开云优惠体育网页版入口

专利名称：基于水-能源-粮食的资源配置方法、装置、设备及介质

专利类型：实用新型专利

专利申请号：CN202410249392.9

专利申请（专利权）人：湖北省青润水利勘察设计有限公司
权利人地址：湖北省黄冈市黄梅县新南街府湖北省青润水利勘察设计有限公司

专利发明（设计）人：李晓宇,赵戈俊,张火彪,张剑

专利摘要：本申请的实施例涉及资源规划技术领域，公开了一种基于水?能源?粮食的资源配置方法、装置、设备及介质。上述资源配置方法包括：以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化为目标构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力、粮食种植比例不低于最低种植比例为约束条件，建立基于水?能源?粮食纽带关系的多目标优化模型；采用第三代非支配遗传算法NSGA?III，对多目标优化模型进行求解，以根据NSGA?III算法的求解结果，确定水、能源和粮食的资源配置方案。

主权利要求：
1.一种基于水?能源?粮食的资源配置方法，其特征在于，包括：以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化为目标构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力以及粮食种植比例不低于最低种植比例为约束条件，建立基于水?能源?粮食纽带关系的多目标优化模型；
采用第三代非支配遗传算法NSGA?III，对所述多目标优化模型进行求解，得到一组最优解；其中，每个最优解对应一种水、能源和粮食的资源配置方案，且每种资源配置方案对应最大粮食收益，和/或最大水分生产，和/或最大能源效率；
根据资源配置需求，从多种资源配置方案中选择目标资源配置方案；
其中，所述粮食的种植区域包括若干个子区域，所述粮食的类型有若干种，所述目标函数通过以下公式表示：MaxF(x)＝maxf1(x)+maxf2(x)+maxf3(x)其中， PFij表示第i个子区域的第j种粮食的净利润；
Aij表示第i个子区域的第j种粮食的种植面积，Cij表示第i个子区域的第j种粮食单位面积的产量，Fij表示第i个子区域的第j种粮食单位面积的耗水量；
Eij表示第i个子区域的第j种粮食单位面积的能源投入量；
所述能源的类型有若干种，所述粮食和能源消耗的总水量不超过最大可供水量的约束条件通过以下公式表示：其中，WFij表示第i个子区域的第j种粮食的灌溉定额，Ci表示第i个子区域的灌溉比例，θ表示第i个子区域的灌溉水利用系数，WEik表示第i个子区域的第k种能源的用水定额，Xik表示第i个子区域的第k种能源的消耗量，WU表示最大可供水量；
所述粮食生产量不低于最低粮食需求量且不超过粮食生产能力的约束条件通过以下公式表示：其中，Pmin表示最低粮食生产量，FWimax表示第i个子区域的粮食的最大种植面积；
所述粮食种植比例不低于最低种植比例的约束条件通过以下公式表示：其中，Cmin表示粮食的最低种植比例，Aij≥0。
2.根据权利要求1所述的基于水?能源?粮食的资源配置方法，其特征在于，所述能源包括以下两种类型：以能源形式存在的能源、以能源产物或劳动力形式存在的能源；
所述以能源形式存在的能源包括柴油和电力，所述以能源产物或劳动力形式存在的能源包括机械设备、劳动力、肥料和农药。
3.根据权利要求2所述的基于水?能源?粮食的资源配置方法，其特征在于，所述能源投入量包括：通过消耗的柴油的质量与柴油能量折算系数计算得到的柴油投入量，通过消耗的电量与电力能量折算系数计算得到的电力投入量，通过机械设备的费用、柴油的单价以及所述柴油能量折算系数计算得到的机械设备投入量，通过人工作业天数、单日人工作业时间以及劳动力能量折算系数计算得到的劳动力投入量，通过消耗的肥料质量与肥料能量折算系数计算得到的肥料投入量以及通过消耗的农药质量与农药能量折算系数计算得到的农药投入量。
4.根据权利要求1所述的基于水?能源?粮食的资源配置方法，其特征在于，所述NSGA?III算法的初始种群中包含N个个体，N≥1，每个个体为所述第i个子区域的第j种粮食的种植面积。
5.根据权利要求4所述的基于水?能源?粮食的资源配置方法，其特征在于，所述一组最优解以N个分布在三维空间中的优化结果表示；
所述根据资源配置需求，从多种资源配置方案中选择目标资源配置方案，包括：根据N个优化结果的分布状况，从所述N个优化结果中提取M个优化结果，作为所述水、能源和粮食的资源配置方案。
