一种基于协同昂贵优化算法定位供水管网污染源的方法技术

本发明专利技术公开了一种基于协同昂贵优化算法定位供水管网污染源的方法，将供水网管中的污染源定位问题转化为优化问题，然后对优化问题进行求解即定位供水管网污染源，所述优化问题利用昂贵优化算法求解，在所述昂贵优化算法中引入高斯预测模型协同计算。本发明专利技术采用了协同算法，根据不同的种群，有针对性的采用不同的策略，有效的改善算法的稳定性。

【技术实现步骤摘要】
一种基于协同昂贵优化算法定位供水管网污染源的方法
本专利技术涉及定位供水管网污染源的方法，尤其涉及一种基于协同昂贵优化算法定位供水管网污染源的方法。
技术介绍
为了预防水污染事件造成重大灾害及损失，城镇供水管网需要安装配置饮用水安全实时监测系统。在该系统中，通过在关键节点或水源布置水质传感器，可以达到实时监测的目的。当污染事件发生时，如何通过水质传感器采集的信息，对污染源头的特征进行定位，并预测污染物位置、注入时间、注入持续时间和注入质量等信息，是现在急需解决的问题。目前看来，有如下三个主流的方法，粒子追踪法、模拟优化、机器学习的方法。其中的模拟-优化的方法尝试利用模拟-优化模型把污染源定位问题转换优化问题，然后再利用演化计算方法进行优化得到最优解。模拟-优化的方法解决非线性的污染源定位问题，通过不断的读取传感器数据优化预测和校正污染源，最后识别出污染源和污染物释放历史；基于进化算法的自适应动态优化技术来搜索污染源特性(开始时间、位置、释放历史)，通过不断加入新的可用传感器，慢慢收敛得到唯一的最优解。在模拟-优化的方法中，优化算法作为优化器，在优化算法中，每个个体都需要利用网平差软件(EPANET)作为模拟器进行仿真模拟污染事件，从而计算适应度值，以管网包含12527个节点，2个水库，2个水池，布置了20个传感器为例(如图1所示)，模拟一次污染源事件，计算适应度值需要耗时将近3秒，当使用遗传算法(种群规模为100，运行100代)进行求解时，耗时329分钟，即将近5.5小时。由此可知，在优化过程中，EPANET模拟器消耗大量时间成本，为了尽量减小污染物对公共健康的危害，当获取了一定量水质信息后，需要尽可能快的定位污染源位置，此时进行最优解的搜索的次数将更多，消耗更大的计算成本。也就是说，在较大的供水管网中，采用模拟优化的方法，由于EPANET的大量使用，找到污染源的信息，耗时会非常严重。在许多实际的工程优化问题中，目标函数不能用表达式清楚的表示，优化模型也比较复杂，需要使用时间成本大的仿真软件来模拟和进行评价，每一次计算都要耗费高昂的时间代价和经济代价，此类问题称为昂贵优化问题。对于目标函数计算昂贵的优化问题，如果仍然使用一般的优化算法进行求解，在优化算法的寻优过程中需要反复多次迭代，导致大量的昂贵仿真模型的使用，严重影响了算法的性能和效率。昂贵优化方法中，使用计算成本低的代理模型去代替原计算量大的目标函数，得到一个近似解，节省大量的时间。求解昂贵优化问题的关键点在于尽可能的减少昂贵仿真模型的使用同时又不影响算法的求解精度。
技术实现思路
有鉴于此，本专利技术的实施例提供了一种采用了协同算法，根据不同的种群，有针对性的采用不同的策略，有效的改善算法的稳定性的基于协同昂贵优化算法定位供水管网污染源的方法。本专利技术的实施例提供一种基于协同昂贵优化算法定位供水管网污染源的方法，将供水网管中的污染源定位问题转化为优化问题，然后对优化问题进行求解即定位供水管网污染源，所述优化问题利用昂贵优化算法求解，在所述昂贵优化算法中引入高斯预测模型协同计算。进一步，所述昂贵优化算法中引入高斯预测模型协同计算的具体步骤为：S1.获取供水管网中每个水质传感器检测到的污染物浓度；S2.利用昂贵优化算法随机产生初始化样本集；S3.在步骤S2的初始化样本集中随机选择初始化种群；S4.