Application of a goal programming algorithm to incorporate environmental requirements in a multi-objective Columbia River Treaty Reservoir optimization model
Notice bibliographique
Résumé
Due to large variability in streamflows and a lack of adequate reservoir storage capability in US territories, a treaty for the Columbia River was established between Canada and the USA in 1964. However, the treaty only considers power generation and flood control, and to address environmental issues, supplemental operating agreements have been signed each year since the 1990s. In this paper, we present a goal programming (GP) optimization algorithm to model the terms and conditions of the Supplemental Operating Agreements of the Columbia River Treaty (CRT) between BC Hydro and “United States Entities”. The GP technique is a multi-objective programming method that has been used in many different fields including reservoir optimization. After its introduction in 1961, it has been used extensively and is considered a robust modeling technique. The GP algorithm we have developed models the multi-objective problem using a combination of lexicographic and weighted goal-programming techniques. Case studies using four scenarios were performed to assess the satisfaction of environmental requirements for different target flow requirements at the US–Canadian border of the Columbia River. The GP algorithm we have developed allows for the constraints to deviate from a target value. This in turn provides modeling flexibility to handle infeasibility, typically encountered when hard constraints are included in the formulation of the optimization problem. GP can be used to investigate the trade-offs between multiple objectives by minimizing the deviation from user-specified target levels. In addition, the goal-programming formulation can represent more realistic real-time operational situations of a complex multi-reservoir system like the BC Hydro system.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».