当今，洪水仍然是自然界对人类的主要威胁之一。据统计，从1991~1995年间由洪水造成的平均年经济损失为10.5亿元。因此，发展智能化管理与决策系统的非工程措施，更高效地利用科学的方法进行防洪规划设计与防洪预报调度一直是防汛部门探索的问题。Nelson认为从实时洪水预报系统过渡到防汛决策支持系统是目前防洪防汛系统发展的趋势[1]。美国在20世纪80年代初就在这一领域开展了系统研究，之后建立的科罗拉多河流域水库群运行DSS的系统监控和数据采集系统能监控和记录水电站运行、大坝前水库水位、库尾水库水位、紧急报警等[2]。
我国在20世纪80年代末期，由崔家骏等率先引入DSS 的概念和方法，完成了黄河防洪决策支持系统的分析和设计[3]，随后，孟波等提出了城市防洪决策支持系统[4]，翁文斌等完成了汾河防洪专家系统的设计和开发[5]等。这些研究在防汛指挥决策的模型库建设方面取得了不少成果，对于各流域、地区的防汛指挥决策起到了一定的辅助决策作用。总体来说，对于防汛决策已有的研究主要是针对水库多目标调度研究，而对于油田区域水泡子与低洼地较少，作用相对单一的排涝系统调度研究基本没有，因此开展油田防汛决策支持系统研究，结合油田具体情况有效地对洪水进行优化调度已成为防汛工作中的一项刻不容缓的任务，这也是本文所要研究和解决的重点问题。
1 系统设计
油田防汛智能决策支持系统的设计依据为：《国家防汛指挥系统工程项目建议书》、《国家防汛指挥系统工程总体设计大纲》、《国家防汛指挥系统工程总体设计指导书》、《国家防汛指挥系统工程总体设计实施纲要》、《防洪工程数据库整编手册》、《防洪工程数据设计报告》。本系统的设计采用DSS决策支持理论，在开发过程中综合应用计算机网络、数据库、实时通信、地理信息(GIS)技术、ActiveX控件技术以及Agent 理论等。结合该油田防汛的具体情况给出了分布式硬件组成和相应的体系结构设计方案。
1.1 硬件组成
　 信息采集系统是防汛智能决策支持系统的重要组成部分，而闸门、泵站的控制系统则是防汛调度的执行机构。根据油田区域防汛的具体情况，结合已有的工程措施来设计决策支持所需要的硬件部分。该系统的硬件部分可以分为4个子系统：数据采集与通信子系统(现场子系统)、分调度子系统、主调度子系统和信息访问子系统(客户端子系统)。硬件系统结构图如图1所示。

(1)数据采集与通信子系统位于整个系统的底层，由现场检测测量仪器完成对雨量及水位的检测，其中距离局域网较近(100 m以内的)采用光纤接入的TCP/IP的网络技术，距离局域网较远的(10 km以上的但手机通信较好)采用GSM模块无线接入的短信息技术。数据传输采用自报加应急召测方式动态召测现场最新水位和雨量数据。
　 (2)分调度子系统属于二级监控子系统，按照汇水面积和排水干渠划分为可独立调度的Agent子系统。根据降水预测得到的径流量预测出各水库水泡子的水位变化，按本区域损失最小的原则计算排水量，将结果送入主调度服务器。其最终执行机构利用现有的排涝站泵房和涵闸。
　 (3)主调度子系统位于整个系统的顶层，根据各分调度系统送来的数据并结合相关排水干渠上下游分调度系统的调度数据进行协调。按照全区损失最小的原则进行调度。
(4)信息访问子系统用于客户端访问调监系统，以GIS技术平台为支撑，实时直接将后台调度数据显示出来，为决策者提供支持，并对调度实施和人工干预进行控制。
1.2系统的体系结构
　参考多种防汛决策支持系统后,该系统采用模型库、方法库、方案库和文档库四库协同的结构设计方案。采用良好的人机交互可视化界面，系统体系结构如图2 所示(对话逻辑表：实现结构化人机对话；可视化模型：修改参数算法调用计算)。

一个合理有效的防汛决策和减灾方案应体现出汛情和灾情预报的可靠性，水利工程调度的合理性，防灾减灾决策的正确性；而其关键是根据各区域防汛具体要求选择和开发一套适宜的预报、调度和仿真模型。本系统根据油田防汛工作的要求、油井分布特点，在对国内外流域防汛水文模型充分调研的基础上选用了一些适用的数学模型，作为系统模型库的组成[3]。
2 决策支持系统设计
本系统采用比较通用的GIS开发平台Mapinfo进行了地理信息系统的二次开发。监控系统是防汛决策支持系统的重要部分，主要根据现场的水泡子水位信息以及地理信息数据库中的相关信息进行计算，将当前现场的信息可视地显示出来为决策者提供直观的决策依据。现将本系统核心功能模块的设计介绍如下。
2.1多Agent技术在水泡子群防洪优化调度中的研究
目前已有的多水泡子联合调度模型已经基本成熟，但是在计算速度上还存在不尽人意的地方。基于此，通过分析多水泡子联合调度计算的算法特点和Agent技术的优点[5]，设计了基于移动Agent和协作Agent的两级多水泡子联合调度模型。首先将多水泡子联合调度模型按控制区域分解为各水泡子独立调度任务和区域协同调度任务,各水泡子独立调度任务交由不同的移动Agent并迁移到局域网中不同的目标主机上去完成相应水泡子的调度计算，最后将计算的结果返回给相关的区域元主机，由各区域进行协商实现全局优化调度。其步骤是：首先根据某特大型油田的具体环境建立了水泡子群防洪优化调度模型，然后结合模型特点和Aglet、Zeus等Agent软件包的特点提出了两级Agent的调度方法并给出仿真结果。
目标函数的建立：采用系统分析的方法，考虑到流域洪水预报预见期较短，洪水的长期预报还不够准确，系统运行的目标是在确保防护区防洪安全的前提下，使水泡子调蓄一场洪水所需的库容最小。这样，不仅可以最大限度地减少库区淹没损失，而且尽可能地留出一定库容，准备调蓄可能出现的更大洪水。因此，水泡子群的洪水调度的目标函数可表述为：

