技术领域
[0001] 本发明涉及水库群防洪优化技术领域，尤其是涉及一种大规模水库群多目标防洪优化方法及装置。
相关背景技术
[0002] 水库优化调度模型是一个多阶段决策问题，且满足最优化原理、无后效性和重叠性，适合用动态规划求解。但是，当面临大规模水库群优化调度求解问题时，随着水库数目增加，以及每个水库优化时段的增加，优化决策变量的维度会急剧增长，无论是采用动态规划算法求解还是采用启发式算法求解，均容易产生决策变量“维数灾”等问题，从而无法获取最优解。为了解决水库群优化调度问题，现有离散微分动态规划、逐次优化算法、逐步动态规划等技术能够在一定程度上解决多水库优化调度问题，但在处理大规模水库群优化调度以及多目标求解问题上均存在技术瓶颈。
[0003] 通过上述分析，现有技术存在的问题及缺陷为：
[0004] (1)现有的水库群优化求解方法，无法处理大规模水库群优化调度面临的决策变量“维数灾”问题。
[0005] (2)现有的水库群优化求解方法，无法有效并行求解多目标调度模型，在大规模水库群优化调度求解中无法获取非劣前沿。
[0006] 解决以上问题及缺陷的难度为：由于大规模水库群优化调度面临时间和水库数量两个方面的决策变量高维问题，并且在处理多目标问题时更难以有效收敛，因而难点在于调度优化变量设计、目标设计、约束设计以及模型的高效求解方法。
[0007] 解决以上问题及缺陷的意义为：通过发明高效的大规模水库群多目标优化调度求解方法，能够得到流域、区域大规模水库群的“帕累托”最优调度方案集，可为实际防洪调度运行提供有力的技术支撑和决策支持。
具体实施方式
[0034] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0035] 为便于对本实施例进行理解，首先对本发明实施例所公开的一种规模水库群多目标防洪优化方法进行详细介绍，参见图1所示，该方法可以包括以下步骤：
[0036] 步骤S102，以水位和/或下泄流量为决策变量，以下游防洪断面最大流量最小化和支流动用最大库容最小化为目标构建多目标防洪优化模型；其中，决策变量的总数量是基于参与优化调度的水库群中水库的数目、调度期的时段步长、总调度时长确定的，多目标防洪优化模型的约束包括水位约束、水量平衡约束、河道流量演进、泄流能力约束、下泄流量约束、防洪控制点流量约束和水库群的初始运行调度规则。
[0037] 水位约束为：
[0038]
[0039] 其中，Zi，t为第i个水库第t个时段的水位， 和 分别为第i个水库第t个时段水位下限和水位上限；
[0040] 水量平衡约束为：
[0041] Vi，t＝Vi，t‑1+(Ii，t‑Qi，t)Δt
[0042] 其中，Vi，t、Ii，t和Qi，t分别为第i个水库第t个时段的库容、入库流量和下泄流量；
[0043] 河道流量演进为：
[0044] I1，t+Δt＝C0Q0，t+Δt+C1Q0，t+C2I1，t
[0045]
[0046]
[0047] C2＝1‑C0‑C1
[0048] 其中，Q0，t和I1，t分别为t时刻区间上游出口断面和下游出口断面的流量，Q0，t+Δt和I1，t+Δt分别为t+Δt时刻区间上游出口断面和下游出口断面的流量，C0、C1和C2分别为K、x和Δt的函数，K为稳定流情况下的河段传播时间，x为流量比重因子，Δt为时段间隔；
[0049] 泄流能力约束为：
[0050]
[0051] 其中，Qi，t为第i个水库第t个时段的下泄流量， 为第i个水库在水位为Zt时的泄流能力；
[0052] 水库下泄流量约束为：
[0053]
[0054] |Qi，t‑Qi，t‑1|≤ΔQi
[0055] 其中，Qi，t为第i个水库第t个时段的下泄流量， 和 分别为第i个水库第t个时段的下泄流量下限和下泄流量上限，ΔQi为第i个水库的流量变幅上限；
[0056] 防洪控制点流量约束为：
[0057]
[0058] 其中，Q′t(t)为第t个时段水库出库流量经河道演算到下游第i个防洪控制点的流量，Δqi(t)为第t个时段上游水库群至第i个防洪控制点之间的区间入流， 为第i个防洪控制点的流量上限。
[0059] 步骤S104，根据水库群中各个水库的水位变幅上限值、水位变幅下限值和初始运行调度规则初始化多组决策变量，得到包含多个个体的初始种群；其中，初始种群中的每个个体为一组决策变量。
