【技术实现步骤摘要】
本专利技术涉及一种基于改进q-learning的水资源优化调度方法的设计与应用，属于水资源优化配置。
技术介绍
1、强化学习是人工智能研究的一个重要领域，也是机器学习其中一个分支，其本质是拟合输入到输出的模型。其前身监督学习需要依据指定样本进行学习，在样本空间大、覆盖率低的情况下，对于未覆盖到领域，模型无法给出有效结果，通用性也相对较差；但随着机器学习的发展，强化学习因为其特性：对于没有被覆盖样本的探索，也就是与环境交互，使得其通用性大大提高；同时，强化学习经过不断地更迭改进，对于大样本空间下的收敛问题也有了很好的解决方法，有了较高的实用性，可以用来处理实际问题，如利用强化学习算法可以有效完成水库防洪调度任务，从而优化水库下泄过程；
2、传统的解决水资源调度问题的方法，大致分为两种：第一种，建立目标流域的系统模型，采用仿真模拟的方法，利用计算机的运算能力快速对目标流域的水资源进行模拟分配，寻找可行的调度方案；第二种，建立水资源调度的数学模型，依据目标流域的需求与相关要求构建目标函数与约束条件，采用最优化方法对数学模型求解，得...
【技术保护点】
1.一种基于改进Q-learning的水资源优化调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进Q-learning的水资源优化调度方法，其特征在于，水库对象及其属性信息符号化建模为Si(Vi,t,LVi,UVi,SVi,Dk,SLi,t,DXi,t,EXi,t,IXi,t,AXi,t,Xi,t,Yi,t,PSi,t,li)，其中，Si表示第i个水库；Vi,t为水库i第t时段的库容；LVi为水库i的库容下限；UVi为水库i的库容上限；SVi为水库i的最大蓄水量；Dk为水库i的供水区k；SLi,t为水库i第t时段的总来水量；Xi,t为水...
【技术特征摘要】
1.一种基于改进q-learning的水资源优化调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进q-learning的水资源优化调度方法，其特征在于，水库对象及其属性信息符号化建模为si(vi,t,lvi,uvi,svi,dk,sli,t,dxi,t,exi,t,ixi,t,axi,t,xi,t,yi,t,psi,t,li)，其中，si表示第i个水库；vi,t为水库i第t时段的库容；lvi为水库i的库容下限；uvi为水库i的库容上限；svi为水库i的最大蓄水量；dk为水库i的供水区k；sli,t为水库i第t时段的总来水量；xi,t为水库i在供水区k第t时段的总用水量；yi,t为水库i第t时段的储水量；psi,t为水库i第t时段的排水量；li为水库i的工程等级；河道对象及其属性信息符号化建模为rj(sp,sq,σj,t)，其中rj表示第j条河道；sp为河道上游水库p；sq为河道下游水库q；σj,t为下游水库缺水率；供水区对象及其属性信息符号化建模为dk(lsk,t,dsk,t,dwk,t,ewk,t,iwk,t,awk,t)，其中dk表示供水区k；lsk,t为供水区k第t时段的来水量；dsk,t为供水区k第t时段的需水量；dwk,t,ewk,t,iwk,t,awk,t分别为供水区k第t时段的生活需水量、生态需水量、工业需水量、农业需水量。
3.根据权利要求1所述的基于改进q-leaming的水资源优化调度方法，其特征在于，所述水资源调度优化模型为水资源调度双目标优化模型；其中，目标函数为：
4.根据权利要求1所述的基于改进q-leaming的水资源优化调度方法，其特征在于，构建改进q-learning算法，求解水资源调度优化模型的具体步骤包括：①根据水资源调度优化模型的约束条件，确定每个智能体si的状态s与动作a的取值范围；针对单目标或分别针对双目标建立与si等数量的多智能体状态-动作表ti(st，at)；②遍历各智能体si，获取其st并根据构建的单/双目标优化智能体行动策略选取本次训练执行的动作at；③设计单/双目标奖励函数，计算执行动作at后智能体变为st+1的奖励r；④在期望值函...
【专利技术属性】
技术研发人员：张丽丽，王文昊，吴巍，王高旭，张轩，许怡，施睿，李岱远，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。