CN116029405A - 一种基于灌区渠系的多目标动态配水方法 - Google Patents

Abstract

本发明公开了一种基于灌区渠系的多目标动态配水方法，包括：对数据归集和初始化，基于数据清洗机制消除不完整数据、重复数据；同时，考虑到闸门操作次数过多对渠系输水损失、输水过程中流量衔接不稳定的情况，构建渠系配水流量约束、最大轮期约束、水量平衡约束、上级渠道引水流量约束等约束，构建的动态配水的三个目标函数，即闸门操作次数最小化模型、渠系输水损失最小化模型、渠道输水平稳模型；设定综合考虑三个目标函数的适应度函数，寻找使适应度函数最小的可行解，获得渠系各干渠的动态配水最优方案。本发明能够通过模型优化，选择当前优化状态下的最优解，从而降低闸门开关次数，降低渠系输水损失，减少灌区管理成本，保证渠系高效运行。

Description

一种基于灌区渠系的多目标动态配水方法

技术领域

本发明涉及优化调度技术领域，具体涉及一种基于灌区渠系的多目标动态配水方法。

背景技术

浙江省拥有相对丰富的水资源，但存在时空分布不均，季节性缺水严重等“先天”缺陷，制约着灌区经济的整体发展。目前主要依靠人工经验进行水资源调度，导致灌区的水资源常常得不到优化配置，从而造成整个灌区农业作物产量减产，无法满足农作物精准灌溉的需求，而且还造成了不可忽视的环境问题，因而需要一种灌区渠系的科学合理动态配水方法。

目前针对灌区水资源配置问题，国内众多学者开展了这方面的研究，例如田桂林等人提出一种基于天牛须搜索算法的渠系优化配水模型，通过优化渗漏量，解决高维渠系优化配水问题；李彤姝等人提出一种基于多目标粒子群算法的渠系优化模型，将水流过渡平稳和输水损失最小作为优化目标，能够实现配水贴近实际并合理调整流量大小；贺建文等人提出一种基于NSGA－Ⅱ遗传算法的灌区优化配水模型，解决灌区水资源利用效率低，管理水平不高的问题；郭珊珊等人针对渠系配水传统人工调度难以统筹优化的问题，充分考虑配水持续时间的不确定性，提出一种基于多目标多变量渠系优化配水模型，能够实现集中、高效配水；潘琦等人提出一种基于渠系输水模拟与土壤水量平衡模拟的两级渠系优化配水模型，通过输水渗漏损失的渠系优化配水模型与土壤水量平衡模拟模型耦合，达到节水增产的效果。

上述学者虽然对灌区水资源配置进行了相关研究，但是没有考虑闸门操作次数过多产生的流量衔接不稳定问题，没有综合考虑闸门操作次数、渠系输水损失和渠道输水过程的流量变化，导致灌区动态配水调度效率低，难以较好解决灌区生产和生态用水之间、上下游不同灌片之间的用水矛盾。

发明内容

针对现有技术中存在的不足之处，本发明提供一种基于灌区渠系的多目标动态配水方法，其根据水资源动态情况，优化确定灌区水资源在不同时空的配水方案，统筹协调解决灌区生产和生态用水之间、上下游不同灌片之间的用水矛盾，实现灌区水资源优化配置、优化调度、优化利用。

本发明公开了一种基于灌区渠系的多目标动态配水方法，包括：

对不同类型数据进行归集和初始化；

基于数据清洗机制，对数据进行预处理；

根据渠道运行要求，构建渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束；

建立闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型；

初始化各项参数，随机生成多个可行解；

判断每一个可行解是否满足渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束；

若均满足，则对闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型进行无量纲化和权重赋值，构建适应度函数；

计算每一个可行解的适应度函数值，并选择适应度函数值越小的可行解作为当前迭代的最优可行解；

若当前迭代次数大于最大迭代次数，则输出当前的最优方案；

若当前迭代次数不大于最大迭代次数，则更新每一个可行解，迭代次数+1，并继续上述可行解是否满足约束的判断步骤。

作为本发明的进一步改进，所述对不同类型数据进行归集和初始化，包括：

将实时监测数据和灌区基础数据，保存并归集于数据库中，完成数据归集和初始化；其中，所述实时监测数据包括水雨情实时监测数据以及水质、气温、土壤墒情、闸站工况、监控视频的实时监测数据，数据采集的方式包括数据同步、人工录入和爬虫爬取。

