CN117574779A - 一种改进量子粒子群的地下水监测网络优化方法 - Google Patents

一种改进量子粒子群的地下水监测网络优化方法 Download PDF

Info

Publication number
CN117574779A
CN117574779A CN202410047147.XA CN202410047147A CN117574779A CN 117574779 A CN117574779 A CN 117574779A CN 202410047147 A CN202410047147 A CN 202410047147A CN 117574779 A CN117574779 A CN 117574779A
Authority
CN
China
Prior art keywords
monitoring
particle
groundwater
underground water
monitoring network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410047147.XA
Other languages
English (en)
Other versions
CN117574779B (zh
Inventor
谷志琪
王宇
马丽欣
卞建民
孙晓庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202410047147.XA priority Critical patent/CN117574779B/zh
Publication of CN117574779A publication Critical patent/CN117574779A/zh
Application granted granted Critical
Publication of CN117574779B publication Critical patent/CN117574779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及地下水监测技术领域，尤其涉及一种改进量子粒子群的地下水监测网络优化方法。包括：确定水质类别，建立模型并优选地下水监测指标；确定需要优化的各监测点的空间坐标，结合水质类别，构建多目标优化模型与初始粒子群；随机化初始种群中粒子的速度和位置，设定搜索维数与粒子数目，计算粒子的适应度大小；迭代第t次时，计算各粒子迭代后的适应度值，使用较优的适应度值对应的粒子位置作为个体的最优位置，并计算其对应的群体的全局最优位置、吸引点及种群全局最好位置的平均值；将较优的适应度值对应的群体全局最优位置作为当前的全局最优位置，根据其平均值确定种群中每个粒子的新位置;利用当前的种群计算最优解。

