基于M-ACO算法的空气污染源反演系统的设计与实现

作     者：崔英杰 

作者单位：中国科学院大学(中国科学院沈阳计算技术研究所) 

学位级别：硕士

导师姓名：祁柏林;张镝

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 081202[工学-计算机软件与理论] 

主      题：空气污染 高斯扩散模型 M-ACO算法 污染源反演 

摘      要：近年来,我国经济建设的步伐和工业的建设速度日益加快,随之带来的空气污染问题也愈发严重,工厂等大型固定污染源因超标排放造成的突发性空气污染事故给人民群众的生命和财产带来了巨大的危害。在事故发生后,如何快速准确地反演出污染源是能够有效防止空气污染进一步蔓延的关键。传统的源清单排查法可以通过对污染源清单中的所有可疑污染源逐个进行排查来达到反演污染源的目的,然而这种方法盲目性大,效率和成功率低,并且会耗费大量的人力物力。面对这种现状,本文以改进型蚁群优化(Modified-Ant Colony Optimization,M-ACO)算法为基础设计并实现了一套空气污染源反演系统,用于改善源清单排查法中存在的弊端。其主要工作内容如下:(1)使用点源高斯扩散模型作为污染物的正向扩散模型,并选用平方损失函数作为原型,来建立污染源反演模型,进而将污染源反演的问题转化为全局最优化问题。(2)针对传统的蚁群优化(Ant Colony Optimization,ACO)算法中容易陷入局部极值和迭代初期收敛速度慢的缺点,本文采取了选择淘汰交叉思想避免算法陷入局部极值,并提出了奖惩因子机制加快算法迭代初期的收敛速度,最终将改进后的算法称为M-ACO算法。(3)设计对比实验,分别利用ACO算法和M-ACO算法对污染源反演模型进行求解,得到反演污染源的平面横坐标、纵坐标、源强和高度四个参数结果。通过与真实污染源的这四个参数值进行比较,验证了M-ACO算法在污染源反演方面相较于ACO算法的高效性和准确性;更验证了相较于源清单排查法,使用M-ACO算法极大地减少了人力和物力的消耗。(4)将M-ACO算法和Spring Boot等Web开发技术结合,设计并实现了集登录、监测、反演、管理等功能于一体的空气污染源反演系统,并通过系统测试对系统进行了全面评估。结果表明系统能够满足用户的需求,达到了预期目标。