一种复合系统运行调度的非劣解集优选求解方法

技术领域

本发明涉及运行调度技术领域，特别涉及一种复合系统运行调度的非劣解集优选求解方法。

背景技术

目前，在多目标优化问题中，各个目标之间相互制约，可能使得一个目标性能的改善往往是以损失其它目标性能为代价，不可能存在一个使所有目标性能都达到最优的解，所以对于多目标优化问题，其解通常是一个非劣解的集合——Pareto(帕雷托，亦称非劣解或有效解)解集。传统优化技术一般主要包括加权法、约束法和线性规划法等，即将多目标函数转化为单目标函数，通过采用单目标优化的方法达到对多目标函数的求解。

但是，在存在多个Pareto最优解的情况下，如果没有关于问题的更多的信息，那么很难选择哪个解更可取，因此所有的Pareto最优解都可以被认为是同等重要。

因此，本发明提出了一种复合系统运行调度的非劣解集优选求解方法。

发明内容

本发明提供一种复合系统运行调度的非劣解集优选求解方法，用以采用带精英策略的非支配遗传算法(NSGAII)在水-风-光-抽蓄复合系统运行调度的多目标优化调度模型的非劣解集中求解出最优解，相比于其他智能多目标优化算法，使得确定出水-风-光-抽蓄复合系统的最优运行调度计划的过程计算复杂度低，也使得确定出的最优运行调度计划更加接近于理想最优运行调度计划。

本发明提供一种复合系统运行调度的非劣解集优选求解方法，包括：

S1：基于水-风-光-抽蓄复合系统的每个运行调度目标搭建出对应的目标函数，基于所有目标函数搭建出水-风-光-抽蓄复合系统的多目标优化调度模型；

S2：基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得水-风-光-抽蓄复合系统运行调度的非劣解集；

S3：基于带精英策略的非支配遗传算法，在非劣解集中确定出最优解；

S4：基于最优解确定出水-风-光-抽蓄复合系统的最优运行调度计划。

优选的，所述的一种水-风-光-抽蓄复合系统运行调度的非劣解集优选求解方法，S2：基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得水-风-光-抽蓄复合系统运行调度的非劣解集，包括：

