沈澤亞,郎建壘,程水源,毛書帥,崔繼憲

典型耦合優(yōu)化算法在源項反演中的對比研究

沈澤亞,郎建壘,程水源*,毛書帥,崔繼憲

(北京工業(yè)大學,區(qū)域大氣復合污染防治北京市重點實驗室,北京 100124)

突發(fā)大氣污染事故中,污染源的快速、準確確定是應急處置的基礎.為研究有效的源項評估方法,本文基于美國草原外場SO2釋放實驗,利用GA-PSO、GA-NM、PSO-NM 3種耦合算法,分別與高斯點源煙羽擴散模型結合,對源強和位置等污染源參數(shù)進行反演與對比,并從算法結構與大氣擴散條件方面進行反演效果差異分析.結果表明,從源強反演角度看,PSO-NM反演結果的準確性最高、穩(wěn)定性最強,平均誤差(11.3%)與平均標準偏差(0.7g/s)明顯低于GA-NM(16.4%、13.3g/s)與GA-PSO(29.0%、26.6g/s).從位置反演角度看,PSO-NM的反演結果最為穩(wěn)定,反演的平均標準偏差(0.29m)明顯低于GA-NM(3.20m)與GA-PSO(3.03m)算法;在不穩(wěn)定和中性擴散條件下,PSO-NM算法的位置反演準確性最高,誤差為4.97m;但在穩(wěn)定擴散條件下,GA-NM的位置反演誤差(7.69m)最小.從反演效率角度看,PSO-NM與GA-NM反演時間最短,更適用于污染源的快速確定.

耦合算法；4維源參數(shù)；高斯點源煙羽擴散模型；源項反演；突發(fā)大氣污染事故

突發(fā)大氣污染事故具有發(fā)生突然、形式多樣、危害嚴重的特點[1], 快速、準確確定事故源的排放信息(源強、位置等)是準確、快速應急預警的前提.與常規(guī)大氣污染源相比,突發(fā)大氣污染事故源強、位置等信息不確定性很大,很難直接獲取,基于監(jiān)測數(shù)據(jù)的優(yōu)化反演是獲得源參數(shù)的重要途徑.目前一些學者已經(jīng)開展了源反演技術方面的研究.Keats等[2]和Senocak等[3]運用馬爾科夫鏈-蒙特卡洛抽樣的貝葉斯推理方法對泄漏源進行了反算.Akcelik等[4]根據(jù)擴散方程建立了源強直接優(yōu)化求解的方法,但是這種方法對初值依賴性較大.張建文等[5]基于虛擬案例發(fā)現(xiàn),混合遺傳-Nelder Mead 單純形耦合算法對源參數(shù)(,,)反算效果優(yōu)于單一的遺傳和單純形算法.Ma等[6]發(fā)現(xiàn)吉洪諾夫與粒子群耦合算法潛在危險氣體源參數(shù)反演的方法,但目前尚不能投入使用.Thomson等[7]發(fā)現(xiàn)模擬退火算法和隨機搜索算法對源強反算具有良好的魯棒性.蘇芳等[8]利用拉格朗日逆向軌跡反演模式對甲烷排放清單進行反算,發(fā)現(xiàn)其不確定性(20~100%)較為可信.李航等[9]利用逆推算法對日本福島核事故源強進行了反算,發(fā)現(xiàn)該計算方法對于緊急條件下無法對事故源強進行近距離評估的情況具有優(yōu)越性和參考性.呂兆豐等[10]利用地面濃度反推法對某煉油廠VOCs源強進行反算,得出的年排放量結果(2201.6±1011.9t/a)偏低.可見,大部分的研究針對某種算法(如PSO、SA等)對某些參數(shù)(如源強或地面位置等)的反演開展了分析,但缺乏不同反演技術對源排放參數(shù)反演性能的系統(tǒng)研究對比.

本文在前期系統(tǒng)調(diào)研基礎上,篩選出了3種典型的、先進的智能優(yōu)化耦合算法(GA-PSO、GA- NM、PSO-NM)對四維源參數(shù)(0,0,0,0)進行了反演研究,并從準確性、穩(wěn)定性、時效性等方面進行了系統(tǒng)對比分析.本文目的在于,通過對典型耦合優(yōu)化算法反演多維源參數(shù)的系統(tǒng)對比研究,從算法結構和大氣擴散條件角度進行反演結果差異分析,篩選出適用于突發(fā)大氣污染事故的快速、準確的溯源方法,為源項信息的快速確定與突發(fā)大氣污染事故的合理應對提供思路和技術支持.

