本发明涉及排水管网调度的领域。
背景技术：
本发明方法涉及到改进粒子群算法设计，从排水管网中建立相应模型，应用改进粒子群算法选择当前环境下最佳的排水路线的方法及过程。
与本发明最相近的方法魏洪宇等人《基于改进粒子群算法的城市给水管网优化设计》针对给水管网的设计，提出了一种基于改进粒子群算法的给水管网优化设计方法。
技术实现要素：
目前市政排水管网的调度都是通过人工参与计算的方式来得出最优的排水路线，这样的方式在效率和准确性上会很大的缺陷。这种方法存在的最大问题是人工手动参与计算，因为人工手动参与计算在数据量庞大的情况下极易出现差错，同时手工计算的误差也会很大，误差的不断累积最终结果也会出现差错，这样就很难得出最优的排水线路。针对这个问题，本发明针对排水管网的排水管道最优路径选择的问题，首先从排水管网已建成的情况下，根据已有管网的分布、实时积水状况和泵站排水效能等参数，动态地构建管网运行模型。根据雨量及分布情况，预先设计合适的排水策略，然后在排水管网模型的基础上，结合gis系统提供的坐标位置等信息和排水管网scada提供的管道水情况的实时数据，略去水力特征，仅考虑节点和管道之间的关联关系，将图简化为一个加权的有向图，再根据构建管道时的影响参数计算出从一个顶点到另一个顶点的耗费值，作为图中元素之间边的权，以此构造出的加权有向图来表示排水管网的耗能模型，再采用改进的粒子群算法求取最节能的排水路径，该算法在常规粒子群算法的基础上，增加惩罚函数，针对常规粒子群算法早熟以及多样性丢失问题，采用当前种群与其它种群交换一定量的粒子的方法，来解决早熟和多样性丢失问题，并完善了算法终止策略，一方面设定最大的迭代次数为算法的终止进程，一方面根据群体的收敛情况为终止进程，设置优化目标以及目标解的结构，获得快速的求解，得出当前情景下的最优结果，解决了已有管网的最优排水调度问题。
附图说明
图1求解最优排水路线的方法流程图。
具体实施方式
具体实施方式如图1所示，建立管网模型：首先根据雨量及分布情况，预先选定区域排水方向，然后在选定的区域上，通过地理信息系统(gis)导出的后缀为shp,shx,dbf文件将地理位置坐标信息读取出来绘画出简单模型，然后建立对应的无向图模型，同时结合从实际系统中去掉一些比较次要的设施，把排水管网中的某些局部简化后，保持其功能，且各元素之间的关系不变，用宏观等效的原则，略去其构造水力特征，仅仅考虑节点和管段之间的关联关系，构建出管网图模型。简化后的管网图可表示为一个加权的有向图模型，可用g(v,e)表示，其中v为管道节点集合，即v＝{v1,v2,…,vn}，e为边集合，即e＝{e1,e2,…,em}，wij为存在的边eij的权值(即管道的输送水的耗费)，p(i,k)为点i到k的一条路径(k∈v)。从理论上分析，管网的最优拓扑结构应该是树状结构，那么管网的图模型的最后优化结果也应该是树状结构。若管道的起始点和终点给定，给定n个管点及两两管点之间管段的花费，求一条经过各个管点且仅一次的总耗费。则管网图优化即为找到一棵有向树，使得对v中的各节点i，p(i,t)满足图g中从i到t的权值最小。该有向树t即管网优化调度方案。对于管网图的优化，只需估算管网的总耗费，可以采用的目标函数如式(1)所示：
式(1)中：
wl为树状管网总耗费；li,j为第i管点到第j管点之间的是否连通；v为管网连接图的边的集合。
针对上述的耗费，是由排水管网管道中多个参数的互相关联约束计算出的花费，具体约束参数有管道流速，管道坡度，管道充满度，管长等。具体约束参数说明如下：
(1)管道坡度&管道流速：我国室外给排水设计规范规定各种管径的最小设计坡度。由于管道的坡度影响管道的流速，如果坡度不同，流速也不同，当需要增大流速时，就要通过增设泵机等外设在当前坡度下来增加速度，每当使用外围设备时，耗费也会相应的增加，所以这也是参与计算影响的参数之一。对于流速又受后面泵站的处理速度约束。流速有最小最大限制即：
vmin≤v≤vmax
