m基于GA遗传优化算法的水库调度优化matlab仿真

1.算法描述

   遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。

   其主要步骤如下：

1．初始化

   选择一个群体，即选择一个串或个体的集合bi，i=1，2，...n。这个初始的群体也就是问题假设解的集合。一般取n＝30-160。

   通常以随机方法产生串或个体的集合bi,i＝1，2，...n。问题的最优解将通过这些初始假设解进化而求出。

2．选择

  根据适者生存原则选择下一代的个体。在选择时，以适应度为选择原则。适应度准则体现了适者生存，不适应者淘汰的自然法则。

给出目标函数f，则f(bi)称为个体bi的适应度。以

为选中bi为下一代个体的次数。

显然．从式(3—86)可知：

(1)适应度较高的个体，繁殖下一代的数目较多。

(2)适应度较小的个体，繁殖下一代的数目较少；甚至被淘汰。

这样，就产生了对环境适应能力较强的后代。对于问题求解角度来讲，就是选择出和最优解较接近的中间解。

3．交叉

   对于选中用于繁殖下一代的个体，随机地选择两个个体的相同位置，按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换；目的在于产生新的基因组合，也即产生新的个体。交叉时，可实行单点交叉或多点交叉。

优化目标函数：

2.仿真效果预览
matlab2022a仿真如下：

3.MATLAB核心程序

for i = 1:T
    if T<=60
       Areas = [Areas,[600;800]];
    else
       Areas = [Areas,[1000;3000]]; 
    end
end
for i = 1:T
    if T<=60
       Areas = [Areas,[200;300]];%百色200m≤Q<300m3/s
    else
       Areas = [Areas,[150;1200]];%百色≥150m3/s，这里我加一个上限1200
    end
end
for i = 1:10*T
    Areas = [Areas,[100;800]];
end
 
 
FieldD = [rep([10],[1,Nums]);Areas;rep([0;0;0;0],[1,Nums])];
 
gen   = 0;
 
%计算对应的目标值
tmps         = repmat([400;400;400;400;400;400;400;400;400;400;400;400;400],[1,T]);
X            = tmps;%初始值
[fobj,P,E,E1,E2,E3] = func_obj(X);
E            = fobj;
Js           = E*ones(NIND,1);
Objv         = (Js+eps);
gen          = 0; 
 
%%
Z=[];
P=[];
E=[];
while gen < MAXGEN;   
      gen
      Pe0 = 0.996;
      pe1 = 0.004; 
 
      FitnV=ranking(Objv);    
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,Pe0);   
      Selch=mut( Selch,pe1);   
      phen1=bs2rv(Selch,FieldD);   
 
      for a=1:1:NIND  
          
          X1          = phen1(a,:);
          tmps        = [reshape(X1,[13,T])];
          %计算对应的目标值
          [fobj,P,E,Ea,Eb,Ec,QWZt]  = func_obj(tmps);
          JJ(a,1)     = fobj;
          Xp{a}       = tmps;
          Ps(a)       = P;
          Es(a,:)       = [E,Ea,Eb,Ec];
      end 
      
      Objvsel=(JJ);    
      [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen=gen+1; 
      %保存参数收敛过程和误差收敛过程以及函数值拟合结论
      Error(gen) = mean(JJ);
      Z2(gen)=[1/mean(JJ)];
      P2(gen)=mean(Ps);
      E2(gen)=mean(Es(:,1));
end 
 
figure;
plot(Error,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('遗传算法优化过程');
 
figure;
plot(Z2,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('Z');
 
figure;
plot(P2,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('P');
 
figure;
plot(E2,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('E');
 
X1=Xp{1};
tmps_       = [reshape(X1',[T,13])]';
 
for j = 1:13
    for i = 1:length(tmps_) 
        if i<=28
           tmps_(j,i) = 0.3*tmps_(j,i); 
        end   
    end
    for i = 1:length(tmps_)
        if i<=128
           tmps(j,i) = mean(tmps_(j,1:i)); 
        else
           tmps(j,i) = mean(tmps_(j,i-128:i));  
        end
    end
 
end
 
 
% 出库流量过程,tmps为3个点的不同时刻的流量输出，可以自己查看
% F1=tmps(1,:);% 光照
% F2=tmps(2,:);% 龙滩
% F3=tmps(3,:);% 白色
 
 
% 水位过程
h1=tmps(1,:);% 光照
Q1=3.54044*h1.^3-6833.14189*h1.^2+4396460*h1-942980000;
Q1=(Q1-4*min(Q1))/2e5;
h2=tmps(2,:);% 龙滩
Q2=0.00744*h2.^4-7.01935*h2.^3+2494.05375*h2.^2-394994.61347*h2+23495400;
Q2=(Q2)/4e5;
h3=tmps(3,:);% 白色
 
Q3=-0.08925*h3.^3+64.21189*h3.^2-11396.40577*h3+597219.15921;
Q3=(Q3-4*min(Q3))/1e5;
% 总发电量
E2(end);
% 光照
Ea = Es(1,2)
% 龙滩
Eb = Es(1,3)
% 白色
Ec = Es(1,4)
% 保证率
P2(end);
% 梧州流量
Fe=QWZt;
02_061m