2.3. Multi-objective ecological res

2.3. Multi-objective ecological reservoir optimal operation model
In a MOP, many objective functions need to be optimized
simultaneously. Without loss of generality, the MOP with r minimum objectives and several constraints can be mathematically
stated as follows (Li et al., 2010a, 2010b):
min FðXÞ ¼ min ff 1ðXÞ; f 2ðXÞ; …; f rðXÞg ð2aÞ
Subject to:
giðXÞr0 i ¼ 1; 2; …; l ð2bÞ
hjðXÞ ¼ 0 j ¼ 1; 2; …; m ð2cÞ
Xl
krXkrXu k k ¼ 1; 2; …; n ð2dÞ
where X is the decision vector; f rðXÞ is the rth objective function;
FðXÞ is the objective vector; giðXÞ is the ith inequality constraint;
hjðXÞ is the jth equality constraint; Xlk and Xu k are lower and upper
bounds for decision variable Xk.
Obviously, model (2) is a traditional multi-objective reservoir
operation model without considering the environmental requirement, so that it cannot deal with the environmental or ecological
problems during the reservoir operation. Moreover, solving multiple objectives simultaneously would reduce the running speed of
GAs, so some certain processing should be applied.
In this paper, the weighting method is employed to translate
the multiple objectives to a single objective, which is obtained
from the weighted sum of the original multiple objectives (Chen
et al., 2007). The environmental or ecological constraints are
embedded in the traditional operation model, so a multiobjective ecological reservoir operation model can be formed as
follows:
min FðXÞ ¼ ω1f 1ðXÞþω2f 2ðXÞþ⋯þωrf rðXÞ ð3aÞ
Subject to:
giðXÞr0 i ¼ 1; 2; …; l ð3bÞ
hjðXÞ ¼ 0 j ¼ 1; 2; …; m ð3cÞ
Ls
ðXÞrRs s ¼ 1; 2; …; t ð3dÞ
r∑
z ¼ 1
ωz ¼ 1 z ¼ 1; 2; …; r ð3eÞ
Xl
krXkrXu k k ¼ 1; 2; …; n ð3fÞ
where LsðXÞ is the sth statistical water quality constraint; Rs is the
water quality requirement; ωz is the weight of zth objective
function. Model (3) integrates the statistical water quality model
into the traditional multi-objective reservoir optimal operation
model, which can consider the environmental requirement during
the reservoir operation. Model (3) will be solved through an
improved genetic algorithm.
2.4. Genetic algorithms
The genetic algorithm (GA) was proposed by John Holland
(Holland, 1975), and has been broadly utilized to solve different
optimization problems. The GA simulates some processes
observed in natural evolution. It starts with a randomly generated
initial population of a string of variables known as chromosomes
which hold the parameters, genes and the size of population.
Some operators including scheme selection (reproduction), crossover and mutation, would be implemented in order to improve the
fitness of solutions through iterations. The chromosome can be
represented with binary or decimal code, so the corresponding GA
is termed as binary-coded or real-coded GA. In selection operator,
a set of chromosomes are selected as initial parents at the
reproduction stage on the basis of their fitness. The process of
mating is implemented through the crossover operator. Mutation,
an arbitrary change of the genes, is implemented to preserve the
genetic diversity in the population. Mutation probability of occurrence should be kept low as it would potentially disrupt the good
solution (Chien and Wang, 2011). The stochastic selection process,
biased towards the fitter individuals, is implemented to select the
new set of population for the next generation. The newly created
population is further evaluated and tested for termination. If the
termination criterion is not met, the population is iteratively
operated and evaluated further by the above three operators until
termination criterion of pre-set maximum number of generations
is met (Ahmed and Sarma, 2005; Vascan and Raju, 2009).
More recently, GA has been applied to the search for multiobjective optimization, which has the distinct advantage of being able
to handle multi-objective problems that other gradient-based optimizers have failed to solve (Augusto et al., 2006). For example, Chang
(2008) proposed proper penalty strategy for every parameter in order
to guide GA searching process, which is used as a search engine for
reservoir flood operation; Hakimi-Asiabar et al. (2009) showed the
concept of learning rule of Self-Organizing Map (SOM), which can
learn and improve the efficiency of data processing algorithms, with
the purpose of improving the genetic diversity; Hakimi-Asiabar et al.