(2)管道长度：不同的节点之间的管道长度从实际工程中也是不同的。管道的长度对于使用外设来提升管道流速时的耗费也是关键因素之一，不同的管道坡度引起管道不同流速，管道的不同流速要达到约束条件的最小值时，在单位管道长度的耗费就不同，所以管道的长度也是计算此管道耗费的关键参数。
(3)管道充满度：管道充满度和管道流速以及根据管道的其他参数可以计算出管道的流量，由于节点泵站的蓄水池有一定的限制大小，所以管道充满度在这多个参数中互相约束。此参数也是计算管道耗费的影响参数之一。
改进粒子群算法设计：将粒子群中的每个微粒视为简化后管网无向图模型连接图的一个随机生成，为了辨别这个随机生成树，采用二进制编码方式。对管网简化后生成的模型图g(v，e)中的所有待选边进行二进制编码，即取值为0或1，则用长度为m(边的个数)的二进制字符串即可表示图g的子图。当字符串上某位上的字符值为1时，表示它所对应的边是构成子图的边，当字符值为0时，表示它所对应的边不是构成子图的边。这个m位的二进制串称为管网布局优化问题的一个解。由于树状管网有n-1条边且具有连通性，若生成的树有小于或大于n-1个字符值为1的个体必定不是树状管网。因此，为了避免在进化过程中产生不可行方案，必须控制所产生的每个个体只有n-1个字符值为1，使其满足可行解的必要条件。然后才能检验其连通性，判断是否为生成树。改进粒子群算法求解排水管网最优排水路线的算法如下：
step1：初始化微粒群。即给定群体规模m，给群体中的每个微粒赋一个随机的序列，设定粒子群算法参数ω、c1、c2的初值，随机取每个粒子的位置向量p和速度v，并将每个微粒的最好位置的适应值设置为∞，其中初始化p＝1-2*rand()；v＝1-2*rand()-p/2；其中rand()是随机函数；
step2：按照式(1)分别评价每个粒子的适应度；
step3：惩罚不符合约束条件的微粒，重置此微粒的适应度为0。由于c1，c2参数的随机性，一定会出现产生的新位置不符合已建成管网管道设计时的约束条件，因此我们对不符合约束条件的新位置设置其惩罚适应度为0，以保证微粒群体向最优位置不断定向飞行；
step4：对每个微粒按公式(2)获得更新速度v和位置x，并对各粒子的新速度进行限幅处理：
vid(t+1)＝ω×vid(t)+(δ-xid(t))×β+c2×φ2×(pgd-xid(t))
tri＝xi(t)+vi(t+1)(2)
式(2)中xid是个体i的位串位置d的当前状态；t是当前的时间步；vid(t)代表个体做一个选择的倾向；pgd是领域的最好状态；δ表示对于每一个粒子i，随机选取两个不同于i且三者不相同的粒子，这随机选取的两粒子之间的差异用δ来表示；β是[0,1]上的随机数；ω为惯性权值；c2为随机因素，目的为了增加微粒位置多样性；tri表示粒子i的下一次位置；φ2为限幅的随机数，取值在[0,1]范围上。
step5：如果种群满足交换条件，进行粒子交换操作(按适应度排序，随机选择种群交换粒子)；
step6：当重新初始化条件满足时，根据适应度在定义域上重新初始化一定数量的较种群；
step7：更新各种群最佳粒子位置，即将每个微粒的适应度与其经历过的最好位置pbest的适应度进行比较，如果优于pbest的适应度，则将该粒子的位置作为当前的最好位置pbest；对每个微粒，将其适应值与群体所经历过的最好位置gbest的适应度值进行比较，如果优于gbest的适应度，将其粒子位置作为群体最优位置，并重新设置gbest的索引号；
step8：如未达到终止条件，则返回step2，直到满足终止条件为止。其中一方面指定的最大迭代次数作为微粒群算法的终止进程；另一方面，根据进化过程中群体的收敛情况终止进程，若在进化过程中群体平均适应度持续50代保持不变，可以认为微粒群算法收敛，即可跳出循环，终止进化过程，缩短算法运行时间，提高效率。
step9：输出结果值。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。