作为本发明的进一步改进，所述基于数据清洗机制，对数据进行预处理；包括：

将归集和初始化后的数据转换为统一格式；

查询并替换不完整数据；

删除重复的字符数据段。

作为本发明的进一步改进，

所述查询并替换不完整数据，包括：

将不完整数据距离最近的K个邻居，将K个邻居数据的平均值替换该不完整数据，K≥2；

所述删除重复的字符数据段，包括：

计算任两个字符数据段之间的匹配相似度S_相似：

式中，dist(S_x,S_w)为字符数据段x和字符数据段w之间的距离，V(S_x,S_w)为字符数据段x和字符数据段w的平均字符数；

其中，

S_x＝{S_x1,S_x2ΛS_xn}

S_w＝{S_w1,S_w2ΛS_wn}

式中，S_x为字符数据段x，S_w为字符数据段w，S_xn为字符数据段x的第n个字符，S_wn为字符数据段w的第n个字符，Len(S_x)为字符数据段x长度，Len(S_w)为字符数据段w长度；

当两字符数据段匹配相似度大于相似度阈值时，则为两个字符数据段重复，删除其中一个字符数据段。

作为本发明的进一步改进，

所述渠系配水流量约束为：

αq_d％≤q_d≤q_d％

式中，q_d为第d条渠系实际配水流量，q_d％为第d条渠系设计流量，α为最低设计流量的参数；

所述最大轮期约束为：

t_d≤t_max

式中，t_d为第d条渠系的总配水时间，t_max为允许最大总配水时间；

所述水量平衡约束为：

式中，q_d为第d条渠系实际配水流量，

为第d条渠系的第p级渠段的配水流量，n_q为第d条渠系的渠段数量；

所述引水流量约束为：

式中，Q_d-1为第d-1渠道的引水流量，η为上级渠道水利用系数。

作为本发明的进一步改进，

所述闸门次数最小化模型为：

s.t.约束条件：

渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束

式中，N_z为总干渠、干渠及支渠闸门操作总次数，COUNTIF为闸门操作计数函数，Q_z为总干渠流量，d为干渠渠道序号，n_q为干渠渠道总数；

所述渠系损失最小化模型为：

minW_损＝W_总损+W_干损+W_支损

s.t.约束条件：

渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束

式中，W_损为灌区各级渠系输水总损失水量，W_总损为灌区总干渠输水损失水量，W_干损为灌区参与输水的干渠损失水量，W_支损为灌区参与配水的支渠损失水量；

所述渠道输水平稳模型为：

min SC_V＝C_总V+C_干V

s.t.约束条件：

渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束

式中，SC_V为总干渠和干渠的输水过程流量变异系数，C_总V为总干渠的流量变异系数，C_干V为各条干渠的流量变异系数。

作为本发明的进一步改进，所述初始化各项参数，随机生成多个可行解；包括：

初始化当前迭代次数t＝1，总迭代次数T，随机生成M×m个可行解y_ij：

y_i,j＝rand(SA_j-XA_j)+SA_j

式中，y_ij为可行解矩阵中第i行第j个可行解，rand为0-1之间的随机数，XA_j为y_i,j所对应的下界，SA_j为y_i,j所对应的上界；

根据M×m个可行解，获得可行解矩阵Y：

式中，M为可行解矩阵中可行解的数量，m为给定问题的维度大小。

作为本发明的进一步改进，

若可行解不满足渠系配水流量约束，则当q_d大于q_d％时，将q_d直接赋值为q_d％；当q_d小于αq_d％时，将q_d直接赋值为αq_d％；

若可行解不满足最大轮期约束，则将t_d直接赋值为t_max；

若可行解不满足水量平衡约束，则修改下级渠段的配水流量，使其满足水量平衡约束；

若可行解不满足引水流量约束，则修改各下级渠道的净流量，使各下级渠道的净流量之和为Q^η。

作为本发明的进一步改进，所述适应度函数为：

式中，f为适应度函数，λ₁为闸门操作次数目标函数的权重，λ₂为渠系输水损失目标函数的权重，λ₃为渠道输水平稳目标函数的权重。

作为本发明的进一步改进，所述若当前迭代次数不大于最大迭代次数，则更新每一个可行解；包括：

若当前迭代次数t小于等于T/4，T为总迭代次数，则更新可行解的公式为：