S201：基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得预设规模的初始化解集；

S202：基于初始化规模对对初始化解集进行筛选处理，获得非劣解集。

优选的，所述的一种复合系统运行调度的非劣解集优选求解方法，S202：基于初始化规模对对初始化解集进行筛选处理，获得非劣解集，包括：

将每个初始化解代入每个目标函数，获得每个初始化解每个目标函数对应的目标函数值；

基于初始化规模和每个初始化解对应的所有目标函数值，在初始化解集中筛选出非劣解集。

优选的，所述的一种复合系统运行调度的非劣解集优选求解方法，基于初始化规模和每个初始化解对应的所有目标函数值，在初始化解集中筛选出非劣解集，包括：

基于每个初始化解对应的所有目标函数值，计算出每个初始化解的最优接近度，包括：

式中，d为当前计算的初始化解的最优接近度，x为当前计算的初始化解，f

将目标函数对应的所有目标函数值进行排序，获得对应目标函数的目标函数值序列，基于目标函数值序列计算出每个目标函数值的分布均匀度，包括：

式中，p为目标函数值序列中的当前计算的目标函数值，s

将每个目标函数值的分布均匀度作为对应初始化解相对于对应目标函数的分布均匀度：

将每个初始化解对应的最优接近度和对应的所有分布均匀度的和作为对应初始化解的评价值；

基于评价值从大到小队所有初始化解进行排序，获得初始化解序列，将初始化解序列中前初始化规模个初始化解汇总获得非劣解集。

优选的，所述的一种复合系统运行调度的非劣解集优选求解方法，S3：基于带精英策略的非支配遗传算法，在非劣解集中确定出最优解，包括：

S301：将非劣解集中包含的所有非劣解当作父代种群；

S302：对父代种群进行非支配排序，并对父代种群中的所有解进行选择、交叉、变异操作，获得子代种群；

S303：并将父代种群与子代种群合并获得合并种群；

S304：在合并种群中筛选出新解作为新的父代种群，并判定完成一次迭代过程；

S305：基于最新获得的父代种群循环执行S302至S304，直至完成最大迭代次数次迭代过程时，获得最优解。

优选的，所述的一种复合系统运行调度的非劣解集优选求解方法，对父代种群中的所有解进行选择、交叉、变异操作，获得子代种群，包括：

通过二进制锦标赛法，对父代种群中的所有解进行选择、交叉、变异操作，获得子代种群。

优选的，所述的一种水-风-光-抽蓄复合系统运行调度的非劣解集优选求解方法，在合并种群中筛选出新解作为新的父代种群，包括：

对合并种群进行快速非支配排序，获得合并种群中每个解的非支配排序序数；

对合并种群中每个非支配层中的解进行拥挤度计算，获得解拥挤度；

基于非支配排序序数和解拥挤度，在合并种群中筛选出新解作为新的父代种群。

优选的，所述的一种水-风-光-抽蓄复合系统运行调度的非劣解集优选求解方法，对合并种群中每个非支配层中的解进行拥挤度计算，获得解拥挤度，包括：

确定出合并种群中每个非支配层中的每个解代入每个目标函数时获得的目标函数值；

基于目标函数值对非支配层中的每个解进行排序，获得解排序结果；

基于解排序结果，计算出每个解的对应前一解和对应后一解的同一目标函数对应的目标函数差值；

将解的所有目标函数的目标函数差值的平均值作为对应解的解拥挤度。

优选的，所述的一种复合系统运行调度的非劣解集优选求解方法，基于非支配排序序数和解拥挤度，在合并种群中筛选出新解作为新的父代种群，包括：

基于当前已完成迭代次数和最大迭代次数，确定出剩余迭代次数；

基于剩余迭代次数和合并种群中的解总数，确定出本次待排除解总数，包括：

式中，g为本次待排除解总数，w为合并种群中的解总数，t

基于非支配排序序数和解拥挤度以及本次待排除解总数，在合并种群中筛选出新解作为新的父代种群。

优选的，所述的一种复合系统运行调度的非劣解集优选求解方法，基于非支配排序序数和解拥挤度以及本次待排除解总数，在合并种群中筛选出新解作为新的父代种群，包括：

在合并种群中确定出非支配排序序数相同的解，获得每个非支配排序序数对应的解集合；

将非支配排序序数按照从大到小排序，获得非支配排序序列，基于非支配排序序列和每个非支配排序序数的解集合中的解总数，确定出每个非支配排序序数的所属区间；

将包括本次待排除解总数对应的数值的所属区间对应的解集合作为待筛选解集合；

基于解拥挤度小到大的顺序，对待筛选解集合中的解进行排序，获得解序列；

确定出本次待排除解总数在对应所属区间的目标排序序数；

确定出解序列中排在目标排序序数之后的第一解；

确定出非支配排序序列中排在待筛选解集合对应的非支配排序序数之后的非支配排序序数对应的解集合中的所有第二解；

将所有第一解和第二解作为新解，将新解汇总作为新的父代种群。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种复合系统运行调度的非劣解集优选求解方法流程图；

图2为本发明实施例中又一种复合系统运行调度的非劣解集优选求解方法流程图；

图3为本发明实施例中再一种复合系统运行调度的非劣解集优选求解方法流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1：

