1、2023.No.3四 川 水 利水资源管理与供水保障基于混合遗传算法的区域水资源优化调度方法研究顾佳俊(新疆河润科技有限公司，乌鲁木齐，830000)【摘要】为优化区域水资源调度，研究提出引入遗传算法的 BP 神经网络区域水资源优化调度方法。首先运用遗传算法优化 BP 神经网络，随后在此基础上构建了区域水资源优化调度模型，最后对模型的应用效果进行了检验分析。结果显示，优化后的模型在迭代 70 次后趋于稳定，损失值保持在 0.05 水平。这表明，引入遗传算法的 BP 神经网络区域水资源优化调度方法提高了水资源监测的准确性和运行效率，能够改进常规调度方法的不足，实现水资源的高效节约利用。【关键词】
2、遗传算法反向传播神经网络水资源水库中图分类号:TV213.4文献标志码:A文章编号:20951809(2023)03011306反向传播神经网络(Back Propagation NeuralNetwork，BPNN)通过神经单元之间的相互连接，实现输入与输出之间的非线性映射1，具有运行效率高和泛化能力强等优势，但在面对大量数据样本时存在震荡较多和陷入局部最优等局限性23。遗传算法(Genetic Algorithm，GA)是一种模拟自然界生物生存的智能算法，常常作为优化算法被应用于图像处理和自动控制等领域4。水资源是一切生命机体生存所必需的基础物质，在人类的生产和生活中发挥着重要作用。区域水
3、资源调度通过对水资源的合理管理，提高水资源利用率，缓解水资源的供给与利用矛盾。但在实际应用过程中，区域水资源调度存在缺乏技术支撑和协调机制有效性低等问题57，因此，研究提出引入 GABP 神经网络的区域水资源优化调度方法，以期实现在满足供水需求的同时，提高水资源管理水平，为经济、社会和生态的可持续性发展提供保障。1引入 GABP 神经网络的区域水资源优化调度方法1.1GABP1.1GABP 神经网络神经网络BP 神经网络的核心是反向传播，在对输入信息的大量训练与学习后获得输出值，计算输出值与期望值之间的误差，并以此为依据调整神经网络的连接权值。通过多次迭代逐渐减小误差，获得最佳输出结果8。GA
4、 算法通过设置适应度函数评估群体中个体的优劣性，在此基础上选择是否将其纳入候补范围。在选择和淘汰中搜寻最优解910。在 BP 神经网络中融入 GA 算法，有利于发挥 GA 算法强大搜寻最优解功能，提高确定最佳权值和最佳阈值的效率，优化 BP 神经网络预测效果11。假设 BP 神经网络输入层、隐含层和输出层的节点数分别为 O、P 和 Q，隐含层和输出层的阈值分别为 A1和 A2，隐含层作为中间层，与输入层和输出层之间的连接权值分别为 B1和 B2采用二进制编码法对 A1、A2、B1和 B2进行编码表现神经网络的权值和阈值，直观反映权值和阈值的基因属性，编码长度如公式(1)所示。L=nOnP+nP
5、nQ+nP+nQ(1)式中，n 表示输入层的神经元个数。在此基础上产生 M 个 XP 个体组成的初始种群 P。针对种群中的每一个个体，需要设置适应311顾佳俊:基于混合遗传算法的区域水资源优化调度方法研究2023.No.3度函数对其进行评估，适应度函数在一定程度上反映了个体遗传的概率:适应度值越大的个体，其基因遗传到下一代的概率越大。采用预测值和真实值之间的误差作为适应度函数，其计算如式(2)所示。F=m=12mm(yy)2(2)式中，y 表示真实值，y表示预测值。利用适应度函数计算每个个体的适应度值并进行大小排序，以此为依据淘汰适应性较差的个体，确保种群整体质量。同时适应度较高的个体直接被复
6、制到下一代进行遗传，减小运算量，提高收敛速度。种群中第 i 个个体的被选择概率如式(3)所示。Pi=fmaxi1n1()(fmaxfmin)(3)式中，fmin表示适应度的最小值;fmax表示适应度的最大值。在 GA 算法中，新个体主要通过交叉因子产生，交叉因子是两个个体相同位置的基因。交叉操作的表述如式(4)所示。acl=acl(1b)+adlbadl=adl(1b)+aclb(4)式中，a 表示交叉操作;c 和 d 分别表示种群中第 c个个体和第 d 个个体;b 是随机数，b 0，1;l 表示基因位置。针对在遗传过程中个体基因被破坏的情况，需要采用变异操作对其进行修复和补充，保证种群基因的
