基于健康江湖關系的長江中游庫群多目標優化調度研究

蘇律文，楊 侃，鄧麗麗

(1.河海大學水文水資源學院，江蘇 南京 210098；2.太湖流域管理局水文局(信息中心)，上海 200434)

與長江有著十分密切江湖關系的洞庭湖和鄱陽湖，是我國最大的兩個淡水湖泊。長江中游水庫(三峽水庫、洞庭湖流域水庫和鄱陽湖流域水庫)的建成與運行給人類帶來了巨大的經濟效益，但同時也在一定程度上影響了庫區和長江中游的生態系統環境。特別是三峽水利樞紐的建成與運行，顯著改變了長江中游的水文情勢，對位于長江中游的洞庭湖和鄱陽湖等通江湖泊的生態系統環境將有一定程度的影響。長江中游水庫(三峽水庫、洞庭湖流域水庫和鄱陽湖流域水庫)的蓄水期大部分在每年的10月份，水庫下泄流量的削減，將使洞庭湖代表站城陵磯的水位下降1m左右，導致部分洲灘提早顯露水面，暴露的灘地加快失水，明顯部分植物的生長產生影響，天鵝、白鶴等的越冬餌料和棲身地面積將縮減[1,2]。同時，長江干流下泄流量的減少將削弱長江對鄱陽湖的頂托作用，鄱陽湖湖口出流速度加快，鄱陽湖水位下降，導致洲灘提早露出水面，將減少水禽棲身洼地的水面面積，能夠食用的餌料削減，人類加劇干擾候鳥棲身地，水禽和候鳥的正常越冬生活受到影響[2,3]。

因此，水庫工程的建設與運行對兩湖地區的生態環境系統造成了一定的影響?？墒悄壳暗乃畮爝\行調度方式更多的是追求經濟效益，很少考慮兩湖的生態環境，嚴重影響了兩湖地區生態環境的健康發展?？紤]到兩湖生態系統健康發展的需要，水庫運行管理不再是一個孤立的簡單調度問題，水庫運行調度正朝著多層次、多目標、多尺度方向發展，其優化運行目標從單目標、單一時空標準改變成可變時空標準下多目標綜合效益的最優。從20世紀90年代開始，以進化算法為代表的現代智能優化算法逐漸在水庫群優化調度中得到廣泛的關注與應用。目前主要的優化算法有遺傳算法、粒子群算法、蜂群算法、蟻群算法等，其中遺傳算法應用較廣，但其存在算法早熟等缺點。帶有權重系數的粒子群算法尋找最優解時優越性較強[4]，但在Shu-Chuan Chu的研究中發現，貓群算法比粒子群算法具有更優的性能[5]。Tsai等[6]把貓群算法與人工蜂群算法進行混合優化，通過5種基準函數的測試證明了該算法在精確性、快速性、收斂性及穩定性方面表現良好。Pradhan等[7]首次將貓群算法應用于求解多目標問題，與MOPSO和NSGA-II相比，多目標貓群算法更接近Pareto最優邊界并能更好的搜索到全局最優解。

本文根據長江中游實際情況，建立了基于主觀偏好和改進熵權的Vague集多屬性決策方法，分析不同主觀偏好情況下的調度方案，并采用改進貓群算法對模型進行高效求解。目前貓群算法在圖像處理以及數據挖掘方面有相關的應用，其他領域的應用尚不成熟，甚至未涉及到水庫調度方面。因此本文提出的改進貓群算法在水庫調度方面的創新性探索有較重要的意義。

1 基于健康江湖關系的長江中游庫群多目標調度模型

洞庭湖、鄱陽湖等是長江中游的國際重要濕地，在洪水調蓄、保護物種資源、維持生物多樣性、污染降解和氣候調節等方面具備無法代替的作用。然而，近年來，受到自然和人類活動的影響，湖的面積和體積持續縮減，水位持續下降，濕地面積萎縮嚴重，原有的濕地生物種群進化、時空分布方式被粉碎，出現陸地化進化趨勢，不斷出現生態環境問題，嚴重威脅濕地生態安全。綜合考慮長江中游地區健康江湖關系的要求，以湖泊代表站的水位過程和水庫的蓄水過程作為系統模型的優化目標，建立基于健康江湖關系的長江中游水庫群多目標優化調度模型。長江中游水庫群調度系統概化圖如圖1所示。

