【導(dǎo)讀】數(shù)學(xué)建模校內(nèi)競賽論文 由于水庫在水資源的優(yōu)化配置中發(fā)揮著重要的作用，本文基于粒子群算法建立了水庫群聯(lián)合調(diào)度的優(yōu)化模型，使得它們在保證安全運行的基礎(chǔ)上發(fā)揮最大的“群體”效應(yīng)。針對問題一，由于本題是關(guān)于各級樞紐電站的統(tǒng)一優(yōu)化調(diào)度問題，具有非線性、離散性等特點。在本文構(gòu)建水庫聯(lián)合調(diào)度優(yōu)化模型，以嘉陵江上的利澤，渭沱，草街和井口作為水庫階梯分析其在各個約束條件下的發(fā)電量最大值優(yōu)化。得到最優(yōu)化調(diào)度的流量水位關(guān)系。針對問題三，考慮梯級水庫的正常蓄水位的提高和水輪機(jī)效率對聯(lián)合調(diào)度的影響，運用第一題中得到的模型，，水輪機(jī)效率提高10%的工作效率情況下的最優(yōu)化水位流量調(diào)度關(guān)系，分析每個水電站對于正常蓄水位和水輪機(jī)效率的靈敏度，并且分析得出其中的影響因素。自變量為利澤水位。

　　

【正文】 f if statement end % end plotflg if statement % check for an error space that changes wrt time/iter % threshold value that determines dynamic environment % sees if the value of gbest changes more than some threshold value % for the same location chkdyn = 1。 rstflg = 0。 % for dynamic environment checking if chkdyn==1 threshld = 。 % percent current best is allowed to change, .05 = 5% etc letiter = 5。 % of iterations before checking environment, leave at least 3 so PSO has time to converge outorng = abs( 1 (outbestval/gbestval) ) = threshld。 samepos = (max( sentry == gbest ))。 if (outorng amp。 samepos) amp。 rem(i,letiter)==0 rstflg=1。 % disp(39。New Environment: reset pbest, gbest, and vel39。)。 %% reset pbest and pbestval if warranted% outpbestval = feval( functname,[pbest] )。% Poutorng = abs( 1(outpbestval./pbestval) ) threshld。% pbestval = pbestval.*~Poutorng + outpbestval.*Poutorng。% pbest = pbest.*repmat(~Poutorng,1,D) + pos.*repmat(Poutorng,1,D)。 pbest = pos。 % reset personal bests to current positions pbestval = out。 vel = vel*10。 % agitate particles a little (or a lot) % recalculate best vals if minmax == 1 [gbestval,idx1] = max(pbestval)。 elseif minmax==0 [gbestval,idx1] = min(pbestval)。 elseif minmax==2 % this section needs work [temp,idx1] = min((pbestvalones(size(pbestval))*errgoal).^2)。 gbestval = pbestval(idx1)。 end gbest = pbest(idx1,:)。 % used with trainpso, for neural net training % assign gbest to net at each iteration, these interim assignments % are for plotting mostly if strcmp(functname,39。pso_neteval39。) net=setx(net,gbest)。 end end % end if outorng sentryval = gbestval。 sentry = gbest。 end % end if chkdyn % find particles where we have new pbest, depending on minmax choice % then find gbest and gbestval %[size(out),size(pbestval)] if rstflg == 0 if minmax == 0 [tempi] = find(pbestval=out)。 % new min pbestvals pbestval(tempi,1) = out(tempi)。 % update pbestvals pbest(tempi,:) = pos(tempi,:)。 % update pbest positions [iterbestval,idx1] = min(pbestval)。 if gbestval = iterbestval gbestval = iterbestval。 gbest = pbest(idx1,:)。 % used with trainpso, for neural net training % assign gbest to net at each iteration, these interim assignments % are for plotting mostly if strcmp(functname,39。pso_neteval39。) net=setx(net,gbest)。 end end elseif minmax == 1 [tempi,dum] = find(pbestval=out)。 % new max pbestvals pbestval(tempi,1) = out(tempi,1)。 % update pbestvals pbest(tempi,:) = pos(tempi,:)。 % update pbest positions [iterbestval,idx1] = max(pbestval)。 if gbestval = iterbestval gbestval = iterbestval。 gbest = pbest(idx1,:)。 % used with trainpso, for neural net training % assign gbest to net at each iteration, these interim assignments % are for plotting mostly if strcmp(functname,39。pso_neteval39。) net=setx(net,gbest)。 end end elseif minmax == 2 % this won39。t work as it is, fix it later egones = errgoal*ones(ps,1)。 % vector of errgoals sqrerr2 = ((pbestvalegones).^2)。 sqrerr1 = ((outegones).^2)。 [tempi,dum] = find(sqerr1 = sqrerr2)。 % find particles closest to targ pbestval(tempi,1) = out(tempi,1)。 % update pbestvals pbest(tempi,:) = pos(tempi,:)。 % update pbest positions sqrerr = ((pbestvalegones).^2)。 % need to do this to reflect new pbests [temp,idx1] = min(sqrerr)。 iterbestval = pbestval(idx1)。 if (iterbestvalerrgoal)^2 = (gbestvalerrgoal)^2 gbestval = iterbestval。 gbest = pbest(idx1,:)。 % used with trainpso, for neural net training % assign gbest to net at each iteration, these interim assignments % are for plotting mostly if strcmp(functname,39。pso_neteval39。) net=setx(net,gbest)。 end end end end % % build a simple predictor 10th order, for gbest trajectory % if i500 % for dimt=1:D % pred_coef = polyfit(i250:i,(bestpos(i250:i,dimt))39。,20)。 % % pred_coef = polyfit(200:i,(bestpos(200:i,dimt))39。,20)。 % gbest_pred(i,dimt) = polyval(pred_coef,i+1)。 % end % else % gbest_pred(i,:) = zeros(size(gbest))。% end %gbest_pred(i,:)=gbest。 %assignin(39。base39。,39。gbest_pred39。,gbest_pred)。 % % convert to noninertial frame % gbestoffset = gbest gbest_pred(i,:)。 % gbest = gbest gbestoffset。 % pos = pos + repmat(gbestoffset,ps,1)。 % pbest = pbest + repmat(gbestoffset,ps,1)。 %PSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSOPSO % get new velocities, positions (this is the heart of the PSO algorithm) % each epoch get new set of random numbers rannum1 = rand([ps,D])。 % for Trelea and Clerc types rannum2 = rand([ps,D])。 if trelea == 2 % from Trelea39。s paper, parameter set 2 vel = .*vel... % prev vel +.*rannum1.*(pbestpos)... % independent +.*rannum2.*(repmat(gbest,ps,1)pos)