[0060] 步骤S106，根据目标数量和种群规模，为初始种群中的每个个体初始化相应的目标向量和权重向量；其中，目标向量和权重向量的维数均与目标数量相等。
[0061] 步骤S108，基于初始种群以及初始种群中每个个体对应的目标向量和权重向量，采用预设的动态协同区域进化算法对多目标防洪优化模型进行迭代求解；其中，每次迭代求解的求解结果包括相应的决策变量和目标向量。
[0062] 步骤S110，当进化次数满足预设次数，结束迭代求解，否则进入步骤S108继续进行迭代求解。
[0063] 步骤S112，将结束迭代求解时的求解结果作为水库群的非劣调度方案集。
[0064] 本发明实施例提供的一种大规模水库群多目标防洪优化方法，以水位和/或下泄流量为决策变量，以下游防洪断面最大流量最小化和支流动用最大库容最小化为目标构建多目标防洪优化模型；根据水库群中各个水库的水位变幅上限值、水位变幅下限值和初始运行调度规则初始化多组决策变量，得到包含多个个体的初始种群；根据目标数量和种群规模，为初始种群中的每个个体初始化相应的目标向量和权重向量；基于初始种群以及初始种群中每个个体对应的目标向量和权重向量，采用预设的动态协同区域进化算法对多目标防洪优化模型进行迭代求解；当进化次数满足预设次数，结束迭代求解，否则继续进行迭代求解；将结束迭代求解时的求解结果作为水库群的非劣调度方案集。上述技术提供了一种高效的大规模水库群多目标优化调度求解方案，能够得到流域、区域大规模水库群的非劣调度方案集，可为实际防洪调度运行提供有力的技术支撑和决策支持。
[0065] 作为一种可能的实施方式，上述步骤S102可以包括：
[0066] (11)根据下游防洪断面每个时段经过上游水库调度后的流量，构建以下游防洪断面最大流量最小化为目标的第一目标函数：
[0067]
[0068] 其中，f1为下游防洪断面最大流量， 为第t个时段下游防洪断面经过上游水库调度后的流量，T为总调度时长。
[0069] (12)根据每个时段每个水库动用的防洪库容，构建以支流动用最大库容最小化为目标的第二目标函数：
[0070]
[0071] 其中，f2为支流动用最大库容，ΔVi，t为第i个水库第t个时段动用的防洪库容，n为支流水库个数，T为总调度时长。
[0072] (13)将第一目标函数和第二目标函数组成多目标防洪优化模型。
[0073] 作为一种可能的实施方式，上述步骤S104可以包括：
[0074] (21)根据水库群中各个水库的水位变幅上限值、当前时段初始水位、水位约束和流量约束计算得到各个水库在下一时段的水位值，并将计算出来的各个水库每个时段的水位值初始化成第一组决策变量。
[0075] (22)根据水库群中各个水库的水位变幅下限值、当前时段初始水位、水位约束和流量约束计算得到各个水库在下一时段的水位值，并将计算出来的各个水库每个时段的水位值初始化成第二组决策变量。
[0076] (23)按照水库群中各个水库的初始运行调度规则对各个水库进行模拟运行，并将模拟运行过程中得到的各个水库每个时段的水位值初始化成第三组决策变量。
[0077] (24)通过在预设的决策变量上下限区间内随机采样的方式生成第一组决策变量、第二组决策变量和第三组决策变量以外的其他组决策变量。
[0078] 作为一种可能的实施方式，上述步骤S106可以包括：
[0079] (31)根据种群规模，在维度数与目标数量相等的空间范围内为初始种群中的每个个体均匀初始化一个权重向量。
[0080] 示例性地，可根据种群个数(即种群规模)N，在m维空间范围内为种群中的每个个T体j初始化一个区域向量(即权重向量)λj＝(λj，1，...λj，i，...λj，m) ， ...，m，其中，m为目标个数，λj，i≥0，且
[0081] (32)为初始种群中的每个个体计算相应的目标值，并将每个个体的目标值初始化成一个目标向量。
[0082] 示例性地，可将初始种群中的每个个体所包含的决策变量代入上述多目标防洪优化模型得到相应的目标值，之后将得到的每个个体对应的全部目标值组成一个目标向量。
[0083] 作为一种可能的实施方式，上述步骤S108可以包括：