6.一种基于水?能源?粮食的资源配置装置，其特征在于，包括：模型构建模块，用于以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化为目标构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力、粮食种植比例不低于最低种植比例为约束条件，建立基于水?能源?粮食纽带关系的多目标优化模型；
其中，所述粮食的种植区域包括若干个子区域，所述粮食的类型有若干种，所述目标函数通过以下公式表示：MaxF(x)＝maxf1(x)+maxf2(x)+maxf3(x)其中， PFij表示第i个子区域的第j种粮食的净利润；
Aij表示第i个子区域的第j种粮食的种植面积，Cij表示第i个子区域的第j种粮食单位面积的产量，Fij表示第i个子区域的第j种粮食单位面积的耗水量；
Eij表示第i个子区域的第j种粮食单位面积的能源投入量；
所述能源的类型有若干种，所述粮食和能源消耗的总水量不超过最大可供水量的约束条件通过以下公式表示：其中，WFij表示第i个子区域的第j种粮食的灌溉定额，Ci表示第i个子区域的灌溉比例，θ表示第i个子区域的灌溉水利用系数，WEik表示第i个子区域的第k种能源的用水定额，Xik表示第i个子区域的第k种能源的消耗量，WU表示最大可供水量；
所述粮食生产量不低于最低粮食需求量且不超过粮食生产能力的约束条件通过以下公式表示：其中，Pmin表示最低粮食生产量，FWimax表示第i个子区域的粮食的最大种植面积；
所述粮食种植比例不低于最低种植比例的约束条件通过以下公式表示：其中，Cmin表示粮食的最低种植比例，Aij≥0；
模型求解模块，用于采用第三代非支配遗传算法NSGA?III，对所述多目标优化模型进行求解，得到一组最优解；其中，每个最优解对应一种水、能源和粮食的资源配置方案，且每种资源配置方案对应最大粮食收益，和/或最大水分生产，和/或最大能源效率；
资源配置模块，用于根据资源配置需求，从多种资源配置方案中选择目标资源配置方案。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一所述的基于水?能源?粮食的资源配置方法。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至5中任一项所述的基于水?能源?粮食的资源配置方法。 说明书 : 基于水?能源?粮食的资源配置方法、装置、设备及介质技术领域[0001] 本申请实施例涉及资源规划技术领域，特别涉及一种基于水?能源?粮食的资源配置方法、装置、设备及介质。背景技术[0002] 水、能源和粮食(Water，energy，andfood，WEF)是人类生存所必需的基本资源，由于工业化，城市化，人口爆炸和经济增长等因素，相应资源的供应可能会中断，这反过来又可能会威胁到资源安全。温室气体排放导致的气候变化给资源管理带来更多的不确定性，影响水的可用性，威胁粮食供应，并增加能源需求。水在能源和粮食生产中是不可或缺的，农业是最大的水消耗部门，占全球淡水消费量的近70％，而粮食生产和供应占全球能源消耗的30％左右，90％的发电方式是水密集型的，大约75％的工业用水用于能源生产。水、能源、粮食也是可持续发展目标(SDG)的核心组成部分，例如灌溉、采煤和火力发电需要大量的水资源，废水处理、海水淡化、食品加工等都需要充足的能源供应，同时，粮食生产和贸易促进了虚拟水贸易，农作物秸秆和食物垃圾可以转化为生物质能源。[0003] WEF关系旨在研究水、能源和粮食的相互作用，减少权衡，提高效率和协同作用，并促进跨部门合作。目前对WEF关系的研究主要分为以下几个方面：通过描述资源、环境和人类社会之间的关系，以加深对WEF关系的理解，包括WEF关系内部的相互作用，社会经济和环境因素对WEF关系的外部影响，以及WEF关系的耦合性质。其次，考虑到外部因素的影响，从不同的视角和空间尺度发展了不同的方法来评估、模拟和优化世界经济论坛关系，旨在实现世界经济论坛关系的协调规划、综合管理和高效治理。最后，基于联系方法的可扩展性，一些研究集中在WEF联系中特定部门的发展或两个部门之间的相互联系。[0004] 尽管水、能源和粮食之间存在相互作用关系，水、能源和粮食之间的联系方法可以整合多部门管理，平衡利益攸关方之间的权衡，增加资源之间的协同作用，并为可持续发展提供机会。但是目前大多研究只会考虑水、能源和粮食三者中任意两者之间的关系，很少有关于水、能源和粮食纽带关系的内在规律的研究，即三个系统的耦合性较低。因此，在水、能源和粮食的资源配置方案中，无法实现这三种资源的最优配置，例如若需要提升粮食产量，不可避免的就要牺牲水资源和能源，若需要降低水资源和能源的消耗，则会导致粮食产量的下降。