數?；诹Ｗ尤核惴ǖ乃畮烊郝摵蟽灮{度問題_數學建模競賽論文-資料下載頁

【導讀】數學建模校內競賽論文 由于水庫在水資源的優化配置中發揮著重要的作用，本文基于粒子群算法建立了水庫群聯合調度的優化模型，使得它們在保證安全運行的基礎上發揮最大的“群體”效應。針對問題一，由于本題是關于各級樞紐電站的統一優化調度問題，具有非線性、離散性等特點。在本文構建水庫聯合調度優化模型，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電量最大值優化。得到最優化調度的流量水位關系。針對問題三，考慮梯級水庫的正常蓄水位的提高和水輪機效率對聯合調度的影響，運用第一題中得到的模型，，水輪機效率提高10%的工作效率情況下的最優化水位流量調度關系，分析每個水電站對于正常蓄水位和水輪機效率的靈敏度，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)