7、完整性和多样性。变异操作的表述如式(5)所示。acd=acd+a(cdamax)r2(1gGmax)r10.5acd+(aminacd)r2(1gGmax)r10.5(5)式中，amax表示 acd的下边界;amin表示 acd的上边界;g 表示当前迭代次数;Gmax表示最大迭代次数;r1和 r2是随机数，均 0，1。通过选择、交叉和变异操作后产生新的个体，将新生个体集合并加入到原始种群中，对更新后的种群再次进行适应度值评估，通过不断迭代缩小学习误差，直到满足精度要求，即可得到 BP 神经网络的最优权值和阈值。GABP 算法流程如图 1 所示。图 1GABP 算法流程图 1 中，GA 算法将
8、BP 神经网络中各神经元的连接值作为个体，进行编码、选择、交叉和变异操作，在一次次的迭代过程中，剔除无效和适应度低的个体，降低 BP 神经网络的学习误差，不断提高样本群的整体适应能力，从而确定最优连接值。1.2GABP1.2GABP 区域水资源优化调度模型区域水资源优化调度模型区域水资源的优化调度涉及到多个地区的降水量、需水量和提水费用等因素，对水务领域内繁杂数据的处理能力影响着水资源的调度效果12。GABP 神经网络能够改进 BP 神经网络过拟合和局部最优等不足，优化 BP 神经网络的全局搜索能力，保证输出结果的精准性，同时能够减少运行程序，降低计算困难度13。在区域水资源的优化调度中融入
9、GABP 神经网络，有利于提高对水资源利用的预测准确度，为水资源优化调度提供可靠的参考。区域水资源优化调度通过合理配置水资源，优化区域内经济和生态等目标，实现整个城市系统和生态系统的可持续性发展。设置 S为水源，t 为需水部门，et为需水效益，wt为需水部门的污水排放指数，区域水资源优化调度模型的经济和生态目标函数如式(6)所示。maxh1(x)=max 4t=11s=1etstxstminh2(x)=min 4t=10.01dtwt1s=1stxst(6)式中，x 表示影响目标函数决策的变量;h1(x)和h2(x)分别表示经济目标和生态目标;t=4 表示生态部门需水;st和 xst分别表示水
10、源向需水部门的配水关系和配水量;dt表示废水中化学需氧量的浓度。根据最大经济目标和最小废水化学需氧量目标，确定区域水资源优化调度模型多目标函数，其4112023.No.3四 川 水 利表述如式(7)所示。F=Opt h1(x)，h2(x)(7)式中，由多个 x 组成了约束条件合集，即 S(x)。通过约束条件确定水资源指标底线和区域水资源管理的边界，加强对水资源需求和调度费用的管理，实现减少水资源浪费和全面节水的目标。供水量、需水量和环境最低需水量的约束条件如式(8)所示。txstOsminOtt(xst+xct)maxOtxst+xctOeco_min_t (8)式中，Os表示水源的最大供水能
11、力;maxOt和minOt分别表示需水部门需水量的最大值和最小值;c 表示供水费用;Oeco_min_t表示满足需水部门的最小环境需水量。在目标函数和约束条件的基础上，得到区域水资源优化调度总体模型，其运算如式(9)所示。optF=1h1maxh1h1maxh1min+1h2(9)式中，1和 2分别表示经济目标和生态目标模型函数对应的权重大小，二者之和为 1。利用 GABP 神经网络对每个目标函数进行求解，获得第 n 个需求部门的初始状态 Sn，水源向第 n 个需求部门的供水量 xn，通过计算得到区域水资源优化调度的最优值，其运算如式(10)所示。Yn(Sn，xn)=F(Sn，xn)+Y*n+
