Coupled Self-Adaptive Multiobjective Differential Evolution and Network Flow Algorithm Approach for Optimal Reservoir Operation
Notice bibliographique
Résumé
This paper presents a coupled self-adaptive multiobjective differential evolution and network flow algorithm for the optimal operation of complex multipurpose reservoir systems. The developed algorithm (i.e., self-adaptive multiobjective differential evolution) is compared to nondominated sorting genetic algorithm II using a set of common test problems and a real-world case study. An out-of-kilter method for minimal-cost flow problems is used to optimize the water resource system from self-adaptive multiobjective differential evolution inputs driven by the evolutionary process. Self-adaptive multiobjective differential evolution is then used to evaluate objective functions based on the outputs from out-of-kilter algorithm and the process continues until the stop criterion is met. The advantages of the proposed approach include (1) flexible evolutionary algorithms for solving highly complex objective function, and (2) efficient network flow method for dealing with large and highly constrained problems. The case study includes one part of a complex water supply system located in southwestern Brazil that provides water for almost 20 million people in Sao Paulo metropolitan area. The objectives of the case study include minimization of demand shortage (the difference between demand for water and available water supply), maximization of water quality (or minimization of the deviation from the water quality standards), and minimization of pumping cost. The coupled model is applied to the case study using one inflow scenario representing a drought period with inflows below historical average. Multiobjective analyses are performed by comparing two pairs of objective functions, as follows: (1) minimization of demand shortage versus minimization of pumping cost, and (2) minimization of demand shortage versus minimization of the deviation from the water quality standards. The problem constraints include reservoir capacity, capacity of tunnels, channel flow limitations, and minimum downstream release for all reservoirs within the system. The proposed coupled model (self-adaptive multiobjective differential evolution and out-of-kilter) is outperforming both pure self-adaptive multiobjective differential evolution and nondominated sorting genetic algorithm II, as it requires significantly smaller number of generations to derive the Pareto front. In addition, the proposed approach is capable of handling larger problems without major computational burden. The coupled model and self-adaptive multiobjective differential evolution also converge closer to, and provide better coverage of the true Pareto front than, nondominated sorting genetic algorithm II.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».