术领域，特别涉及一种基智能优化水资源配置方法。

背景技术：

水资源作为准公共物品具有稀缺性和排他性等特点，随着社会经济的发展，有限的水资源很难满足不断增长的需求，不少地区出现了水资源短缺的局面，如果不能进行科学有效的进行水资源配置，不仅会严重制约地区社会经济的发展，还可能会造成冲突事件的发生，因此水资源的合理配置显得尤为重要，水资源系统作为一个复杂巨系统，在实施的有效资源配置中需要多学科、多主体的共同参与水资源配置通常被认为是一种空间上的分配或安置，后来又扩展到时间上的配置以及不同行业用水的配置，近来又发展到时间上的配置以及不同行业用水的配置，针对以水量分配为主要目标的水资源系统，对各种水资源配置决策属性进行合理分析和联合运用，以追求系统整体的可持续利用为目标的决策模型，而水资源优化配置实质上是协调水资源系统中经济环境和社会子系统之间的关系，保持系统之间的动态平衡，促使水资源系统朝着有序稳定的演变、实现系统和谐、健康发展。

针对水资源配置的决策问题，国内外很多学者从不同的角度进行了探讨研究，传统的决策技术分别用层次分析法、人工神经网络、物元模型等数学规划模型的决策方法，即对数据结果或分布特征先做某种假定，按照一定准则建立显示评价函数，对建立的评价函数模型进行实证的数据分析方法，黄键等针对传统静态群决策不能反应决策对象的动态变化的不足，提出了基于AHP的模糊动态群决策算法，Huang针对水资源优化配置问题运用切比雪夫算法对水资源配置做到了系统分析，并提出了多层动态的群决策模型，并通过群成员之间的多阶段的交互和启发，产生了满足群体期望要求的群体满意解，从二元语义的角度探讨了决策专家权重以及对于多阶段权重不同阶段间专家权重的设定对群决策结果的影响。

但是当前水资源配置仍很难突破单纯使用优化模型或模拟模型的思路，因水资源系统的复杂性，使用水资源系统的复杂性，使用优化方法因数学模型的局限性不能很好的描述水字眼配置状态，而采用模型又不能模拟整个复杂的系统，并且无法控制众多的参数和条件，并且水资源配置通常是多目标的，并受众多不确定因素的影响，有时目标会相互冲突，最优解往往不存在或难以到达，大量半结构化非结构化问题需要决策者判断和抉择，决策者的偏好会影响水资源配置格局，无法避免决策者的偏好、经验不足等因素对方案比选时的影响，不能达到真正合理配置的目的，而且与水信息学为代表的其他学科研究工具的结合不够，仍然停留在基于模糊集、人工神经网络、遗传算法的模式识别上，离区域水资源智能配置还有较远的距离。

技术实现要素：

发明目的：针对现有技术中存在的问题，本发明提供一种智能优化水资源配置方法，该方法克服了传统的水资源的缺点，将传统的决策问题与神经网络以及遗传算法相结合，提高了整个配置过程中的科学性和效率，并且考虑到了水资源配置存在大量不确定性和模糊性，开创性的将灰色模糊分层模型运用到其中，从而使水资源配置更加合理和高效。

技术方案：为解决上述技术问题，本发明提供一种水资源配置方法，具体步骤如下：

步骤一：收集数据，内容为总人口数、总用水量、河道外生态用水量、人均用水量、上一级区域平均人均用水量、GDP、灌溉粮食增加总产量、灌溉用水量、田间用水量、取水口取水量、当地水资源总用水量和地下水可开采量；

步骤二：对上面的数据使用进行预处理，具体为：将每一类的数据在不同子区域的最大值与最小值求出，然后将每一个区域的属性(如取水口取水量)使用以下公式，归一化到0—1区间，y即为子区域归一化后的值；

步骤三：使用灰色模糊分层模型得出在原始输入条件得到的各地区评分，具体为：将步骤二中所归一化的各变量使用分层模型，依据变量之间的重要度差异，得出关于这一系列变量的权值W，具体步骤如下：依据如下表格设立各个变量的重要程度，并使变量一一对应，如此便得到了一系列变量的权值W。

步骤四：使用模糊综合评价法对缺水率、人均用水量、河道外人均生态用水量、用水均衡率、单方水GDP、单方水粮食产量、灌溉水利用系数、河道内生态用水比例、最小生态环境用水保障程度、水资源开发利用率、地表水用水比例、缺水均衡率、地下水利用系数和用水结果系数，使用上述11个指标进行综合评价得到隶属度矩阵L，具体计算步骤如下：根据评价指标表，(下表是部分评价指标标准表)，再按照隶属度函数，便可得到隶属度矩阵。