[0084] (41)根据初始种群中每个个体与其对应的权重向量之间的垂直距离，确定初始种群中每个个体所属的区域。
[0085] 对于种群中的每个个体，以及后续生成的新个体，均可采用个体到区域向量的垂直距离来确定个体所属的区域。其中个体与其对应的权重向量之间的垂直距离定义如下：
[0086]
[0087]
[0088] 其中，d(x，λj)为个体x与其对应的权重向量λj之间的垂直距离，x＝(x1，...，xn)T为Tn维决策变量，F(x)＝(f1(x)，f2(x)，...，fm(x)) 为个体x所对应的目标向量，m为目标数量，为m维空间范围内的向量， 为所有种群对应的第i个目标的最小值；
[0089] 将与个体的垂直距离最小的权重向量定义为个体所属的区域，如下式所示：
[0090]
[0091] 其中，r为个体x所属的区域。
[0092] (42)将初始种群中每个个体所包含的同一水库对应的决策变量作为一组决策变量分离出来，并将分离出来的同一水库对应的全部组决策变量组成相应的一个子种群。
[0093] 示例性地，可将初始种群中的一个个体(即水库群整体的一组决策变量)x＝T
(x1,…,xn) 中所包含的第i个水库的全部决策变量作为一个新的个体(即一组新的决策变量) 分离出来，以此类推，可将按照该方式分离出来的第i个水库对应的
全部新的个体组成一个子种群。
[0094] (43)根据各个子种群中每个个体所属的区域，对各个子种群进行迭代优化；其中，每次迭代优化时均会将相应的决策变量代入多目标防洪优化模型得到相应的目标值。
[0095] 示例性地，对于每个子种群，基于预设的初始时序转化参数和负的时序转化参数步长执行以下步骤：
[0096] (431)基于当前时序转化参数，按照时段先后顺序将当前子种群中的每个个体分成多组转化决策变量。
[0097] (432)从当前子种群中每个个体对应区域的邻域范围内确定父代种群池，并通过交叉变异生成子代，之后通过比较父代与子代更新父代种群池；其中，每个子代和每个父代均为一组转化决策变量。
[0098] (433)采用预设时序变换函数将当前子种群中每个个体对应的全部转化决策变量变换成相应的决策变量。
[0099] (434)将当前子种群对应的决策变量作为待优化决策变量，将当前子种群以外的其他子种群对应的决策变量作为固定值，代入多目标防洪优化模型进行目标值的计算。
[0100] (435)迭代上述(431)至(434)，直至迭代次数达到预设迭代次数，结束迭代，并将结束迭代时待优化决策变量的迭代结果作为该子种群对应的优化决策变量。
[0101] (44)基于各个子种群的迭代优化结果，对多目标防洪优化模型进行迭代求解；其中，每个子种群的迭代优化结果包括相应的优化决策变量和目标值。
[0102] 示例性地，可将全部子种群对应的优化决策变量代入多目标防洪优化模型进行迭代求解。
[0103] 为了便于理解，在此对上述(43)和(44)进行示例性描述如下。
[0104] 上述(43)和(44)主要涉及以下三种机制：
[0105] 1)动态时序转化机制。
[0106] 针对大规模水库群优化时段增加所导致的待优化决策变量维度增长，在此可引入一种动态时序转化机制，该动态时序转化机制中，根据径流时间序列的无后效性特性，可按k照时段先后顺序将第i个水库待优化的决策变量 中2 个连续的决策变
量分为一组，这样便将原有的ni维决策变量划分为γ组：
[0107]
[0108] 其中，k为时序转化参数，ni为第i个水库待优化的决策变量的数量，ceil()为向上取整函数；
[0109] 可将划分的第i个水库的每组决策变量关联成一个转化决策变量gi＝{g1，…，gγ}，给定一组ni维的决策向量vi，可通过时序变换函数ψ将第i个水库的全部转化决策变量gi变换为决策向量xi，数学表达式如下：
[0110]
[0111] 通过以上时序变换函数，能够将同一水库的全部γ维转化决策变量变换为相应的ni维实际决策变量，因此，在进化算法过程中，通过先对转化决策变量进行优化再将优化后的转化决策变量转化为实际决策变量，能够达到降低决策变量维度的效果。根据多目标防洪优化模型待优化时段的数目，假设初始转化参数k＝3，则共计寻优迭代k+1＝4次，每次寻优后k减少1，通过此动态转化的过程，在初始寻优过程中首先优化维度低的转化决策变量，然后再将该维度的转化决策变量作为下一迭代维度的初始解，迭代寻优，最后得到γ＝ni的解作为最终解。