Description

一种改进量子粒子群的地下水监测网络优化方法
技术领域
本发明涉及地下水监测技术领域，尤其涉及一种改进量子粒子群的地下水监测网络优化方法。
背景技术
大面积、高密度的地下水监测网布设、维护费用高昂，使地下水监测网络未能在地下水环境存在问题的区域内广泛应用，且存在主观布设的监测点位空间布局不合理、位置不固定及监测目标不科学等问题，得到的长期地下水数据信息在实际分析过程中仍无法可靠、有效地反映地下水的动态变化状况。因此，对地下水监测网的监测指标及监测点位进行优化，使其在节约大量成本的基础上不缺失对地下水关键信息的收集，为制定合理的地下水监测网提供科学依据，对区域水资源利用及水环境保护具有重要意义。
实际的地下水监测网络往往需要优化多个同时相互影响的目标（如最小化监测成本、最大化监测准确性和最小化健康风险），传统的优化方法由于其计算速度和收敛性差、易陷入局部最优解及应用范围窄等缺陷，在解决多目标问题时并不实用。针对这一问题，利用人工智能方法优化地下水监测网络是目前主要的解决方案。
发明内容
本发明为解决上述问题，提供一种改进量子粒子群的地下水监测网络优化方法。
本发明目的在于提供一种改进量子粒子群的地下水监测网络优化方法，具体包括如下步骤：
S1. 获取待研究区域的地下水环境状况信息；
S2.对待研究区域的地下水水质进行评价，确定水质类别，建立地下水水质指标优化模型，优选地下水监测指标；
S3. 确定需要优化的地下水监测网络中各监测点的空间坐标，结合步骤S2确定的水质类别，构建多目标优化模型与初始粒子群；随机化初始种群中粒子的速度和位置，设定搜索维数与粒子数目，计算粒子的适应度大小；
S4. 在步骤S3建立的初始粒子群迭代第t次时，计算各粒子迭代后的适应度值，与上一次迭代粒子的适应度值比较，使用较优的适应度值对应的粒子位置作为个体的最优位置，并计算其对应的群体的全局最优位置、吸引点及种群全局最好位置的平均值；
S5. 比较步骤S4中计算的迭代第t次时群体最优位置对应的适应度值与上一次迭代的适应度值，将较优的适应度值对应的群体全局最优位置作为当前的全局最优位置，根据其平均值确定种群中每个粒子的新位置;
S6. 利用当前的种群计算多目标优化模型的最优解，判断当前最优解是否满足迭代终止条件，若是，终止迭代并输出模型的最优解；若否，继续重复迭代步骤S4~S6。
优选的，多目标优化模型的数学表达式为：
；
；
；
；
；
；
其中Xk表示决策空间Ω中的第k个监测网络设计方案，fcost（Xk）是方案Xk下所有地下水监测井的总数量，fmass（Xk）是方案Xk下所有地下水监测井的水质总误差，fmssd（Xk）是方案Xk下所有地下水监测井的总均方距离，Np是潜在监测井的总数，ρi是二元变量，Qt为总监测点水质的平均值，Qp为潜在监测点的水质平均值，（x，y）为监测点i的坐标，要求使式中的三个目标同时最小化；
若未选择潜在监测点，ρi中i为0；若选择潜在监测点，ρi中i为1。
优选的，步骤S6中计算多目标优化模型的最优解采用Levy改进的量子粒子群算法求解多目标优化模型。
优选的，Levy改进的量子粒子群算法具体表达式如下：
；式中，x为粒子的位置向量，t为迭代次数，L(λ)为Levy飞行的步长，p为吸引点，β为收缩-扩张系数，Mbest(t)为种群全局最好位置的平均值，u为0到1之间均匀分布的随机数，i为粒子数，j为粒子所在维数。
优选的，L（λ）计算公式如下：
；
其中，参数，取/>=1.5；参数μ、v为服从正态分布的随机数，μ~N（0，σμ 2），v~N（0，σv 2），标准差σμ、σv的取值满足下式：
。
优选的，步骤S1是通过野外现场调查或动态监测的手段中获取待研究区域的地下水环境状况信息。
优选的，步骤S2中利用支持向量机方法对待研究区域的地下水水质进行评价；在R语言环境下使用随机森林方法优选地下水监测指标。
优选的，还包括步骤S7：根据所述输出模型的最优解，确定地下水监测网络中布设监测井的数量和位置，实施布设。
与现有技术相比，本发明能够取得如下有益效果：
1、本发明建立了地下水监测网络的多目标优化模型，相较于传统的单目标优化方程，能够以最小的成本获得最合理、有效的地下水环境状况信息；
2、本发明解决了量子粒子群中粒子运动轨迹固定、搜索空间受限等问题，并将改进后的量子粒子群算法用于求解地下水监测网络的多目标优化模型，可在准确反映地下水环境的基础上，大幅减少地下水监测网络中布设监测井的数量，为区域大面积、高密度的地下水监测网需要布设、维护费用高昂提供解决途径。
