本發(fā)明涉及排水管網(wǎng)調(diào)度的領(lǐng)域。

背景技術(shù)：

本發(fā)明方法涉及到改進粒子群算法設(shè)計，從排水管網(wǎng)中建立相應(yīng)模型，應(yīng)用改進粒子群算法選擇當(dāng)前環(huán)境下最佳的排水路線的方法及過程。

與本發(fā)明最相近的方法魏洪宇等人《基于改進粒子群算法的城市給水管網(wǎng)優(yōu)化設(shè)計》針對給水管網(wǎng)的設(shè)計，提出了一種基于改進粒子群算法的給水管網(wǎng)優(yōu)化設(shè)計方法。

技術(shù)實現(xiàn)要素：

目前市政排水管網(wǎng)的調(diào)度都是通過人工參與計算的方式來得出最優(yōu)的排水路線，這樣的方式在效率和準(zhǔn)確性上會很大的缺陷。這種方法存在的最大問題是人工手動參與計算，因為人工手動參與計算在數(shù)據(jù)量龐大的情況下極易出現(xiàn)差錯，同時手工計算的誤差也會很大，誤差的不斷累積最終結(jié)果也會出現(xiàn)差錯，這樣就很難得出最優(yōu)的排水線路。針對這個問題，本發(fā)明針對排水管網(wǎng)的排水管道最優(yōu)路徑選擇的問題，首先從排水管網(wǎng)已建成的情況下，根據(jù)已有管網(wǎng)的分布、實時積水狀況和泵站排水效能等參數(shù)，動態(tài)地構(gòu)建管網(wǎng)運行模型。根據(jù)雨量及分布情況，預(yù)先設(shè)計合適的排水策略，然后在排水管網(wǎng)模型的基礎(chǔ)上，結(jié)合gis系統(tǒng)提供的坐標(biāo)位置等信息和排水管網(wǎng)scada提供的管道水情況的實時數(shù)據(jù)，略去水力特征，僅考慮節(jié)點和管道之間的關(guān)聯(lián)關(guān)系，將圖簡化為一個加權(quán)的有向圖，再根據(jù)構(gòu)建管道時的影響參數(shù)計算出從一個頂點到另一個頂點的耗費值，作為圖中元素之間邊的權(quán)，以此構(gòu)造出的加權(quán)有向圖來表示排水管網(wǎng)的耗能模型，再采用改進的粒子群算法求取最節(jié)能的排水路徑，該算法在常規(guī)粒子群算法的基礎(chǔ)上，增加懲罰函數(shù)，針對常規(guī)粒子群算法早熟以及多樣性丟失問題，采用當(dāng)前種群與其它種群交換一定量的粒子的方法，來解決早熟和多樣性丟失問題，并完善了算法終止策略，一方面設(shè)定最大的迭代次數(shù)為算法的終止進程，一方面根據(jù)群體的收斂情況為終止進程，設(shè)置優(yōu)化目標(biāo)以及目標(biāo)解的結(jié)構(gòu)，獲得快速的求解，得出當(dāng)前情景下的最優(yōu)結(jié)果，解決了已有管網(wǎng)的最優(yōu)排水調(diào)度問題。

附圖說明

圖1求解最優(yōu)排水路線的方法流程圖。

具體實施方式

具體實施方式如圖1所示，建立管網(wǎng)模型：首先根據(jù)雨量及分布情況，預(yù)先選定區(qū)域排水方向，然后在選定的區(qū)域上，通過地理信息系統(tǒng)(gis)導(dǎo)出的后綴為shp,shx,dbf文件將地理位置坐標(biāo)信息讀取出來繪畫出簡單模型，然后建立對應(yīng)的無向圖模型，同時結(jié)合從實際系統(tǒng)中去掉一些比較次要的設(shè)施，把排水管網(wǎng)中的某些局部簡化后，保持其功能，且各元素之間的關(guān)系不變，用宏觀等效的原則，略去其構(gòu)造水力特征，僅僅考慮節(jié)點和管段之間的關(guān)聯(lián)關(guān)系，構(gòu)建出管網(wǎng)圖模型。簡化后的管網(wǎng)圖可表示為一個加權(quán)的有向圖模型，可用g(v,e)表示，其中v為管道節(jié)點集合，即v＝{v1,v2,…,vn}，e為邊集合，即e＝{e1,e2,…,em}，wij為存在的邊eij的權(quán)值(即管道的輸送水的耗費)，p(i,k)為點i到k的一條路徑(k∈v)。從理論上分析，管網(wǎng)的最優(yōu)拓撲結(jié)構(gòu)應(yīng)該是樹狀結(jié)構(gòu)，那么管網(wǎng)的圖模型的最后優(yōu)化結(jié)果也應(yīng)該是樹狀結(jié)構(gòu)。若管道的起始點和終點給定，給定n個管點及兩兩管點之間管段的花費，求一條經(jīng)過各個管點且僅一次的總耗費。則管網(wǎng)圖優(yōu)化即為找到一棵有向樹，使得對v中的各節(jié)點i，p(i,t)滿足圖g中從i到t的權(quán)值最小。該有向樹t即管網(wǎng)優(yōu)化調(diào)度方案。對于管網(wǎng)圖的優(yōu)化，只需估算管網(wǎng)的總耗費，可以采用的目標(biāo)函數(shù)如式(1)所示：

式(1)中：

wl為樹狀管網(wǎng)總耗費；li,j為第i管點到第j管點之間的是否連通；v為管網(wǎng)連接圖的邊的集合。

針對上述的耗費，是由排水管網(wǎng)管道中多個參數(shù)的互相關(guān)聯(lián)約束計算出的花費，具體約束參數(shù)有管道流速，管道坡度，管道充滿度，管長等。具體約束參數(shù)說明如下：