发明内容[0005] 本申请实施例的目的在于提供一种基于水?能源?粮食的资源配置方法、装置、设备及介质，可以增强水?能源?粮食三者的耦合性，生成最优的资源配置方案，从而提升粮食收益以及水和能源的利用率。[0006] 为解决上述技术问题，本申请的实施例提供了一种基于水?能源?粮食的资源配置方法，包括以下步骤：[0007] 以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化为目标构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力、粮食种植比例不低于最低种植比例为约束条件，建立基于水?能源?粮食纽带关系的多目标优化模型；[0008] 采用第三代非支配遗传算法NSGA?III，对所述多目标优化模型进行求解，得到一组最优解；其中，每个最优解对应一种水、能源和粮食的资源配置方案，且每种资源配置方案对应最大粮食收益，和/或最大水分生产，和/或最大能源效率最大；[0009] 根据资源配置需求，从多种资源配置方案中选择目标资源配置方案。[0010] 在一些可选的实施例中，所述粮食的种植区域包括若干个子区域，所述粮食的类型有若干种，所述目标函数通过以下公式表示：[0011] MaxF(x)＝maxf1(x)+maxf2(x)+maxf3(x)[0012] 其中， PFij表示第i个子区域的第j种粮食的净利润；[0013] Aij表示第i个子区域的第j种粮食的种植面积，Cij表示第i个子区域的第j种粮食单位面积的产量，Fij表示第i个子区域的第j种粮食单位面积的耗水量；[0014] Eij表示第i个子区域的第j种粮食单位面积的能源投入量。[0015] 在一些可选的实施例中，所述能源的类型有若干种，所述分配至粮食和能源生产的总水量不超过最大可供水量的约束条件通过以下公式表示：[0016][0017] 其中，WFij表示第i个子区域的第j种粮食的灌溉定额，Ci表示第i个子区域的灌溉比例，θ表示第i个子区域的灌溉水利用系数，WEik表示第i个子区域的第k种能源的用水定额，Xik表示第i个子区域的第k种能源的消耗量，WU表示最大可供水量：[0018] 所述粮食生产量不低于最低粮食需求量且不超过粮食生产能力的约束条件通过以下公式表示：[0019][0020] 其中，Pmin表示最低粮食生产量，FWimax表示第i个子区域的粮食的最大种植面积：[0021] 所述粮食种植比例不低于最低种植比例的约束条件通过以下公式表示：[0022][0023] 其中，Cmin表示粮食的最低种植比例，Aij≥0。[0024] 在一些可选的实施例中，所述能源包括以下两种类型：以能源形式存在的能源、以能源产物或劳动力形式存在的能源；[0025] 所述以能源形式存在的能源包括柴油和电力，所述以能源产物或劳动力形式存在的能源包括机械设备、劳动力、肥料和农药。[0026] 在一些可选的实施例中，所述能源投入量包括：[0027] 通过消耗的柴油的质量与柴油能量折算系数计算得到的柴油投入量，通过消耗的电量与电力能量折算系数计算得到的电力投入量，通过机械设备的费用、柴油的单价以及所述柴油能量折算系数计算得到的机械设备投入量，通过人工作业天数、单日人工作业时间以及劳动力能量折算系数计算得到的劳动力投入量，通过消耗的肥料质量与肥料能量折算系数计算得到的肥料投入量以及通过消耗的农药质量与农药能量折算系数计算得到的农药投入量。[0028] 在一些可选的实施例中，所述NSGA?III算法的初始种群中包含N个个体，N≥1，每个个体为所述第i个子区域的第j种粮食的种植面积。[0029] 在一些可选的实施例中，所述一组最优解以N个分布在三维空间中的优化结果表示；[0030] 所述根据资源配置需求，从多种资源配置方案中选择目标资源配置方案，包括：[0031] 根据N个优化结果的分布状况，从所述N个优化结果中提取M个优化结果，作为所述水、能源和粮食的资源配置方案。[0032] 本申请的实施例还提供了一种基于水?能源?粮食的资源配置装置，包括：模型构建模块，用于以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化为目标构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力、粮食种植比例不低于最低种植比例为约束条件，建立基于水?能源?