本发明提供了一种复合系统运行调度的非劣解集优选求解方法，包括：

S1：基于水-风-光-抽蓄复合系统的每个运行调度目标搭建出对应的目标函数，基于所有目标函数搭建出水-风-光-抽蓄复合系统的多目标优化调度模型；

S2：基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得水-风-光-抽蓄复合系统运行调度的非劣解集；

S3：基于带精英策略的非支配遗传算法，在非劣解集中确定出最优解；

S4：基于最优解确定出水-风-光-抽蓄复合系统的最优运行调度计划。

该实施例中，基于水-风-光-抽蓄复合系统即为包含水电站、风电站、光伏电站、抽蓄电站的多能互补供电系统。

该实施例中，运行调度目标例如可以是基地出力与负荷匹配度最高、基地发电量最大。

该实施例中，目标函数即为基于水-风-光-抽蓄复合系统的运行调度目标确定出的函数，例如：运行调度目标为基地出力与负荷匹配度最高时，则对应的目标函数为：

式中：f

该实施例中，多目标优化调度模型即为由所有目标函数组成的用于求解满足多目标的最优运行调度计划(包含水电站、风电站、光伏电站、抽蓄电站的出库流量)的模型。

该实施例中，原始数据即为包含基于多目标优化调度模型求解出最优运行调度计划对应的最优解(即为最优运行调度计划中包含的水电站、风电站、光伏电站、抽蓄电站的出库流量)时所需的与水-风-光-抽蓄复合系统的实际情况相关的数据，例如：水电站地总台数和每个水电站的出力系数和水头、抽蓄电站的效率和上下库之间的有效水头等。

该实施例中，基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得水-风-光-抽蓄复合系统运行调度的非劣解集，即为：

将水-风-光-抽蓄复合系统的原始数据代入至多目标优化调度模型中的所有目标函数中，获得解之间的取值范围和约束关系，并确定出一系列满足解之间的取值范围和约束关系的解，对确定出的解进行筛选获得非劣解集。

该实施例中，最优解即为基于带精英策略的非支配遗传算法在非劣解集中筛选出的最优解。

该实施例中，非劣解集即为基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解获得的多个非劣解构成的集合。

该实施例中，基于最优解确定出水-风-光-抽蓄复合系统的最优运行调度计划，即为：基于最优解中对应的结果确定出最优运行调度计划，例如：按照最优解中包含的水电站、风电站、光伏电站、抽蓄电站的出库流量设置最优运动调度计划中水电站、风电站、光伏电站、抽蓄电站的出库流量。

该实施例中，最优运行调度计划即为基于最优解确定出的水-风-光-抽蓄复合系统的运行调度计划。

以上技术的有益效果为：采用带精英策略的非支配遗传算法(NSGAII)在水-风-光-抽蓄复合系统运行调度的多目标优化调度模型的非劣解集中求解出最优解，相比于其他智能多目标优化算法，使得确定出水-风-光-抽蓄复合系统的最优运行调度计划的过程计算复杂度低，也使得确定出的最优运行调度计划更加接近于理想最优运行调度计划。

实施例2：

在实施例1的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，S2：基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得水-风-光-抽蓄复合系统运行调度的非劣解集，包括：

S201：基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得预设规模的初始化解集；

S202：基于初始化规模对对初始化解集进行筛选处理，获得非劣解集。

该实施例中，基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解，获得预设规模的初始化解集，即为：

将水-风-光-抽蓄复合系统的原始数据代入至多目标优化调度模型中的所有目标函数中，获得解之间的取值范围和约束关系，并将预设规模的满足解之间的取值范围和约束关系的解汇总获得初始化解集。

该实施例中，预设规模即为预设的求取获得的初始化解集中包含的解的总个数。

该实施例中，初始化规模即为初始化解集中包含的集的总个数，初始化规模是预设设定的。

以上技术的有益效果为：实现通过对基于水-风-光-抽蓄复合系统的原始数据对多目标优化调度模型进行求解后获得的预设规模的初始化解集进行二次筛选，保证了非劣解集的质量。

实施例3：

在实施例2的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，S202：基于初始化规模对对初始化解集进行筛选处理，获得非劣解集，包括：