(1)管道坡度&管道流速：我國室外給排水設(shè)計規(guī)范規(guī)定各種管徑的最小設(shè)計坡度。由于管道的坡度影響管道的流速，如果坡度不同，流速也不同，當(dāng)需要增大流速時，就要通過增設(shè)泵機等外設(shè)在當(dāng)前坡度下來增加速度，每當(dāng)使用外圍設(shè)備時，耗費也會相應(yīng)的增加，所以這也是參與計算影響的參數(shù)之一。對于流速又受后面泵站的處理速度約束。流速有最小最大限制即：

vmin≤v≤vmax

(2)管道長度：不同的節(jié)點之間的管道長度從實際工程中也是不同的。管道的長度對于使用外設(shè)來提升管道流速時的耗費也是關(guān)鍵因素之一，不同的管道坡度引起管道不同流速，管道的不同流速要達到約束條件的最小值時，在單位管道長度的耗費就不同，所以管道的長度也是計算此管道耗費的關(guān)鍵參數(shù)。

(3)管道充滿度：管道充滿度和管道流速以及根據(jù)管道的其他參數(shù)可以計算出管道的流量，由于節(jié)點泵站的蓄水池有一定的限制大小，所以管道充滿度在這多個參數(shù)中互相約束。此參數(shù)也是計算管道耗費的影響參數(shù)之一。

改進粒子群算法設(shè)計：將粒子群中的每個微粒視為簡化后管網(wǎng)無向圖模型連接圖的一個隨機生成，為了辨別這個隨機生成樹，采用二進制編碼方式。對管網(wǎng)簡化后生成的模型圖g(v，e)中的所有待選邊進行二進制編碼，即取值為0或1，則用長度為m(邊的個數(shù))的二進制字符串即可表示圖g的子圖。當(dāng)字符串上某位上的字符值為1時，表示它所對應(yīng)的邊是構(gòu)成子圖的邊，當(dāng)字符值為0時，表示它所對應(yīng)的邊不是構(gòu)成子圖的邊。這個m位的二進制串稱為管網(wǎng)布局優(yōu)化問題的一個解。由于樹狀管網(wǎng)有n-1條邊且具有連通性，若生成的樹有小于或大于n-1個字符值為1的個體必定不是樹狀管網(wǎng)。因此，為了避免在進化過程中產(chǎn)生不可行方案，必須控制所產(chǎn)生的每個個體只有n-1個字符值為1，使其滿足可行解的必要條件。然后才能檢驗其連通性，判斷是否為生成樹。改進粒子群算法求解排水管網(wǎng)最優(yōu)排水路線的算法如下：

step1：初始化微粒群。即給定群體規(guī)模m，給群體中的每個微粒賦一個隨機的序列，設(shè)定粒子群算法參數(shù)ω、c1、c2的初值，隨機取每個粒子的位置向量p和速度v，并將每個微粒的最好位置的適應(yīng)值設(shè)置為∞，其中初始化p＝1-2*rand()；v＝1-2*rand()-p/2；其中rand()是隨機函數(shù)；

step2：按照式(1)分別評價每個粒子的適應(yīng)度；

step3：懲罰不符合約束條件的微粒，重置此微粒的適應(yīng)度為0。由于c1，c2參數(shù)的隨機性，一定會出現(xiàn)產(chǎn)生的新位置不符合已建成管網(wǎng)管道設(shè)計時的約束條件，因此我們對不符合約束條件的新位置設(shè)置其懲罰適應(yīng)度為0，以保證微粒群體向最優(yōu)位置不斷定向飛行；

step4：對每個微粒按公式(2)獲得更新速度v和位置x，并對各粒子的新速度進行限幅處理：

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是個體i的位串位置d的當(dāng)前狀態(tài)；t是當(dāng)前的時間步；vid(t)代表個體做一個選擇的傾向；pgd是領(lǐng)域的最好狀態(tài)；δ表示對于每一個粒子i，隨機選取兩個不同于i且三者不相同的粒子，這隨機選取的兩粒子之間的差異用δ來表示；β是[0,1]上的隨機數(shù)；ω為慣性權(quán)值；c2為隨機因素，目的為了增加微粒位置多樣性；tri表示粒子i的下一次位置；φ2為限幅的隨機數(shù)，取值在[0,1]范圍上。

step5：如果種群滿足交換條件，進行粒子交換操作(按適應(yīng)度排序，隨機選擇種群交換粒子)；

step6：當(dāng)重新初始化條件滿足時，根據(jù)適應(yīng)度在定義域上重新初始化一定數(shù)量的較種群；

step7：更新各種群最佳粒子位置，即將每個微粒的適應(yīng)度與其經(jīng)歷過的最好位置pbest的適應(yīng)度進行比較，如果優(yōu)于pbest的適應(yīng)度，則將該粒子的位置作為當(dāng)前的最好位置pbest；對每個微粒，將其適應(yīng)值與群體所經(jīng)歷過的最好位置gbest的適應(yīng)度值進行比較，如果優(yōu)于gbest的適應(yīng)度，將其粒子位置作為群體最優(yōu)位置，并重新設(shè)置gbest的索引號；

step8：如未達到終止條件，則返回step2，直到滿足終止條件為止。其中一方面指定的最大迭代次數(shù)作為微粒群算法的終止進程；另一方面，根據(jù)進化過程中群體的收斂情況終止進程，若在進化過程中群體平均適應(yīng)度持續(xù)50代保持不變，可以認(rèn)為微粒群算法收斂，即可跳出循環(huán)，終止進化過程，縮短算法運行時間，提高效率。

step9：輸出結(jié)果值。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。