(2010) developed a Self-Learning Genetic Algorithm (SLGA) model and
applied the model to derive optimal operating policies for a threeobjective multi-reservoir system; Han et al. (2012) employed a selfadaptive genetic algorithm with simulated binary crossover to search
optimal reservoir operating rules. The GA seems particularly suitable
for solving multi-objective optimization problems because it deals
simultaneously with a set of possible solutions. This allows the
identification of several members of the Pareto-optimal set in a single
run, in contrast to traditional mathematical programming techniques.
Although the GA is efficient

ผลลัพธ์ (ไทย) 1:

2.3 จำลองการทำงานหลายวัตถุประสงค์ระบบนิเวศอ่างเก็บน้ำใน MOP หลายฟังก์ชั่นวัตถุประสงค์จำเป็นที่จะเพิ่มประสิทธิภาพพร้อมกันนี้ โดยไม่สูญเสียทั่วไป MOP r ต่ำวัตถุประสงค์และข้อจำกัดต่าง ๆ สามารถทางคณิตศาสตร์ระบุไว้ดังนี้ (Li et al. 2010a, 2010b):นาที FðXÞ นาที¼ ff 1ðXÞ f 2ðXÞ …; f rðXÞg ð2aÞเรื่องที่:giðXÞr0 ฉัน¼ 1 2 …; l ð2bÞhjðXÞ ¼ 0 j ¼ 1 2 …; m ð2cÞXlkrXkrXu k k ¼ 1 2 …; n ð2dÞโดยที่ X คือ เวกเตอร์ตัดสินใจ f rðXÞ คือ ฟังก์ชันวัตถุประสงค์เหนือFðXÞ เป็นเวกเตอร์วัตถุประสงค์ giðXÞ เป็นระยะอสมการข้อจำกัดhjðXÞ มีข้อจำกัดเสมอภาค jth Xlk และเคซูอยู่ล่าง และบนขอบเขตตัวแปรตัดสินใจ Xkอย่างชัดเจน รูปแบบ (2) เป็นอ่างเก็บน้ำแบบดั้งเดิมรูปแบบการดำเนินงานโดยไม่พิจารณาถึงความต้องการสิ่งแวดล้อม ดังนั้นมันไม่สามารถจัดการกับสิ่งแวดล้อม หรือระบบนิเวศปัญหาในระหว่างการดำเนินงานอ่างเก็บน้ำ นอกจากนี้ การแก้ปัญหาหลายวัตถุประสงค์พร้อมกันจะลดความเร็วในการทำงานของก๊าซ ดังนั้นควรใช้การประมวลผลบางอย่างบางในกระดาษนี้ วิธีการถ่วงน้ำหนักเป็นลูกจ้างในการแปลวัตถุประสงค์หลายวัตถุประสงค์เดียว ซึ่งจะได้รับจากผลรวมถ่วงน้ำหนักของต้นฉบับวัตถุประสงค์หลาย (เฉินet al. 2007) มีข้อจำกัดด้านสิ่งแวดล้อม หรือระบบนิเวศฝังอยู่ในแบบแผนการดำเนินการ ดังนั้นรูปแบบการดำเนินการ multiobjective ระบบนิเวศอ่างเก็บน้ำสามารถเกิดขึ้นเป็นต่อไปนี้:นาที FðXÞ ¼ ω1f 1ðXÞþω2f 2ðXÞþ⋯þωrf rðXÞ ð3aÞเรื่องที่:giðXÞr0 ฉัน¼ 