圖1 長江中游水庫群調度系統概化圖Fig.1 Multi-reservoir system in middle reaehes of the Changjiang River

1.1 目標函數

主要考慮了洞庭湖和鄱陽湖健康目標，三峽水庫、洞庭湖流域水庫(江埡、五強溪及柘溪水庫)和鄱陽湖流域水庫(柘林、萬安、廖坊及界牌水庫)八座水庫的蓄水目標。

(1)洞庭湖健康目標。通過洞庭湖代表站點的水位來評價洞庭湖的健康，以洞庭湖總健康度值最大為優化目標。其具體表達式如下：

(1)

式中：f11,t為洞庭湖代表站點第t個時段的湖泊健康度值。

(2)鄱陽湖健康目標。以鄱陽湖總健康度值最大為優化目標，其具體表達式如下：

(2)

式中：f12,t為鄱陽湖代表站點第t個時段的湖泊健康度值。

對于某個湖泊的某一代表站點，湖泊健康度的取值由站點單位時段的湖泊水位決定，表示為下式：

(3)

(3)水庫蓄水目標。本文研究水庫群蓄水期(10月和11月)的調度情況，為了滿足水庫的蓄水要求，以水庫蓄水度最大作為水庫蓄水的優化目標，使得水庫盡量滿足常規調度下的蓄水要求，以保證水庫的正常運行。由于該模型中考慮的水庫數目太多，故水庫蓄水目標綜合考慮了全部水庫的蓄水目標，該目標函數的描述如下：

(4)

式中：k=1,2,3,…,8依次表示三峽水庫，江埡水庫，五強溪水庫，柘溪水庫，柘林水庫，萬安水庫，廖坊水庫，界牌水庫。f2k,t表示第k水庫t時段的蓄水目標值，其具體表達方式如下：

(5)

1.2 約束條件

(1)湖泊代表站水位約束：

hi,t,m≤hi,t≤i,t,n

(6)

(2)湖泊代表站流量約束：

QBi,t≤QBi,t,max

(7)

(3)水庫蓄量約束：

Vk,t,min≤Vk,t≤Vk,t,max

(8)

(4)水庫下泄能力約束：

Qk,t,min≤Qk,t≤Qk,t,max

(9)

(5)水量平衡約束：

Vk,t=Vi,t-1+(Ik,t-Qk,t)×Δtk,t

(10)

式中：hi,t,hi,t,m,hi,t,n分別為i湖泊代表站考慮湖泊健康的水位值、最低水位值和最高水位值；QBi,t,QBi,t,max分別為i湖泊代表站的流量值、安全流量值；Vk,t、Vk,t,min、Vk,t,max分別為k水庫t時刻的蓄量、最低、最高蓄量約束，m3；Qk,t,min、Qk,t,max分別為k水庫t時刻最小、最大下泄流量約束；Vk,t-1和Vk,t分別為k水庫t時刻初末庫容，m3；Ik,t和Qk,t分別為k水庫時刻t的平均入庫和下泄流量，m3/s；Δtk,t為k水庫t時刻計算時間長度。

由于本研究中的通江湖泊水位受長江、四水、五河等來水的影響，對于一些特殊情況，采用傳統的方法很難進行洪水演算。20世紀80年代初，長江委曾采用干流與湖泊連為一體的大湖演算方法，建立了長江中下游防洪系統的模擬模型[8]。本文依然采用大湖演算方法，演算時采用河段的槽蓄曲線和以水位日漲率、下游頂托、起漲水位等為參數的水位流量關系曲線[8,9]。

2 改進多目標貓群算法設計

貓群算法[10](Cat Swarm Optimization，CSO)于2006年由Shu-Chuan Chu提出的基于貓科動物行為的優化算法。貓的懶散休息且具有警惕性和發現目標后迅速捕捉獵物的兩種模式分別稱為搜尋模式和跟蹤模式[11]。在貓群算法中，搜尋模式代表了尋優過程中的局部搜索，跟蹤模式代表了尋優過程中的全局搜索，在迭代過程中將局部搜索和全局搜索相結合。貓群算法獨特的搜索結構，使得它擁有克服遺傳算法局部搜索能力不足和粒子群算法求解離散問題時容易陷入局部最優解的能力[10]。