粮食纽带关系的多目标优化模型；[0033] 模型求解模块，用于采用第三代非支配遗传算法NSGA?III，对所述多目标优化模型进行求解，得到一组最优解；其中，每个最优解对应一种水、能源和粮食的资源配置方案，且每种资源配置方案对应最大粮食收益，和/或最大水分生产，和/或最大能源效率最大；[0034] 资源配置模块，用于根据资源配置需求，从多种资源配置方案中选择目标资源配置方案。[0035] 本申请的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器中存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于水?能源?粮食的资源配置方法。[0036] 本申请的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述基于水?能源?粮食的资源配置方法。[0037] 本申请的实施例提供的基于水?能源?粮食的资源配置方法，至少具有以下[0038] 有益效果：[0039] 本申请中首先构建了一种基于水?能源?粮食纽带关系的多目标优化模型，且模型以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力、粮食种植比例不低于最低种植比例为约束条件，然后采用第三代非支配遗传算法NSGA?III，对多目标优化模型进行求解，得到一组最优解，每个最优解对应一种水、能源和粮食的资源配置方案，且每种资源配置方案对应最大粮食收益，和/或最大水分生产，和/或最大能源效率最大，则根据资源配置需求，从多种资源配置方案中选择目标资源配置方案。[0040] 由于粮食收益的增加是以水资源、能源等投入的增加为代价的，而水资源投入增加的同时又会进一步增加能源的消耗，水、能源与粮食这三者之间是相互冲突的，而本申请中所建立的基于水?能源?粮食纽带关系的多目标优化模型增强了这三者之间的耦合性，使水、能源与粮食达到一种均衡状态，最终得到的资源配置方案可以在实现粮食收益最大化的基础上，最大化水资源与粮食的利用率，降低水资源与能源的消耗，降低粮食产量、水资源消耗与能源消耗之间的冲突。并且，模型求解结果包含多种资源配置方案，可以根据实际需求从中选择所需的资源配置方案，例如选择粮食收益最大的方案或者能源效率最大的方案等。此外，NSGA?III算法对高维目标优化问题的求解效果更好，可以进一步提升模型求解结果中水、能源与粮食的均衡性。附图说明[0041] 一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。[0042] 图1是根据本申请的一个实施例提供的一种基于水?能源?粮食的资源配置方法的流程图；[0043] 图2是根据本申请的一个实施例提供的一种多目标优化模型的优化结果的示意图一；[0044] 图3是根据本申请的一个实施例提供的一种多目标优化模型的优化结果的示意图二；[0045] 图4是根据本申请的一个实施例提供的一种土地总面积的统计图；[0046] 图5是根据本申请的一个实施例提供的一种粮食总收益的统计图；[0047] 图6是根据本申请的一个实施例提供的一种水分生产率的统计图；[0048] 图7是根据本申请的一个实施例提供的一种能源效率的统计图；[0049] 图8是根据本申请的一个实施例提供的一种基于水?能源?粮食的资源配置装置的示意图；[0050] 图9是根据本申请的一个实施例提供的一种电子设备的结构示意图。具体实施方式[0051] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。[0052] 本申请的一个实施例涉及一种基于水?能源?粮食的资源配置方法，下面对本实施例的基于水?能源?粮食的资源配置方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。[0053] 本实施例的基于水?能源?粮食的资源配置方法的具体流程可以如图1所示，包括：[0054] 步骤101，以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化为目标构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力、粮食种植比例不低于最低种植比例为约束条件，建立基于水?能源?粮食纽带关系的多目标优化模型。[0055] 具体而言，本实施例所建立的基于水?能源?粮食纽带关系的多目标优化模型包含以下几个方面：(1)多目标优化模型的决策变量，(2)多目标优化模型的目标函数，(3)多目标优化模型的约束条件。下面对其进行具体设置：[0056] (1)决策变量[0057] 首先确定粮食的种植区域与种植的粮食的类型，假设种植区域包括若干个子区域，粮食的类型有若干种。