隶属度函数如下：其中u_i1表示属性的隶属度函数值，x表示该指标的特征值，l_j表示该指标评价等级的第j级标准值。

再使用步骤三中得到权值w与L相乘得到模糊综合评价结果b；

步骤五：将模型综合评价b与地区的环境条件：缺水量、人均用水量、地区粮食产量、地区水资源总量、地下水可开采量、农业灌溉耗水量、城镇人口、农村人口、灌溉面积、内塘养殖面积和林果灌溉，作为径向基神经网络的输入条件，输出条件为各地区的分配水量，训练网络，训练网络具体为：使用matlab的神经网络工具箱，再使用径向基网络函数newrb()，输入条件和输出条件便是步骤五中所示的各环境因素，迭代次数设为1000次，精度设为0.0001，神经元起始数量设为100，之后依次增加10；

步骤六：以预测年份的各环境条件，其中环境条件为上述步骤五所述，以及对各地区的预计分配结果b2做为步骤五中已经训练好的径向基神经网络的输出，得出初始的分配结果；

步骤七：将步骤六中得到的初始分配结果使用模糊综合评价法，得出综合评价结果b2，将b2与往年的综合评价结果做对比，若好于之前结果，则得出了分配方案，若不符合，则使用模拟退火遗传算法对b2进行微调，微调后的结果当作径向基网络的输入，得出新的分配方案；

步骤八：将分配方案使用步骤七循环执行，直至退出。

与现有技术相比，本发明的优点在于：

与现有的技术相比，本发明所提供的一种基于基于改进模拟退火遗传算法与灰色模糊相结合的水资源配置模型，通过引入了灰色模糊分层模型，大大抑制了水资源决策过程存在的模糊性与不确定性，并将其与径向基神经网络相结合，考虑到训练过程中的误差，并防止寻找过程中陷入了局部最小值，又增加了改进的蚁群遗传算法为其做修正，克服了传统水资源决策过程中的低效率性以及不实用性，将智能算法与灰色模糊分层模型相结合，并使用改进后的蚁群遗传算法做修正，真正达到了水资源的智能配置。

附图说明

图1为本发明的总体流程图；

图2为图1中改进的模拟退火算法的具体流程图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

图1为本发明所使用的系统框架图，步骤如下：

步骤101：充分利用了神经网络不需要考虑中间的细节，直接将输入与输出联系在一起的特定，使用了径向基神经网络，让环境经济生态等初始条件与水资源最后的分配结果相联系，初始的预案库中是灰色模糊分层模型预先生成的。

步骤102：使用径向基神经网络所训练出来的初步方案，在放入到灰色模糊分层模型中，对配置结果进行检验，若符合条件，则生成结果，若不符合，则到步骤103，不符合的训练结果可以放入预案库，以供神经网络继续迭代训练，精益求精。

步骤103：充分考虑了传统遗传算法易陷入了局部最优的特定，使用了改进的蚁群遗传算法对刚刚生成的初步方案进行微调，具体细节见图2说明。

如图2所示：为本发明在优化过程中所使用的改进的蚁群遗传算法流程图，步骤如下：

步骤201：采用邻近算法生成初始种群；

步骤202：计算适应值，保存当前最优染色体T_max；

步骤203：判断T_max是否满足结束条件；Yes则退出程序，No则计算迭代次数；

步骤204；判断是否进行模拟退火操作，yes则跳转到步骤209，NO则进行下一步。

步骤205；对染色体进行交叉操作；

步骤206；计算适应值，保存最优染色体T_max；

步骤207；选择染色体，并产生新群体；

步骤208；对T进行变异操作；

步骤209：给定初始温度T₀，T_max赋给初始解X₀，设定最优解记忆起min＝X₀,定义最大无更优解产生次数count及提前终止条件；

步骤210：对其进行判断，看是否满足改良条件；

步骤211：生成新解，并对新解进行评价，接受新解.

步骤212：若满足终止条件，保存最优解，退出，否则，跳转到步骤210.

本发明建立了经济、社会、生态综合效益最有的水资源优化配置模型，考虑到了在水资源分配过程中的多目标性，并且易受众多不确定因素的影响，将多目标优化与智慧算法相结合，考虑到了传统反向传播网络易陷入局部最优化，考虑到水资源配置中存在着大量的灰色性和模糊性，而灰色模型具有将无规律的原始数据生成较有规律的数列的能力，考虑到径向基神经网络是一种性能优良的神经网络，且具有全局的逼近能力，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快，大大的提高了训练效率。

基于改进模拟退火遗传算法与灰色模糊相结合的水资源配置模型，具体过程如下：建立了经济、社会、生态综合效益最大化的水资源优化配置模型，首先通过径向基神经网络对已有配置方案以及生态环境相关系数的输入建立联系，训练出预分配方案，再通过灰色模糊分层模型自动筛选出较优方案，并且此方案可用于径向基神经网络的迭代训练，将得出方案进行约束条件检验，若不符合要求，则进行下一步自动干预，使用改进的模拟退火遗传算法对分配方案进行调整，若符合要求，则得出最终得分配方案，本发明能够更加准确对水资源进行合理配置，并能够对之前的分配结果进行迭代优化，大大的加强了整个水资源分配过程的科学性与合理性。

以上所述仅为本发明的实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所作的等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。