傳統的貓群優化算法通過固定的比例關系結合率(MR)將貓群分為跟蹤模式和搜尋模式。在算法開始迭代階段，算法的收斂速度較快，但隨著迭代次數的增加，固定的MR會使有部分貓一直執行全局搜索，導致資源浪費。為解決這問題，本文采用改進的多目標貓群算法(IMCSO)，引入外部歸檔集來存儲求解過程中的精英個體，并提出基于多目標優化的精英變異策略，以防止算法陷入局部解。

2.1 外部歸檔集構建及其規模維護

引入了精英個體保留機制，構造了進化種群之外的外部歸檔集 ELT()，其主要用來保留算法在求解過程中搜尋到的非支配解[12]。為使ELT()的規模得以維持并使其中的非劣解盡量分布均勻，本文采取一種“γ+1”的方式對ELT()規模進行維護，即每加入一個新個體都根據評價指標剔除一個指標最小的個體[13]。

設ELT()的規模為N，算法迭代次數為g。假設ELT(g-1)中存儲著前(g-1)代種群進化中搜索到最優非劣解。對第g代種群中的每個個體(如j個個體 )進行以下操作：

(1)若ELT()為空集，則直接將ng,j放入ELT()中；

(2)如果ELT()不為空集，則將ng,j與ELT()中的個體進行Pareto比較。若ng,j不被ELT()中的所有個體支配，把ng,j加入ELT()中，同時刪除ELT()中被支配的個體。

(3)如果ELT()的數目超過了最大數目N的限制，則刪除ELT()中指標較小的個體，以維護ELT()中非劣解的均勻分布。

2.2 結合率改進

(11)

式中：MRt為迭代到第t代的結合率；t為迭代次數?？墒顾惴ㄔ趧傞_始迭代時使用較大的結合率，可提高貓群的全局搜索能力。到迭代后期時，結合率較小，可使更大比例的貓能進行局部搜索，高效尋找非支配解。

2.3 基于多目標優化的精英變異策略

傳統貓群算法可能出現“早熟”現象，為了使IMCSO恢復搜索能力，跳出局部最優，本文設計了一種適用于多目標優化的精英變異策略。對ELT()中的非劣解進行擾動，提升算法的優化性能。對ELT()中的任意個體etxi，搜索的具體過程如下：

⑴以個體etxi進行變異操作，得到新個體netxi；

netxi=etx1i+H(etx2i-etx3i)

(12)

式中：H為變異常數；etx1i，etx2i，etx3i是從外部歸檔集ELT()中任選的3個攜帶有最優前沿信息的精英個體，可使種群進化更有導向性，算法效率得到提升。

⑵比較個體etxi和新個體netxi的支配關系。若存在支配關系，則淘汰受支配個體，將非支配個體放入到ELT()中，并將其定義為個體etxi。若不存在支配關系，則直接將新個體netxi放入到ELT()中。

⑶若ELT()的規模超過了N，需對ELT()進行規模維護。

2.4 算法流程

IMCSO算法流程見圖2。

圖2 IMCSO算法流程Fig.2 Flowchart for IMCSO algorithm

3 水庫群多目標調度多目標決策

本文研究基于健康江湖關系的長江中游庫群多目標調度，建模以水庫蓄水度最大作為水庫蓄水的優化目標，考慮的湖泊健康目標包括洞庭湖和鄱陽湖健康目標值盡可能大。

以水庫群多目標調度決策優選的數據為基礎構建決策矩陣，以不同調度偏好為指導，采用不同的調度過程可獲得m個不同的調度方案集，A={Ai}，i=1,2,…,m。n個目標構成指標集，B={Bj}，j=1,2,…,n。方案Ai對目標Bj的屬性值若為ui,j，則決策矩陣為：

(13)

進行水庫群多目標調度的決策優選，首先由決策者基于不同的主觀偏好作出評價，然后結合客觀屬性反映的信息以綜合權重F=(fj),j=1,2,…,n的形式納入到決策模型，最后根據排序函數選出綜合理想程度最高的調度方案。