式中：Vt为各水泡子占用防洪库容(m3),NAlert为对应水泡子受到威胁的油井数，(NAlert+1)表示防洪权重，指示该水泡子泄洪的紧迫性，加1是为了避免受到威胁的油井数为零时系数为0。W为目标函数，即在符合约束条件下分洪量和受威胁油井数最少，避免破坏性分洪。图3为水泡子排涝示意图。

下面讨论约束条件的建立。
(1)水泡子水量平衡连续约束
水泡子水量平衡连续约束条件为：

(2) 干渠间水力联系约束
在洪水调度中，采用马司京根分段连续演算方程来描述各库入流、出流之间的相互耦合关系。而排干渠总泄洪量不能超过主江道许可进水量，各排干渠之间的约束为:

由水泡子群防洪优化调度模型可以看出联入三条干渠的不同水泡子之间相对独立，但三条干渠共同汇入主江道，受到入江口排量的限制而彼此约束需要不断协商。每条干渠由多个水泡子联入，水泡子之间需要统一指定排水计划以便保证各水泡子受降水影响时能进行全区优化调度使得损失最小。每个水泡子都有自己独立的库容-损失模型，其模型数据较大，而彼此间调度算法相对简单,根据这个特点，结合移动Agent可在不同网络节点之间移动程序的优点来减少不同水泡子采集子站之间数据的交互,避免网络负载过重。而不同的干渠之间则采用协作Agent来完成排水的协商。模型如图4所示。

使用具有移动能力的Aglet来进行各水泡子内的洪水推延,根据库容模型计算出单个水泡子的安全排水量，之后移动到下一个水泡子调度分站点进行同样的计算并累计排水量，这样， 把计算移到数据上去，在数据量大而计算相对简单的情况下减轻了网络负担，从而大大降低系统的通信开销。而使用协作能力较强的Zeus Agent来进行各干渠排水约束的协商。这样更有利于实现全局的优化调度，并为系统提供了良好的扩展性。
系统运行时首先由水泡子分调度Agent计算各水泡子的调水量然后在各分调度子站之间迁移，计算出所在宿主子站的调水量并累计出该分干渠所联接的所有水泡子的总调水量，通知该干渠的协作Agent。各排干渠将自己的调水量与其他干渠相协商,按照全区损失最小的原则来改变自己的排水量。并用此排水量通知移动Agent，使其按干渠损失最小的原则来减少相应水泡子的排水量。如此反复地迁移与协商最终得出全区的优化调度方案。
　 用该地区2004年7月8日的降雨量为例调度结果见表1所示。

结果表明了应用多Agent技术实现水泡子群防洪优化调度的实用性和有效性。所提出的基于多Agent技术的防汛决策调度方案，可以实现分布式智能处理，降低复杂任务的协作难度，提高决策调度的能力。
2.2 降雨量的时延分式线性神经网络预测模型
某地区是一个时常受到旱涝灾害的地区。根据该地区部分年份降雨量变化情况表数据进行以下分析。

本系统实现了油田水情、雨情、工情实时监控，系统投入运行两年多来，获得了很大的经济效益和社会效益，并通过了黑龙江省水利厅组织的成果鉴定，被认为“达到了当前国际防洪指挥决策支持系统方面的先进水平”。但是，由于所收集到的当地水文监测资料还不太多，所建立的数学模型尚需要在实际应用中不断充实修正。因此，在今后的研究工作中要做好如下几点工作： (1)跟踪防洪防汛技术发展，使系统及时得到升级；(2)做好水文数据的收集录入整理，使已经建立的系统模型更好地与实际密切结合；(3)继续深入探讨智能控制理论在油田防洪防汛决策支持系统方面的应用。
参考文献
[1] FORD N． Decision support system and expert system[J]．Information & Management， 1985，8(1).
[2] MAHDI N． A methodology for the development of reverse simulation metamodels using neural networks[J]． University of Central Florida，2001.
[3] 崔家骏，辛国荣，张丰敏．黄河防洪决策支持系统的分析与设计[J]．系统工程，1992，10(5):60-72.
[4] 孟波．大城市防汛自动化管理系统与决策支持系统[J]．系统工程，1993,11(1):27-30.
[5] 刘大有，杨鲲，陈建中．Agent研究现状与发展趋势[J]．软件学报，2000(11):315-321.
[6] 杨国为，王守觉．分式线性神经网络及其非线性逼近能力[J]．中南大学学报，特刊，2005，36(1):89-92.