附图说明
图1是根据本发明实施例提供的研究区域的地下水监测初始设置的点位分布图。
图2是根据本发明实施例提供的研究区域的地下水水质分布图。
图3是根据本发明实施例提供的基于Levy改进量子粒子群算法求解多目标优化模型的流程图。
图4是根据本发明实施例提供的方案1地下水监测网络优化结果。
图5是根据本发明实施例提供的方案2地下水监测网络优化结果。
图6是根据本发明实施例提供的方案3地下水监测网络优化结果。
图7是根据本发明实施例提供的方案1优化后地下水监测网络的水质估计的相对误差。
图8是根据本发明实施例提供的方案2优化后地下水监测网络的水质估计的相对误差。
图9是根据本发明实施例提供的方案3优化后地下水监测网络的水质估计的相对误差。
图10是根据本发明实施例提供的各方案优化后地下水监测网络的水质估计的百分比平均误差。
具体实施方式
在下文中，将参考附图描述本发明的实施例。在下面的描述中，相同的模块使用相同的附图标记表示。在相同的附图标记的情况下，它们的名称和功能也相同。因此，将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。
本发明目的在于提供一种改进量子粒子群的地下水监测网络优化方法，具体包括如下步骤：
S1. 通过野外现场调查或动态监测等手段，获取待研究区域的地下水环境状况信息；
S2. 利用支持向量机方法对待研究区域的地下水水质进行评价，确定水质类别，建立地下水水质指标优化模型，在R语言环境下使用随机森林方法优选地下水监测指标；S3. 确定需要优化的地下水监测网络中各监测点的空间坐标，结合步骤S2确定的水质类别，构建多目标优化模型与初始粒子群；随机化初始种群中粒子的速度和位置，设定搜索维数与粒子数目，计算粒子的适应度大小；
S4. 在步骤S3建立的初始粒子群迭代第t次时，计算各粒子迭代后的适应度值，与上一次迭代粒子的适应度值比较，使用较优的适应度值对应的粒子位置作为个体的最优位置，并计算其对应的群体的全局最优位置、吸引点及种群全局最好位置的平均值；
S5. 比较步骤S4中计算的迭代第t次时群体最优位置对应的适应度值与上一次迭代的适应度值，将较优的适应度值对应的群体全局最优位置作为当前的全局最优位置，根据其平均值确定种群中每个粒子的新位置;
S6. 利用当前的种群计算多目标优化模型的最优解，判断当前最优解是否满足迭代终止条件，若是，终止迭代并输出模型的最优解；若否，继续重复迭代步骤S4~S6。
多目标优化模型的数学表达式为：
(1)
(2)
(3)
(4)
(5)
(6)
其中Xk表示决策空间Ω中的第k个监测网络设计方案，fcost（Xk）是方案Xk下所有地下水监测井的总数量，fmass（Xk）是方案Xk下所有地下水监测井的水质总误差，fmssd（Xk）是方案Xk下所有地下水监测井的总均方距离，Np是潜在监测井的总数，ρi是二元变量，Qt为总监测点水质的平均值，Qp为潜在监测点的水质平均值，（x，y）为监测点i的坐标，要求使式（1）中的三个目标同时最小化；
若未选择潜在监测点，ρi中i为0；若选择潜在监测点，ρi中i为1。
步骤S6中计算多目标优化模型的最优解采用Levy改进的量子粒子群算法求解多目标优化模型；Levy改进的量子粒子群算法具体表达式如下：
；
式中，x为粒子的位置向量，t为迭代次数，L(λ)为Levy飞行的步长，p为吸引点，β为收缩-扩张系数，Mbest(t)为种群全局最好位置的平均值，u为0到1之间均匀分布的随机数，i为粒子数，j为粒子所在维数。
基于Levy改进量子粒子群算法（Quantum-Behaved Particle SwarmOptimization with Levy-Flight, QPSO-LF）的原理及推到过程如下：
假设粒子群算法中的粒子具有量子行为，则每个粒子个体的状态将由量子力学中的波函数Ψ(x,t)表述，其中，x为粒子的位置向量，而波函数的平方Ψ2表示粒子在t时刻出现在解空间中某一处的概率密度Q，具体形式如下所示：
（7）
粒子运动的薛定谔方程为：
（8）
式中，x为粒子的位置向量，h为普朗克常数，H为哈密尔顿算子；
波函数Ψ的计算方程如下：
（9）
概率密度函数为：
（10）
概率分布函数为：
（11）
式中，E为粒子能量，L为势阱的长度，可计算得粒子的位置：
（12）
粒子平均的最好位置为：
（13）
则：
（14）
（15）
粒子的位置更新方程为：
（16）