1 2 …; l ð3bÞhjðXÞ ¼ 0 j ¼ 1 2 …; m ð3cÞLss ðXÞrRs ¼ 1 2 …; t ð3dÞr∑z ¼ 1Z ωz ¼ 1 ¼ 1 2 …; r ð3eÞXlkrXkrXu k k ¼ 1 2 …; n ð3fÞที่ LsðXÞ มีข้อจำกัดคุณภาพน้ำสถิติ sth Rs อยู่ความต้องการคุณภาพน้ำ Ωz คือ น้ำหนักของวัตถุประสงค์ zthฟังก์ชัน รวมรุ่น (3) แบบจำลองคุณภาพน้ำทางสถิติในการดำเนินการที่ดีที่สุดอ่างเก็บน้ำแบบดั้งเดิมรุ่น ซึ่งสามารถพิจารณาความต้องการสิ่งแวดล้อมระหว่างการดำเนินงานอ่างเก็บน้ำ รุ่น (3) จะสามารถแก้ไขได้ด้วยการขั้นตอนวิธีพันธุกรรม2.4 อัลกอริทึมทางพันธุกรรมอัลกอริทึมทางพันธุกรรม (GA) ถูกเสนอ โดยจอห์นฮอลแลนด์(ฮอลแลนด์ 1975) และมีใช้อย่างกว้างขวางเพื่อแก้ปัญหาแตกต่างกันปัญหาการเพิ่มประสิทธิภาพ GA การจำลองกระบวนการบางอย่างสังเกตในวิวัฒนาการตามธรรมชาติ เริ่มสร้างขึ้นแบบสุ่มประชากรเริ่มต้นของสายอักขระตัวแปรที่เรียกว่าโครโมโซมซึ่งมีพารามิเตอร์ ยีน และขนาดของประชากรบางผู้ประกอบการรวมทั้งการเลือกโครงร่าง (สร้าง), ครอสโอเวอร์และกลายพันธุ์ จะนำมาใช้เพื่อปรับปรุงการออกกำลังกายของโซลูชั่นผ่านซ้ำ โครโมโซมสามารถแทนรหัสไบนารี หรือเลขฐานสิบ ดังนั้น GA ที่สอดคล้องกันเรียกว่าเป็น รหัสไบนารี หรือ ตายจริงจอร์เจีย ในการเลือกผู้ให้บริการเลือกชุดของโครโมโซมเป็นพ่อแม่เริ่มต้นที่การขั้นตอนการทำซ้ำตามความเหมาะ กระบวนการของการผสมพันธุ์ถูกนำมาใช้การใช้งานแบบไขว้ กลายพันธุ์มีดำเนินการเปลี่ยนแปลงโดยพลการของยีน การรักษาความหลากหลายทางพันธุกรรมในประชากร กลายพันธุ์น่าเป็นของเหตุการณ์ควรเก็บต่ำขณะที่มันอาจจะทำลายความดีโซลูชัน (เจียนและวัง 2011) กระบวนการ stochastic เลือกลำเอียงต่อบุคคลโลภ ถูกนำมาใช้เพื่อเลือกการชุดใหม่ของประชากรในรุ่นต่อไป สร้างขึ้นใหม่นอกจากนี้ประชากรเพิ่มเติมจะถูกประเมิน และทดสอบสำหรับการเลิกจ้าง ถ้าการไม่เป็นไปตามเกณฑ์การเลิกจ้าง มีประชากรปรับปรุงต้นดำเนินการ และประเมินเพิ่มเติม โดยโอเปอเรเตอร์สามข้างต้นจนถึงยกเลิกเกณฑ์ของจำนวนสูงสุดที่ตั้งไว้ล่วงหน้าของรุ่นเม็ท (Ahmed และแก้ว 2005 Vascan และ Raju, 2009)เมื่อเร็ว ๆ นี้ GA ได้ถูกใช้เพื่อค้นหาการเพิ่มประสิทธิภาพของ multiobjective ซึ่งมีข้อดีแตกต่างกันของความสามารถการจัดการปัญหาแบบที่เพิ่มประสิทธิภาพอื่น ๆ ไล่ตามไม่สามารถแก้ปัญหา (Augusto et al. 