1 材料3和方法

1.1 算法介紹

1.1.1 基本算法介紹 選取遺傳算法、粒子群算法和單純形算法3種基本尋優(yōu)算法,開展兩兩耦合算法對比研究.標準遺傳算法(GA)是模擬自然界生物進化過程的計算模型[11],經(jīng)過選擇、交叉和變異3種基本遺傳操作,逼近問題最優(yōu)解.標準粒子群算法(PSO)的思想源于自然界鳥群捕食和魚群捕食的過程,通過群體協(xié)作找到問題的全局最優(yōu)解[12].標準單純形算法(NM)是應用規(guī)則或不規(guī)則的幾何圖形,通過反射、擴張、壓縮、及整體收縮操作不斷構成新的單純形,最后逼近最優(yōu)解[13].

1.1.2 遺傳與粒子群算法耦合(GA-PSO) 以PSO算法為主體,引入遺傳算法中的選擇、交叉、變異基本操作,構成新的GA-PSO算法[14].耦合算法中3種遺傳操作均用實值編碼,滿足判定條件或達到最大迭代數(shù)后輸出最優(yōu)解.已有研究表明[15-16],GA-PSO耦合算法尋優(yōu)效果均優(yōu)于GA和PSO算法.因此本文選用GA-PSO耦合算法在源項反演中開展對比研究.

1.1.3 遺傳與單純形算法耦合(GA-NM) 以GA算法為主體,采用群體分類的方式構建GA-NM耦合算法[17].將群體分為3類,最優(yōu)群體、最差群體和普通群體,最優(yōu)群體運行NM算法,最差群體執(zhí)行重組交叉操作,普通群體執(zhí)行遺傳操作.已有研究[18-19]表明,耦合算法GA-NM的尋優(yōu)效果均優(yōu)于GA和NM算法.因此本文選用GA-NM耦合算法在源項反演中開展對比研究.

1.1.4 粒子群與單純形算法耦合(PSO-NM) 以PSO算法為主體,引入NM 算法構成PSO-NM耦合算法[20].在PSO算法執(zhí)行達到一定迭代數(shù)后,再執(zhí)行NM算法尋優(yōu),直到滿足收斂條件.已有研究[21-22]表明,PSO-NM算法在計算均值與成功率等方面較PSO和NM算法更有優(yōu)勢.因此本文選用 PSO-NM耦合算法在源強反演中開展對比研究.

1.2 反算模型的構建

1.2.1 高斯模型 在連續(xù)氣相泄漏的源強反算模型中,正向采用高斯煙羽擴散模型[23]來模擬連續(xù)氣相泄漏源的擴散濃度,在高斯模型中,以風向為軸,側風向為軸建立坐標系,高斯模型的表達式如下:

式中:(,,)為監(jiān)測點在(,,)位置處的污染物濃度,g/m3;為平均風速,m/s;為水平擴散參數(shù),m;為垂直擴散參數(shù),m;為釋放源強,g/s;為釋放源點的縱坐標,m;為釋放源點的距地面垂直高度,m.

式中:y、z分別表示第個監(jiān)測點的坐標和采樣高度,m.0反演源的源強,g/s.0、0、0分別為反演源的位置坐標,m.將(3)式作為耦合優(yōu)化算法中的適應度函數(shù),進行尋優(yōu)求解.

通過編程計算,將(3)式作為耦合優(yōu)化算法的適應度函數(shù),最大迭代次數(shù)設為1000次,運行過程中判定是否滿足收斂條件,滿足則運行結束,輸出結果,否則算法繼續(xù)迭代優(yōu)化,直至滿足收斂條件. Zhang等[24]研究表明,啟發(fā)式優(yōu)化算法在尋優(yōu)過程中容易受到初始值的影響,可通過增加運行次數(shù)的方式有效降低其影響.Cantelli等[25]和Cervone等[26]研究中應用遺傳算法尋優(yōu)的運行次數(shù)為30、300次,本研究運行次數(shù)為3000次,并保證在同一運算環(huán)境下開展源項反算研究.