式中，β为收缩-扩张系数，用来调节算法中粒子的速度；u为0到1之间均匀分布的随机数，当u>0时，位置更新方程取“+”，否则取“-”；
Levy飞行机制的步长服从Levy分布，它是一个带有宽尾的概率分布，其概率密度函数表达式如下：
（17）
对式（17）进行简化和傅里叶变换，得到幂指数形式的概率密度函数如下所示：
（18）
其中，λ为幂指数，服从Levy分布式是一个带有宽尾的概率分布，在程序计算L（λ）时，计算公式如下：
（19）
其中，参数，取/>=1.5；参数μ、v为服从正态分布的随机数，μ~N（0，σμ 2），v~N（0，σv 2），标准差σμ、σv的取值满足式（20）：
（20）
通过式(18)、(19)就可以计算出Levy-Flight trajectory的步长L(λ)。
在传统的QPSO算法中，随着粒子迭代次数的增加，种群的多样性减少，相似的粒子会大大缩减种群的搜索空间，粒子陷入局部最优后很难跳出来。根据Levy-flighttrajectory进行搜索可以扩大粒子搜索空间，在前述文献的基础上采用Levy-Flighttrajectory对QPSO算法进行改进，利用Levy-Flight trajectory独特的随机游走机制进行搜索，以期扩大粒子的搜索空间，并增加了种群的多样性；基于该机制的改进算法中将原算法中的式(16)更新为：
（21）
在具体实施例中，还包括步骤S7：根据所述输出模型的最优解，确定地下水监测网络中布设监测井的数量和位置，实施布设。
实施例1
收集某地区地下水水质监测数据，并将其作为待研究区域的案例，对其地下水监测网络进行优化。为避免开发利用过程对地下水环境造成恶劣影响，需要布设地下水监测网络对其进行有效监测和管理。目前，研究区内已经对35处地点进行了采样分析监测，收集了大量的地下水水化学数据，然而，区内已布设的监测点空间分布不均匀，大量点位重复密集分布于西部和南部，造成监测资源的浪费，如何合理设计和优化监测点位的研究仍然是空白。首先选择Na+、SO4 2-、Cl-、TDS、TH、TFe、F-、和NO3 -这8个指标，通过支持向量机法评价研究区地下水水质，水质评价结果如表1所示；由表可知，研究区地下水以Ⅰ类水为主，约占54.29%，存在Ⅳ、Ⅴ类水，约占37.14%。研究区地下水水质空间分布特征如图2所示，区内绝大多数面积内均为Ⅰ类水，Ⅳ、Ⅴ类水在区内西部及中部与Ⅰ、Ⅱ类水交错零星分布。基于地下水质量评价结果，通过随机森林方法评价水质指标对水质类别的特征重要性，优选F-、Cl-、Na+与TDS这4个指标作为该地区的优化监测指标。
表1 研究区地下水水质评价结果
为充分优化区域地下水监测网络，分别使用随机、分层和系统三个抽样方法丰富地下水监测网络，并设计3种优化方案共14个场景，对区域地下水监测网络进行优化。三种抽样方法新增的地下水监测点位如图3所示，优化方案设计如表2所示。
表2 区域地下水监测网络优化方案
步骤S3中种群规模设置为20，最大迭代次数设置为200。
基于上述信息，构建地下水多目标优化模型，基于Levy改进量子粒子群优化多目标的流程图如图3所示。
步骤S6中对方案1、2、3下研究区地下水监测网络优化的优化结果分别如图4、图5、图6所示，地下水水质估计的相对误差（RE）如图7、图8、图9所示，水质估计的平均百分比（MPE）如图10所示。
方案1中量子粒子群算法QPSO与QPSO-LF的优化结果相近，有三个重叠点，其中两个点位均位于水质较差的区域；方案2中与分层和系统抽样方法相比，随机抽样方法为研究区域产生了更均匀分布的优化结果；方案3中不同方法的优化结果中均无重合点位，随机、系统抽样方法的优化结果在水质相同区域布设相近点位，分层抽样方法的优化结果分布更为均匀。
对研究区域现有监测点优化的方案1的水质平均百分比误差值最高，而联合采样方法的方案2和方案3的MPE值显著降低；与方案1中的场景1相比，方案二中场景3、5、7、9、11、13的MPE分别降低了88%、84.98%、88.45%、75.78%、80.29%和65.16%；与方案1中的场景2相比，方案三中场景2、4、6、8、10、12、14的MPE分别降低了20.73%、89.01%、85.52%、88.68%、68.22%、86.64%和76.52%。
由此可见，发明能有效解决区域地下水监测网络设计的优化问题，既降低了监测网络的布设成本，同时能够准确反映地下水环境状况。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (8)