式中，y_i,j(t+1)为下一次迭代的可行解i的第j个元素，A_j为最优可行解中的第j个元素，β为敏感参数，μ为0-1的随机数，R_i,j为缩减函数，ξ_i,j为第i个解中第j个位置的狩猎算子，R_i,j为缩减函数；

若当前迭代次数t大于T/4且小于等于T/2，则更新可行解的公式为：

式中，r₁为一个随机数，取值在[1,M]之间，ES(t)为概率比；

若当前迭代次数t大于T/2且小于等于3T/4，则更新可行解的公式为：

若当前迭代次数t大于3T/4且小于等于T，则更新可行解的公式为：

与现有技术相比，本发明的有益效果为：

本发明考虑到闸门操作次数过多对渠系输水损失、输水过程中流量衔接不稳定的情况，构建渠系配水流量约束、最大轮期约束、水量平衡约束、上级渠道引水流量约束等约束，并有效构建的动态配水的三个目标函数，即闸门操作次数最小化模型、渠系输水损失最小化模型、渠道输水平稳模型；设定综合考虑三个目标函数的适应度函数，寻找使适应度函数最小的可行解，获得渠系各干渠的动态配水最优方案；本发明能够通过模型优化，选择当前优化状态下的最优解，从而降低闸门开关次数，降低渠系输水损失，减少灌区管理成本，保证渠系高效运行。

附图说明

图1为本发明一种实施例公开的基于灌区渠系的多目标动态配水方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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的一部分实施例，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的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。

下面结合附图对本发明做进一步的详细描述：

如图1所示，本发明提供一种基于灌区渠系的多目标动态配水方法，包括：

步骤1、对不同类型数据进行归集和初始化；

具体为：

对于水雨情的实时监测数据，通过平台抽取的方式直接汇聚到数据库中，对于水质、气温、土壤墒情、闸站工况、监控视频等其他实时监测数据，采集数据库同步和人工录入两种方式进行归集，对于灌区的基础数据，采用爬虫技术爬取网站中有关灌区的基本信息，并保存到数据库中，最后将数据归集至数据库中，实现数据归集和初始化。

步骤2、基于数据清洗机制，对数据进行预处理，预处理包括查询并替换不完整数据和删除重复的字符数据段；

具体为：

步骤21、建立数据清洗机制，对同步和汇聚到的数据进行实时分析，将数据转换为统一格式，存储到数据库中；

步骤22、确定数据库中的不完整数据，并寻找距离不完整数据最近的K个邻居，K为大于等于2的正整数，将这K个邻居数据的平均值替换该不完整数据；

步骤23、计算任两个字符数据段之间的匹配相似度，当两字符数据段匹配相似度大于相似度阈值(如0.95)时，则为两个字符数据段重复，删除其中一个字符数据段；其中，两字符数据段匹配相似度的具体计算过程为：

令S_xn表示字符数据段x的第n个字符，S_wn表示字符数据段w的第n个字符，则：

S_x＝{S_x1,S_x2ΛS_xn}   (1)

S_w＝{S_w1,S_w2ΛS_wn}   (2)

式中，S_x表示字符数据段x，S_w表示字符数据段w，计算数据的平均字符数，即

式中，Len(S_x)表示字符数据段x长度，Len(S_w)表示字符数据段w长度，V(S_x,S_w)表示字符数据段x和w的平均字符数；

计算每一个字符数据段之间的匹配相似度：

式中，S_相似表示两字符数据段的匹配相似度，dist(S_x,S_w)表示字符数据段x和w之间的距离。

步骤3、根据渠道运行要求，构建渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束；

具体为：

步骤31、根据采集的数据库中数据，按照灌区渠道运行的要求，考虑实际配水流量是设计流量的α～1倍，构建渠系配水流量约束，即：

αq_d％≤q_d≤q_d％

式中，q_d为第d条渠系实际配水流量，q_d％为第d条渠系设计流量，α为最低设计流量的参数；

步骤32、考虑渠系总配水时间小于等于根据灌溉预报计算确定的允许最大总配水时间，构建最大轮期约束，即

t_d≤t_max   (6)