1.3 經(jīng)典實驗介紹

1956年夏季,在美國內(nèi)布拉斯加州中北部奧尼爾鎮(zhèn)(北緯40°29.6’,西經(jīng)98°34.3’)開展了草原SO2氣體釋放外場實驗[27],實驗場地海拔高度約600m,地處奧尼爾鎮(zhèn)北部,距離鎮(zhèn)中心約8000m.試驗場地屬于近水平高地,為草原地形,地勢平坦.實驗涉及多種大氣擴散條件,采用Pasquill分類方法,總體上大致可分為不穩(wěn)定、中性和穩(wěn)定3種條件.不穩(wěn)定條件下的實驗在白天開展,由于晚上沒有陽光,大氣擴散相對穩(wěn)定,故大部分中性和穩(wěn)定條件的實驗在傍晚或者夜間開展.實驗以釋放源點為中心,分別以50、100、200和400m為半徑,由西向東、順時針、半圓弧布設監(jiān)測點,相鄰監(jiān)測點的間隔為2°,每一圓弧布點編號為1~91#,源正西方向監(jiān)測點編號為1#,正東方向為91#,布點簡圖如圖1所示.監(jiān)測點高度距地面1.5m.

圖1 經(jīng)典實驗布點方式

表1 實驗開展條件及擴散參數(shù)

注:Δ=-0,即采樣點位置的橫坐標與反演源橫坐標之差.

本文在不穩(wěn)定、中性和穩(wěn)定3種大氣擴散條件下各選取3次實驗開展源項反演研究,實驗編號記為US1、US2、US3、NS1、NS2、NS3、S1、S2、S3.釋放源高度均為0.46m,其他實驗參數(shù)及σ和σ擴散參數(shù)[28]見表1,其中有效監(jiān)測點個數(shù)為實際能夠監(jiān)測到SO2濃度的所有點位個數(shù).本文以釋放源為坐標原點,風向為軸,風向逆時針旋轉90°為軸,高度為軸建立坐標系,利用高斯擴散模型模擬下風向各監(jiān)測點濃度.本研究真實源強記為,坐標記為、、,其中=0m、=0m、=0.46m,對應的反演源的源強和位置坐標記為0,0,0,0.

2 結果與討論

2.1 正向擴散模擬評估

高斯擴散模型模擬結果如圖2所示,9次實驗的模擬值與監(jiān)測值均有較好的相關性,均達到0.9以上,利用高斯點源煙羽擴散模型的模擬結果與監(jiān)測結果的相關系數(shù)均大于0.9;從統(tǒng)計學的角度分析,模擬結果與監(jiān)測結果兩組數(shù)據(jù)的值明顯小于0.05,相關關系十分顯著,同時證明了值是可信的.但是模擬結果與監(jiān)測結果仍存在一定的誤差,其不確定性主要來源于兩方面:一是SO2濃度的監(jiān)測存在不可避免的誤差,二是由于高斯模型本身的限制,模擬時未考慮地形及氣象條件的影響.因此,在不同的穩(wěn)定條件下,高斯點源煙羽擴散模型均適用于點源擴散模擬,驗證了擴散系數(shù)σ、σ(表1)對本實驗模擬是適用的,同時高斯點源煙羽擴散模型及9次實驗均為源強反演中目標函數(shù)的構建提供良好的支撐.

2.2 反向反算結果

根據(jù)已有研究成果[29],不同的監(jiān)測點數(shù)量對源強反演效果存在一定影響,發(fā)現(xiàn)增加監(jiān)測點數(shù)可以減小反演結果的誤差,但增加到25個監(jiān)測點時,再增加監(jiān)測點數(shù)量,反演結果幾乎無變化.因此,本文為了減小源強反算的誤差,按照監(jiān)測值與模擬值誤差的絕對值小于0.005g/m3的原則選取監(jiān)測點,進行源參數(shù)反算.

圖3 不同算法的反演結果比較

2.3 反算結果分析

2.3.1 源強反算結果分析 圖3a顯示,綜合分析9次實驗的源強反演結果發(fā)現(xiàn),PSO-NM算法的反演結果與真值最為接近,準確性更高,平均誤差為11.3%;GA-NM算法的反演準確性次之,平均誤差為16.4%;GA-PSO算法的反演準確性最差,平均誤差為29.0%.在不穩(wěn)定條件和中性條件下,3種算法的反演準確性與9次綜合反演結果類似,均為PSO-NM最高(9.5%)、GA-NM次之(22.3%)、GA-PSO最低(32.9%).而在穩(wěn)定條件下(S1、S2、S3)不同,GA-NM算法的準確性最高,平均誤差為4.6%;PSO-NM算法次之,平均誤差為15.0%;GA- PSO算法最差,平均誤差為21.2%.因此,從源強反演的準確性角度分析,在大氣擴散條件為不穩(wěn)定和中性下,優(yōu)先考慮使用PSO-NM算法;大氣擴散穩(wěn)定條件下,優(yōu)先考慮選用GA-NM算法開展源強反算研究.

