基于多决策变量协同设计的供水管网多目标优化模型研究
0 前言
供水管网是城镇供水系统建设中投资占比最大、设计方案最多样的部分。任何条件下的管网设计都要考虑水量及水压的保证性、水质的合格性、供水的可靠性和供水的安全性这四个因素
供水管网优化设计模型的构建核心因素是决策变量和优化目标的选择。刘书明
综上提出一种新的供水管网优化设计方法:以管网管线布置和管径搭配共同作为决策变量, 分析确定多项调整决策变量的优化目标, 建立优化模型, 并采用合适的多目标优化算法进行求解, 为供水管网优化设计提供合适的方案。
1 供水管网管线布置和管径搭配协同优化设计
1.1 设计方法
城镇供水管网管线布置分为2种:环状管网和树状管网。树状管网设计是在保证节点供水需求的基础上, 优化供水路径, 建立管网生成树, 根据节点流量平衡的条件, 计算得到管径合理配置的管网
1.2 基于禁忌矩阵和零信息素的蚁群算法初始化管网可行解集
供水管网生成树的建立是一个基础的非确定性多项式问题, 蚁群算法对于解决这类问题具有很大的优势
(1) 根据地形因素和城镇规划信息, 结合供水节点位置, 建立管线初步连接图, 并依据节点连接信息建立节点连接禁忌矩阵An×n, 见式 (1) 。其中aij的取值为0或1, 用来表征节点i与节点j是否可以直接连接;第i行即为第i个节点的禁忌连接表。
(2) 单只蚂蚁从随机节点出发, 每前进一个节点, 建立或更新所有途径节点的禁忌连接表。在规避所有节点禁忌表并集的情况下, 忽略传统蚁群算法的信息素, 随机选择下一个连接线路移动至新的节点。
(3) 待蚂蚁行进路线遍历所有节点后, 收集蚂蚁所有线路, 在供水管网节点图中连接相应节点, 得到一组管网生成树。
(4) 重复步骤 (2) ~ (3) , 直到获取足够数量的管网生成树, 来组成改进的 NSGA-Ⅱ 算法在求解模型中所需的初始可行解集。
1.3 建立多目标优化模型
1.3.1 优化目标
本文采用4个优化目标来构建供水管网管线布置和管径搭配协同优化模型, 优化目标分别为最小化“管网建造费用”、“管网管段压力均值”、“枝状管流量和”以及最大化“管网恢复力”。各个优化目标的计算方法及计算公式如下所示。
(1) 最小化管网建造成本。
供水管网的建造成本 (Cost) 是由多种因素所决定的, 本文只考虑供水管网的管长和管径对于建造成本的影响, 采用式 (2) 计算该优化目标的适应度。
式中 Ci——第i根管段的单位长度造价;
Li —— 第i根管的长度;
np —— 管网中连接管段总数。
(2) 最小化管网管段水压均值。
在排除外力因素的条件下, 管网爆管、漏损和管网的水压成正相关的关系, 即水压越高管网可靠度越低
式中 Pi——第i根管段的平均水压, 由上下游节点的水压均值决定。
(3) 最大化管网恢复力。
管网在发生故障时恢复到正常供水的能力称为管网恢复力 (Ir)
式中 Qp——泵站最大扬程时的流量;
Hp —— 泵站最大扬程;
Hi ——节点i自由水头;
Himin —— 节点i最小服务水头;
npu ——管网中泵站数量。
(4) 最小化枝状管流量和。
供水保证性的大小是评估一个供水管网可靠性的主要因素, 在树状管网的基础上, 每增加一个合适管径的管线, 即增加了整个管网的可靠性。对于管网节点来说, 每增加一个与上游节点连接的管段, 该节点的供水保证性就越高。供水节点最大连接管段数一般不超过4根, 表1统计了10种节点管段连接情况, 并对10种情况的节点供水保证性进行从大到小的排序。
表1节点供水保障性分析
Tab.1Node water supply security analysis
序号 |
节点连接 管段数 |
与上游节点 连接管段数 |
与下游节点 连接管段数 |
供水保证性 排序 |
1 |
1 | 1 | 0 | 7 |
2 |
2 | 1 | 1 | 8 |
3 |
2 | 2 | 0 | 4 |
4 |
3 | 1 | 2 | 9 |
5 |
3 | 2 | 1 | 5 |
6 |
3 | 3 | 0 | 2 |
7 |
4 | 1 | 3 | 10 |
8 |
4 | 2 | 2 | 6 |
9 |
4 | 3 | 1 | 3 |
10 |
4 | 4 | 0 | 1 |
从表1可以看出, 若节点与管网上游连接方式为枝状管连接, 该节点的供水保证性表现为差;在此基础上, 节点连接的下游节点越多, 管网的可靠性就越差, 而节点与下游节点连接管段数, 通常与上游枝状管段的流量成正相关。因此, 选取最小化枝状管流量和 (Qnot) 作为优化目标, 采用公式5作为适应度计算方式。