2006) ตัวอย่างเช่น ช้างกลยุทธ์ (2008) เสนอโทษที่เหมาะสมสำหรับทุกพารามิเตอร์ในใบสั่งการแนะนำกระบวนการ ซึ่งจะใช้เป็นเครื่องมือค้นหาสำหรับค้นหา GAน้ำท่วมอ่างเก็บน้ำดำเนินการ Hakimi Asiabar et al. (2009) แสดงให้เห็นว่าการแนวคิดของการเรียนรู้กฎของ Self-Organizing แผนที่ (โสม), ซึ่งสามารถเรียนรู้ และปรับปรุงประสิทธิภาพของอัลกอริธึมการประมวลผลข้อมูล ด้วยวัตถุประสงค์ของการปรับปรุงพันธุ Hakimi Asiabar et al(2010) ได้พัฒนาแบบจำลอง Self-Learning พันธุอัลกอริทึม (SLGA) และใช้รูปแบบการสืบทอดนโยบายการดำเนินงานที่เหมาะสมสำหรับระบบอ่างเก็บน้ำหลาย threeobjective Han et al. (2012) ใช้อัลกอริธึมพันธุกรรมแบบ selfadaptive กับจำลองครอสโอเวอร์ไบนารีการค้นหากฎการดำเนินงานอ่างเก็บน้ำที่เหมาะสม GA ดูเหมือนว่าเหมาะอย่างยิ่งสำหรับการแก้ปัญหาหลายวัตถุประสงค์เนื่องจากมันพร้อมกันกับชุดของการแก้ไขปัญหา นี้ช่วยให้การรหัสของสมาชิกหลายของ Pareto สุดตั้งค่าในครั้งเดียวงาน ตรงกันข้ามกับเทคนิคการเขียนโปรแกรมคณิตศาสตร์ดั้งเดิมแม้ว่า GA มีประสิทธิภาพ

ผลลัพธ์ (ไทย) 2:

2.3 หลายวัตถุประสงค์อ่างเก็บน้ำระบบนิเวศรูปแบบการดำเนินงานที่ดีที่สุด
ในซับฟังก์ชั่นหลายวัตถุประสงค์จะต้องมีการเพิ่มประสิทธิภาพ
พร้อมกัน โดยไม่สูญเสียของทั่วไป, ซับกับวัตถุประสงค์ R ขั้นต่ำและข้อ จำกัด หลายสามารถทางคณิตศาสตร์
ที่ระบุไว้ดังต่อไปนี้ (Li et al,, 2010A, 2010b.)
นาทีFðXÞ¼นาที FF 1ðXÞ; F 2ðXÞ; ... ; F rðXÞgð2aÞ
เรื่องไปที่:
giðXÞr0ฉัน¼ 1; 2; ... ; L ð2bÞ
hjðXÞ¼ 0 J ¼ 1; 2; ... ; M ð2cÞ
Xl
krXkrXu kk ¼ 1; 2; ... ; n ð2dÞ
ที่ X คือเวกเตอร์ตัดสินใจ; F rðXÞเป็นฟังก์ชันวัตถุประสงค์ RTH;
FðXÞเป็นเวกเตอร์วัตถุประสงค์; giðXÞเป็นข้อ จำกัด บอดความไม่เท่าเทียมกัน;
hjðXÞเป็นข้อ จำกัด ที่เท่าเทียมกัน jth; Xlk และเสี่ยวเคล่างและชั้นบน
ขอบเขตการตัดสินใจตัวแปร Xk.
เห็นได้ชัดว่ารูปแบบ (2) เป็นอ่างเก็บน้ำหลายวัตถุประสงค์ดั้งเดิม
รูปแบบการดำเนินงานโดยไม่คำนึงถึงความต้องการด้านสิ่งแวดล้อมเพื่อที่จะไม่สามารถจัดการกับสิ่งแวดล้อมหรือระบบนิเวศ
ปัญหาในระหว่างการดำเนินอ่างเก็บน้ำ . นอกจากนี้การแก้วัตถุประสงค์หลายคนพร้อมกันจะลดความเร็วในการทำงานของ
ก๊าซดังนั้นบางประมวลผลบางอย่างที่ควรจะนำมาใช้.