從源強反演結果的穩(wěn)定性來看,在9次實驗與各大氣擴散條件(不穩(wěn)定、中性、穩(wěn)定)下,PSO-NM算法源強反演結果的標準偏差為0.0~2.2g/s,平均標準偏差為0.7g/s;GA-NM算法源強反演結果的標準偏差為8.8~18.5g/s,平均標準偏差為13.3g/s;GA- PSO的源強反演結果的標準偏差為22.3~32.9g/s,平均標準偏差為26.6g/s.通過對比分析可以發(fā)現(xiàn),PSO-NM源強反演的標準偏差范圍與平均標準偏差均明顯低于GA-NM與GA-PSO,穩(wěn)定性最強.因此,從算法穩(wěn)定性來看,不同大氣擴散條件下PSO-NM算法的反演結果最為穩(wěn)定,建議在源強反算研究中優(yōu)先選用.

2.3.2 位置反算結果分析 圖3b-e給出了坐標及距離反算的均值及標準偏差結果,圖4給出了不同算法坐標反演及距離計算誤差的結果.從反演源與真實源之間的距離考慮,如圖4a,在大氣擴散不穩(wěn)定(US1、US2、US3)和中性(NS1、NS2、NS3)條件下,從算法反演準確性角度看,PSO-NM算法反演結果的平均誤差(4.97m)最小,GA-PSO(8.41m)次之, GA-NM(8.49m)最大,表明PSO-NM 算法的反演源與真實源的距離最小,更加接近真實源排放位置,在距離反算中優(yōu)先選用PSO-NM算法.而在穩(wěn)定條件(S1、S2、S3)下,GA-NM算法的平均誤差(7.69m)最小,GA-PSO(8.15m)次之,PSO-NM算法(10.98m)最差,因此應優(yōu)先考慮使用GA-NM算法在穩(wěn)定條件下的距離反演.圖4c~d的結果表明,從對0和0坐標的反演結果來看,結果與0相似.9次實驗中, PSO-NM算法反算的平均誤差(1.21m)普遍小于其他兩種算法(4.54、4.7m),表明在3種大氣擴散條件下,PSO-NM算法對0和0反演時的準確度普遍較高,此時優(yōu)先使用PSO-NM算法.圖4a顯示,從0坐標反演的準確性角度考慮,不穩(wěn)定條件下,PSO-NM算法的反算的平均誤差(2.98m)小于其他兩種算法(5.29、5.15m),證明當大氣處于不穩(wěn)定擴散條件下時, PSO-NM算法的準確性最高,應優(yōu)先使用PSO-NM算法開展源反算研究;而在大氣擴散條件為中性和穩(wěn)定時,GA-PSO算法反演結果的平均誤差(4.93m)與GA-NM算法(4.99m)接近,且明顯低于PSO-NM算法(8.45m),此時應優(yōu)先考慮選用GA-PSO算法或者GA-NM算法.

從圖3b~e中可以看出,9次實驗中,在對不同位置參數(shù)(0、0、0、0)進行反算時,PSO-NM算法的標準偏差均最小.反演結果中,PSO-NM算法對位置反演的標準偏差范圍及平均標準偏差均最低,分別為0.11~0.54m、0.29m;GA-NM算法(2.93~4.75m、3.20m)與GA-PSO算法(2.95~4.33m、3.03m)則相差不大.因此,從算法的穩(wěn)定性角度考慮,3種大氣擴散條件下,PSO-NM算法對位置參數(shù)反演最為穩(wěn)定,與只考慮源強反算時的結果保持一致.

圖4 不同算法坐標反演及距離計算誤差結果

2.3.3 反算時間結果分析 圖3f給出了反算時間結果,整體上來看,PSO-NM算法的平均反算時間(1.65s)與GA-NM算法(1.57s)接近,且明顯快于GA-PSO算法(12.46s),這可能與算法本身固有的結構有關.圖3f顯示,在PSO-NM算法與GA-NM算法在不同大氣擴散條件下的時間變化趨勢大致相同,GA-NM算法略快于PSO-NM,且兩者的反演時間不超過7s,且在大氣擴散中性和穩(wěn)定條件下,兩種算法反演時間在1s左右.而GA-PSO算法的反算時間范圍為10s~17s,且只有在穩(wěn)定條件下對源參數(shù)進行反算時,3種算法的反演時間變化不大.綜上所述,在反演時間方面,GA-NM的用時最短,效率最高,可應用于快速應急處置.

