孔 博

(沈陽市渾蒲灌區(qū)管理中心，遼寧 沈陽 110024)

灌區(qū)配水優(yōu)化計算對于灌區(qū)水資源有效利用十分重要，灌區(qū)優(yōu)化配水計算將提高農作物需水度，提高灌區(qū)有效配水率，將灌區(qū)水資源的效益發(fā)揮到最大。為此近些年來，國內許多學者針對灌區(qū)的水資源優(yōu)化配置進行了相關研究，取得一定的研究成果[1- 6]。在灌區(qū)優(yōu)化配水模型中，多目標蟻群算法可實現(xiàn)多目標條件下的優(yōu)化，在水資源優(yōu)化配置領域得到較為成熟的應用[7- 8]，但是傳統(tǒng)多目標蟻群算法在優(yōu)化求解過程中未能實現(xiàn)變量檢索的自動調整，使得傳統(tǒng)算法下求解收斂速率較慢，優(yōu)化求解精度不高。本文引入改進的多目標蟻群算法，以遼寧中部某灌區(qū)為研究區(qū)域，對該區(qū)域渠系進行優(yōu)化配水計算。研究成果為其他灌區(qū)渠系優(yōu)化配水計算提供方法參考。

1 改進多目標蟻群算法主要原理

多目標蟻群算法首先需要設定目標函數(shù)，目標函數(shù)方程為：

Z=opt(f(fs(x),fj(x),fh(x)))

(1)

式中，fs(x)、fj(x)、fh(x)—社會、環(huán)境以及經(jīng)濟三個方面的效益函數(shù)。

在進行方程優(yōu)化求解時，需要對以上三個效益變量進行加權求解計算，計算方程為:

(2)

式中，i—效益變量的目標函數(shù)；fi(x)—第i目標效益函數(shù)；ω—效益變量權重值。

不同目標函數(shù)設定的方程不同，其中經(jīng)濟效益變量一般追求最大化，計算方程為：

(3)

式中，e—灌區(qū)供水用戶的效益系數(shù)，元/m3；j—供水用戶數(shù)量；ν—用水定額標準，元/m3；α—供水用戶的次序系數(shù)。

社會效益目標函數(shù)的計算方程為確保區(qū)域水資源短缺程度達到最小，計算方程為：

(4)

式中，D—不同行業(yè)之間的需水水量，m3；ν′—灌區(qū)供水標準，m3。

灌區(qū)配水生態(tài)效益目標改善區(qū)域水質，使得污染物濃度達到較低程度，目標函數(shù)的設定方程為：

(5)

式中，C—區(qū)域水質的污染物濃度值，mg/l；O—污染物濃度系數(shù)值。

在設定目標函數(shù)的同時，需要對灌區(qū)優(yōu)化配水模型進行約束條件的設定，首先需要設定供水條件的約束，約束方程為：

(6)

式中，x—灌區(qū)可供水量，m3；W—灌區(qū)總的供水能力。在設定完供水約束條件后，需要對需水約束條件進行設定，需水約束主要對農作物的需水條件進行約束，約束方程為：

(7)

式中，Li—不同區(qū)域農作物面積，hm2；S—區(qū)域的農作物灌溉用水定額，m3/hm2。

改進的多目標蟻群算法采用自適應距離度對不同變量的信息搜索進行優(yōu)化調整，自適應度計算方程為：

Dmin(t)=D0/Tβ

(8)

式中，D0—目標搜索源距離；β—自適應系數(shù)；T—搜索變量；Dmin—標源搜索最小距離。

在進行目標搜索源自適應調整后，需要對目標函數(shù)的信息要素進行擴散計算，變量信息擴散搜索方程為：

(9)

式中，R—改進多目標蟻群算法的擴散半徑；S—擴散源與變量之間的距離；Himin—不同變量最小信息檢索變量；Y—為目標函數(shù)；Y0—為自適應調整前的目標函數(shù)。

2 灌區(qū)渠系優(yōu)化配水計算研究

2.1 灌區(qū)基本特征

本文以遼寧中部某灌區(qū)為研究實例，灌區(qū)內主要渠系的配水特征見表1，該灌區(qū)主要對區(qū)域內的

表1 灌區(qū)基本特征值

農作物進行灌溉，區(qū)域配水流量在0.175～1.53m3/s之間，實際測定的灌區(qū)有效配水率在16.7%～41.2%之間。

2.2 灌區(qū)主要農作物需水計算

研究灌區(qū)主要農作物為水稻、玉米、蔬菜以及果園，結合農作物需水模型[9]對灌區(qū)主要農作物逐月的需水量進行計算，計算結果見表2。

表2 灌區(qū)主要農作物逐月需水量成果

從表2中可以看出，灌區(qū)各農作物均在5～9月的需水量達到最高，這主要是因為這幾個月份區(qū)域潛水蒸發(fā)較大，使得作物耗水量增加，因為需水量也逐步增加，區(qū)域各農作物的需水量的逐月分配過程主要和區(qū)域農作物耕種措施相關，在種植時期，其作物需水量相應增加，進入作物收割時期，其作物的需水量逐步減少。

