基于PSO-DE算法的突發(fā)水域污染溯源研究

曹宏桂,贠衛(wèi)國

?

基于PSO-DE算法的突發(fā)水域污染溯源研究

曹宏桂,贠衛(wèi)國*

(西安建筑科技大學(xué)信息與控制工程學(xué)院,陜西西安710055)

利用PSO-DE混合優(yōu)化算法結(jié)合移動監(jiān)測平臺研究了污染物源項識別問題,包括單點固定源和多點固定源位置的反演.該方法把源項識別反問題轉(zhuǎn)化為非線性優(yōu)化問題,用個移動平臺檢測并記錄所在水域的污染物濃度,將各自位置的坐標值記為此移動平臺的best,每一個移動平臺均對應(yīng)一個best,即共有個best,將個移動平臺獲取的污染物濃度值進行對比,選擇最大污染物濃度值對應(yīng)的水域坐標,記為best,以此作為初始種群先進行PSO優(yōu)化獲得的種群,再進行DE優(yōu)化,取兩者濃度高的作為best,直到獲得濃度值最高的點,即污染物初始投放點.多個算例的計算結(jié)果表明,采用該算法對含點源的二維水域污染源溯源問題能夠得到精度較高的反演結(jié)果.

PSO-DE；污染物溯源；移動監(jiān)測平臺；二維水域

污染物源項識別反問題是指根據(jù)環(huán)境水力學(xué)測量數(shù)據(jù),來反推污染源信息的問題,如獲取點源的個數(shù)、強度和位置等[1],是環(huán)境水力學(xué)反問題中一類重要的反問題,具有重要的研究價值和應(yīng)用背景.目前相關(guān)方面的研究很多但尚不成熟,根據(jù)研究方法的特點,可以分為三類[2-3],第一類方法將污染源項識別問題轉(zhuǎn)化為概率計算問題,利用概率和數(shù)理統(tǒng)計理論估算污染源的源項信息[4-5],如陳媛華等[4]使用相關(guān)系數(shù)法進行污染物源項信息識別,王家彪等[5]使用耦合概率密度溯源河渠突發(fā)水污染,朱嵩等[6]基于貝葉斯推理實現(xiàn)標準k-e湍流模型的參數(shù)識別,楊海東等[7]在微分進化和蒙特卡羅的基礎(chǔ)上利用貝葉斯算法改進,提高其模型的穩(wěn)定性和可靠性.但這類方法對于模型的準確性有非常高的要求,而由于環(huán)境水力模型在建模時有很多條件都是理想化的,所以最終的計算精度誤差較大.鑒于這種情況,第二類方法采用對模型準確性不高的智能尋優(yōu)算法,如辛小康等[8]采用遺傳算法對水污染事故的源項信息進行識別,但是這種方法需要有足夠的訓(xùn)練樣本對模型進行訓(xùn)練,對于突發(fā)水域污染的情況無法獲得足夠數(shù)量的樣本,所以可行性不高.第三類方法借鑒地下水污染的方法,將污染源溯源問題轉(zhuǎn)化為尋找有限元的最優(yōu)解問題[9-11],使用DE差分進化算法和PSO粒子群算法進行全局最優(yōu)解的尋找.如牟行洋等[10], Jong等[12], Ednah等[13]都有類似的研究,但由于算法本身的特點,粒子群算法擁有較好的全局搜索能力,差分進化算法具有較強的局部搜索能力,如果可以將兩個算法的優(yōu)點結(jié)合將會獲得更精確的尋優(yōu)結(jié)果[12-15].

本研究采用有限元法作為含點源的二維環(huán)境水力學(xué)模型正演問題的數(shù)值計算方法,采用PSO-DE粒子群與差進化混合優(yōu)化算法結(jié)合小型移動監(jiān)測平臺進行相應(yīng)的參數(shù)反演研究,包括單點固定源反演和多點固定源反演.

1 數(shù)學(xué)模型

1.1 二維水域的單點穩(wěn)態(tài)源污染物水質(zhì)模型

模型為無限邊際水體假設(shè)下的二維(水域縱向和橫向)穩(wěn)態(tài)點源排放的水質(zhì)模型,假設(shè)當(dāng)污染物投入水中時,在深度方向迅速擴散均衡.由于污染物是穩(wěn)態(tài)點源污染物,既以恒定速率往水中注入污染物,當(dāng)某水域出現(xiàn)污染物后,該水域中污染物的質(zhì)量總量并不隨著時間而改變,只和與污染源的相對坐標有關(guān),與時間無關(guān).