4 基于主觀偏好和改進熵權的Vague集多屬性決策方法

基于健康江湖關系的長江中游水庫群多目標優化調度系統需從健康江湖關系的角度出發，在改善通江湖泊健康的前提下，盡可能確保水庫蓄水期的正常蓄水，發揮健康江湖關系和水庫經濟效益的綜合效益。由于湖泊健康目標與水庫蓄水目標之間是相互競爭和沖突的關系，因此，有必要聽取決策者和專家群體的意見，需要考慮在不同目標偏好情況下，對水庫蓄泄過程進行合理安排，均衡協調各目標之間的利益以得到綜合效益的充分發揮。但專家意見致使決策信息帶有的主觀性和不確定性較強，調度方案的制訂還需考慮方案集自身所隱含的決策信息。

因此，為了使系統調度方案決策優選問題更加科學合理，本文采用主客觀綜合賦權法。考慮決策者的主觀偏好，并結合熵權考慮研究對象的客觀信息，以Vague集理論為基礎，提出了一種基于主觀偏好和改進熵權的Vague集多屬性決策方法。

4.1 決策矩陣規范化

本文模型中均為效益型(越大越優)指標，需對決策方案進行規范化處理。

(14)

式中：xjmax，xjmin分別表示方案集中第j個指標的最大、最小值。

4.2 基于主觀偏好的主觀權重確定方法

依據專家的知識、經驗和評價習慣，對指標可賦予不同類型的評價方式，如實數型、區間型以及語言型[14]。本文假設專家更偏好語言型評價，表1為用vague值表示的七級語言變量。假設第w位專家的權重為zw。

表1 用Vague值表示的七級語言變量Tab.1 The seven-level language variable representedby the Vague value

確定各偏好關系下的主觀權重。

Step1：參照表1，將各專家的評價用Vague值語言變量來表示。

Step2：根據式(15)計算各偏好關系下的評價值的適合程度。參考劉華文[15]等人提出的方法，根據Vague值計算適合程度。

sdwj=twj+twj[1-twj-fwj]

(15)

式中：sdwj為在偏好關系d下，第w位專家(w=1,2,…,k)的評價對指標j的適合程度；twj和fwj為Vague集的一對隸屬函數。

Step3：按照式(16)計算各偏好關系下，各位專家評價中各指標的主觀權重。

(16)

Step4：按照式(17)計算各偏好關系下，各指標的主觀權重。

(17)

4.3 基于改進熵權的客觀權重確定方法

傳統的熵權法中，當某一決策指標熵值Hj→1(j= 1,2,…,m)時, 熵值間存在的細微差別會導致屬性熵權值差異的極度變大，文獻[16]提出的改進熵權計算法在一定程度上解決了這一問題。但文獻[16]提出的計算法，當Hj=1時，得到的熵權Yj>0。因此提出改進熵權法，熵權Yj改進計算公式具體如下：

(18)

4.4 多屬性Vague集評估模型

考慮到在實際決策問題中，決策方案在靠近正理想方案同時不一定與負理想方案遠離。因此，通過綜合考慮rij相對于r+j和r-j兩方面的相對貼近程度來描述rij相對于理想方案的綜合Vague真假隸屬度，則rij相對理想方案的綜合Vague真假隸屬度[17]可通過如下公式計算：

(20)

其中，t+ij=tij×f-ij表示rij同時貼近r+j和遠離r-j的程度；fij=f+ij×t-ij表示rij同時離開r+j和貼近r-j的程度。則rij相對于理想方案的綜合Vague值矩陣為V=[tij,1-fij]m×n。

結合各評價指標的綜合屬性權重ω=[ω1,ω2,…,ωn]，可得到各候選決策方案相對于理想方案的綜合Vague值為：

(22)

最后，依據各候選方案的綜合Vague值計算各方案相對于理想方案的相符程度，用評分函數scorei=(S1(Xi),S2(Xi))來表示[18]，從而對各方案的優劣進行評價。提出新的排序函數，公式如下：

(23)