将每个初始化解代入每个目标函数，获得每个初始化解每个目标函数对应的目标函数值；

基于初始化规模和每个初始化解对应的所有目标函数值，在初始化解集中筛选出非劣解集。

该实施例中，目标函数值即为将初始化解代入目标函数后获得的数值。

以上技术的有益效果为：基于将每个初始化解代入每个目标函数后获得的所有目标函数值，实现对非劣解集的二次筛选和质量把控。

实施例4：

在实施例3的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，基于初始化规模和每个初始化解对应的所有目标函数值，在初始化解集中筛选出非劣解集，包括：

基于每个初始化解对应的所有目标函数值，计算出每个初始化解的最优接近度，包括：

式中，d为当前计算的初始化解的最优接近度，x为当前计算的初始化解，f

将目标函数对应的所有目标函数值进行排序，获得对应目标函数的目标函数值序列，基于目标函数值序列计算出每个目标函数值的分布均匀度，包括：

式中，p为目标函数值序列中的当前计算的目标函数值，s

将每个目标函数值的分布均匀度作为对应初始化解相对于对应目标函数的分布均匀度：

将每个初始化解对应的最优接近度和对应的所有分布均匀度的和作为对应初始化解的评价值；

基于评价值从大到小队所有初始化解进行排序，获得初始化解序列，将初始化解序列中前初始化规模个初始化解汇总获得非劣解集。

该实施例中，最优接近度即为表征每个初始化解与Pareto(帕雷托)最优域的接近程度的数值，最优接近度越大，代表初始化解与Pareto(帕雷托)最优域的接近程度越大，反之亦然。

该实施例中，目标函数值序列即为将目标函数对应的所有目标函数值进行排序后获得的序列。

该实施例中，分布均匀度即为表征目标函数值在目标函数值序列中所处位置的分布均匀程度的数值，分布均匀度越大，代表目标函数值在目标函数值序列中所处位置的分布均匀程度越大，反之亦然。

该实施例中，评价值即为每个初始化解对应的最优接近度和对应的所有分布均匀度的和，也是将初始化解筛选为非劣解的依据。

该实施例中，初始化解序列即为基于评价值从大到小队所有初始化解进行排序后获得的序列。

该实施例中，非劣解集即为初始化解序列中前初始化规模个初始化解汇总后获得的集合。

以上技术的有益效果为：通过以上公式可以准确计算出表征每个初始化解与Pareto(帕雷托)最优域的接近程度的最优接近度，并可以准确计算出表征目标函数值在目标函数值序列中所处位置的分布均匀程度的分布均匀度，进而实现基于计算出的最优接近度和分布均匀度确定出评价值，基于评价值在初始化解集中筛选出尽可能接近Pareto最优域的、且分布均匀度较高的非劣解，使得后续基于非劣解集确定出的最优解精度更高。

实施例5：

在实施例1的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，S3：基于带精英策略的非支配遗传算法，在非劣解集中确定出最优解，包括：

