CN105353099B - 一种基于多种群协同算法的给水管网污染源定位方法 - Google Patents

Abstract

本发明公开了一种基于多种群协同算法的给水管网污染源定位方法，包括如下步骤：获取给水管网中每个水质传感器检测到的污染物浓度；利用多种群协同算法随机产生多个初始污染事件；污染物浓度模拟步骤：基于污染事件进行水力模拟和水质模拟，以得出污染物浓度模拟结果；将污染物浓度与污染物浓度模拟结果进行匹配，获得匹配误差；在匹配误差大于设定误差时，利用多种群协同算法根据匹配误差调整优化方向进行循环搜索，直到找到全局最优解；匹配误差在设定误差范围内时确定找到污染源位置。可以快速精确定位到污染源，提供精确的污染信息，有效解决了现有技术很难快速精确定位到大规模给水管网中污染源的技术问题。

Description

一种基于多种群协同算法的给水管网污染源定位方法

技术领域

本发明涉及控制科学技术领域，尤其涉及一种基于多种群协同算法的给水管网污染源定位方法。

背景技术

一方面，由于污染事件是随机的，可以在任意的时间内以随机的质量注入到给水管网的任意节点，因此，在一个传感网络的检测中，如果传感器的数目远小于节点数目，则传感器所获得的信息是不足以定位到精确的污染源。另一方面，污染源定位问题一般发生在水质传感器检测污染物的浓度超过一定阈值后，这个时候说明已经发生了污染，因此，需要快速实时确定污染源的状态，比如污染源的位置、注入时间、注入质量等信息。随着给水管网的规模增大时，计算量呈现级数的增长级，因此现有技术很难快速精确定位到大规模给水管网中污染源。

发明内容

本发明实施例通过提供一种基于多种群协同算法的给水管网污染源定位方法，解决了现有技术很难快速精确定位到大规模给水管网中污染源的技术问题。

本发明实施例提供了一种基于多种群协同算法的给水管网污染源定位方法，包括如下步骤：

获取给水管网中每个水质传感器检测到的污染物浓度；

利用多种群协同算法随机产生多个初始污染事件；

污染物浓度模拟步骤：基于污染事件进行水力模拟和水质模拟，以得出污染物浓度模拟结果；

将所述污染物浓度与所述污染物浓度模拟结果进行匹配，获得匹配误差；

在所述匹配误差大于设定误差时，利用所述多种群协同算法根据所述匹配误差调整优化方向进行循环搜索，直到找到全局最优解；

所述匹配误差在所述设定误差范围内时确定找到污染源位置。

优选的，所述利用多种群协同算法随机产生多个初始污染事件，包括：

确定种群规模、最大迭代次数和平分子群个数；

在主节点上初始化种群，其中，将所述种群平分为P个子群，所述种群中的粒子个体的编码包括管网节点位置、污染物质量向量、污染发生时间和污染截止时间；

计算所述种群中每个粒子个体的适应值，并保存所述种群的最优解和最优个体。

优选的，所述在所述匹配误差大于设定误差时，利用所述多种群协同算法根据所述匹配误差调整优化方向进行循环搜索，直到找到全局最优解，包括：

利用所述种群在所述主节点上并行优化，找到包含所述最优解的N个种群，其中，每个所述子群包括多个粒子个体；

将所述P个子群分配给N个子节点；

在Hadoop云计算平台下运行Map-Reduce模型进行如下步骤：

a、在Mapper上运行单粒子群局部精度搜索算法进行局部搜索：所述N个子节点分别进行局部极值点的维度搜索，并对每个所述粒子个体进行位置更新和速度更新；b、在Reducer上对所述局部搜索的结果进行规约存储；