式中 npt——管网中枝状管段数目;
Qi ——第i根枝状管的流量。
1.3.2 约束条件和决策变量
在供水管网优化设计中, 除了保证供水管网的正常运行, 还需确保水质安全以及供水水压、流量的可靠性。因此, 供水管网还需受水力平衡条件、节点服务水头需求以及流速限制等多种条件的约束。其中水力平衡条件以及常态水量的保证性在 EPANET2 水力模拟中自动满足, 其余约束条件则在适应度计算中加入惩罚函数
选用供水管网管线布置和管道尺寸共同作为决策变量来构建供水管网优化模型, 所以决策变量取值范围可表达为Di∈{0, d1, d2, … dk}, 其中0表示该管线不铺设, 其余元素为管网拟采用的管径规模。
1.4 改进的NSGA-Ⅱ算法求解优化模型
(1) 初始化种群与编码。
管网布置优化实质上是在管网初步连接图的基础上确定各管线的连接状态。依据1.2节所述步骤确定供水管网的初始可行解集。对可行解集进行双序列基因编码, 如图2所示, 一组基因中的第一序列采用1和0来表征初始解中的管段是否连接, 第二序列采用整数型编码来表征管段管径, 编码集合为{0, 1, 2, … k}。其中, 0代表管线不铺设, 1~k分别表示为一种管网可以采用的管径尺寸。
(2) 交叉操作。
传统的遗传算法中, 种群杂交采用基因组互换的双亲杂交方式进行杂交, 如单点杂交和多点杂交, 但是这样容易形成不满足管网整体连接的不可行解, 产生可行解的效率较低。周荣敏
(3) 变异操作。
采用条件变异对染色体基因进行突变操作, 基因突变只对基因的第二序列有效。若一组基因的第一序列为0时, 第二序列可突变成编码集合中的任意其他编码;若一组基因的第一序列为1时, 第二序列只能突变为编码集合中的其他非零编码。
(4) 建立外部存储档案。
传统的 NSGA-Ⅱ 算法限于种群的规模, 无法实现对局部解集的深入探索。通过建立一个外部档案储存算法进化过程中发现的非支配解
(5) 下代种群的选择。
在交叉和变异后产生的子代和外部存储档案中的解集共同进行非支配排序, 采用多人锦标赛进行下代种群的选取, 同时加入一定比例的新的个体, 增强种群的全局搜索性。
1.5VIKOR法选取最优折衷方案
VIKOR法
(1) 确定理想解和临界评价值。汇总m个 Pareto 最优解在相应优化目标下的n个适应度值, 建立决策矩阵Am×n, fij表示为第i个方案的第j项优化目标的适应度, 分别用f*j和f-j表示第j项优化目标的最优和最差评价值。
(2) 计算各Pareto最优解的群体效用值Si和个体遗憾值Ri, 见式 (6) 和式 (7) 。
式中 ωj——第j项评价指标的权重。
(3) 计算各Pareto最优解方案的折衷值Qi, 见式 (8) 。
式中
v—— 决策机制系数。
(4) 按照Qi值递增的方式对Pateto最优解集进行排序, 得到A (1) , A (2) , …A (j) , …A (m) , 若A (1) 为最优方案, 且同时满足式 (9) , 则A (1) 为此决策过程中的最优折衷方案。
2 工程实例
按照上述描述方法, 以广东省某城镇供水管网设计为研究实例。依据供水特性和地形限制因素, 建立如图4所示的管网初步连接图, 该管网初步设计有61根管段, 42个节点, 2个市政供水点, 日供水量约为 1.71×104m3, 属于小型城镇管网。管网节点流量依据城镇历史用水量进行确定, 各个节点蓄水量离散分布。此外, 拟建管段长度以及节点标高等基础数据也已确定。管网的最小服务水头为14 m, 为保证供水安全, 约束管道流速在合适的区间内。以管网管线布置和管道尺寸为设计变量, 拟建立一个管道数为41~61的一体化混合管网。每个管段在确定铺设状态下有5种可选管径, 管段在不铺设状态下标记为0, 则每个管段共有6种取值, 因此, 该优化问题的搜索空间大小为661≈2.93×1047。
图4广东省某城镇供水管网设计初步连接示意
Fig.4Preliminary connection diagram of water supplypipe network design in a town in Guangdong Province
采用的改进 NSGA-Ⅱ 算法的参数设置如下:初始种群大小设置为100, 循环代数为2 000, 每次循环后加入的新个体数目为10, 其他参数默认配置。为避免随机初始解对优化计算和折衷方案选取产生影响, 进行10次独立的优化计算, 将计算结果合并后并进行非支配排序得到最终的Pareto最优解集。
3 结果分析