2.3.4 算法結構分析 首先圖3a~d顯示,整體上PSO-NM算法對源參數(shù)(0、0、0、0)反演的準確性要高于其他算法,與算法本身結構有直接關系.標準GA和PSO算法局部收斂性能較差,更有利于全局收斂.同時GA算法采用二進制編碼,并以概率的方式進行3種基本遺傳操作(選擇、交叉、變異),導致準確度較差.相反PSO算法,以既定的規(guī)則尋求最優(yōu)解,并賦予記憶功能,使得尋優(yōu)過程中范圍不斷縮小,從而逼近最優(yōu)解,因此其準確性高于GA算法.不同的是,NM算法收斂速度快,穩(wěn)定性強,多次尋優(yōu)不會出現(xiàn)很大的偏差,其最大的局限性是受局部最優(yōu)值數(shù)量的影響較大,容易導致局部收斂,準確度難以保證.圖3f中GA-NM和PSO-NM算法的運行時間明顯快于GA-PSO算法,這是由于GA和PSO算法均不能快速局部收斂,故需要消耗更多的時間尋優(yōu).其次,從反算的穩(wěn)定性角度來看,PSO-NM算法的穩(wěn)定性最高.這可能是因為相對于以概率方式尋優(yōu)的GA算法,以既定規(guī)則尋優(yōu)的PSO算法在進行多次反算時,穩(wěn)定性要高于GA算法.因此,PSO-NM耦合算法的穩(wěn)定性能優(yōu)于其他兩種耦合算法.

從初值產(chǎn)生方式看,PSO-NM算法加入了單純形算法,對初值做了優(yōu)化,而GA-NM和GA-PSO算法以隨機的方式產(chǎn)生初值,具有很大的不確定性.從內(nèi)部耦合結構看,PSO-NM算法是先利用PSO算法進行尋優(yōu),到一定的迭代數(shù)后,采用單純形法加速收斂,既能節(jié)省時間又可提高準確率.GA-NM算法采用群體分類的方式進行耦合,運行過程中最優(yōu)群體中的個體不易與其他群體中的個體發(fā)生重組,導致局部收斂.GA-PSO算是在PSO算法中引入了基本遺傳操作,計算量增大,耗時長且不易于局部收斂.從算法本質出發(fā),綜合準確性、穩(wěn)定性及運行時間因素,PSO-NM算法對源項參數(shù)反演效果整體上優(yōu)于其他兩種算法的結果是科學、合理的.

2.3.5 大氣擴散條件分析 圖3a中,GA-NM算法和GA-PSO算法對源位置反演時,不同穩(wěn)定度下反演誤差整體上變化不是很明顯,因此2種算法在對位置反演時受穩(wěn)定度影響不大.以PSO-NM算法對源強0反演為例,不穩(wěn)定條件下的誤差最小(8.2%),中性條件下次之(10.9%)、不穩(wěn)定條件下誤差最大(15.0%).在不穩(wěn)定條件下,從表1中可以看出,有效監(jiān)測點位數(shù)量最多,平均160個左右,這可能是由于實驗在白天開展時受到太陽輻射的影響,風向風速變化較為明顯,導致污染物擴散煙羽的覆蓋范圍變大[26],而在穩(wěn)定條件下時,有效監(jiān)測點位數(shù)量明顯變少,平均76個左右,這可能是由于實驗在夜間開展,風向風速較為穩(wěn)定,污染物擴散煙羽的覆蓋范圍較小.因此按照2.2節(jié)中的條件篩選用于反算的監(jiān)測點時,雖然數(shù)據(jù)量相差不大,但選取的監(jiān)測點范圍卻存在差異,不穩(wěn)定條件選取的監(jiān)測點數(shù)據(jù)覆蓋范圍最大、中性條件次之、穩(wěn)定條件最小.因此,PSO-NM算法在對源強反算時也可能受到不同大氣擴散條件的影響.圖3a中顯示, PSO-NM算法在不穩(wěn)定條件、中性條件和穩(wěn)定條件下的標準偏差分別為0.3,1.4,0.6g/s; GA-NM算法為17.9,12.0,10.1g/s;GA-PSO算法為28.8,25.3,25.7g/s. PSO-NM 和GA-PSO算法的標準偏差變化不大,最大相差3.5g/s.因此PSO-NM和GA-PSO算法受不同大氣擴散條件影響不明顯.隨著大氣擴散條件越穩(wěn)定, GA-NM算法的標準偏差越小,表明GA-NM算法反算的穩(wěn)定性受到不同大氣擴散條件的影響.從時間方面看, PSO-NM算法在不穩(wěn)定條件、中性條件和穩(wěn)定條件下為2.65,1.21, 1.09s;GA-NM算法為3.02,0.84,0.83s;GA-PSO算法為13.29,13.18,10.9s.結果表明大氣擴散條件越穩(wěn)定,算法的反算時間越短.