将所述局部搜索的结果合并得到的最优解集合与上一次迭代结果进行对比；

若对比结果小于或等于所述设定误差，则确定找到所述污染源位置，否则产生N个新污染事件送往所述主节点，迭代次数加1后返回所述污染物浓度模拟步骤。

优选的，所述产生N个新污染事件送往所述主节点，具体为：

检测需水量或水流模式是否发生改变；

若所述需水量或所述水流模式发生改变，则直接对所述局部极值点进行柯西变异来产生所述N个新污染事件；

将所述N个新污染事件送入所述主节点。

优选的，所述利用所述种群在所述主节点上并行优化，找到包含所述最优解的N个种群，具体为：

通过所述种群的最优个体之间距离判断所述种群的聚集程度，以给出局部极值点。

优选的，所述通过所述种群的最优个体之间距离，判断所述种群的聚集程度，以给出局部极值点，具体为：

所述种群的规模为20个时，当有3-5个种群之间距离小于设定阈值σ时，把所述3-5个种群中最优个体的位置设置为斥力场中心点，通过如下公式建立斥力场：

其中，U_re表示斥力场，η是位置增益系数，ρ是所述斥力场外的种群到所述局部极值点的距离，ρ_o即为排斥半径的阈值；在所述阈值设定的超球内产生斥力；

在所述斥力场外的种群继续并行搜索，以发现新的全局极值点。

优选的，所述对每个所述粒子个体进行位置更新和速度更新，具体为：

把每个所述粒子个体的位置矢量分成一定数量的子矢量，根据前一代粒子个体的速度更新情况调整所述粒子个体的速度和位置。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明实施例由于利用了多种群协同算法对污染源定位问题进行求解，当污染事件发生后，可以快速精确定位到污染源，进而能够提供精确的污染信息，有效解决了现有技术很难快速精确定位到大规模给水管网中污染源的技术问题，从而消除污染事件引发的各类风险，减小经济损失及降低社会影响。

进一步，以Hadoop云计算为平台提出的基于Map-Reduce模型的多种群并行协同优化方法，基于云平台的分布式多种群协同计算可有效提升加速比，节约计算时间，进一步提高了污染源定位效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例中基于多种群协同算法的给水管网污染源定位方法的流程图；

图2为本发明实施例中给水管网的实例示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1所示，本发明实施例提供的一种基于多种群协同算法的给水管网污染源定位方法，包括如下步骤：

S101、获取给水管网中每个水质传感器检测到的污染物浓度。

具体的，如图2所示，以给水管网有97个管网节点，2个水源，3个水池，117根管线为例。假定在该给水管网放置了3个水质传感器，分别放置在编号为119、187、211的管网节点处，由这3个水质传感器检测污染物浓度信息。

S102、利用多种群协同算法随机产生多个初始污染事件。

利用多种群协同算法随机产生多个初始污染事件是在Hadoop云计算平台上利用多种群协同算法产生的。具体的，通过如下步骤随机产生多个初始污染事件：

步骤1、设定种群规模、最大迭代次数，平分子群个数。

步骤2、在Hadoop(海杜普)云计算平台下运行Map-Reduce模型，以在主节点(NameNode)上初始化M个种群，每个种群中的粒子个体编码包括管网节点位置、污染物质量向量、污染发生时间和污染截止时间。具体的，Map-Reduce模型是一种编程模型，用于大规模数据集(大于1TB)的并行运算。概念Map(映射)和Reduce(归约)都是从函数式编程语言里借来的。

比如，在主节点上初始化20个种群，每个粒子个体的编码如下：{节点位置，污染物质量向量，污染发生时间，污染截止时间}。将20个种群平分为M1，M2，M3…Mp共P个子群。

计算M个种群中每个粒子个体的适应值，并保存M个种群的全局最优解和全局最优个体。具体的，根据适应度函数计算出每个粒子个体的适应值，所使用的适应度函数具体参考如下公式：

Subject to M＝{m₁,m₂,…,m_k}；m_i≥0 (2)

n∈{1,N} (3)

t_I≤T_s (4)

其中，N是管网节点总数，N_s表示水质传感器的数目，T_s表示仿真周期，M表示污染物注入向量，n表示污染源注入的管网节点序号，t_I表示注入污染物的初始时间，c_j(t)表示在时间t时水质传感器j的污染物浓度，它是(M,n,t_I)的函数，c_j ^*(t)表示在时间t时水质传感器j的实际检测的污染物浓度。优化的目标即求(M,n,t_I)使得方差最小。

S103、污染物浓度模拟步骤：基于污染事件进行水力模拟和水质模拟，以得出污染物浓度模拟结果。具体的，使用网平差软件(EPANET)进行水力模拟和水质模拟从而得出污染物浓度模拟结果。在具体实施过程中，在每次迭代中，所使用的污染事件互不相同，在0次迭代中，所使用污染事件为S102中随机生成的初始污染事件，在之后的迭代次数中，所使用污染事件为每次迭代中进行柯西变异来产生的新污染事件，本文后续对柯西变异来产生的新污染事件进行详细描述。