本实施例考虑到农业生产中不同粮食作物所产生的经济效益，以及种植其所消耗的水和能源存在差异，则以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量。[0058] (2)目标函数[0059] 本实施例所述的基于水?能源?粮食的资源配置得最终目的是为了实现各类资源(水?能源?粮食)的最优利用，从而保证种植区域内粮食产量的最大化和综合效益的最大化。由于水?能源?粮食的相互反馈作用，例如一般情况下粮食产量的增加是以水资源、能源投入的增加为代价的，而水资源投入增加的同时又会进一步增加能源(例如电力)的消耗，因此本实施例综合考虑粮食生产、水资源消耗和能源消耗三方面构建来目标函数，即，以粮食收益最大化、水分生产最大化、能源效率最大化为目标来构建目标函数。可以理解的是，粮食收益是通过计算粮食作物种植带来作物的收益扣除粮食种植成本得到的，收益方面能够反映种植粮食作物带来的经济收入，成本方面则反映出能源消耗和水消耗；水分生产率是指单位毛灌溉用水量所获得的粮食作物的产量；能源效率是指单位能源投入的所获得的粮食作物的产量。基于此构建的目标函数可以反映出水?能源?粮食系统间的相互反馈作用，以及粮食产出中水资源、能源消耗的贡献程度。[0060] 在具体实现中，目标函数通过以下公式表示：[0061] MaxF(x)＝maxf1(x)+maxf2(x)+maxf3(x)[0062] 其中，maxf1(x)表示粮食收益最大化， PFij表示第i个子区域的第j种粮食的净利润；[0063] 而，PFij＝RFjAijCij?CFjAij，RFj表示第j种粮食的售价(元/kg)，Aij表示第i个子区域的第j种粮食的种植面积，Cij表示第i个子区域的第j种粮食单位面积的产量(kg/亩)，CFj表示表示第j种粮食的成本系数(元/亩)。[0064] maxf2(x)表示水分生产最大化， I表示种植粮食的区域中子区域的个数，J表示种植的粮食类型的总个数，Fij表示第i个子区域的第j种粮食单位面积的耗水量。[0065] maxf3(x)表示能源效率最大化， Eij表示第i个子区域的第j种粮食单位面积的能源投入量。[0066] 在一个例子中，对于maxf3(x)中所涉及的能源投入包括机械投入、人力投入、化肥与能源投入、灌溉排水的电力投入等多种能源消耗。因此本实施例的能源的类型有若干种，包括以能源形式存在的能源、以能源产物或劳动力形式存在的能源。其中，以能源形式存在的能源包括柴油和电力等，以能源产物或劳动力形式存在的能源包括机械设备、劳动力、肥料和农药等。[0067] 因此，能源投入量包含上述各种形式的能源的投入量，例如：通过消耗的柴油的质量与柴油能量折算系数计算得到的柴油投入量，通过消耗的电量与电力能量折算系数计算得到的电力投入量，通过机械设备的费用、柴油的单价以及柴油能量折算系数计算得到的机械设备投入量，通过人工作业天数、单日人工作业时间以及劳动力能量折算系数计算得到的劳动力投入量，通过消耗的肥料质量与肥料能量折算系数计算得到的肥料投入量以及通过消耗的农药质量与农药能量折算系数计算得到的农药投入量。如表1所示：[0068] 表1[0069][0070][0071] 其中，随着耕作方式、投入要素种类及形式的不同而发生变化，例如不同化肥农药种类、农作机械型号等有着不一样的能量折算系数，并非固定值，本实施例中柴油能量折算系数和电力能量折算系数的取值参考《综合能耗计算通则》(GB/T2589?2020)，劳动力能量折算系数、肥料能量折算系数和农药能量折算系数的取值结合粮食种植区域调查结果的波动范围内的平均值确定，柴油单价根据当地市场价格得出。[0072] (3)约束条件[0073] 本实施例结合粮食种植区域的实际情况，设置以下约束条件：①供水能力约束；②粮食生产规模约束；③粮食种植结构约束，本实施例中同一时期以月为单位，各约束条件的计算公式及公式中各符号含义如下：[0074] ①供水能力约束：分配至粮食和能源生产的总水量不超过最大可供水量的约束条件，其通过以下公式表示：[0075][0076] 其中，WFij表示第i个子区域的第j种粮食的灌溉定额(m3/亩)，Ci表示第i个子区域的灌溉比例，θ表示第i个子区域的灌溉水利用系数，WEik表示第i个子区域的第k种能源的用3 3水定额(m/kg)，Xik表示第i个子区域的第k种能源的消耗量，WU表示最大可供水量(m)。[0077] ②粮食生产规模约束：粮食生产量不低于最低粮食需求量且不超过粮食生产能力的约束条件，其通过以下公式表示：[0078][0079] 其中，Pmin表示最低粮食生产量，Fwimax表示第i个子区域的粮食的最大种植面积(亩)。