本文主要從源參數(shù)反演的準確性、穩(wěn)定性和反演時間角度,對比分析了不同耦合優(yōu)化算法的適用性,以為突發(fā)大氣污染事故的快速應急提供技術參考.算法的優(yōu)劣直接影響源強反算效果,在未來的研究中可通過優(yōu)化算法內(nèi)部結構參數(shù),提升其在源項反演中的性能,并基于真實突發(fā)大氣污染事故案例對其驗證.除優(yōu)化算法外,監(jiān)測結果與模型模擬的準確性對反演結果也有較大影響.雖然本研究中高斯模型模擬效果是可接受的,但模擬值與監(jiān)測值仍存在一定的誤差,隨著科技的發(fā)展,通過先進的監(jiān)測手段可減小監(jiān)測誤差,提高監(jiān)測結果的準確性.同時可進一步優(yōu)化模型擴散參數(shù),提升模型模擬性能,進而改善源參數(shù)反演準確性.

3 結論

3.1 從準確性角度來看,PSO-NM算法對0,0,0的反演效果(誤差為11.3%,1.21m)最好,GA-NM和GA-PSO算法對0坐標反演效果普遍較好.這可能與不同的算法結構及大氣擴散條件有關.

3.2 從穩(wěn)定性角度來看,PSO-NM算法對源參數(shù)(0,0,0,0)反演的穩(wěn)定性(標準偏差為0.7g/s,0.29m)最好;GA-NM算法源強反演的穩(wěn)定性優(yōu)于GA-PSO算法,但GA-PSO對位置反演時穩(wěn)定性與GA-NM算法相近.

3.3 從反演時間方面來看,PSO-NM算法(1.65s)與GA-NM算法(1.57s)在源參數(shù)反演過程中用時短,效率高.同時大氣擴散條件越穩(wěn)定,算法的反演時間越快.

[1] 唐仙麗,楊宇靜.論中國突發(fā)性環(huán)境污染事故應急立法的完善[J]. 重慶大學學報(社會科學版), 2005,11(6):114-117. Tang X L, Yang Y J. Improvement of emergency legislation of accidental pollution in China [J]. Journal of ChongQing University (Social Science Edition), 2005,11(6):114-117.

[2] Andrew Keats E Y F L. Bayesian inference for source determination with applications to a complex urban environment [J]. Atmospheric Environment, 2007,41:465-479.

[3] Inanc Senocak N W H M. Stochastic event reconstruction of atmospheric contaminant dispersion using Bayesian inference [J]. Atmospheric Environment, 2008,42(33):7718-7727.

[4] Ak?elik V, Biros G, Ghattas O, et al. A variational finite element method for source inversion for convective–diffusive transport [J]. Finite Elements in Analysis & Design, 2003,39(8):683-705.

[5] 張建文,王煜薇,鄭小平,等.基于混合遺傳-Nelder Mead單純形算法的源強及位置反算[J]. 系統(tǒng)工程理論與實踐, 2011,31(8):1581-1587.Zhang J W, Wang Y W, Zheng X P, et al. Back-calculation of source strength and position by a hybrid genetic-Nelder Mead simplex algorithm [J]. System Engineering-Theory & Practice, 2011,31(8):1581-1587.

[6] Ma D, Tan W, Zhang Z, et al. Parameter identification for continuous point emission source based on Tikhonov regularization method coupled with particle swarm optimization algorithm [J]. Journal of Hazardous Materials, 2017,325:239-250.