由上述的试验方案计算得到, 供水管网优化设计的Pareto最优解共3 450个。图5绘制了Pareto最优解的4个优化目标的适应度值, 可以看出, 解集在空间分布较为均匀, 在每个维度的极值差异较大, 表明改进的NSGA-Ⅱ算法在多目标求解上有较高的空间搜索度, 能为决策者提供更多种类的优化方案。
图5供水管网优化模型Pareto前沿解集分布
Fig.5Pareto frontier solution set distribution diagramof water supply network optimization model
本文所建立的优化模型共有4个优化目标, 即有4个评价指标, 各个优化目标的适应度根据软件 EPANET2 和优化函数计算获得, 建立决策矩阵。各个评价指标的权重对最优方案的选取有非常重要的影响, 采用9种具有代表性的指标权重方案。使用VIKOR法对决策矩阵进行计算排序, 依据9种权重方案选取了9种最优折衷方案, 见表2的方案1~9。此外, 采用常规管网设计方法确定方案10, 表2中也列出了这种方案的4个优化目标的适应度值。
表2中方案2~5依次表示决策者重视某一评价指标的最优折衷方案, 方案6~9依次表示决策者轻视某一评价指标的最优折衷方案。方案1~9均为非支配最优方案, 所以在这些方案中, 单个优化目标值的变优必然伴随着至少一个其他优化目标值的劣化。将方案2~9与方案1依次进行对比, 可以
表2供水管网优化设计方案对比
Tab.2Comparison of water supply network optimizationdesign scheme
方案 编号 |
指标权重 方案 |
Cost/ 百万元 |
Pavg/m | Ir | Qnot/LPS |
1 |
(1, 1, 1, 1) | 1.47 | 31.65 | 0.52 | 60.17 |
2 |
(2, 1, 1, 1) | 1.41 | 31.87 | 0.516 | 30.19 |
3 |
(1, 2, 1, 1) | 1.64 | 29.63 | 0.486 | 278.26 |
4 |
(1, 1, 2, 1) | 1.56 | 32.45 | 0.544 | 28.62 |
5 |
(1, 1, 1, 2) | 1.54 | 31.7 | 0.521 | 26.91 |
6 |
(0.5, 1, 1, 1) | 1.74 | 31.28 | 0.529 | 143.55 |
7 |
(1, 0.5, 1, 1) | 1.46 | 32.48 | 0.537 | 29.94 |
8 |
(1, 1, 0.5, 1) | 1.48 | 31.07 | 0.504 | 45.46 |
9 |
(1, 1, 1, 0.5) | 1.71 | 31.21 | 0.531 | 219.41 |
10 |
- | 2.00 | 33.41 | 0.545 | 188.43 |
发现, 8种方案均有效地规避了单项目标值优化而其他优化目标值极差的情况。因此VIKOR法能有效地为决策者选取综合效益最高的折衷方案。
对比表2中10种方案的4项优化目标值, 发现方案4能够ε—支配
4 结论
(1) 针对给水管网的优化设计问题, 提出一种基于多目标优化的供水管网管线布置和管道尺寸协同设计方法。通过在案例管网上进行试验模拟, 证明了这种方法能够扩大设计问题的空间搜索范围, 得到更多优化设计方案供决策者选择;通过与传统先定线后定管径的设计方法设计出的优化方案进行对比, 证明了协同设计方法能提高管网优化水平, 进一步提升管网设计方案的资金利用率和管网运行可靠度。
(2) 采用改进的NSGA-Ⅱ算法求解多目标优化模型, 得到的Pateto解集在多维目标空间中分布均匀, 且在每个优化目标维度中也表现出良好的搜索性, 证明了改进的NSGA-Ⅱ算法在求解多目标优化问题上的良好适用性。
(3) 采用 VIKOR 法对多目标优化模型求解的Pateto解集进行排序, 选出符合决策者偏好的供水管网综合效益最优的折衷方案。通过对比多种决策偏好下的最优折衷方案, 证明VIKOR法能在优化偏好优化目标值的同时规避其他优化目标值极差的情况, 避免了后续投入高额维护成本的决策风险以及资金利用率过低的现象, 提升了管网设计方案的科学性和合理性。
[2] 刘书明, 王欢欢, 徐锦华, 等.基于智能优化算法的供水管网漏水点定位[J].同济大学学报 (自然科学版) , 2014, 42 (05) :740-744.