[0080] ③粮食种植结构约束：粮食种植比例不低于最低种植比例的约束条件，其通过以下公式表示：[0081][0082] 其中，Cmin表示粮食的最低种植比例，Aij≥0。[0083] 参考以上过程，建立得到基于水?能源?粮食纽带关系的多目标优化模型。[0084] 步骤102，采用第三代非支配遗传算法NSGA?III，对多目标优化模型进行求解得到一组最优解；其中，每个最优解对应一种水、能源和粮食的资源配置方案，且每种资源配置方案对应最大粮食收益，和/或最大水分生产，和/或最大能源效率最大。[0085] 具体而言，通过优化过程可以找到最优值或最佳解，优化问题包括寻找最大值或最小值，使用一个目标或多个目标。本实施例中的基于水?能源?粮食纽带关系的多目标优化模型为具有多个目标的问题，其被称为多目标优化(Multi?ObjectiveOptimization，MOO)，这类问题在日常生活中随处可见，如数学、工程、社会研究、经济学、农业、航空、汽车等，在目标规划中，决策者确定目标函数的期望水平，以期望水平优化目标函数为目标。多目标进化算法(MOEA)是一种随机优化技术，与其他优化算法类似，MOEA用于为特定问题找到最优Pareto解决方案。详细地，在每次迭代中，针对每个个体计算目标值，然后用于确定群体中的优势关系，以便选择用于产生遗传群体的潜在更好的解决方案，该群体可以与亲本群体组合以产生用于下一代的群体。此外，目标空间的存在可能会给予MOEA的灵活性，从而得到多组互补的多目标结果。[0086] NSGA?II对于解决多目标优化问题(MOPs)是有效的，但在处理许多(三个或更多)目标时未能显示出令人满意的性能，主要原因是随着目标数量的增加，群体中几乎所有的解都变得非支配，导致帕累托选择压力严重损失到帕累托前沿(PF)。非支配解的比例在随机选择目标向量集中与目标的数量呈指数相关(非支配解的比例随目标数量的增加而成指数增长)，因为非支配解占据了种群中大部分位置，任何精英保护的EMO都很难容纳下足够数量的种群中的新解，这大大减慢了搜索过程。其次，实现多样性保存(类似于拥挤度距离和聚类)将是一项计算耗时非常大的操作。最后，超维前沿可视化是一个很困难的任务，因此导致了后续决策任务和算法性能评估的困难。总结来说，性能指标(如超维度度量或其他度量)要么在计算上太昂贵，要么没有意义。[0087] 由于大多数多目标进化算法在求解目标维数较低的问题时较为有效，当目标数目大于等于3的时候，也就是面对高维目标优化问题，很多方法由于维数增多选择压力下降，效果变得不理想。因此，本实施例中面对高维目标优化问题(基于水?能源?粮食纽带关系的多目标优化模型)，采用NSGA?III算法。NSGA?III的框架基本和NSGA?II相同，同样利用快速非支配排序将种群个体分类进入不同的非支配前沿，不同的是：对于在临界层中的环境选择，NSGA?II的方法是利用拥挤比较操作来选择从而保持多样性，NSGA?III最大的变化就是利用良好分布的参考点来保持种群的多样性。[0088] 下面对本实施例的NSGA?III算法进行以下说明：[0089] NSGA?III算法是针对高维多目标优化计算代价大，难以挑选Pareto解的情况而开发的，基本流程与NSGA?II相似，但选择个体的方法加入了基于参考点的方法，能够有效降低计算代价。[0090] NSGA?III算法首先定义一组参考点，然后随机生成含有N个个体的初始种群，N表示初始种群的大。琋≥1，在本实施例中，初始种群中的每个个体为第i个子区域的第j种粮食的种植面积，则N＝i*j，接下来，算法进行迭代直至终止条件满足。可以理解的是，终止条件为目标函数：粮食收益最大化、水分生产最大化、生产能源效率最大化。[0091] 在第t代，算法在当前种群Pt的基础上，通过交叉和变异产生子代种群Qt。Pt和Qt的大小均为N。因此，两个种群Pt和Qt合并会形成种群大小为2N的新的种群Rt＝Pt∪Qt。为了从种群Rt中选择最好的N个解进入下一代，首先利用基于Pareto支配的非支配排序将Rt分为若干不同的非支配层(F1，F2等等)。然后，算法构建一个新的种群St，构建方法是从F1开始，逐次将各非支配层的解加入到St，直至St的大小等于N，或首次大于N。假设最后可以接受的非支配层是L层，那么在L+1层以及之后的那些解就被丢弃掉了，且St/FL中的解已经确定被选择作为Pt+1中的解。Pt+1中余下的个体需要从FL中选。≡竦囊谰菔且怪秩涸谀勘昕占渲芯哂欣硐氲亩嘌。