12、1(Sn+1)Y*n+1(Sn+1)=minxn+1Yn+1(Sn+1，xn+1)=Yn+1(Sn+1，x*n+1)(10)式中，Yn表示目标函数和约束条件下的函数值;Yn+1表示最优函数值;x*n+1表示决策约束的候补目标;Y*n+1(Sn+1)表示次优函数值。GABP 区域水资源优化调度模型如图 2 所示。图 2GABP 区域水资源优化调度模型图 2 中，GABP 区域水资源优化调度主要包括建立目标函数、确定约束条件和 GABPNN 求解三个模块。通过观察和监测获取水务领域内的供水量、需水量和水库的水量情况，其中供水量主要为降水量，需水量包括农业需水量、生活用水量、工业用水量和生态用水量，
13、水库的水量情况包括蓄水量和调水量。以此为依据，设置合理的目标函数和约束条件，并将其输入到 GABPNN 中进行训练和学习，通过迭代搜寻全局最优解，最终确定 GABP 区域水资源优化调度的最佳方案。2GABP 神经网络区域水资源优化调度模型应用2.1GABP2.1GABP 算法性能分析算法性能分析将 A 和 B 数据集用于模型训练的训练与测试，在两个数据集中均随机选取 75%作为训练集，15%作为测试集，10%作为验证集。实验过程中，加入常规水资源调度、GA 水资源调度和 BP神经网络水资源调度三种方法作为实验对比。在实验前通过试验确定 GABP 神经网络各层次的节点数，以完成 GABP 神经网
14、络的搭建。根据经验值，设置输出层的节点数量达到 41、输入层和隐藏层的节点数量达到 201 时实验停止。不同节点数量下 GABP 模型的性能对比如图3 所示。图 3不同节点数量下 GABP 模型的性能对比图 3 中，当输出层的节点数量达到 9 时，GABP 模型性能最优，其 F1 值达到 0.87;当输入层和隐藏层的节点个数分别为 70 和186 时，GABP模型的 F1 值达到最高水平，分别为 0.88 和0.85。因此，设置 BPNN 的输入层节点个数为70，隐藏层接节点个数为 186，输出层节点个数为9，并设置其学习速率为 0.01，将 Windows 作为实验运行条件，在 MATLAB
15、 2018b 中完成 GABP神经网络的搭建。不同水资源调度方法下的网络511顾佳俊:基于混合遗传算法的区域水资源优化调度方法研究2023.No.3训练步长曲线如图 4 所示。(a)A 数据集(b)B 数据集图 4不同水资源调度方法下的网络训练步长曲线由图 4 可知，在数据集 A 和 B 的训练中，在步长分别为 360 步和 405 步时，模型训练结果达到相对均方误差为 0.0008 的最佳训练效果。其中，GABPNN 模型的训练步长最短，且动荡变化最少。在数据集 A 的训练中，GABPNN 模型在70 步后相对均方误差趋于稳定;常规调度方法在160 步后达到最佳训练效果，收敛速度最慢。在数据
16、集 B 的训练中，GABPNN 模型从 50 步左右基本趋于稳定，常规调度方法在 135 步后趋于收敛，BPNN 调度方法的在 225 步后训练效果最佳，步数最长。可以看出，GABPNN 模型能够减少震荡，降低学习误差，提高模型稳定性。不同水资源调度方法下的损失曲线如图 5 所示。(a)A 数据集(b)B 数据集图 5不同水资源调度方法下的损失曲线图 5 中，在数据集 A 的训练中，GABPNN 模型在迭代 140 次后，损失值达到 0.07 的最低水平;GA 调度方法在迭代 210 次后损失值稳定在0.1 左右，损失值较低;训练效果最差的是常规调度方法，其迭代次数和损失值相较于 GABPNN模型分别提高了 110 次和 0.2。在数据集 B 的训练中，GABPNN 模型在迭代 70 次后损失值保持在 0.05 的稳定水平，BPNN 调度方法的迭代次数最多，为 190 次;常规调度方法在迭代 170 次后趋于稳定，损失值保持在 0.3 的最高水平。可以看出，GABPNN 模型加快了最优解搜寻速度，提高了收敛速度。同时降低了模型在运行过程中的损失，优化了区域水资源优化调度模型性能。2.2