式中，t_d为第d条渠系的总配水时间，t_max为允许最大总配水时间，最大总配水时间根据预报的灌水中间日确定；

步骤33、考虑到上级渠道第d渠段实际配水流量应等于该渠段末端所连的各下级渠道的实际配水流量之和，构建水量平衡约束，即

式中，q_d为第d条渠系实际配水流量，

为第d条渠系的第p级渠段的配水流量，n_q为第d条渠系的渠段数量；

步骤34、考虑各下级渠段净流量之和不大于上级渠系引水流量，构建上级渠道引水流量约束，即：

式中，Q_d-1为第d-1渠道的引水流量，η为上级渠道水利用系数。

步骤4、建立闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型，其作为动态配水的三个目标函数；

具体为：

步骤41、考虑多级渠系配水要尽可能考虑人为操作便利性，应让闸门操作次数少，因此建立闸门操作次数最小化模型：

s.t.约束条件(5)-(8)

式中，N_z表示总干渠、干渠及支渠闸门操作总次数，COUNTIF表示闸门操作计数函数，Q_z表示总干渠流量，d表示干渠渠道序号，n_q表示干渠渠道总数；

步骤42、设定渠道水利用系数、渠道长度及衬砌情况、渠床特性等参数，根据渠道实际运行流量、渠系配水时间、上级渠道引水流量等信息，计算渠道输水损失量，并结合实测结果进行数据修正。考虑渠系渗漏损失应尽可能少，因此建立渠系输水损失最小化模型：

min W_损＝W_总损+W_干损+W_支损   (10)

s.t.约束条件(5)-(8)

式中，W_损表示灌区各级渠系输水总损失水量，W_总损表示灌区总干渠输水损失水量，W_干损表示灌区参与输水的干渠损失水量，W_支损表示灌区参与配水的支渠损失水量；

步骤43、考虑流量平稳输送，应让渠道输水过程的流量变化最小，因此建立渠道输水平稳模型：

min SC_V＝C_总V+C_干V   (11)

s.t.约束条件(5)-(8)

式中，SC_V表示总干渠和干渠的输水过程流量变异系数，C_总V表示总干渠的流量变异系数，C_干V表示各条干渠的流量变异系数。

步骤5、初始化各项参数，随机生成多个可行解；

具体为：

初始化当前迭代次数t＝1，总迭代次数T，令y_ij表示可行解矩阵中第i行第j个可行解，可行解由所有渠系的实际配水流量和总配水时间构成；通过公式(12)初始化M×m个可行解，其中M表示可行解矩阵中可行解的数量，m表示给定问题的维度大小；

y_i,j＝rand(SA_j-XA_j)+SA_j   (12)

式中，y_i,j表示可行解i中第j个元素，rand表示0-1之间的随机数，XA_j表示y_i,j所对应的下界，SA_j表示y_i,j所对应的上界。根据M×m个可行解，获得可行解矩阵Y。

步骤6、判断每一个可行解是否满足渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束；

具体为：

若可行解不满足渠系配水流量约束，则当q_d大于q_d％时，将q_d直接赋值为q_d％；当q_d小于αq_d％时，将q_d直接赋值为αq_d％；

若可行解不满足最大轮期约束，则将t_d直接赋值为t_max；

若可行解不满足水量平衡约束，则修改下级渠段的配水流量，使其满足水量平衡约束；

若可行解不满足引水流量约束，则修改各下级渠道的净流量，使各下级渠道的净流量之和为Q^η。

步骤7、若均满足上述约束，则对闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型进行无量纲化和权重赋值，构建适应度函数；其中，