ในกระดาษนี้วิธีการชั่งน้ำหนักเป็นลูกจ้างในการแปล
วัตถุประสงค์หลายวัตถุประสงค์เดียวที่จะได้รับ
จากน้ำหนักรวมของ หลายวัตถุประสงค์เดิม (Chen
et al., 2007) ข้อ จำกัด ด้านสิ่งแวดล้อมหรือระบบนิเวศจะ
​​ฝังตัวอยู่ในรูปแบบการดำเนินงานแบบดั้งเดิมดังนั้น multiobjective รูปแบบการดำเนินงานของระบบนิเวศอ่างเก็บน้ำสามารถเกิดขึ้นเป็น
ดังนี้
นาทีFðXÞ¼ω1f1ðXÞþω2f2ðXÞþ⋯þωrfrðXÞð3aÞ
เรื่องไปที่:
giðXÞr0ฉัน¼ 1; 2; ... ; L ð3bÞ
hjðXÞ¼ 0 J ¼ 1; 2; ... ; M ð3cÞ
Ls
ðXÞrRs s ¼ 1; 2; ... ; T ð3dÞ
rΣ
Z ¼ 1
ωz¼ 1 Z ¼ 1; 2; ... ; R ð3eÞ
Xl
krXkrXu kk ¼ 1; 2; ... ; n ð3fÞ
ที่LsðXÞเป็นข้อ จำกัด ฏคุณภาพน้ำทางสถิติ อาร์เอสเป็น
ความต้องการคุณภาพน้ำ; ωzเป็นน้ำหนักของวัตถุประสงค์ zth
ฟังก์ชั่น รุ่น (3) บูรณาการรูปแบบคุณภาพน้ำทางสถิติ
ลงในแบบดั้งเดิมอ่างเก็บน้ำหลายวัตถุประสงค์การดำเนินงานที่ดีที่สุด
รุ่นซึ่งสามารถพิจารณาความต้องการด้านสิ่งแวดล้อมในระหว่าง
การดำเนินงานอ่างเก็บน้ำ รุ่น (3) จะได้รับการแก้ไขได้ผ่าน
ขั้นตอนวิธีพันธุกรรมที่ดีขึ้น.
2.4 ขั้นตอนวิธีพันธุกรรม
ขั้นตอนวิธีทางพันธุกรรม (GA) ที่เสนอโดยจอห์นฮอลแลนด์
(ฮอลแลนด์, 1975) และได้ถูกนำมาใช้อย่างกว้างขวางในการแก้ปัญหาที่แตกต่างกัน
ปัญหาการเพิ่มประสิทธิภาพ เมนบอร์ด GA จำลองกระบวนการบางอย่าง
ที่สังเกตในวิวัฒนาการตามธรรมชาติ มันเริ่มต้นด้วยการสร้างแบบสุ่ม
ประชากรเริ่มต้นของสตริงของตัวแปรที่รู้จักกันเป็นโครโมโซม
ที่ถือพารามิเตอร์ยีนและขนาดของประชากร.
