题目：
Improved Multi-objective Moth-flame Optimization Algorithm based on R-domination for cascade reservoirs operation
作者：
Zhendong Zhang a , Hui Qin a,⁎ , Liqiang Yao b , Yongqi Liu a , Zhiqiang Jiang a , Zhongkai Feng a , Shuo Ouyang c
单位：
aSchool of Hydropower and Information Engineering, Huazhong University of Science and Technology, Wuhan, Hubei, China
bChangjiang River Scientific Research Institute of Changjiang Water Resources Commission, Wuhan, Hubei, China
cBureau of Hydrology, Changjiang Water Resources Commission, Wuhan, Hubei, China
刊物/年份：
Journal of Hydrology/2020
文案：聂盼盼
排版：聂盼盼
校核：杨苑
研究背景
早期的水库调度求解方法主要基于动态规划、线性规划、非线性规划和随机动态规划。当决策变量数量增加时，这些方法面临维数灾问题。解决多目标问题的早期机制大多基于加权法和约束法。这些机制一次计算中只能得到一个解。基于帕累托前沿(Pareto front —PF)的多目标进化算法( multi-objective evolutionary algorithm—MOEA)由于同时解决了上述两个问题而得到了广泛的应用。在多目标机制中，Pareto支配和非支配排序方法是非常经典的。然而，当客观维度增大时，越来越多的个体互不支配，这大大增加了非支配排序方法的选择压力。
研究目的
许多大型河流流域是阶梯式开发的，单个水库的最佳效益可能并不适用于整个流域。因此，建立一个考虑发电、生态和通航的梯级水库优化调度模型更加符合实际要求。如何有效求解多目标梯级水库的优化调度模型，且避免陷入局部最优解是该研究的主要目的。
研究
研究方法
该研究提出了一种基于R-支配的改进的多目标蛾焰优化算法，该算法从更新公式、飞蛾线性飞行路径的灵感和火焰个体更新策略三方面进行改进，对多目标优化调度模型进行有效求解。
改进的MFO算法(IMFO)：
(1) 更新公式的改进：IMFO的更新公式与原来的MFO相似，但在细节上有三个变化。
a. 螺旋的中心被飞蛾个体和火焰个体的均值所取代。
b. 提高了飞蛾个体与火焰个体之间的距离影响参数c。
c. 去除火焰个体与飞蛾个体之间距离的绝对符号。
(2) 飞蛾直线飞行轨迹的启发
原MFO算法只考虑了螺旋飞行轨迹而没有考虑直线飞行轨迹。为了激发一条直线飞行路径，创建一个新的个体，即月球个体，记为Mo。在单目标IMFO算法中，Mo可以是所有个体的最优解。在多目标IMFO算法中，Mo可以是通过一定策略维护的外部存档集。由于月球个体Mo代表整个搜索过程的最优解集，引入Mo可以加快收敛速度。
(3) 火焰个体更新策略的改进
在单目标算法中，新生成的飞蛾个体及其对应的火焰个体可以通过比较客观值直接决定是否用新生成的飞蛾个体代替火焰个体。然而，在多目标算法中，仅仅依靠客观价值可能无法确定利弊，因为可能会出现两个个体互不支配的情况。如果两者不互相支配，从月球个体中随机选择一个来代替目前的火焰个体。这种改进既保留了新生成的优个体，又加强了个体之间的沟通，有利于提高收敛速度，避免陷入局部最优。
图1 R -支配原理图 (以二维极小化问题为例)
R -支配关系示意图如图1所示，其中R1、R2为参考点；A，B，C，D和E是个体。个体A、B和C与R1相关，个体D和E与R2相关。
研究结果
(1)案例中的评估度量 表1 案例研究中10种算法得到的HV平均值
从表1中HV(Hypervolume)的相对阶数可以看出，在这种情况下R-IMOMFO的HV最大，说明R-IMOMFO在求解梯级水库调度多目标优化问题时具有很强的能力。
注：为了比较不同的进化算法[GA-Genetic Algorithm(遗传算法)，MFO，IMFO)]和不同的多目标机制(framework of NSGAIII，R-支配排序方法)，分别得到如下算法:R-IMOMFO,R-MOMFO,R-MOGA, NSIMFOIII, NSMFOIII和NSGAIII。此外，MOEA/D、dMOPSO和现有的改进MFO算法R-IMFO参与了比较。
[R-MOMFO—Multi-objective Moth-flame Optimization Algorithm based on R-Domination(基于R-支配的多目标飞蛾火焰优化算法)