二維水域的單點穩(wěn)態(tài)源(恒定速率排放污染物)污染物(惰性污染物)濃度的解析解如式1所示[16].

1.2 二維無限水域多點穩(wěn)態(tài)源污染物水質(zhì)模型

在二維的單點源污染模型的基礎(chǔ)上,為了能夠更加貼近實際的水域情境,將單點源污染物增至多點源污染物,在式1的基礎(chǔ)上,推導(dǎo)出此時二維多點穩(wěn)態(tài)源(恒定速率排放污染物)污染物水域的污染物濃度解析解為:

同樣的,由于此時仍舊為穩(wěn)態(tài)源排放污染物,因此水域中污染物的質(zhì)量總量為恒定值,與時間無關(guān).式2可以用來模擬大型二維水域同時存在多個同類點源污染物穩(wěn)定排污情景下的水域各個斷面的污染物濃度.

2 PSO-DE粒子群與差進化混合優(yōu)化算法

粒子群算法是由Keimedyl和Eberhart 1995年提出,源于對鳥群捕食行為的研究.用于解決優(yōu)化問題.粒子群進化算法雖然收斂速度較快、容易實現(xiàn),在各種問題的求解和應(yīng)用已經(jīng)展現(xiàn)其獨特的優(yōu)點,但在收斂過程中容易停滯,收斂精度較低.微分進化算法作為一種新的算法,近年來才引起廣大學(xué)者的關(guān)注,算法具有易于操作,優(yōu)化性能好等特點,但容易陷入局部最優(yōu),特別是到了進化后期收斂速度明顯降低[17-18].

為了改善粒子群進化算法和微分進化算法獨自求解優(yōu)化問題的不足.本文引用文獻中的粒子群算法和微分進化算法混合的方法.該算法是對種群先后做PSO和DE優(yōu)化的策略,對于一個種群,先通過PSO優(yōu)化找到最優(yōu)解得大概位置,再運用DE優(yōu)化找到最優(yōu)解,為了協(xié)調(diào)全局和局部搜索能力,新算法采取慣性權(quán)重和學(xué)習(xí)因子非線性變化策略;而為了提高算法跳出局部最優(yōu)的能力,在DE優(yōu)化時采取放縮因子非線性變化策略.

PSO-DE算法的具體實現(xiàn)框架如下:

步驟1:粒子群初始化.初始速度和位置,將每個小型移動平臺的初始坐標賦值為種群的初始值,種群規(guī)模NP即為平臺個數(shù),最大迭代次數(shù)itermax,慣性權(quán)重最大值max,慣性權(quán)重最小值min,學(xué)習(xí)因子1、2,變異概率CR,每個粒子的適應(yīng)度最好的點best被設(shè)置為其初始位置,best中的適應(yīng)度最好的點被設(shè)置成為全局最佳粒子best.

(1)慣性權(quán)重因子

慣性權(quán)重是影響算法性能的關(guān)鍵參數(shù),根據(jù)其特點,在粒子群迭代的初期因具有較好的全局搜索能力,到達后期,則更希望粒子具有較好的局部搜索能力[19].提出了以下動態(tài)變化的慣性權(quán)重:

式中:iter和itermax分別是當(dāng)前迭代次數(shù)和最大迭代次數(shù),max和min分別為慣性權(quán)重的初始最大值和最小值,一般取max=0.9,min=0.4.

(2)時變學(xué)習(xí)因子

在粒子群進化算法中,學(xué)習(xí)因子1和2分別影響著每個粒子的個體最優(yōu)和全局最優(yōu).較小的學(xué)習(xí)因子會限制粒子的運動,而較大的學(xué)習(xí)因子會使粒子過于發(fā)散.基于此提出了時變學(xué)習(xí)因子策略:

式中:11、12、21和22是常數(shù),iter和itermax分別是當(dāng)前及最大迭代次數(shù).當(dāng)11=21=1.5時,12=22=0.5算法的優(yōu)化性能最好.

步驟 2: PSO優(yōu)化階段.

(1):通過下列公式修正速度與位置:

步驟5:如果滿足結(jié)束條件,即達到最大迭代次數(shù),則循環(huán)結(jié)束輸出結(jié)果,否則跳轉(zhuǎn)回步驟2.

