优化调度求解方法研究优化调度求解方法可分为
单目标优化调度求解方法和多目标优化调度求解方法，将两类方法国内外研究现状概述如下。
一、单目标优化调度求解方法
无论是水库优化调度还是风光水多能互补系统优化调度，本质上都是一类带约束条件的优化问题。
1.1 传统算法
优化调度问题早期求解方法大多基于线性规划、非线性规划和动态规划(DynamicProgramming，DP)等方法。
- 线性规划最早于1947年由Dantzig提出，优点是计算简便、所求结果为全局最优解，缺点是要求模型目标和约束均为线性表达式，这也大大限制了其在实际优化调度问题中的应用。
- 邹鹰等采用约束非线性规划问题的可变容差法对水库防洪优化调度模型进行了求解。
- 动态规划将复杂优化问题分解成多阶段的子问题进行求解，是求解复杂非线性优化问题的一种有效方法，其最大的优势在于求解结果为该离散精度下的全局最优解。DP是水库优化调度领域内理论最成熟、应用最广泛的优化方法之一，为适应求解更复杂的优化调度问题，DP有诸多改进方法，主要包括增量动态规划(IncrementalDynamicProgramming，IDP)、逐次渐进动态规划(DynamicProgrammingSuccessive Approximations，DPSA)、离散微分动态规划(DiscreteDifferentialDynamic Programming，DDDP)和逐次优化方法(ProgressiveOptimizationAlgorithm，POA)等。随着优化调度问题规模变大，决策变量离散点数增加，动态规划类方法会面临“维数灾”问题，这限制了其在大规模水库优化调度和风光水多能互补系统优化调度中的应用。
1.2 启发式算法
随着计算机技术的进步，一类基于生物进化或自然现象的启发式算法得到了极大的发展，这类算法求解效率高、对目标函数和约束条件适应性强，可有效解决DP面临的“维数灾”难题。 最早应用于求解优化调度的算法有遗传算法(Genetic Algorithm，GA)、粒子群算法(ParticleSwarmOptimizationAlgorithm，PSO)和差分进化算法(DifferentialEvolutionaryAlgorithm，DE)等。姜铁兵等在完成日发电量任务的前提下，以电站耗水量最小为目标构建了厂内经济运行调度模型，并采用GA算法求解，取得了较优的运行方案。杨道辉等在中长期发电优化调度模型中将PSO算法与DP算法进行对比，实验结果表明PSO的计算时间与占用内存均较少，有效克服了“维数灾”问题。覃晖等提出了一种基于自适应柯西变异的差分进化算法，并用于求解水库多目标防洪优化调度问题，克服了早熟收敛问题，提高了收敛精度。 一方面，研究学者不断对GA、PSO和DE等经典进化算法进行改进以适应求解更复杂的优化调度问题; 另一方面，许多新的进化算法不断被提出或改进，并应用于优化调度问题求解，主要包括:
- 黑洞算法(BlackHole，BH)、
- 和声搜索优化算法(HarmonySearch，HS)、
- 化学反应优化算法(ChemicalReactionOptimization，CRO)、
- 共生生物搜索算法(SymbioticOrganismsSearch，SOS)、
- 引力搜索算法(GravitationalSearchAlgorithm，GSA)、
- 飞蛾扑火优化算法(Moth-flameOptimization，MFO)、
- 等等等
目前，针对优化调度单目标求解算法，研究热点主要集中在提出或改进具有更好收敛性能的算法上，具体表现在收敛速度和收敛精度两方面。
二、多目标优化调度求解方法
水库优化调度和风光水多能互补系统调度需求复杂，往往会建立考虑多种需求的多目标优化调度模型。多目标优化调度求解方法一般有两类:
- 一类是通过约束法或权重法将多目标问题转化为单目标问题进行求解;
- 一类是基于Pareto理论的多目标进化算法进行求解。
2.1 约束法
约束法先优化单个目标，然后将优化结果作为约束条件，逐次优化剩余目标。杜守建等以水库净效益最大、年发电量最大、供水量最大和供水保证率最大为目标在山东尼山水库上构建了多目标优化调度模型，采用约束法将多目标模型逐次转化为单目标模型进行求解。
2.2 权重法
权重法为每个目标设置重要性系数(或权重系数)，将归一化后各目标值的加权平均值作为最终目标，以优化该最终目标来完成多目标求解。黄志中与周之豪以水库大坝安全性和堤防安全性最高、水库防洪保护区淹没损失最小为目标构建了水库防洪多目标优化调度模型，采用权重系数将多个目标集成为单目标问题进行求解，通过多次调整权重系数得到一组可行方案集。约束法和权重法计算简单，有较多单目标优化算法可供选择，但是将多目标模型转化为单目标模型一次求解只能得到一个调度方案，求解效率低下。
2.3 多目标进化算法MOEA
多目标进化算法(Multi-objectiveEvolutionaryAlgorithm，MOEA)基于Pareto理论能一次性求解得到一组非劣方案集，因此被广泛用于求解优化调度问题。常见多目标进化算法有第二代非支配排序遗传算法(NSGA-II)、第二代强度Pareto进化算法(SPEA2)、多目标粒子群算法(MOPSO)、基于分解的多目标进化算法(MOEA/D)和第三代非支配排序遗传算法(NSGA-III)等。He等以总发电量最大、入流出流水温均方根误差最小和生态指标最好为目标构建了发电-水温-生态多目标优化调度模型，并采用NSGA-II对模型进行了求解。Reed等将多个用在水资源领域内的多目标进化算法进行了对比，指出SPEA2算法具有较好的分布性，但计算时间成本太大。Baltar等采用MOPSO算法对水库多目标优化调度模型进行了求解，模型中考虑了供水、发电、防洪风险和系统可靠性四方面需求，获取了分布性和收敛性较好的非劣前沿。Liu等基于分解框架和文化差分进化算法提出了新的多目标进化算法(MOCEA/D)，并将其运用于分级防洪调度规则优化中，实验结果表明提出的算法可用于水资源规划与管理领域多目标问题求解。张楚采用基于混沌映射的交叉和变异算子对NSGA-III算法进行改进，并将改进后的算法用于求解抽水蓄能机组调节系统多工况多目标分数阶PID优化控制模型。
2.4 多目标进化算法的类型
多目标进化算法中多目标机制可分为非支配排序机制、分解机制和参考点机制。NSGA-II、SPEA2和MOPSO属于非支配排序机制;MOEA/D和MOCEA/D属于分解机制;MOEA/D和NSGA-III属于参考点机制。
目前，多目标进化算法的研究热点主要在于提出新的多目标机制或改进现有多目标机制以使得非劣前沿具有更好的分布性。因此，提出或改进多目标进化算法是优化调度求解方法领域的关键科学问题，解决该问题可为水库调度或风光水多能互补系统多目标优化调度获取收敛性和分布性更好的调度方案提供技术支撑。