MOGA Multi-objective Genetic Algorithm based on R-domination(基于R-支配的多目标遗传算法)
NSIMFOⅢ—Non-dominated Sorting Improved Multi-objective Moth-flame Optimization Algorithm Ⅲ(非支配排序改进多目标蛾焰优化算法Ⅲ)
NSGAⅢ —Non-dominated Sorting Genetic Algorithm Ⅲ(非支配排序遗传算法Ⅲ)
MOEA/D—multi-objective evolutionary algorithm based on decomposition(基于分解的多目标进化算法)
dMOPSO—multi-objective particle swarm optimization algorithm based on decomposition mechanism(基于分解机制的多目标粒子群优化算法)
R-IMFO—existing improved MFO algorithm with R-domination(基于R-支配的改进MFO算法)]
(2)案例的帕累托面可视化
图2 R-IMOMFO,NSGAIII, MOEA/D和Ɵ-DEA的雷达图
[Ɵ-DEA—Ɵ-domination evolutionary algorithm(θ-支配进化算法)]
R-IMOMFO、NSGAIII、MOEA/D以及Ɵ-DEA得到的雷达图如图2所示。
a. 收敛性：以总发电量(E)的客观维数为例，一方面R-IMOMFO的最佳客观值(863.62)优于Ɵ-DEA的最佳客观值(852.79)；另一方面，R-IMOMFO的取值范围[822.10,863.62]大于Ɵ-DEA的取值范围[837.09,852.79]，说明R-IMOMFO在目标维数E的收敛性优于Ɵ-DEA。
b. 分布：R-IMOMFO算法在四个轴上的点分布比其他算法均匀得多，说明R-IMOMFO的分布比其他算法更强。
(3)探讨案例目标之间的关系
图3 用R-IMOMFO法得到的PF的客观投影
a. E与Nf(出力)的关系不明显。水电站的经济效益与电力系统的稳定性是负相关的，然而，在生态目标和通航目标的影响下，二者的关系变得不那么明显。
b. E与Veco(总生态偏差水量)为比例关系。发电量越大，对生态的破坏就越大。
c. E与nc(通航能力)为比例关系。发电量越大，通航能力就越大。
(4)比较不同方案的水位变化过程
图4 利用R-IMOMFO法得到的水位变化过程
a. 漫湾、大朝山、景洪各方案的水位变化不大。在汛期，这些方案的水位保持在防洪水位。各解的水位差异主要体现在非汛期，且差异很小，在分析水位对客观值的影响时可以忽略。
b. 小湾和漫湾的水位变化过程是不同解决方案之间的主要差异。汛期各解的水位差远大于非汛期的水位差。
c. 小湾、漫湾汛期(面积与面积)，方案1 ~ 120的平均水位大致是高到低，这意味着更多的水被用于发电。
(5)分析发电与生态目标的关系
图5 用R-IMOMFO法得到的流量变化过程
a. 糯扎渡和景洪两个生态控制断面各解决方案的流量过程差异大于小湾、漫湾和大朝山三个生态控制断面的流量过程差异。小湾、漫湾和大朝山的流量过程差异很小，在分析流量对生态目标的影响时可以忽略不计。
b. 糯扎渡和景洪两个生态控制断面，流量过程的差异主要体现在1 ~ 5月和7 ~ 9月。
c. 糯扎渡和景洪1 ~ 5月、7 ~ 9月，方案1 ~ 120的流量过程线逐渐远离灰色区间，说明生态目标在逐渐恶化。
(6)分析发电与通航目标的关系
a. 各解的流量过程曲线差异较大，对应的通航能力曲线也不同。
b. 说明80、100、120的流量过程比1、20、40、60的流量过程更接近灰色区间。
c. 从直方图中可以看出，方案1到120的通航容量大致是在增加的。泄洪流量越接近泄洪流量位于[1900,2100]的深灰色区间，其对应的通航能力越强。
研究结论
R-IMOMFO算法在四个方面克服了局部优化，加速了收敛：
(1)将螺旋中心调整为动态的，保证了进化过程的活力，避免了局部最优。
(2)去除火焰个体与飞蛾个体之间距离的绝对符号，使找到更好解决方案的可能性增加一倍。
(3)月球个体的引入可以加快收敛速度，因为它代表了整个搜索过程的最优解集。
(4)火焰个体更新策略的改进，不仅为新生成的优秀个体服务，而且加强了个体之间的交流，有利于加快收敛速度，避免陷入局部最优。
在普通帕累托支配的基础上，R-IMOMFO算法通过参考点进一步对非劣解的质量进行比较，大大改善了支配关系。
R-IMOMFO 算法在梯级水库优化调度问题中能够得到一组收敛性好、分布性强的解。
原文链接：
https://doi.org/10.1016/j.jhydrol.2019.124431
你在看这篇文章吗？
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