将步骤S3初始化种群中的每个个体表示一个污染事件，并通过网平差软件模拟器模拟污染事件，输出供水管网各个节点的实际污染物浓度，并将输出供水管网各个节点的实际污染物浓度与步骤S1中检测到的污染物浓度相比较，计算个体适应度值；在保证定位精确度的情况下，通过高斯预测模型预测个体适应度值；S5.若步骤S4得到的个体适应度值小于设定阈值，则结束，保存最优解；若步骤S4得到的个体适应度值大于设定阈值，则优化算法至求得最优解。进一步，所述步骤S5中，优化算法包括以下步骤：S5.1.将初始化种群P根据污染源的位置、注入时间和注入质量均匀划分为三个子种群，分别为Pl、Pt、Pm；S5.2.对子种群Pl、Pt、Pm均采用改进轮盘赌选择；S5.3.对子种群Pl采用交叉算子和变异算子进行处理；对子种群Pt采用交叉算子和邻近搜索策略进行处理；对子种群Pm采用交叉算子和改进的变异策略进行处理；S5.4.步骤S5.3中针对交叉算子和变异算子产生的新个体采用高斯预测模型预测个体适应度值μ和预测误差σ，如果触发系数3σ/μ＜0.2直接使用高斯预测模型预测个体适应度值μ作为新个体适应度值，否则，随机生成一个概率P*，如果P*＜P,P＝t/x使用网平差软件计算个体适应度值，其中，t表示迭代次数，x为基数，否则，使用高斯预测模型预测个体适应度值；S5.5.在每一次迭代结束后，种群根据个体适应度值进行排序，对高斯预测模型预测的个体适应度值的前N个个体使用网平差软件重新计算个体适应度值进行校正，N为种群的10％；S5.6.对经过步骤S5.5处理的子种群Pl、Pt、Pm分别使用精英策略，在Pl种群中精英个体出现相同的情况下，采用扰动策略，在Pm中对于每一精英个体直接使用扰动策略；S5.7.经过S代的整数倍，子种群Pl、Pt、Pm把最优个体的对应基因相互组合产生新的个体，并均匀加入的子种群Pl、Pt、Pm直接替换对应的最差个体；S5.8.达到最大迭代次数，则结束。进一步，所述高斯预测模型基于高斯随机过程建模，高斯随机过程建模模拟的参数少，并通过最大似然概率和优化算法求解。进一步，所述步骤S5.2中，改进轮盘赌选择方法具体如下：针对种群P，采用基本的轮盘赌选择得到新种群np；统计新种群np中污染源位置相同个体出现的次数；对相同污染源位置出现次数大于或等于n次的个体保留其中适应度最好的个体npi复制到种群Pi中，n根据实验经验值得出，而余下的n-1个个体不进行复制，相应位置的种群P保留；若污染源位置出现次数小于n，直接将np中个体复制的到种群P中相应的位置。进一步，所述精英策略中精英个体出现相同的情况时，对相同精英个体进行扰动，即在位置上去搜索供水管网拓扑结构相近的节点，当出现有更好的个体时替换相同的精英个体，没有更好个体时，则直接选用种群中不一样的仅次于相同精英个体的个体。进一步，所述邻近搜索策略把开始时间和持续时间看做一个整体，每次迭代中，所述开始时间和持续时间共同决定一个时间序列，搜索和开始时间和持续时间共同决定的时间序列重合程度最高的时间序列。进一步，所述改进的变异策略为结合粒子群优化算法的思想，去向着最好的个体变异，且加入了一个自适应因子，来保证个体的多样性，改进的变异策略的算法在运行过程中，自适应因子会随着算法的收敛，逐渐变小，使得变异的范围能够自适应的调整。进一步，所述自适应因子的公式为：individual(ij)＝(individual(ij)+Bestindividual(ij))/2+rand*Maxdistance式中：individaul表示个体，i表示需要进行突变的序号，即表示维度，Bestindividual表示的是Pm种群中的最好的个体，rand表示(0，1)之间的随机数，Maxdistance表示在第j维中所有个体的最大间距。与现有技术相比，本专利技术具有以下有益效果：基于经典的本文档来自技高网...