适应度函数为：

式中，f为适应度函数，λ₁为闸门操作次数目标函数的权重，λ₂为渠系输水损失目标函数的权重，λ₃为渠道输水平稳目标函数的权重。

步骤8、计算每一个可行解的适应度函数值，并选择适应度函数值越小的可行解作为当前迭代的最优可行解；若当前迭代次数大于最大迭代次数，则输出当前的最优方案；

步骤9、若当前迭代次数不大于最大迭代次数，则更新每一个可行解；

具体为：

步骤91、如果当前迭代次数t小于等于T/4，则模拟鳄鱼的包围行为，通过公式(15)更新每一个可行解：

式中，y_i,j(t+1)表示下一次迭代的可行解i的第j个元素，A_j表示最优可行解中的第j个元素，β表示敏感参数，控制迭代过程中的精度，μ表示0-1的随机数，R_i,j表示缩减函数，用于减少搜索区域的值。ξ_i,j表示第i个解中第j个位置的狩猎算子，可表示为：

ξ_i,j＝A_j×H_i,j(t)   (16)

式中，H_i,j(t)表示当前迭代次数t下，最优可行解的第j个元素与当前可行解的第j个元素之间的百分比差异，可表示为：

式中，a表示敏感参数，可控制迭代过程中的搜索精度，ε表示参数阈值，y_i,j(t)表示迭代次数t下的可行解i的第j个元素，D(y_i)表示第i个可行解的平均值，可表示为：

R_ij表示缩减函数，用于减少搜索区域的值，可表示为：

式中，r₂表示一个随机数，ε表示参数阈值。

步骤92、如果当前迭代次数t大于T/4且小于等于T/2，则采用公式(20)更新每一个可行解：

式中，r₁表示一个随机数，取值在[1,M]之间，ES(t)表示概率比，可表示为

式中，r₃表示-1到1之间的随机数。

步骤93、如果当前迭代次数t大于

且小于等于

采用公式(23)计更新每一个可行解。

步骤94、如果当前迭代次数t大于

且小于等于T，采用公式(24)计算更新每一个可行解。

步骤10、迭代次数+1，并返回步骤6。

基于此，本发明能够通过模型优化，选择当前优化状态下的最优解，从而降低闸门开关次数，降低渠系输水损失，减少灌区管理成本，保证渠系高效运行。以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于灌区渠系的多目标动态配水方法，其特征在于，包括：

对不同类型数据进行归集和初始化；

基于数据清洗机制，对数据进行预处理；

根据渠道运行要求，构建渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束；

建立闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型；

初始化各项参数，随机生成多个可行解；

判断每一个可行解是否满足渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束；

若均满足，则对闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型进行无量纲化和权重赋值，构建适应度函数；

计算每一个可行解的适应度函数值，并选择适应度函数值越小的可行解作为当前迭代的最优可行解；

若当前迭代次数大于最大迭代次数，则输出当前的最优方案；

若当前迭代次数不大于最大迭代次数，则更新每一个可行解，迭代次数+1，并继续上述可行解是否满足约束的判断步骤。

2.如权利要求1所述的多目标动态配水方法，其特征在于，所述对不同类型数据进行归集和初始化，包括：

将实时监测数据和灌区基础数据，保存并归集于数据库中，完成数据归集和初始化；其中，所述实时监测数据包括水雨情实时监测数据以及水质、气温、土壤墒情、闸站工况、监控视频的实时监测数据，数据采集的方式包括数据同步、人工录入和爬虫爬取。

3.如权利要求1所述的多目标动态配水方法，其特征在于，所述基于数据清洗机制，对数据进行预处理；包括：

将归集和初始化后的数据转换为统一格式；

查询并替换不完整数据；

删除重复的字符数据段。

4.如权利要求3所述的多目标动态配水方法，其特征在于，

所述查询并替换不完整数据，包括：

将不完整数据距离最近的K个邻居，将K个邻居数据的平均值替换该不完整数据，K≥2；

所述删除重复的字符数据段，包括：

计算任两个字符数据段之间的匹配相似度S_相似：

式中，dist(S_x,S_w)为字符数据段x和字符数据段w之间的距离，V(S_x,S_w)为字符数据段x和字符数据段w的平均字符数；

其中，

S_x＝{S_x1,S_x2ΛS_xn}

S_w＝{S_w1,S_w2ΛS_wn}

式中，S_x为字符数据段x，S_w为字符数据段w，S_xn为字符数据段x的第n个字符，S_wn为字符数据段w的第n个字符，Len(S_x)为字符数据段x长度，Len(S_w)为字符数据段w长度；