[7] Thomson L C, Hirst B, Gibson G, et al. An improved algorithm for locating a gas source using inverse methods [J]. Atmospheric Environment, 2007,41(6):1128-1134.

[8] 蘇 芳,邵 敏,蔡旭輝,等.利用逆向軌跡反演模式估算北京地區(qū)甲烷源強[J]. 環(huán)境科學學報, 2002,22(5):586-591. Su F, Shao M, Cai X H, et al. Estimation of methane emissions in Beijing area using backward trajectory inversion model [J]. Acta Scientiae Circumstantiae, 2002,22(5):586-591.

[9] 李 航,張宏升,蔡旭暉,等.日本福島核電站泄漏事故污染物擴散的數(shù)值模擬與事故釋放源項評估[J]. 安全與環(huán)境學報, 2013,13(5): 265-270. Li H, Zhang H S, Cai X H, et al. Simulation of the pollutant dispersion and evaluation on the source release accidents in Japan's Fukushima Nuclear Power Plant [J]. Journal of Safety and Environment, 2013, 13(5):265-270.

[10] 張美根.多尺度空氣質量模式系統(tǒng)及其驗證II.東亞地區(qū)對流層臭氧及其前體物模擬[J]. 大氣科學, 2005,29(6):84-94.Zhang M G. A multi-scale air quality modeling system and its evaluation II. simulation of tropospheric ozone and its precursors in east asia [J]. Chinese Jo urnal of Atmospheric Sciences, 2005,29(6):84-94.

[11] 唐穗欣.標準遺傳算法的原理及算例[J]. 軟件導刊, 2007,6(1): 99-101. Tang S X. Principle and example of standard genetic algorithm [J]. Software Guide, 2007,6(1):99-101.

[12] 張麗平,俞歡軍,陳德釗,等.粒子群優(yōu)化算法的分析與改進[J]. 信息與控制, 2004,33(5):513-517. Zhang L P, Yu H J, Chen D Z, et al. AnaIysis and improvement of particle swarm optimization algorithm [J]. Information and Control, 2004,33(5):513-517.

[13] 鄭偉博,張紀會.基于Nelder-Mead單純形法的改進量子行為粒子群算法[J]. 復雜系統(tǒng)與復雜性科學, 2016,13(2):97-104.Zheng W B, Zhang J H. A improved quantum behaved particular swarm optimization algorithm using nelder and mead’s simplex algorithm [J]. Complex Systems and Complexity Science, 2016,13(2):97-104.

[14] 潘 勇,郭曉東.一種基于遺傳算法改進的粒子群優(yōu)化算法[J]. 計算機應用與軟件, 2011,28(9):222-224. Pan Y, Guo X D. An improved particle swarm optimisation algorithm based on genetic algorithm [J]. Computer Applications and Software, 2011,28(9):222-224.

[15] 李雅瓊.基于粒子群算法的遺傳算法優(yōu)化研究[J]. 蘭州文理學院學報(自然科學版), 2017,31(1):55-60. Li Y Q. Research of genetic algorithm based on particular swarm optimization [J]. Journal of Lanzhou University of Arts and Science (NaturalSciences), 2017,31(1):55-60.

[16] 鞏永光.粒子群算法與遺傳算法的結合研究[J]. 濟寧學院學報, 2008,29(6):20-22. Gong Y G. The study of PSO with GA [J]. Journal of Jining University, 2008,29(6):20-22.

[17] 肖宏峰,譚冠政.單純形搜索在遺傳算法中的融合研究[J]. 計算機工程與應用, 2008,44(18):30-33.Xiao H F, Tan G Z. Study on fusing simplex search into genetic algorithm [J]. Computer Engineering and Applications, 2008,44(18):30-33.

[18] 杜修力,崔 冬,侯本偉.基于初始種群改進策略的經(jīng)驗遺傳-單純形算法[J]. 北京工業(yè)大學學報, 2014,40(12):1876-1883. Du X L, Cui D, Hou B W. Initial population improvement strategy of empirical genetic-simplex algorithm [J]. Journal of Beijing University of Technology, 2014,40(12):1876-1883.

[19] 何大闊,李延強,王福利.基于單純形算子的混合遺傳算法[J]. 信息與控制, 2001,30(3):276-278.He D K, Li Y Q, Wang F L. Hybrid genetic algorithm based on the operator of pattern search [J]. Information and Control, 2001,30(3):276-278.