最后得到三种优化目标的Pareto前沿，从而筛选出一个相对较优的解的集合，在这个集合里找出相对优的解或者最优解，具体选取方法根据实际要求来进行选取。[0092] 在原始NSGA?II算法中，FL中具有较大拥挤距离的解会优先被选择。然而，拥挤距离度量并不适合求解高维多目标优化问题(三个及更多目标的多目标优化问题)。因此NSGA?III算法不再采用拥挤距离，而是采用了新的选择机制，该机制会通过所提供的参考点，对St中的个体进行更加系统地分析，以选择FL中的部分解进入Pt+1。[0093] 算法的优势在于，原始NSGA?II中，FL中具有较大拥挤距离的解会优先被选择。然而，拥挤距离度量并不适合求解高维多目标优化问题，在水?能源?粮食三(多)目标优化问题中，NSGA?III算法不再采用拥挤距离，而是采用了新的选择机制，能够使优化结果更加准确，对于三重指标的分配也更加平均。[0094] 步骤103，根据资源配置需求，从多种资源配置方案中选择目标资源配置方案。[0095] 在具体实现中，在采用NSGA?III算法对上述基于水?能源?粮食纽带关系的多目标优化模型进行求解后，NSGA?III算法的求解结果所得到的一组最优解以N个分布在三维空间中的优化结果表示，此时根据N个优化结果的分布状况，从N个优化结果中提取M个优化结果，作为水、能源和粮食的资源配置方案。[0096] 然后根据资源配置需求，即是需要最大粮食收益，和/或最大水分生产，和/或最大能源效率最大，来从这些资源配置方案中选择目标资源配置方案作为本实施例的水?能源?粮食的资源配置方案。[0097] 本实施例中，由于粮食收益的增加是以水资源、能源等投入的增加为代价的，而水资源投入增加的同时又会进一步增加能源的消耗，水、能源与粮食这三者之间是相互冲突的，而本申请中所建立的基于水?能源?粮食纽带关系的多目标优化模型增强了这三者之间的耦合性，使水、能源与粮食达到一种均衡状态，最终得到的资源配置方案可以在实现粮食收益最大化的基础上，最大化水资源与粮食的利用率，降低水资源与能源的消耗，降低粮食产量、水资源消耗与能源消耗之间的冲突。并且，模型求解结果包含多种资源配置方案，可以根据实际需求从中选择所需的资源配置方案，例如选择粮食收益最大的方案或者能源效率最大的方案等。此外，NSGA?III算法对高维目标优化问题的求解效果更好，可以进一步提升模型求解结果中水、能源与粮食的均衡性。[0098] 为了便于理解，下面以一个具体的实施例来说明本申请的基于水?能源?粮食的资源配置方法如何实现：[0099] 在本实施例中，粮食种植区域为黄河流域，粮食种植的类型有以下五种：小麦、水稻、玉米、马铃薯和大豆。按照黄河黄河流域的行政区域，将粮食种植区域划分为9个子区域。[0100] 参考黄河流域各省区农作物交易市场不同类型粮食作物的售价和成本，考虑省区及时间的变化，确定了粮食作物生产成本及单价，如表2所示：[0101] 表2(单位：元/kg)[0102]粮食作物类型 小麦 水稻 玉米 薯类 大豆单位成本 1.25 0.85 1.08 0.95 2.15单价 2.35 3.55 1.80 1.50 4.50[0103] 其中，粮食成本是在粮食生产过程中所消耗的生产费用，包括物质与服务费用、人工成本以及土地成本。其中物质与服务费用包括种子费、化肥费、农药费等直接费用以及管理费、保险费等间接费用。[0104] 确定粮食生产所需的劳动力，如表3所示：[0105] 表3(单位：人/亩)[0106][0107] 确定黄河流域九省区粮食作物的灌溉定额，如表4所示：[0108] 表4(75％灌溉保证率)(单位：m3/亩)[0109][0110] 灌溉水利用系数如表5所示：[0111] 表5[0112][0113] 对粮食种植面积进行约束，如表6所示：[0114] 表6(单位：103hm2)[0115][0116][0117] 为保障黄河流域水资源可持续发展，以水定产，合理优化产业规模，规划年各省区农业、工业供水量作为粮食及能源生产的供水约束，如表7所示：[0118] 表7(单位：亿m3)[0119][0120] 确定能源产品用水定额，如表8所示：[0121] 表8(m3/t，m3/t，m3/万m3，m3/MWh)[0122][0123] 对黄河流域的粮食数据和能源数据进行统计，如表9所示：[0124] 表9[0125][0126] 以上各表设置了基于水?能源?粮食纽带关系的多目标优化模型的各种参数，采用NSGA?III算法对模型进行求解后，模型的求解结果表示为如图2所示的若干个点(即上述的一组最优解)，根据这若干个点的分布情况，也即结合这若干个点的趋势，从图2中提取8个优化结果，提取到的优化结果如图3所示。