計算出各方案Vague值的S1(Xi)和S2(Xi)函數值，先比較S1(Xi)，S1(Xi)值越大，則方案i越優。當出現兩個或兩個以上方案的S1(Xi)值相同時，比較S2(Xi)，S2(Xi)大的方案更優。

4.5 基于主觀偏好和改進熵權的Vague集多屬性決策方法

step1：通過規范化處理，得到[0,1]范圍內的相對優屬度矩陣R=[ri,j]m×n。

step2：根據本文提出的方法確定各評價指標的客觀權重Yi=(Y1,Y2,…,Yn)和主觀權重Xj=(X1,X2,…,Xn)，最后綜合主觀權重Xi與客觀權重Yj，獲得所需要的屬性綜合權重ω=[ω1,ω2,…,ωn]，其中ωj=λXj+(1-λ)Yj。

step3：依據相對優屬度矩陣R確定正理想方案為R+=(r+1,r+2,…,r+n)和負理想方案R-(r-1,r-2,…,r-n)，然后根據本文提出的方法得到各候選決策方案相對理想方案的綜合Vague值，并運用式(23)對各方案進行優劣排序。

5 模型求解

5.1 算法編碼方式

文獻[2]分析得到洞庭湖區的最低生態水位為25 m，鄱陽湖區的生態水位區間為[14.29 m，14.65 m]。IMCSO算法的參數設置如下：種群大小為200，結合率最大值為0.6，結合率最小值為0.3，變異常數為0.2，外部歸檔集規模設為20，最大迭代次數設為200。選取長江中游1964年平水年歷史徑流資料作為預報來水及入庫徑流過程。

在運用IMCSO對調度模型進行求解時，采用各水庫的水位作為算法的決策變量進行編碼，則種群中第i個個體可表示為Ki={k1i,1,…,k1i,T；k2i,1,…,k2i,T；k3i,1,…,k3i,T；k4i,1,…,k4i,T；k5i,1,…,k5i,T；k6i,1,…,k6i,T；k7i,1,…,k7i,T；k8i,1,…,k8i,T}，其中k1i,t(t=1,2,…,T)表示三峽水庫的蓄量過程；k2i,t(t=1,2,…,T)表示江埡水庫的蓄量過程；k3i,t(t=1,2,…,T)表示五強溪水庫的蓄量過程；k4i,t(t=1,2,…,T)表示柘溪水庫的蓄量過程；k5i,t(t=1,2,…,T)表示柘林水庫的蓄量過程；k6i,t(t=1,2,…,T)表示萬安水庫的蓄量過程；k7i,t(t=1,2,…,T)表示廖坊水庫的蓄量過程；k8i,t(t=1,2,…,T)表示界牌水庫的蓄量過程。調度期為10月和11月，時段長度為一日，時段數T=61。

5.2 多目標決策

假定參與決策過程的專家共有7位，假設7位專家的權重分別是0.154，0.214，0.172，0.103，0.107，0.047，0.203。決策分析中設置了側重湖泊健康和側重水庫蓄水兩種決策偏好，對于這兩種不同的決策偏好，專家的評價結果見表2。

表2 不同決策偏好下各專家的語言型賦權結果Tab.2 The evaluation results of experts under differentdecision-making preferences

依據表2專家對指標作出的評價值，可求得側重湖泊健康目標和側重水庫蓄水目標的主觀權重向量分別為X1=(0.413，0.384，0.204)，X2=(0.197，0.163，0.640)。求得各個指標的熵值H=(0.977 6，0.944 2，0.910 9)，采用本文提出的改進熵權法求得各指標的熵權值為Y=(0.322，0.333，0.345)。取λ=0.5，側重湖泊健康目標和側重水庫蓄水目標的綜合權重向量分別為ω1=(0.367，0.358，0.275)，ω2=(0.260，0.248，0.492)。

5.3 調度結果及對比分析

1964年平水年來水條件下采用IMCSO求解得到的洞庭湖健康、鄱陽湖健康和水庫蓄水的非劣調度方案集的目標值見表3。采用改進貓群算法(IMCSO)、貓群算法(CSO)和遺傳算法(GA)求解得到的湖泊健康目標和水庫蓄水目標的非劣調度方案集的空間分布如圖3所示。