当两字符数据段匹配相似度大于相似度阈值时，则为两个字符数据段重复，删除其中一个字符数据段。

5.如权利要求1所述的多目标动态配水方法，其特征在于，

所述渠系配水流量约束为：

式中，q_d为第d条渠系实际配水流量，为第d条渠系设计流量，α为最低设计流量的参数；

所述最大轮期约束为：

t_d≤t_max

式中，t_d为第d条渠系的总配水时间，t_max为允许最大总配水时间；

所述水量平衡约束为：

式中，q_d为第d条渠系实际配水流量，为第d条渠系的第p级渠段的配水流量，n_q为第d条渠系的渠段数量；

所述引水流量约束为：

式中，Q_d-1为第d-1渠道的引水流量，η为上级渠道水利用系数。

6.如权利要求1所述的多目标动态配水方法，其特征在于，

所述闸门次数最小化模型为：

s.t.约束条件：

渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束

式中，N_z为总干渠、干渠及支渠闸门操作总次数，COUNTIF为闸门操作计数函数，Q_z为总干渠流量，d为干渠渠道序号，n_q为干渠渠道总数；

所述渠系损失最小化模型为：

minW_损＝W_总损+W_干损+W_支损

s.t.约束条件：

渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束

式中，W_损为灌区各级渠系输水总损失水量，W_总损为灌区总干渠输水损失水量，W_干损为灌区参与输水的干渠损失水量，W_支损为灌区参与配水的支渠损失水量；

所述渠道输水平稳模型为：

min SC_V＝C_总V+C_干V

s.t.约束条件：

渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束

式中，SC_V为总干渠和干渠的输水过程流量变异系数，C_总V为总干渠的流量变异系数，C_干V为各条干渠的流量变异系数。

7.如权利要求1所述的多目标动态配水方法，其特征在于，所述初始化各项参数，随机生成多个可行解；包括：

初始化当前迭代次数t＝1，总迭代次数T，随机生成M×m个可行解y_ij：

y_i,j＝rand(SA_j-XA_j)+SA_j

式中，y_ij为可行解矩阵中第i行第j个可行解，rand为0-1之间的随机数，XA_j为y_i,j所对应的下界，SA_j为y_i,j所对应的上界；

根据M×m个可行解，获得可行解矩阵Y：

式中，M为可行解矩阵中可行解的数量，m为给定问题的维度大小。

8.如权利要求1所述的多目标动态配水方法，其特征在于，

若可行解不满足渠系配水流量约束，则当q_d大于时，将q_d直接赋值为；当q_d小于时，将q_d直接赋值为；

若可行解不满足最大轮期约束，则将t_d直接赋值为t_max；

若可行解不满足水量平衡约束，则修改下级渠段的配水流量，使其满足水量平衡约束；

若可行解不满足引水流量约束，则修改各下级渠道的净流量，使各下级渠道的净流量之和为Q^η。

9.如权利要求1所述的多目标动态配水方法，其特征在于，所述适应度函数为：

式中，f为适应度函数，λ₁为闸门操作次数目标函数的权重，λ₂为渠系输水损失目标函数的权重，λ₃为渠道输水平稳目标函数的权重。

10.如权利要求1所述的多目标动态配水方法，其特征在于，所述若当前迭代次数不大于最大迭代次数，则更新每一个可行解；包括：

若当前迭代次数t小于等于T/4，T为总迭代次数，则更新可行解的公式为：

式中，y_i,j(t+1)为下一次迭代的可行解i的第j个元素，A_j为最优可行解中的第j个元素，β为敏感参数，μ为0-1的随机数，R_i,j为缩减函数，ξ_i,j为第i个解中第j个位置的狩猎算子，R_i,j为缩减函数；

若当前迭代次数t大于T/4且小于等于T/2，则更新可行解的公式为：

式中，r₁为一个随机数，取值在[1,M]之间，ES(t)为概率比；

若当前迭代次数t大于T/2且小于等于3T/4，则更新可行解的公式为：

若当前迭代次数t大于3T/4且小于等于T，则更新可行解的公式为：

Images