[0112] 2)协同优化机制。
[0113] 针对大规模水库群水库数目增加所导致的优化决策变量维度增长，在此可引入一种协同优化机制。该协同优化机制中，可将各个水库的决策变量单独分离出来，构建出多个共同进化的子种群，利用各个子种群之间的竞争或合作关系(即水库间的上下游关系)，对种群进行优化。
[0114] 在协同优化过程中，首先按照梯级水库群拓扑关系，确定自上游至下游的优化顺序，设置每个水库优化目标评价次数(即目标的计算次数)以及水库群整体优化次数，设置协同优化迭代次数Kx；然后，按照自上游至下游的优化顺序，对于每个水库均通过交叉算子和变异算子生产子代个体，在优化第i个水库的决策变量 时，可将其他水库的决策变量作为目前优化得到的最优决策变量(即固定值)
i j
并将x 及其对应的全部x代入多目标防洪优化模型进行目标值的计算，从而根据目标值的大小对第i个水库的决策变量进行优化；单个水库优化完成后，再将水库群全部水库的决策T
变量优化结果组成水库群整体的决策变量x＝(x1,...,xn) 并对其进行迭代优化，直至迭代优化次数达到水库群整体优化次数时结束，从而完成一次协同优化；迭代上述单个水库优化和水库群整体优化的步骤，直至协同优化次数达到Kx时结束。
[0115] 3)区域进化机制。
[0116] 以上协同优化机制的关键思路在于将大规模优化问题的整体决策变量分解为多个共同进化的子种群，在优化第i个子种群时，其他子种群维持目前最优状态，这种机制仅适用于单目标优化问题，在处理多目标问题时，无法给出全局最优解作为其他子种群的最优状态。对此，区域进化机制是将种群中的每个个体根据目标的空间维度分配到相应的一个区域内，然后通过领域父代选择、区域协同进化、区域种群更新对种群进行更新替换。
[0117] 领域父代选择：生产第r个区域内的子代时，可从第r个区域相邻的10个区域内确定父代种群池MP，再采用二进制交叉算子和多项式变异操作作为再生过程的核心算子生成子代x。
[0118] 区域协同进化：协同进化过程中，在优化第i个水库时，其他水库的决策变量为第rr个区域内目前优化得到的最优父代p对应的决策变量(即固定值)。
[0119] 区域种群更新：即通过比较父代与子代更新父代种群池。具体地，在比较父代pr与子代x时，首先判定它们所属的区域，有且仅当以下两种情况出现的时候，子代x才能替代父r r r代p：a)子代x属于区域r；b)子代x和父代p都不属于区域r但d(x,λr)≤d(p ,λr)。
[0120] 为了便于理解，在此提出基于动态时序转化机制、协同优化机制和区域进化机制的动态协同区域进化算法，参见图2所示，该算法的操作流程主要包括：
[0121] 步骤1.1，种群初始化和区域向量初始化；设置水库个数Ks、协同优化迭代次数Kx和初始转化参数k。
[0122] 步骤1.2，令i＝1。
[0123] 步骤1.3，令γ＝ceil(ni/2k)。
[0124] 步骤1.4，时序转化。即将原有的ni维度决策变量xi划分为γ组转化决策变量。
[0125] 步骤1.5，令i＝i+1。
[0126] 步骤1.6，判断是否满足i>Ks，如果满足则执行步骤1.7，否则回到步骤1.3。
[0127] 步骤1.7，领域父代选择，子代生成。其中，在子代生成后，通过时序变换函数ψ将第i个水库的γ组转化决策变量变换为ni维度决策向量xi，并将xi代入多目标防洪优化模型求得相应的目标值。
[0128] 步骤1.8，判断是否满足i≤Ks，如果满足则依次执行步骤1.9和步骤1.10，否则进行整体进化并执行步骤1.10。
[0129] 步骤1.9，区域协同进化。
[0130] 步骤1.10，区域种群更新。
[0131] 步骤1.11，令i＝i+1。
[0132] 步骤1.12，判断是否满足i≤Ks+1，如果满足则回到步骤1.7，否则执行步骤1.13。
[0133] 步骤1.13，令k＝k‑1。
[0134] 步骤1.14，判断是否满足k<0，如果满足则执行步骤1.15，否则回到步骤1.2。
[0135] 步骤1.15，输出非劣方案集。