圖3 非支配邊界Fig.3 Nondominant boundary obtained by IMCSO algorithm

由圖3可知，湖泊健康目標與水庫蓄水目標之間存在一定的對立關系，研究分析的時段是在水庫的蓄水期，在上游來水一定的情況下，若要滿足水庫蓄水要求則下泄的水量會相應減少，以致下游兩湖代表站的水位下降，湖泊健康度降低。若要相應改善湖泊健康，需要保證湖泊代表站的水位，水庫下泄要適當加大，水庫蓄水要求得不到保證，所以湖泊健康目標與水庫蓄水目標之間是相互競爭的關系，兩者很難同時達到最優。圖3比較了三種進化算法求解同一問題得到的非劣方案集，當考慮水庫蓄水目標時，IMCSO求解出的最大目標值最大，略大于CSO的結果，GA得出的最大目標值最小。若考慮湖泊健康目標，GA尋優得出的最大目標值略大于CSO算法的結果，但經過改進后的貓群算法，可以在很大程度上提高目標值。多目標調度需均衡協調各目標之間的利益，在總體上IMCSO可以找到更加接近問題非支配邊界的非劣解集，進一步體現了IMCSO的優異性能。

使用Vague集評估模型聯合不同決策偏好下的綜合權重得到各方案的Vague值并對其進行評分，具體結果見表4列出了依據評分函數值，并在表5中對方案集進行排序。

表4 方案集Vague評估結果Tab.4 The evaluation results of solution set

表5 方案集排序優選結果Tab.5 The optimization results of ranking alternatives

表5列出了方案集排序優選結果，從中可以看出，在側重湖泊健康的情景下，此時方案優選會更加側重湖泊健康目標。計算出的決策屬性的綜合權重為ω1=(0.367，0.358，0.275)，最優方案是湖泊健康總目標較大的方案(方案19)，最劣方案是湖泊健康總目標最小的方案(方案1)，方案的優劣排序結果與湖泊健康的變化情況基本一致。當決策過程側重于水庫蓄水時，決策屬性的綜合權重為ω2=(0.260，0.248，0.492)，此時對方案進行優選時會更側重于水庫蓄水目標。從表5的方案排序結果可以看出，這種決策偏好下出現了水庫蓄水目標較大的方案(方案3)最優，水庫蓄水目標最小的方案(方案20)最劣，決策方案優選排序結果與水庫蓄水目標的變化大體一致。

為了進一步分析不同調度方案間的差異，選取了表3中3個典型非劣調度方案(方案1、方案10和方案20)，列出了洞庭湖代表站城陵磯和鄱陽湖代表站湖口的水位過程及三峽水庫的蓄水過程進行對比分析，見圖4、圖5及圖6。

圖4 1964年歷史來水條件下的洞庭湖-城陵磯水位過程Fig.4 The water level of Dongting lake-Chenglingji in 1964

圖5 1964年歷史來水條件下的鄱陽湖-湖口水位過程Fig.5 The water level of Poyang lake-Hukou in 1964

由圖4及5可以看出，各調度方案城陵磯和湖口水位過程方案1要稍低于方案10，方案10要稍低于方案20。方案20更側重于湖泊健康，在水庫蓄水期加大了水庫下泄水量，達到湖泊健康度最大化的目的。與方案20相比，方案1和方案20的調度模式均不同程度的考慮了水庫蓄水需求，在水庫蓄水期降低了水庫下泄流量，但這一措施不可避免地使湖泊代表站水位降低，進而影響湖泊健康狀況。

圖6 1964年歷史來水條件下的三峽水位過程Fig.6 The water level of Sanxia in 1964

由圖6可以發現，方案1、方案10及方案20的水庫蓄滿時間基本要遲于規劃設計的蓄滿時間，且各水庫的蓄滿時間基本是方案20最遲。各方案都有不同程度的考慮了洞庭湖和鄱陽湖的健康需求，在多目標競爭中，湖泊健康目標值的提升必然會以水庫蓄水目標值的下降為代價。同時方案20對于湖泊健康目標的側重程度更高，水庫在蓄水過程中會加大下泄水量，水庫儲存的水量減少，必然導致水庫的蓄量偏低。