1.一种改进量子粒子群的地下水监测网络优化方法，其特征在于，具体包括如下步骤：
S1. 获取待研究区域的地下水环境状况信息；
S2.对待研究区域的地下水水质进行评价，确定水质类别，建立地下水水质指标优化模型，优选地下水监测指标；
S3. 确定需要优化的地下水监测网络中各监测点的空间坐标，结合步骤S2确定的水质类别，构建多目标优化模型与初始粒子群；随机化初始种群中粒子的速度和位置，设定搜索维数与粒子数目，计算粒子的适应度大小；
S4. 在步骤S3建立的初始粒子群迭代第t次时，计算各粒子迭代后的适应度值，与上一次迭代粒子的适应度值比较，使用较优的适应度值对应的粒子位置作为个体的最优位置，并计算其对应的群体的全局最优位置、吸引点及种群全局最好位置的平均值；
S5. 比较步骤S4中计算的迭代第t次时群体最优位置对应的适应度值与上一次迭代的适应度值，将较优的适应度值对应的群体全局最优位置作为当前的全局最优位置，根据其平均值确定种群中每个粒子的新位置；
S6. 利用当前的种群计算多目标优化模型的最优解，判断当前最优解是否满足迭代终止条件，若是，终止迭代并输出模型的最优解；若否，继续重复迭代步骤S4~S6。
2.根据权利要求1所述的一种改进量子粒子群的地下水监测网络优化方法，其特征在于，所述多目标优化模型的数学表达式为：
；
；
；
；
；
；
其中Xk表示决策空间Ω中的第k个监测网络设计方案，fcost（Xk）是方案Xk下所有地下水监测井的总数量，fmass（Xk）是方案Xk下所有地下水监测井的水质总误差，fmssd（Xk）是方案Xk下所有地下水监测井的总均方距离，Np是潜在监测井的总数，ρi是二元变量，Qt为总监测点水质的平均值，Qp为潜在监测点的水质平均值，（x，y）为监测点i的坐标，要求使式中的三个目标同时最小化；
若未选择潜在监测点，ρi中i为0；若选择潜在监测点，ρi中i为1。
3.根据权利要求2所述的一种改进量子粒子群的地下水监测网络优化方法，其特征在于：所述步骤S6中计算多目标优化模型的最优解采用Levy改进的量子粒子群算法求解多目标优化模型。
4.根据权利要求3所述的一种改进量子粒子群的地下水监测网络优化方法，其特征在于：所述Levy改进的量子粒子群算法具体表达式如下：
；
式中，x为粒子的位置向量，t为迭代次数，L(λ)为Levy飞行的步长，p为吸引点，β为收缩-扩张系数，Mbest(t)为种群全局最好位置的平均值，u为0到1之间均匀分布的随机数，i为粒子数，j为粒子所在维数。
5.根据权利要求4所述的一种改进量子粒子群的地下水监测网络优化方法，其特征在于：所述L（λ）计算公式如下：
；
其中，参数，取/>=1.5；参数μ、v为服从正态分布的随机数，μ~N（0，σμ 2），v~ N（0，σv 2），标准差σμ、σv的取值满足下式：
。
6.根据权利要求5所述的一种改进量子粒子群的地下水监测网络优化方法，其特征在于：所述步骤S1是通过野外现场调查或动态监测的手段中获取待研究区域的地下水环境状况信息。
7.根据权利要求6所述的一种改进量子粒子群的地下水监测网络优化方法，其特征在于：所述步骤S2中利用支持向量机方法对待研究区域的地下水水质进行评价；在R语言环境下使用随机森林方法优选地下水监测指标。
8.根据权利要求7所述的一种改进量子粒子群的地下水监测网络优化方法，其特征在于：还包括步骤S7：根据所述输出模型的最优解，确定地下水监测网络中布设监测井的数量和位置，实施布设。
CN202410047147.XA 2024-01-12 2024-01-12 一种改进量子粒子群的地下水监测网络优化方法 Active CN117574779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410047147.XA CN117574779B (zh) 2024-01-12 2024-01-12 一种改进量子粒子群的地下水监测网络优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410047147.XA CN117574779B (zh) 2024-01-12 2024-01-12 一种改进量子粒子群的地下水监测网络优化方法