S104、将污染物浓度与污染物浓度模拟结果进行匹配，获得匹配误差；

S105、在匹配误差大于设定误差时，利用多种群协同算法根据匹配误差调整优化方向进行循环搜索，直到找到全局最优解确定为污染源位置，匹配误差在设定误差值范围内确定找到污染源位置。

具体的，由于给水管网污染源定位问题的求解具有一定的时效性，单节点的计算机无法满足其计算要求。为了进一步提高计算效率，本发明提出了将多种群协同算法结合Map-Reduce编程模型进行实现的方案。但是多种群协同算法并不适合直接利用Map-Reduce编程模型进行实现，在Map-Reduce编程模型中，主要把任务分解为多个子任务，分散在多个Mapper上进行处理，然后在多个reducer上进行规约。而多种群协同算法中，多个种群之间存在信息的交互，通过信息的交互加速算法的收敛，因此本发明实施例对Map-Reduce模型进行了修改，从而实现了多种群协同算法可以高效运行而不损失其计算效率，下面进行详细描述：

利用种群在主节点上并行优化，找到包含最优解的N个种群，其中，每个子群包括多个粒子个体。

具体的，通过最优个体之间距离，判断种群的聚集程度，以给出局部极值点。下面，具体描述给出局部极值点的实现过程为：以种群规模为20个种群为例，当有3-5个种群之间距离小于设定阈值σ时，把3-5个种群中最优个体的位置设置为斥力场中心点，通过如下公式建立斥力场：

其中，η是位置增益系数，ρ是斥力场外的种群到局部极值点的距离，ρ_o即为排斥半径的阈值；在阈值设定的超球内产生斥力，防止其它种群进入已经发现的局部极值点；在斥力场外的种群继续并行搜索，以发现新的全局极值点。

在主节点完成后自动在Mapper上分配。以将子群分配给N个子节点，这样可以高效加速算法的收敛。

然后，在Hadoop云计算平台下运行Map-Reduce模型进行如下步骤a和步骤b：

a、在Mapper上运行单粒子群局部精度搜索算法进行局部搜索：N个子节点分别进行局部极值点的维度搜索，并对每个粒子个体进行位置更新和速度更新。具体的，每个Mapper实现一个局部搜索，则mapper的个数是由局部极值点的个数决定的。

b、在Reducer上对局部搜索的结果进行规约存储。

接着，将局部搜索的结果合并得到的最优解集合与上一次迭代结果进行对比；若对比结果小于或等于设定误差值以及迭代次数达到最大迭代次数确定找到污染源位置，否则产生N个新污染事件送往主节点，迭代次数加1并返回污染物浓度模拟步骤。

具体的，产生N个新污染事件送往主节点，具体为：检测需水量或水流模式是否发生改变；若需水量或水流模式发生改变，则直接对局部极值点进行柯西变异来产生N个新污染事件；然后将N个新污染事件送入主节点。则N个新污染事件作为污染物浓度模拟步骤中进行水力模拟和水质模拟的污染事件。

具体的，对粒子个体进行位置更新和速度更新，具体为：把每个粒子个体的位置矢量分成一定数量的子矢量，根据前一代粒子个体的速度更新情况调整粒子个体速度和位置。具体来讲，需要将每个粒子个体的位置矢量分成一定数量的子矢量，并基于子矢量对粒子个体的位置和速度进行更新。在子矢量更新过程中，根据前一代的速度更新情况，自适应动态地调整粒子速度和粒子位置，从而向全局最优解靠近。单个粒子个体的速度更新公式如下：

其中，Vⁱ表示单个粒子个体第i维的速度，k是迭代步长，α是初始的最大步长，β(k)＝k^1.2，c(k)是自适应学习因子。β(k)逐渐增大，导致α/β(k)逐渐减小，因此在单个维度搜索前期，多样性较大，而后期变化较小。自适应学习因子c(k)和适应度函数值有关，在本实施例中设置为当适应度函数值变小时，c(k)＝2，当适应值函数值变大时c(k)＝0.5。

本发明实施例提供的技术方案可应用于环境工程领域，特别是市政自来水管中水质监测、应急灾害快速反应方面。从而通过上述本发明实施例提供的一个或多个技术方案，本发明实施例至少实现了如下技术效果或优点：