6 結論與展望

(1)本文研究長江中游水庫水利工程建設與運行下對江湖關系的影響，建立了基于健康江湖關系的多目標優化調度模型，得到不同偏好下的水庫群聯合調度方案，對緩解兩湖地區生態惡化、構建生態友好型社會具有重要的理論指導意義。

(2)針對貓群算法存在的問題，提出了改進的多目標貓群算法求解水庫群多目標調度問題。通過IMCSO算法對模型進行高效求解，得到不同偏好下的水庫群聯合調度方案。

(3)提出了一種適用于系統方案優選的基于主觀偏好和改進熵權的Vague集多屬性決策方法，并將該多屬性決策方法運用于長江中游水庫群多目標優化調度方案決策優選問題研究，確定了不同決策偏好下方案的優劣排序。

(4)長江中游水文情勢較為復雜，本文建立的多目標優化調度模型只考慮了洞庭湖健康、鄱陽湖健康和水庫蓄水3個目標，而涉及的水庫防洪、發電、供水等目標卻未進行考慮。在蓄水期，長江流域水庫的蓄水是導致通江湖泊水位偏低的一個重要原因，因此本文只初步分析了蓄水期，在后續研究中需考慮枯水期水庫群的調度情況，實現流域蓄水期、枯水期的連續性調度。

□

[1] 李 倩. 三峽工程對洞庭湖生態環境的影響[D].長沙:湖南大學, 2005.

[2] 康 婧.三峽工程對兩湖地區的生態補償技術研究[D].天津:天津大學, 2011.

[3] 劉 影, 徐 燕. 三峽工程對鄱陽湖候鳥保護區的影響及對策探討[J]. 江西師范大學學報(自然科學版),1994,18(4):375-380.

[4] Yuhui Shi, Russell C.Eberhart. Empirical study of particle swarm optimization[C]∥ Proceeding of Congress on Evolutionary Computing. Piscataway, NJ: IEEE Service Center, 1999:1 945-1 950.

[5] Shu-chuan Chu, Pei-wei Tsai. Computational intelligence based on the behavior of cats[J].International Journal of Innovative Computing, Information and Control, 2007,3(1):163-173.

[6] Pei-Wei Tsai, Jeng-Shyang Pan, Bin-Yih Liao, et al. Enhanced artificial bee colony optimization[J]. Information Journal of Innovative Computing, Information and Control, 2009,5(12):5 081-5 092.

[7] Pradhan Pyari Mohan, Panda Ganapati. Solving multiobjective problems using cats warm optimization[J].Expert Systems with Applications, 2012,39(3):2 956-2 964.

[8] 劉文標. 三峽水庫運行初期對鄱陽湖汛期高水位變化趨勢的影響研究[D]. 南昌:南昌大學, 2007.

[9] 寧 磊.長江中游江湖關系與防洪形勢研究[D].武漢:武漢大學,2010.

[10] Shu-chuan Chu, Pei-wei Tsai, Jeng-shyang Pan. Cat swarm optimization[C]∥ 9th Pacific Rim International Conference on Artificial Intelligence. Berlin Germany: Springer Verlag, 2006:854-858.

[11] 范正偉,劉 瓊, 李新鵬. 多目標貓群算法求解切削參數優化問題[J]. 軟件導刊,2013,12(3):116-118.

[12] 鄭金華. 多目標進化算法及其應用[M]. 北京: 科學出版社, 2007.

[13] 盧有鱗. 流域梯級大規模水電站群多目標優化調度與多屬性決策研究[D]. 武漢：華中科技大學, 2012.

[14] 翟偉靜.工程機械類融資租賃的信用風險管理研究[D].重慶:重慶大學,2011.

[15] 劉華文.多目標模糊決策的Vague集方法[J]. 系統工程理論與實踐, 2004,(5):103-109.

[16] 周惠成,張改紅,王國利. 基于熵權的水庫防洪調度多目標決策方法及應用[J].水利學報, 2007,38(1):100-106.

[17] 李英海.梯級水電站群聯合優化調度及其決策方法[D]. 武漢：華中科技大學,2009.

[18] 李英海, 周建中. 基于改進熵權和Vague集的多目標防洪調度決策方法[J]. 水電能源科學, 2010,28(6):32-35.