2.3 不同算法下的灌區(qū)配水優(yōu)化計算

分別結合不同優(yōu)化算法對灌區(qū)農作物配水進行優(yōu)化計算，并對比分析不同算法下各農作物的逐月配水變化過程，計算分析結果見表3～5以及圖1。

表3 傳統(tǒng)多目標蟻群算法下的灌區(qū)渠系優(yōu)化配水結果

表4 改進的多目標蟻群算法下的灌區(qū)渠系優(yōu)化配水結果

表5 不同優(yōu)化算法下灌區(qū)渠系優(yōu)化配水結果對比

圖1 不同算法下各農作物優(yōu)化配水結果

從表3和表4中可以看出，相比于傳統(tǒng)算法，改進算法下灌區(qū)各農作物逐月配水量得到增加，區(qū)域各農作物的需水滿足度得到明顯改善。這主要是因為在改進多目標蟻群算法下，目標優(yōu)化求解速率較快，目標求解精度得到改善，因此配水優(yōu)化程度得到提升。從表5中可以看出，在改進算法下，灌區(qū)優(yōu)化配水量均值提高9.21萬m3，優(yōu)化配水率平均提高14.3%。從圖1中可以明顯看出，改進算法下各農作物的配水過程得到不同程度的提升和優(yōu)化。

2.4 改進多目標蟻群算法下渠系配水時間與配水流量優(yōu)化結果

考慮到渠系優(yōu)化組合下對灌區(qū)配水調節(jié)率和配水時間的影響，結合改進的多目標蟻群算法對渠系配水時間與配水流量進行優(yōu)化，優(yōu)化結果見表6。

表6 改進目標蟻群算法下渠系配水時間與配水量優(yōu)化結果

從表6中可以看出，在改進多目標蟻群算法下，各渠系優(yōu)化組合下，相比于輪灌作業(yè)方式，優(yōu)化配水模型下，研究灌區(qū)優(yōu)化配水時間可縮短31.3h，配水調節(jié)率在54.8%～72.8%之間，配水調節(jié)率的提高和配水時間的有效縮短，將最大程度發(fā)揮灌區(qū)配水的各個目標效益值，使得灌區(qū)的水資源得到有效利用和分配。

3 結論

本文結合改進的多目標蟻群算法對遼寧中部某灌區(qū)的配水進行優(yōu)化計算，分析取得以下結論：

(1)改進算法下，灌區(qū)各農作物的配水優(yōu)化率相比于傳統(tǒng)算法得到明顯提高，作物需水度也得到一定程度的提高，將有利于提高區(qū)域農作物產(chǎn)量；

(2)灌區(qū)渠系優(yōu)化組合下的配水調節(jié)率和配水時間都明顯好于輪灌作業(yè)方式，可最大化發(fā)揮灌區(qū)的目標效益，提高灌區(qū)水資源的利用率。

[1] 何英, 任艷, 郭玉川. 內陸干旱灌區(qū)優(yōu)化配水模型及管理模式[J]. 水科學與工程技術, 2014(06): 65- 68.

[2] 王美多. 基于SWAT模擬的法庫縣灌區(qū)試驗研究及其應用[J]. 水利技術監(jiān)督, 2017(03): 65- 68.

[3] 王星星. 灌區(qū)年徑流量預測與灌區(qū)優(yōu)化配水研究[D]. 西安建筑科技大學, 2009.

[4] 阿扎提古麗·扎克. 灌區(qū)節(jié)水改造工程灌溉水利用系數(shù)的確定[J]. 水利技術監(jiān)督, 2016(03): 92- 93.

[5] 王斌, 張展羽, 張國華, 等. 基于自由搜索的灌區(qū)優(yōu)化配水模型研究[J]. 水利學報, 2008(11): 1239- 1243.

[6] 劉海娟. 灌區(qū)水資源供需水量平衡分析[J]. 水利技術監(jiān)督, 2015(05): 64- 66.

[7] 劉照, 華慶偉, 張成才, 等. 基于RS、 GIS及智能算法的渠系優(yōu)化配水[J]. 西北農林科技大學學報(自然科學版), 2017(04): 213- 222.

[8] 程帥. 基于智能算法與GIS的灌溉水資源多目標優(yōu)化配置[D]. 中國科學院研究生院(東北地理與農業(yè)生態(tài)研究所), 2016.

[9] 陶長生. 大型水稻灌區(qū)高產(chǎn)節(jié)水灌溉優(yōu)化配水模型研究[J]. 灌溉排水, 1998(02): 43- 46.