[3] 李海滨, 马孝义, 赵文举, 等.树状管网布置与管径同步优化方法研究[J].系统仿真学报, 2009, 21 (11) :3180-3183.
[4] 姚慰炜, 马孝义, 王向伟, 等.自适应遗传算法在环状管网水力计算中的优化设计[J].灌溉排水学报, 2010, 29 (4) :85-88.
[5] Moosavian N, Lence B J. Nondominated sorting differential evolution algorithms for multiobjective optimization of water distribution systems [J]. Journal of Water Resources Planning and Management, 2016, 143 (4) :040160824.
[6] Krapivka A, Ostfeld A. Coupled genetic algorithm-linear programming scheme for least-cost pipe sizing of water-distribution systems [J]. Journal of Water Resources Planning and Management, 2009, 135 (4) : 298-302.
[7] Wang X, Zhao Y, Wang D, et al. Improved multi-objective ant colony optimization algorithm and its application in complex reasoning [J]. Chinese Journal of Mechanical Engineering, 2013, 26 (5) : 1031-1040.
[8] Hotlos H. Quantitative assessment of the influence of water pressure on the reliability of water-pipe networks in service [J]. Environment Protection Engineering, 2010, 36 (3) : 103-112.
[9] 柳晓明. 基于自适应粒子群算法的城市给水管网优化设计[D].重庆:重庆大学, 2012.
[10] 余嵘, 严程, 逯佩宁.自适应罚函数遗传算法对给水管网优化的研究[J].给水排水, 2016, 52 (4) :136-140.
[11] Kayvanfar V, Husseini S M M, Karimi B, et al. Bi-objective intelligent water drops algorithm to a practical multi-echelon supply chain optimization problem [J]. Journal of Manufacturing Systems, 2017, 44 (1) : 93-114.
[12] 乔俊飞, 魏静, 韩红桂.基于改进NSGA2算法的给水管网多目标优化设计[J].控制工程, 2016, 23 (12) :1861-1866.
[13] 周荣敏, 林性粹.应用单亲遗传算法进行树状管网优化布置[J].水利学报, 2001 (06) :14-18.
[14] Tanabe R, Ishibuchi H. An analysis of control parameters of MOEA/D under two different optimization scenarios [J]. Applied Soft Computing, 2018, 70: 22-40.
[15] Opricovic S, Tzeng G H. Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS [J]. European Journal of Operational Research, 2004, 156 (2) : 445-455.
[16] Laumanns M, Thiele L, Deb K, et al. Combining convergence and diversity in evolutionary multiobjective optimization [J]. Evolutionary Computation, 2002, 10 (3) : 263-282.