[0136] 为了便于理解，本发明以西江流域干流水库群、柳江、郁江、桂江支流水库群为实例对象，参与优化调度水库包括天一、光照、龙滩、岩滩、大藤峡、百色、老口、左江枢纽、洋溪、落久、木洞、勒马、青狮潭、斧子口、小溶江、川江、昭平共计17个水库，以1974年百年一遇典型洪水为例，调度计算步长为12小时，每个水库共计90个决策变量，模型共计1530个决策变量，属于大规模水库群优化问题。以西江下游梧州断面洪峰流量最小以及支流水库群留出的防洪库容最大为目标函数，建立大规模水库群多目标优化调度模型。为了验证动态协同区域进化算法(DCREA)的性能，选取目前比较常用的三种多目标求解方法(即多目标进化算法)NSGAII、MOPSO和MOEA/D进行对比。评价指标采用超体积(HV，Hypervolume)指标，该指标可以同时评价一个解集的收敛性和分布性，HV指标值越大，算法的综合性能越好。为了保证算法的随机性，每个算法都运行20次，以平均值作为最终结果。
[0137] 表1列出了四种算法在实施例中求解方案集的平均HV指标，从表1中可以看出，DCREA的HV指标值最大，说明DCREA得到的调度方案集的收敛性和分布性是三个算法中最好的。
[0138] 表1四种算法在实施例中求解方案集的平均HV指标
[0139]
[0140] 图3展示了本案例四种算法的非劣前沿图，通过非劣前沿图中各个散点的分布可以直观判断算法的分布性，通过散点距离原点的距离能够判断算法的收敛性，由图3可以看出，DCREA在四种算法中的非劣前沿分布最广、最均匀，且DCREA求解得到的非劣解集收敛性最佳，几乎能够支配其他算法的解集，证明了该算法优秀的性能。
[0141] 表2展示了DCREA最终迭代求解得到的非劣方案集，从表2中可以看出，当不动用支3 3
流水库群防洪库容时(方案3，动用防洪库容0亿m)，最多能够将梧州的洪峰流量从59100m /
3
s削减到49274m/s；当最大程度动用支流水库群的防洪库容时(方案5，动用防洪库容53.11
3 3
亿m3)，最多能够将梧州的洪峰流量从59100m/s削减到44364m/s。
[0142] 表2DCREA最终迭代求解得到的非劣方案集
[0143]
[0144] 图4至图7分别展示了非劣调度集中梧州洪峰流量最小的龙滩水库、大藤峡水库、百色水库的水位流量过程以及梧州的流量过程。从图4至图7中可以看出，1974典型年梧州断面属于中上游型多峰过程，设计规则下龙滩水库在前两个洪水过程中已经消耗完其防洪库容，在第三个洪峰时已经无库容用于拦洪削峰，优化后的龙滩、大藤峡、百色水库根据梧州洪峰时间，准确预判到了削峰时机，充分利用了其防洪库容，从而梧州断面调度后洪峰流3
量削减到了44364m /s，在保证水库自身防洪安全的前提下保障了下游防洪断面的防洪安全。
[0145] 基于上述大规模水库群多目标防洪优化方法，本发明实施例还提供一种大规模水库群多目标防洪优化装置，参见图8所示，该装置可以包括以下模块：
[0146] 模型构建模块802，用于以水位和/或下泄流量为决策变量，以下游防洪断面最大流量最小化和支流动用最大库容最小化为目标构建多目标防洪优化模型；其中，决策变量的总数量是基于参与优化调度的水库群中水库的数目、调度期的时段步长、总调度时长确定的，所述多目标防洪优化模型的约束包括水位约束、水量平衡约束、河道流量演进、泄流能力约束、下泄流量约束、防洪控制点流量约束和所述水库群的初始运行调度规则。
[0147] 第一初始化模块804，用于根据所述水库群中各个水库的水位变幅上限值、水位变幅下限值和初始运行调度规则初始化多组决策变量，得到包含多个个体的初始种群；其中，初始种群中的每个个体为一组决策变量。
[0148] 第二初始化模块806，用于根据目标数量和种群规模，为初始种群中的每个个体初始化相应的目标向量和权重向量；其中，目标向量和权重向量的维数均与目标数量相等。
[0149] 模型求解模块808，用于基于初始种群以及初始种群中每个个体对应的目标向量和权重向量，采用预设的动态协同区域进化算法对所述多目标防洪优化模型进行迭代求解；其中，每次迭代求解的求解结果包括相应的决策变量和目标向量；当进化次数满足预设次数，结束迭代求解，否则继续进行迭代求解。
[0150] 非劣调度方案集模块810，用于将结束迭代求解时的求解结果作为所述水库群的非劣调度方案集。