S301：将非劣解集中包含的所有非劣解当作父代种群；

S302：对父代种群进行非支配排序，并对父代种群中的所有解进行选择、交叉、变异操作，获得子代种群；

S303：并将父代种群与子代种群合并获得合并种群；

S304：在合并种群中筛选出新解作为新的父代种群，并判定完成一次迭代过程；

S305：基于最新获得的父代种群循环执行S302至S304，直至完成最大迭代次数次迭代过程时，获得最优解。

该实施例中，父代种群即为非劣解集中包含的所有非劣解。

该实施例中，子代种群即对父代种群进行非支配排序，并对父代种群中的所有解进行选择、交叉、变异操作后获得的多个解构成的种群。

该实施例中，合并种群即为将父代种群与子代种群合并后获得的种群。

该实施例中，新解即为在合并种群中筛选出的新的解。

该实施例中，在合并种群中筛选出新解作为新的父代种群，即为：

将在合并种群中筛选出的新解汇总后的种群作为新的父代种群。

该实施例中，最大迭代次数即为预设的基于带精英策略的非支配遗传算法对非劣解集进行迭代的次数。

以上技术的有益效果为：采用带精英策略的非支配遗传算法(NSGAII)在水-风-光-抽蓄复合系统运行调度的多目标优化调度模型的非劣解集中求解出最优解，相比于其他智能多目标优化算法，使得确定出水-风-光-抽蓄复合系统的最优运行调度计划的过程计算复杂度低，也使得确定出的最优运行调度计划更加接近于理想最优运行调度计划，引入精英策略，扩大了采样空间，将父代种群与其产生的子代种群组合，共同竞争产生下一代种群，有利于保持父代中的优良解进入下一代，并通过对种群中所有解的分层存放，使得最佳解不会丢失，迅速提高种群水平。

实施例6：

在实施例5的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，对父代种群中的所有解进行选择、交叉、变异操作，获得子代种群，包括：

通过二进制锦标赛法，对父代种群中的所有解进行选择、交叉、变异操作，获得子代种群。

该实施例中，二进制锦标赛法即为：

步骤1：确定每次选择的解数量N＝2；

步骤2：从父代种群中随机选择2个解(每个解被选择的概率相同)，筛选非支配排序之后确定出的非支配排序顺序最小的2个解进入下一代父代种群；

步骤3：重复步骤2多次(重复次数与父代种群中包含的解个数一致)，直到新的种群规模达到原来的父代种群的规模；

步骤4：对新的n个解进行交叉操作。

以上技术的有益效果为：基于二进制锦标赛法实现对父代种群的选择、交叉、变异操作，进而获得较接近Pareto最优域的解构成的子代种群。

实施例7：

在实施例5的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，在合并种群中筛选出新解作为新的父代种群，包括：

对合并种群进行快速非支配排序，获得合并种群中每个解的非支配排序序数；

对合并种群中每个非支配层中的解进行拥挤度计算，获得解拥挤度；

基于非支配排序序数和解拥挤度，在合并种群中筛选出新解作为新的父代种群。

该实施例中，非支配排序序数即为对合并种群进行快速非支配排序后获得的顺序。

该实施例中，解拥挤度即为对合并种群中每个非支配层中的解进行拥挤度计算后获得的表征解与周围的其他解之间的密度的数值。

以上技术的有益效果为：实现基于非支配排序序数和解拥挤度在合并种群中筛选出新解作为新的父代种群，确保了筛选出的父代种群的多样性，基于快速非支配排序法降低了算法的计算复杂度，利用解拥挤度代替了需要指定共享半径的适应度共享策略，并在快速排序后的同级比较中作为胜出标准，使准最优域中的解能扩展到整个最优域，并均匀分布，保持了种群的多样性。

实施例8：

在实施例7的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，对合并种群中每个非支配层中的解进行拥挤度计算，获得解拥挤度，包括：

确定出合并种群中每个非支配层中的每个解代入每个目标函数时获得的目标函数值；

基于目标函数值对非支配层中的每个解进行排序，获得解排序结果；

基于解排序结果，计算出每个解的对应前一解和对应后一解的同一目标函数对应的目标函数差值；

将解的所有目标函数的目标函数差值的平均值作为对应解的解拥挤度。

该实施例中，解排序结果即为基于目标函数值对非支配层中的每个解进行排序后获得的结果。

该实施例中，基于解排序结果，计算出每个解的对应前一解和对应后一解的同一目标函数对应的目标函数差值，即为：

将解排序结果中每个解的对应前一解的对应目标函数的目标函数值和对应后一解的同一目标函数的目标函数值的差值作为对应的目标函数差值。

该实施例中，解拥挤度即为解的所有目标函数的目标函数差值的平均值。

以上技术的有益效果为：基于将合并种群中每个非支配层中的解代入目标函数后获得的目标函数值，计算出解与周围的其他解之间的密度的解拥挤度。

实施例9：

在实施例7的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，基于非支配排序序数和解拥挤度，在合并种群中筛选出新解作为新的父代种群，包括：