3 數(shù)值算例

3.1 單點源算例分析

3.1.1 算例來源 假設(shè)某個大型的湖泊,在位置A排放2000kg惰性污染物,該湖泊的平均水深為l0m,平均水流速度0.5m/s,橫向彌散系數(shù)50m2/ min[20].該水域相關(guān)斷面的污染物濃度可以通過公式(1)來計算.令位置A為坐標原點(0,0),選取水域縱向100m(步長為0.5)橫向200m(步長為1)的范圍繪制污染物濃度分布如圖1所示.

圖1 二維水域單點穩(wěn)態(tài)源污染物濃度分布

圖2 單點源最佳粒子運動軌跡

表1 單點源算例的最佳粒子坐標值

3.2 多點源算例分析

3.2.1 算例來源 假設(shè)污染源在單點固定源算例的基礎(chǔ)上增加到3個點源,即=3.3個點源的位置分別為(0m,0m)、(50m,-50m)和(60m,60m),3個點源的污染物質(zhì)量分別為2000,1000和300kg.其他條件保持不變.其濃度分布圖如圖3所示.

3.2.2 結(jié)果分析 對于多點源的情況,依然搜索全局范圍內(nèi)污染物濃度最大的點,即坐標值為(0,0)的點.最佳粒子的運動軌跡如圖4所示.其坐標值如表2所示.

圖3 二維水域多點穩(wěn)態(tài)源污染物濃度分布

圖4 多點源最佳粒子運動軌跡

表2 多點源算例的最佳粒子坐標值

通過圖4可以看出,多點源情況下在開始搜索的時候出現(xiàn)了往復(fù),但最終收斂在污染物濃度最大點.通過表2數(shù)據(jù)顯示,在迭代到第40次時達到污染物最大的點附近并保持穩(wěn)定.所以PSO- DE優(yōu)化算法在多點源情況下依然可以達到要求.對于另外的2個污染源暫時不能準確獲取其坐標,但是其大致范圍基本可以確定在粒子出現(xiàn)多次往復(fù)的區(qū)域.

3.3 反演結(jié)果影響因子分析

3.3.1 粒子個數(shù)的影響 實際應(yīng)用過程中初始種群的粒子數(shù)關(guān)系到成本問題,因此考察單點源反演過程中不同的粒子數(shù)對反演結(jié)果的影響.

由表3可知,在粒子數(shù)不同的情況下,本算例中隨著粒子數(shù)的增加,其反演結(jié)果的精度也隨之提高,但是考慮到實際應(yīng)用中成本問題,結(jié)合反演結(jié)果的誤差,建議實際應(yīng)用時粒子數(shù)設(shè)置為5.

表3 粒子個數(shù)對反演結(jié)果的影響

表4 水流速對反演結(jié)果的影響 Table 4 Influence of inversion results for water velocity

由表4可知,在其他情況相同的情況下,水流的流速越快對反演計算的影響越大,溯源精度越低.在流速較快的水域可以通過增加粒子數(shù)量來提高反演精度,或者增加迭代次數(shù)來解決.

4 結(jié)論

本研究考慮了污染物水質(zhì)特征,給出二維水域下適用于移動平臺的PSO-DE優(yōu)化溯源算法.對PSO-DE算法中的慣性權(quán)重因子和時變學(xué)習(xí)因子進行改進,通過MATLAB進行算例仿真,在單點源污染的情況下,污染源定位坐標值為(0.001818,0.3972),與實際位置誤差僅為0.3972m;多點源污染的情況下,確定了排放量最大的點坐標，同時確定了其他污染源的范圍.結(jié)果表明本方法的計算結(jié)果接近真實情況.探討和分析論證了所提出的算法在實際運用時可能遇到的問題,具有一定的應(yīng)用價值.

[1] 朱 劍,楊 江,鄧尚超.適用于移動平的河流突發(fā)污染算法研究 [J]. 安全與環(huán)境學(xué)報, 2015,15(6):295-299.

[2] Gurhan G, Halil K. Solving inverse problems of groundwater- pollution-source identification using a differential evolution algorithm [J]. Hydrogeology Journal, 2015,23:1109–1119.

[3] Jyoti C, Deepak K. Groundwater pollution source identification through inverse modeling [J]. Water Resources and River Engineering, 2015.

[4] 陳媛華,王 鵬,姜繼平,等.基于相關(guān)系數(shù)優(yōu)化法的河流突發(fā)污染源項識別 [J]. 中國環(huán)境科學(xué), 2011,31(11):1802-1807.

[5] 王家彪,雷曉輝,廖衛(wèi)紅,等.基于耦合概率密度方法的河渠突發(fā)水污染溯源 [J]. 水利學(xué)報, 2015,46(11):1280-1289.