[0127] 这8个优化结果可以作为8种本实施例的水、能源和粮食的资源配置方案，将这8种采用本实施例的资源配置方法优化得到的资源配置方案与实际资源配置方案进行对比，如表10所示：[0128] 表10[0129][0130] 采用上述8种配置方案分别进行粮食种植，表中的每个数据表示对应粮食作物的种植面积，最终产生的综合效益可以通过图4至图7(土地总面积、粮食总收益、水分生产率、能源效率)体现。在灌溉净效益方面，方案2的净效益值当年实际值更高；水资源利用上，方案3的水分生产率较当年实际值更高，改善程度显著；能源利用上，提升最显著的同样是方案3，能源效率较当年实际值更高。从图4至图7可以看出方案1、2、3、4、5的土地利用面积减少了，仅有3、4、5灌溉净效益相比实际值有下降，其余方面均得到不同程度的提升，而水分生产率和能源效率的增长程度均在8种方案中较为出色。[0131] 本申请的基于水?能源?粮食的资源配置方法，不只考虑粮食产量最大化或水资源消耗最小化，而是综合考虑水资源消耗、能源消耗对粮食产出的效益，即水分生产率和能源生产率，以及综合灌溉成本和作物收成计算出的直接经济收益，以期优化结果能反映粮食产出中水资源与能源的贡献程度。[0132] 上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。[0133] 本申请的另一个实施例涉及一种基于水?能源?粮食的资源配置装置，下面对本实施例的基于水?能源?粮食的资源配置装置的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施例的基于水?能源?粮食的资源配置装置的示意图可以如图8所示，包括：模型构建模块801、模型求解模块802以及资源配置模块803。[0134] 具体而言，模型构建模块801，用于以粮食种植的面积、单位面积内种植粮食消耗的水量、单位面积内种植粮食消耗的能源为决策变量，以粮食收益最大化、水分生产最大化、能源效率最大化为目标构建目标函数，以粮食和能源消耗的总水量不超过最大可供水量、粮食生产量不低于最低粮食需求量且不超过粮食生产能力、粮食种植比例不低于最低种植比例为约束条件，建立基于水?能源?粮食纽带关系的多目标优化模型。[0135] 模型求解模块802，用于采用第三代非支配遗传算法NSGA?III，对多目标优化模型进行求解，得到一组最优解；其中，每个最优解对应一种水、能源和粮食的资源配置方案，且每种资源配置方案对应最大粮食收益，和/或最大水分生产，和/或最大能源效率最大；[0136] 资源配置模块803，用于根据资源配置需求，从多种资源配置方案中选择目标资源配置方案。[0137] 不难发现，本实施例为与上述方法实施例对应的装置实施例，本实施例可以与上述方法实施例互相配合实施。上述实施例中提到的相关技术细节和技术效果在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在上述实施例中。[0138] 值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。[0139] 本申请另一个实施例涉及一种电子设备，如图9所示，包括：至少一个处理器901；以及，与所述至少一个处理器901通信连接的存储器602；其中，所述存储器902存储有可被所述至少一个处理器901执行的指令，所述指令被所述至少一个处理器901执行，以使所述至少一个处理器901能够执行上述各实施例中的基于水?能源?粮食的资源配置方法。[0140] 其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。[0141] 处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。[0142] 本申请另一个实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。[0143] 即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read?OnlyMemory，简称：ROM)、随机存取存储器(RandomAccessMemory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。[0144] 本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

专利地区：湖北

专利申请日期：2024-03-05

专利公开日期：2024-09-06

专利公告号：CN118195826B