基于当前已完成迭代次数和最大迭代次数，确定出剩余迭代次数；

基于剩余迭代次数和合并种群中的解总数，确定出本次待排除解总数，包括：

式中，g为本次待排除解总数，w为合并种群中的解总数，t

基于非支配排序序数和解拥挤度以及本次待排除解总数，在合并种群中筛选出新解作为新的父代种群。

该实施例中，剩余迭代次数即为最大迭代次数和当前已完成迭代次数的差值。

该实施例中，剩余迭代次数即为当前还需要基于带精英策略的非支配遗传算法对非劣解进行迭代的次数。

该实施例中，本次待排除解总数即为本次迭代过程中需要在当前的合并种群中删除的解的总个数。

以上技术的有益效果为：基于预先确定的最大迭代次数和已完成的迭代次数和当前合并种群中包含的解个数，计算出需在在本次迭代过程中删除的解的总个数，进而实现从合并种群中筛选出适当规模的解作为新的父代种群。

实施例10：

在实施例9的基础上，所述的一种复合系统运行调度的非劣解集优选求解方法，基于非支配排序序数和解拥挤度以及本次待排除解总数，在合并种群中筛选出新解作为新的父代种群，包括：

在合并种群中确定出非支配排序序数相同的解，获得每个非支配排序序数对应的解集合；

将非支配排序序数按照从大到小排序，获得非支配排序序列，基于非支配排序序列和每个非支配排序序数的解集合中的解总数，确定出每个非支配排序序数的所属区间；

将包括本次待排除解总数对应的数值的所属区间对应的解集合作为待筛选解集合；

基于解拥挤度小到大的顺序，对待筛选解集合中的解进行排序，获得解序列；

确定出本次待排除解总数在对应所属区间的目标排序序数；

确定出解序列中排在目标排序序数之后的第一解；

确定出非支配排序序列中排在待筛选解集合对应的非支配排序序数之后的非支配排序序数对应的解集合中的所有第二解；

将所有第一解和第二解作为新解，将新解汇总作为新的父代种群。

该实施例中，解集合即为非支配排序序数相同的解构成的集合。

该实施例中，非支配排序序列即为将非支配排序序数按照从大到小排序后获得的序列。

该实施例中，基于非支配排序序列和每个非支配排序序数的解集合中的解总数，确定出每个非支配排序序数的所属区间，将包括本次待排除解总数对应的数值的所属区间对应的解集合作为待筛选解集合，例如：

非支配排序序列中第一个排序序数的解总数为5，第二个排序序数的解总数为9，第三个排序序数的解总数为2，则第一个排序序数对应的非支配排序序数的所属区间为[1,5]，第二个排序序数对应的非支配排序序数的所属区间为[6,14]，第三个排序序数对应的非支配排序序数的所属区间为[15,16]；

当本次待排除解总数为10，则包括本次待排除解总数对应的数值的所属区间为[6,14]，将[6,14]对应的解集合作为待筛选解集合。

该实施例中，解序列即为基于解拥挤度小到大的顺序对待筛选解集合中的解进行排序后获得的序列。

该实施例中，确定出本次待排除解总数在对应所属区间的目标排序序数即为：将本次待排除解总数在对应所属区间的排序序数作为目标排序序数，例如：

本次待排除解总数为10，所属区间为[6,14]，则目标排序序数为5。

该实施例中，第一解即为解序列中排在目标排序序数之后的解。

该实施例中，第二解即为非支配排序序列中排在待筛选解集合对应的非支配排序序数之后的非支配排序序数对应的解集合中的所有解。

该实施例中，新解即为第一解和第二解，也是新的父代种群中的解。

以上技术的有益效果为：基于本次待排除解总数，在合并种群中筛选出非支配排序序数较小、解拥挤度较大的新解，进而获得可以维持种群多样性的新的父代种群。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。