[0151] 本发明实施例提供的一种大规模水库群多目标防洪优化装置，以水位和/或下泄流量为决策变量，以下游防洪断面最大流量最小化和支流动用最大库容最小化为目标构建多目标防洪优化模型；根据水库群中各个水库的水位变幅上限值、水位变幅下限值和初始运行调度规则初始化多组决策变量，得到包含多个个体的初始种群；根据目标数量和种群规模，为初始种群中的每个个体初始化相应的目标向量和权重向量；基于初始种群以及初始种群中每个个体对应的目标向量和权重向量，采用预设的动态协同区域进化算法对多目标防洪优化模型进行迭代求解；当进化次数满足预设次数，结束迭代求解，否则继续进行迭代求解；将结束迭代求解时的求解结果作为水库群的非劣调度方案集。上述技术提供了一种高效的大规模水库群多目标优化调度求解方案，能够得到流域、区域大规模水库群的非劣调度方案集，可为实际防洪调度运行提供有力的技术支撑和决策支持。
[0152] 上述模型构建模块802还可以用于：
[0153] 根据下游防洪断面每个时段经过上游水库调度后的流量，构建以下游防洪断面最大流量最小化为目标的第一目标函数：
[0154]
[0155] 其中，F1为下游防洪断面最大流量， 为第t个时段下游防洪断面经过上游水库调度后的流量，T为总调度时长；
[0156] 根据每个时段每个水库动用的防洪库容，构建以支流动用最大库容最小化为目标的第二目标函数：
[0157]
[0158] 其中，F2为支流动用最大库容，ΔVi,为第i个水库第t个时段动用的防洪库容，n为支流水库个数，T为总调度时长；
[0159] 将所述第一目标函数和所述第二目标函数组成所述多目标防洪优化模型。
[0160] 上述第一初始化模块804还可以用于：根据所述水库群中各个水库的水位变幅上限值、当前时段初始水位、水位约束和流量约束计算得到各个水库在下一时段的水位值，并将计算出来的各个水库每个时段的水位值初始化成第一组决策变量；根据所述水库群中各个水库的水位变幅下限值、当前时段初始水位、水位约束和流量约束计算得到各个水库在下一时段的水位值，并将计算出来的各个水库每个时段的水位值初始化成第二组决策变量；按照所述水库群中各个水库的初始运行调度规则对各个水库进行模拟运行，并将模拟运行过程中得到的各个水库每个时段的水位值初始化成第三组决策变量；通过在预设的决策变量上下限区间内随机采样的方式生成第一组决策变量、第二组决策变量和第三组决策变量以外的其他组决策变量。
[0161] 上述第二初始化模块806还可以用于：根据种群规模，在维度数与目标数量相等的空间范围内为初始种群中的每个个体均匀初始化一个权重向量；为初始种群中的每个个体计算相应的目标值，并将每个个体的目标值初始化成一个目标向量。
[0162] 上述模型求解模块808还可以用于：根据初始种群中每个个体与其对应的权重向量之间的垂直距离，确定初始种群中每个个体所属的区域；将所述初始种群中每个个体所包含的同一水库对应的决策变量作为一组决策变量分离出来，并将分离出来的同一水库对应的全部组决策变量组成相应的一个子种群；根据各个子种群中每个个体所属的区域，对各个子种群进行迭代优化；其中，每次迭代优化时均会将相应的决策变量代入所述多目标防洪优化模型得到相应的目标值；基于各个子种群的迭代优化结果，对所述多目标防洪优化模型进行迭代求解；其中，每个子种群的迭代优化结果包括相应的优化决策变量和目标值。
[0163] 本发明实施例所提供的大规模水库群多目标防洪优化装置，其实现原理及产生的技术效果和前述大规模水库群多目标防洪优化方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0164] 除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
[0165] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0166] 在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0167] 最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