本发明实施例由于利用了多种群协同算法对污染源定位问题进行求解，当污染事件发生后，可以快速精确定位到污染源，进而能够提供精确的污染信息，有效解决了现有技术很难快速精确定位到大规模给水管网中污染源的技术问题，从而消除污染事件引发的各类风险，减小经济损失及降低社会影响。

进一步，以Hadoop云计算为平台提出的基于Map-Reduce模型的多种群并行协同优化方法，基于云平台的分布式多种群协同计算可有效提升加速比，节约计算时间，进一步提高了污染源定位效率。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

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。

Claims (5)

1.一种基于多种群协同算法的给水管网污染源定位方法，其特征在于，包括如下步骤：

获取给水管网中每个水质传感器检测到的污染物浓度；

利用多种群协同算法随机产生多个初始污染事件；其中，包括：确定种群规模、最大迭代次数和平分子群个数；在主节点上初始化种群，其中，将所述种群平分为P个子群，所述种群中的粒子个体的编码包括管网节点位置、污染物质量向量、污染发生时间和污染截止时间；计算所述种群中每个粒子个体的适应值，并保存所述种群的最优解和最优个体；

污染物浓度模拟步骤：基于污染事件进行水力模拟和水质模拟，以得出污染物浓度模拟结果；

将所述污染物浓度与所述污染物浓度模拟结果进行匹配，获得匹配误差；

在所述匹配误差大于设定误差时，利用所述多种群协同算法根据所述匹配误差调整优化方向进行循环搜索，直到找到全局最优解；其中，包括：利用所述种群在所述主节点上并行优化，找到包含所述最优解的N个种群，其中，每个所述子群包括多个粒子个体；将所述P个子群分配给N个子节点；在Hadoop云计算平台下运行Map-Reduce模型进行如下步骤：a、在Mapper上运行单粒子群局部精度搜索算法进行局部搜索：所述N个子节点分别进行局部极值点的维度搜索，并对每个所述粒子个体进行位置更新和速度更新；b、在Reducer上对所述局部搜索的结果进行规约存储；将所述局部搜索的结果合并得到的最优解集合与上一次迭代结果进行对比；若对比结果小于或等于所述设定误差，则确定找到所述污染源位置，否则产生N个新污染事件送往所述主节点，迭代次数加1后返回所述污染物浓度模拟步骤；

所述匹配误差在所述设定误差范围内时确定找到污染源位置。

2.如权利要求1所述的基于多种群协同算法的给水管网污染源定位方法，其特征在于，所述产生N个新污染事件送往所述主节点，具体为：

检测需水量或水流模式是否发生改变；

若所述需水量或所述水流模式发生改变，则直接对所述局部极值点进行柯西变异来产生所述N个新污染事件；

将所述N个新污染事件送入所述主节点。

3.如权利要求2所述的基于多种群协同算法的给水管网污染源定位方法，其特征在于，所述利用所述种群在所述主节点上并行优化，找到包含所述最优解的N个种群，具体为：

通过所述种群的最优个体之间距离判断所述种群的聚集程度，以给出局部极值点。

4.如权利要求3所述的基于多种群协同算法的给水管网污染源定位方法，其特征在于，所述通过所述种群的最优个体之间距离，判断所述种群的聚集程度，以给出局部极值点，具体为：

所述种群的规模为20个时，当有3-5个种群之间距离小于设定阈值σ时，把所述3-5个种群中最优个体的位置设置为斥力场中心点，通过如下公式建立斥力场：

$U_{re}\left(\mathrm{\ρ}\right)=\left\{\begin{array}{cc}\frac{1}{2}\mathrm{\η}{\left(\frac{1}{\mathrm{\ρ}}-\frac{1}{{\mathrm{\ρ}}_o}\right)}^2& \mathrm{\ρ}\≤{\mathrm{\ρ}}_o\\ 0& \mathrm{\ρ}>{\mathrm{\ρ}}_o\end{array}\right.$

其中，U_re表示斥力场，η是位置增益系数，ρ是所述斥力场外的种群到所述局部极值点的距离，ρ_o即为排斥半径的阈值；在所述阈值设定的超球内产生斥力；

在所述斥力场外的种群继续并行搜索，以发现新的全局极值点。

5.如权利要求4所述的基于多种群协同算法的给水管网污染源定位方法，其特征在于，所述对每个所述粒子个体进行位置更新和速度更新，具体为：

把每个所述粒子个体的位置矢量分成一定数量的子矢量，根据前一代粒子个体的速度更新情况调整所述粒子个体的速度和位置。