ผู้ประกอบการบางรวมถึงการเลือกรูปแบบ (ทำสำเนา) ครอสโอเวอร์และการกลายพันธุ์จะดำเนินการเพื่อปรับปรุงการ
ออกกำลังกาย ของการแก้ปัญหาผ่านการทำซ้ำ โครโมโซมที่สามารถ
เป็นตัวแทนที่มีรหัสไบนารีหรือทศนิยมดังนั้น GA สอดคล้องกัน
จะเรียกว่าเป็นไบนารีรหัสจริงหรือรหัส GA ในผู้ประกอบการเลือก
ชุดของโครโมโซมได้รับการคัดเลือกเป็นพ่อแม่เริ่มต้นที่
ขั้นตอนการทำสำเนาบนพื้นฐานของการออกกำลังกายของพวกเขา กระบวนการของ
การผสมพันธุ์จะดำเนินการผ่านผู้ประกอบการครอสโอเวอร์ การกลายพันธุ์,
การเปลี่ยนแปลงโดยพลการของยีนที่จะดำเนินการเพื่อรักษา
ความหลากหลายทางพันธุกรรมในประชากร ความน่าจะเป็นของการเกิดการกลายพันธุ์ควรจะเก็บไว้ต่ำที่สุดเท่าที่มันอาจจะส่งผลกระทบต่อความดี
การแก้ปัญหา (เชียนและวัง 2011) ขั้นตอนการคัดเลือกสุ่ม
ลำเอียงต่อบุคคลช่างฟิตจะดำเนินการในการเลือก
ชุดใหม่ของประชากรสำหรับรุ่นต่อไป ที่สร้างขึ้นใหม่
ประชากรได้รับการประเมินต่อไปและการทดสอบสำหรับการยกเลิก ถ้า
เกณฑ์การเลิกจ้างไม่เป็นไปตามจำนวนประชากรที่มีการซ้ำ
การดำเนินการและประเมินผลต่อไปโดยด้านบนสามผู้ประกอบการจน
เกณฑ์การสิ้นสุดของจำนวนสูงสุดที่ตั้งไว้ล่วงหน้าของคนรุ่น
จะพบ (อาเหม็ดและ Sarma 2005; Vascan และ Raju 2009).
เมื่อเร็ว ๆ นี้ , GA ได้รับนำไปใช้กับการค้นหาสำหรับการเพิ่มประสิทธิภาพ multiobjective ซึ่งมีประโยชน์ที่แตกต่างของความสามารถใน
การจัดการกับปัญหาหลายวัตถุประสงค์ที่เพิ่มประสิทธิภาพการไล่ระดับสีอื่น ๆ ตามที่ได้ล้มเหลวในการแก้ปัญหา (Augusto et al., 2006) ยกตัวอย่างเช่นช้าง
(2008) ได้เสนอกลยุทธ์การลงโทษที่เหมาะสมสำหรับพารามิเตอร์ทุกคนในการสั่งซื้อ
เพื่อเป็นแนวทางในกระบวนการค้นหา GA, ซึ่งจะใช้เป็นเครื่องมือค้นหาสำหรับ
การดำเนินงานอ่างเก็บน้ำน้ำท่วม; Hakimi-Asiabar et al, (2009) แสดงให้เห็นถึง
แนวคิดของกฎการเรียนรู้ของตนเองจัดแผนที่ (SOM) ซึ่งสามารถ
เรียนรู้และปรับปรุงประสิทธิภาพของขั้นตอนวิธีการประมวลผลข้อมูลที่มี
วัตถุประสงค์ของการปรับปรุงความหลากหลายทางพันธุกรรมนั้น . Hakimi-Asiabar, et al
(2010) การพัฒนาเรียนรู้ด้วยตนเองขั้นตอนวิธีพันธุกรรม (SLGA) รูปแบบและ
นำมาประยุกต์ใช้รูปแบบการให้ได้มาซึ่งนโยบายการดำเนินงานที่ดีที่สุดสำหรับ threeobjective ระบบหลายอ่างเก็บน้ำ Han et al, (2012) จ้างขั้นตอนวิธีพันธุกรรม selfadaptive กับครอสโอเวอร์ไบนารีจำลองการค้นหา
กฎปฏิบัติการอ่างเก็บน้ำที่เหมาะสม เมนบอร์ด GA ดูเหมือนว่าเหมาะอย่างยิ่ง
สำหรับการแก้ปัญหาการเพิ่มประสิทธิภาพหลายวัตถุประสงค์เพราะมันเกี่ยวข้อง
พร้อมกันกับชุดของการแก้ปัญหาที่เป็นไปได้ นี้จะช่วยให้
บัตรประจำตัวของสมาชิกหลายคนของชุด Pareto ที่ดีที่สุดในตัวเดียว
วิ่งในทางตรงกันข้ามกับเทคนิคการเขียนโปรแกรมทางคณิตศาสตร์แบบดั้งเดิม.
แม้ว่า GA มีประสิทธิภาพ