[20] 王 芳.粒子群算法的研究[D]. 西南大學, 2006. Wang F. Research on particle swarm algorithm [D]. Southwest University, 2006.

[21] Fan S S, Zahara E. A hybrid simplex search and particle swarm optimization for unconstrained optimization [J]. European Journal of Operational Research, 2007,181(2):527-548.

[22] Vakil Baghmisheh M T, Peimani M, Sadeghi M H, et al. A hybrid particle swarm–Nelder–Mead optimization method for crack detection in cantilever beams [J]. Applied Soft Computing, 2012,12(8):2217-2226.

[23] Ma D, Deng J, Zhang Z. Comparison and improvements of optimization methods for gas emission source identification [J]. Atmospheric Environment, 2013,81:188-198.

[24] Zhang C, Ning J, Lu S, et al. A novel hybrid differential evolution and particle swarm optimization algorithm for unconstrained optimization [J]. Operations Research Letters, 2009,37(2):117-122.

[25] Cantelli A, D'Orta F, Cattini A, et al. Application of genetic algorithm for the simultaneous identification of atmospheric pollution sources [J]. Atmospheric Environment, 2015,115:36-46.

[26] Cervone G, Franzese P. Non-Darwinian evolution for the source detection of atmospheric releases [J]. Atmospheric Environment, 2011, 45(26):4497-4506.

[27] Barad M L. Project prairie grass, a field program in diffusion, [J]. Geophysical Research, 1958,1(59).

[28] Wang Y, Huang L, Huang H, et al. Evaluation of Bayesian source estimation methods with Prairie Grass observations and Gaussian plume model: A comparison of likelihood functions and distance measures [J]. Atmospheric Environment, 2017,152:519-530.

[29] 章 穎,梁漫春,黎 岢,等.基于遺傳-模擬退火算法的源項反演方法研究[J]. 核電子學與探測技術, 2014,34(4):451-455. Zhang Y, Liang M C, Li K, et al. Research of source term inversion based on genetic simulated annealing algorithms [J]. Nuclear Electronics & Detection Technology, 2014,34(4):451-455.

Comparative and study on the application of typical hybrid algorithms in source parameter inversions.

SHEN Ze-ya, LANG Jian-lei, CHENG Shui-yuan*, MAO Shu-shuai, CUI Ji-xian

(Key Laboratory of Beijing on Regional Air Pollution Control, Beijing University of Technology, Beijing 100124, China)., 2019,39(8)：3207~3214

Rapid and accurate estimation of source items was the basis for environment emergency disposal on sudden air pollution accidents. In order to search for effective methods for inversing source parameters, we conducted a comparison study on the performances of three hybrid algorithms (e.g., GA-PSO, GA-NM, PSO-NM) for estimating source parameters (strength and location). Three inversion models were developed by combining GA-PSO, GA-NM, PSO-NM with Gaussian dispersion model, respectively. The study was carried out based upon SO2leakage tests selected from 1956 Prairie Grass emission experiment. The impacts of algorithm structure and atmospheric diffusion conditions on source term inversion were analyzed. Results showed that for source strength, the PSO-NM algorithm performed more accurate and robust, the mean error and mean standard deviation were 11.3% and 0.7g/s, respectively, which were much lower than those of GA-NM (i.e., 16.4%, 13.3g/s) and GA-PSO (i.e., 29.0%, 26.6g/s). As for source location, the performance of PSO-NM was more robust, with average standard deviation of 0.29m, which was also much lower than that of GA-NM (3.20m) and GA-PSO (3.03m). Under the unstable and neutral atmospheric diffusion conditions, the accuracy of PSO-NM algorithm for estimating position parameter was the best, with an error of 4.97m; However, GA-NM method had the minimum error (7.69m) under the stable condition. As for computational efficiency, PSO-NM and GA-PSO spent less time in source item inversion, which were more suitable for inversing source parameters for sudden air pollution.

hybrid algorithm；4-D source parameters；Gauss point source plume diffusion model；source parameter inversion；sudden air pollution accidents

X511

A

1000-6923(2019)08-3207-08

沈澤亞(1994-),男,河北唐山人,北京工業(yè)大學碩士研究生,主要從事突發(fā)大氣污染事故源強估算研究.

2019-01-06

國家重點研發(fā)計劃課題(2017YFC0209901,2017YFC0209905);總理基金項目(DQGG0501,DQGG0509,DQGG0201-02)

* 責任作者, 教授, chengsy@bjut.edu.cn