[6] 朱 嵩,劉國華,毛欣煒,等.基于貝葉斯推理的標準k-ε湍流模型參數(shù)識別 [J]. 四川大學(xué)學(xué)報(工程科學(xué)版), 2010,42(4):78- 82.

[7] 楊海東,肖 宜,王卓民,等.突發(fā)性水污染事件溯源方法[J]. 水科學(xué)進展, 2014,25(1):122-129.

[8] 辛小康,韓小波,李 建,等.基于遺傳算法的水污染事故污染源識別模型 [J]. 水電能源科學(xué), 2014,(7):52-55.

[9] 葉永偉,葛沈浩,任設(shè)東,等.基于PSO-DE算法的污水處理優(yōu)化控制研究[J]. 計算機測量與控制, 2016,24(2):68-76.

[10] 牟行洋.基于微分進化算法的污染物源項識別反問題研究術(shù) [J]. 水動力學(xué)研究與進展, 2011,26(1):24-30.

[11] 彭 亮,于 暉.基于濃度梯度-逆流搜索的污染源定位策略 [J]. 智能計算機與應(yīng)用, 2012,2(6):64-66.

[12] Jong C, Meng G W, et al. Structural reliability-based optimization design using PSO-DE hybrid algorithm [J]. Journal of South China University of Technology, 2014,42(9): 41-45.

[13] Ednah O, Akpofure T, John N. Groundwater pollution source identification by optimization and the green element method [J]. World Environmental and Water Resources Congress, 2016, 309-318.

[14] MT A. A hybrid simulation–optimization approach for solving the areal groundwater pollution source identification problems [J]. Journal of Hydrology, 2016,538:161–176.

[15] 肖傳寧,盧文喜,趙 瑩,等.基于徑向基函數(shù)模型的優(yōu)化方法在地下水污染源識別中的應(yīng)用 [J]. 中國環(huán)境科學(xué), 2016,36(7): 2067-2072.

[16] 傅國偉.河流水質(zhì)數(shù)學(xué)模型及其模擬計算[M]. 北京:中國環(huán)境科學(xué)出版社, 1987.

[17] Yu F Y, Chen X, Guo L. Hybrid algorithm based on particle swarm optimization and differential evolution [M]. Journal of computational information system, 2012.

[18] Singh R M, Datta B. Identification of groundwater pollution sources using GA-based linked simulation optimization model [J]. Journal of Hydrologic Engineering, 2006,11(2):1216-1227.

[19] 高岳林,劉軍民.差分進化算法的參數(shù)研究 [J]. 黑龍江大學(xué)自然科學(xué)學(xué)報, 2009,26(1):81-85.

[20] 鄭 彤.環(huán)境系統(tǒng)數(shù)學(xué)模型[M]. 北京:化學(xué)工業(yè)出版社, 2003.

Research of the abrupt waters pollution source based on optimization algorithm of PSO-DE.

CAO Hong-gui, YUN Wei-guo*

(School of Information and Control Engineering, Xi'an University of Architecture and Technology, Xi’an 710055, China)., 2017,37(10)：3807~3812

The optimization algorithm of PSO-DE cooperated with mobile monitoring platform was studied to solve the inverse problem of pollution, which included inversion of the position of the single point and multiple-point stationary sources. The inverse problem of pollution source was transformed into nonlinear optimization problem. The pollutant concentration of waters were detected and recorded bymobile platforms; the coordinate of mobile platform was denoted bybest, and they were corresponded one by one, there would be Nbestaltogether. The pollutant concentration of waters which attained by the mobile platform would be compared with each other, and the coordinate of maximum pollutant concentration would be chosen and marked asbest. First, thebestwould be the initial population for the PSO optimization. Second, the population would be used for DE optimization. Finally, thebestwould be chosen from the high concentration of both until the highest point of pollutant concentration was obtained, which was the initial point of pollutant. The calculation results of examples showed that the algorithm could attained a high precision inversion results for pollutant source traceability problem of two-dimensional waters.

PSO-DE；pollutant source traceability；mobile monitoring platform；two-dimensional waters

X52

A

1000-6923(2017)10-3807-06

曹宏桂(1991-),男,陜西榆林人,西安建筑科技大學(xué)碩士研究生,主要研究領(lǐng)域為嵌入式開發(fā),智能控制.發(fā)表論文2篇.

2017-03-14

住房和城鄉(xiāng)建設(shè)部科學(xué)項目計劃(2016-R2-045)

* 責(zé)任作者, 教授, yun_weiguo@aliyun.com