一种智能优化水资源配置方法与流程

技术特征：

1.一种智能优化水资源配置方法，其特征在于，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；

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；

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。

2.根据权利要求1所述的一种智能优化水资源配置方法，其特征在于，所述步骤七中改进的模拟退火算法为改进蚁群遗传算法。

3.根据权利要求1所述的一种智能优化水资源配置方法，其特征在于，所述步骤七中改进蚁群遗传算法的具体步骤如下：

步骤7.1：采用邻近算法对群体进行初始化形成初始种群；

步骤7.2：计算适应值，保存当前最优染色体T_max；

步骤7.3：对最优染色体T_max进行评价，判断T_max是否满足结束条件，如果满足结束条件则计算结束，如果不满足结束条件则统计迭代次数；

步骤7.4：判断是否需要进行模拟退火操作，如果不需要则将T_max与T进行交叉操作，如果需要则进入步骤7.7；

步骤7.5：计算适应值，并保持最优染色体T_max；对最有染色体T_max进行判断是否变异，如果变异则对T进行变异操作，如果没有变异则选择染色体并产生新群体；

步骤7.6：将产生的新群体以及对T进行变异操作后的结果统一计算其适应症并保存T_max；然后将新的T_max重新进入步骤7.3中进行操作；

步骤7.7：设置系数，给定初始温度给定初始温度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7.8：对步骤7.7中的数值进行判断是否满足改良条件，如果满足改良条件则进行改良，如果不满足改良条件则生成解；

步骤7.9：对步骤7.8中生成的解以及改良后的数值判断是否接受新解，如果判断结果为接受则对新解进行接受，如果判断结果为不接受，则一定概率的接受新解；

步骤7.10：对接受后的新解进行判断是否满足结束条件，如果满足结束条件，则保存最优解并结束计算，如果不满足结束条件，则判断最大无更优解产生次数count，然后计算适应值并保持T_max，对T_i+1进行检验并重新进入步骤7.8判断是否满足改良条件。