【技术保护点】
一种基于协同昂贵优化算法定位供水管网污染源的方法，将供水网管中的污染源定位问题转化为优化问题，然后对优化问题进行求解即定位供水管网污染源，其特征在于，所述优化问题利用昂贵优化算法求解，在所述昂贵优化算法中引入高斯预测模型协同计算；所述昂贵优化算法中引入高斯预测模型协同计算的具体步骤为：S1.获取供水管网中每个水质传感器检测到的污染物浓度；S2.利用昂贵优化算法随机产生初始化样本集；S3.在步骤S2的初始化样本集中随机选择初始化种群；S4.将步骤S3初始化种群中的每个个体表示一个污染事件，并通过网平差软件模拟器模拟污染事件，输出供水管网各个节点的实际污染物浓度，并将输出供水管网各个节点的实际污染物浓度与步骤S1中检测到的污染物浓度相比较，计算个体适应度值；在保证定位精确度的情况下，通过高斯预测模型预测个体适应度值；S5.若步骤S4得到的个体适应度值小于设定阈值，则结束，保存最优解；若步骤S4得到的个体适应度值大于设定阈值，则优化算法至求得最优解。

【技术特征摘要】
1.一种基于协同昂贵优化算法定位供水管网污染源的方法，将供水网管中的污染源定位问题转化为优化问题，然后对优化问题进行求解即定位供水管网污染源，其特征在于，所述优化问题利用昂贵优化算法求解，在所述昂贵优化算法中引入高斯预测模型协同计算；所述昂贵优化算法中引入高斯预测模型协同计算的具体步骤为：S1.获取供水管网中每个水质传感器检测到的污染物浓度；S2.利用昂贵优化算法随机产生初始化样本集；S3.在步骤S2的初始化样本集中随机选择初始化种群；S4.将步骤S3初始化种群中的每个个体表示一个污染事件，并通过网平差软件模拟器模拟污染事件，输出供水管网各个节点的实际污染物浓度，并将输出供水管网各个节点的实际污染物浓度与步骤S1中检测到的污染物浓度相比较，计算个体适应度值；在保证定位精确度的情况下，通过高斯预测模型预测个体适应度值；S5.若步骤S4得到的个体适应度值小于设定阈值，则结束，保存最优解；若步骤S4得到的个体适应度值大于设定阈值，则优化算法至求得最优解。2.根据权利要求1所述的基于协同昂贵优化算法定位供水管网污染源的方法，其特征在于，所述步骤S5中，优化算法包括以下步骤：S5.1.将初始化种群P根据污染源的位置、注入时间和注入质量均匀划分为三个子种群，分别为Pl、Pt、Pm；S5.2.对子种群Pl、Pt、Pm均采用改进轮盘赌选择；S5.3.对子种群Pl采用交叉算子和变异算子进行处理；对子种群Pt采用交叉算子和邻近搜索策略进行处理；对子种群Pm采用交叉算子和改进的变异策略进行处理；S5.4.步骤S5.3中针对交叉算子和变异算子产生的新个体采用高斯预测模型预测个体适应度值μ和预测误差σ，如果触发系数3σ/μ＜0.2直接使用高斯预测模型预测个体适应度值μ作为新个体适应度值，否则，随机生成一个概率P*，如果P*＜P,P＝t/x使用网平差软件计算个体适应度值，其中，t表示迭代次数，x为基数，否则，使用高斯预测模型预测个体适应度值；S5.5.在每一次迭代结束后，种群根据个体适应度值进行排序，对高斯预测模型预测的个体适应度值的前N个个体使用网平差软件重新计算个体适应度值进行校正，N为种群的10％；S5.6.对经过步骤S5.5处理的子种群Pl、Pt、Pm分别使用精英策略，在Pl种群中精英个体出现相同的情况下，采用扰动策略，在Pm中对于每一精英个体直接使用扰动策略；S5.7.经过S代的整数倍，子种群Pl、Pt、Pm把最优个体的对应基因相互组合产生新的个...

【专利技术属性】
技术研发人员：颜雪松，杨克伟，李甜，胡成玉，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42