Publications (2)

Publication Number Publication Date
CN117574779A true CN117574779A (zh) 2024-02-20
CN117574779B CN117574779B (zh) 2024-03-26

Family

ID=89884757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410047147.XA Active CN117574779B (zh) 2024-01-12 2024-01-12 一种改进量子粒子群的地下水监测网络优化方法

Country Status (1)

Country Link
CN (1) CN117574779B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118586955A (zh) * 2024-05-21 2024-09-03 中电(甘肃)能源投资有限公司 一种电力营销风险预测优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647726A (zh) * 2012-02-17 2012-08-22 无锡英臻科技有限公司 一种无线传感器网络覆盖能耗平衡优化策略
CN103064059A (zh) * 2012-12-24 2013-04-24 天津工业大学 一种无线传感器网络声源定位方法
CN105514997A (zh) * 2016-01-12 2016-04-20 浙江工业大学 计及分布式电源的电能质量监测点配置方法
CN111667116A (zh) * 2020-06-08 2020-09-15 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种地下水污染源辨识方法及系统
CN112329359A (zh) * 2020-11-12 2021-02-05 天津工业大学 一种明冰条件下风力机翼型气动性能的神经网络预测方法
CN113607415A (zh) * 2021-06-25 2021-11-05 宝鸡文理学院 一种变转速下基于短时随机共振的轴承故障诊断方法
CN115759581A (zh) * 2022-11-01 2023-03-07 中国空间技术研究院 多敏捷卫星观测密集群目标的规划方法、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647726A (zh) * 2012-02-17 2012-08-22 无锡英臻科技有限公司 一种无线传感器网络覆盖能耗平衡优化策略
CN103064059A (zh) * 2012-12-24 2013-04-24 天津工业大学 一种无线传感器网络声源定位方法
CN105514997A (zh) * 2016-01-12 2016-04-20 浙江工业大学 计及分布式电源的电能质量监测点配置方法
CN111667116A (zh) * 2020-06-08 2020-09-15 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种地下水污染源辨识方法及系统
CN112329359A (zh) * 2020-11-12 2021-02-05 天津工业大学 一种明冰条件下风力机翼型气动性能的神经网络预测方法
CN113607415A (zh) * 2021-06-25 2021-11-05 宝鸡文理学院 一种变转速下基于短时随机共振的轴承故障诊断方法
CN115759581A (zh) * 2022-11-01 2023-03-07 中国空间技术研究院 多敏捷卫星观测密集群目标的规划方法、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谷志琪等: "《长白山源头区地下水质量评价及水源保障监测指标优化研究》", 《中国环境科学》, 24 May 2023 (2023-05-24) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118586955A (zh) * 2024-05-21 2024-09-03 中电(甘肃)能源投资有限公司 一种电力营销风险预测优化方法

Also Published As

Publication number Publication date
CN117574779B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN117574779B (zh) 一种改进量子粒子群的地下水监测网络优化方法
US11748628B2 (en) Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and NSGA-II algorithm
CN110363344B (zh) 基于miv-gp算法优化bp神经网络的概率积分参数预测方法
Zhang et al. Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning
CN103426027B (zh) 一种基于遗传神经网络模型的正常蓄水位智能优选方法
CN110555548B (zh) 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法
CN115525038A (zh) 一种基于联邦分层优化学习的设备故障诊断方法
CN108156617A (zh) 一种雾无线接入网中基于图论的协作缓存方法
CN116319377B (zh) 一种抵御网络攻击的配电网分布式动态状态估计方法
Zhang et al. Short‐term load forecasting based on wavelet neural network with adaptive mutation bat optimization algorithm
CN106951615B (zh) 基于密母算法的电力运输网络拓扑结构设计方法
Hong et al. Optimization of cluster resource indexing of Internet of Things based on improved ant colony algorithm
CN105426959B (zh) 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法
CN113992770A (zh) 雾无线接入网中基于策略的联邦强化学习的协作缓存方法
CN111900720B (zh) 一种基于双层网页排序算法的输电网脆弱线路辨识方法
CN111340291B (zh) 一种基于云计算技术的中长期电力负荷组合预测系统及方法
CN118040640A (zh) 考虑梯级水电上下游关联与贫资料的小水力发电预测方法
CN116822742A (zh) 一种基于动态分解-重构集成处理的电力负荷预测方法
Wang et al. Research on transformer fault diagnosis based on GWO-RF algorithm
CN111756819A (zh) 基于改进免疫遗传的物联网资源调度优化运行方法
Xu et al. Application of hybrid genetic algorithm based on simulated annealing in function optimization
CN105426960A (zh) 基于bp神经网络与mbfo算法的铝电解节能减排控制方法
CN114139957B (zh) 一种基于XGBoost算法的农村台区电压和线损影响的评估方法
CN116708205A (zh) 基于节点拓扑特征和互信息的链路预测方法
Wei et al. A two-stage diversity enhancement differential evolution algorithm for multi-objective optimization problem

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant