基于改进萤火虫群算法的大气污染源自动定位方法研究

关键词：改进萤火虫群算法；大气污染源；污染监测点；目标函数；自动定位方法

中图分类号：X830.2 文献标志码：B

前言

大气污染是环境污染中的重要方面。工厂生产排放的废气、街上汽车行驶排放的尾气、冬季取暖燃烧煤炭产生的气体等都是造成大气污染主要根源。空气污染还对人们出行造成极大影响，空气污染中雾霾会降低能见度，导致交通事故频发。在此背景下，相关环保部门或机构提出很多治理措施，但是大多数都是治标不治本，因此经过长时间的调查研究，在治理前准确定位出大气污染源是必要的。由于大气污染具有随机扩散性，通过传统人工污染源定位十分困难，需要花费大量的时间和精力，因此研究一种自动化定位技术具有重要的现实意义。

在上述背景下，关于污染源定位的研究有很多，例如宿兵畅、张亚娟、张素琪筛选出活跃监测点，构建社区网络，并用ILPA算法计算节点度中心度等，据此定位污染源坐标。陈一村、蔡浩、陈志龙等人提出基于改进PSO算法的定位法，用移动机器人采集污染参数，通过CFD模拟浓度变化，最终用改进PSO算法定位。

虽然前人研究均取得了研究成果，但是均停留在发现污染区域的层面，污染源定位准确性还有待提高。为此，研究一种基于改进萤火虫群算法的大气污染源自动定位方法。通过该研究以期提高定位准确性，为污染治理工作提供更加可靠的数据。

以某区域为例，利用所研究方法对该区域内大气污染源进行定位测试，研究区如图1所示。

为了实现该区域大气污染有效治理，进行大气污染源自动定位是十分必要的。在该区域上模拟投放5个不同强度大气污染源，作为已知的实际大气污染源位置。

改进萤火虫群算法（IFA，Improved Firefly Algo-rithm）在优化求解污染源定位参数过程中，通过以下步骤细化实例测试过程。

2.1.1算法改进

初始化：改进萤火虫群算法的初始化过程。

亮度更新：调整萤火虫亮度的计算方式，使其更准确地反映搜索空间中的优劣解。

移动规则：优化萤火虫之间的吸引力和移动规则。

局部搜索：引入局部搜索策略，以提高解的质量。

2.1.2实例测试准备

测试数据集：准备包含多个污染源定位实例的测试数据集，每个实例包含观测到的污染物浓度数据。

算法参数设置：根据经验或实验调整改进萤火虫群算法的参数。

2.1.3实例测试过程

数据预处理：对测试数据集中的每个实例进行预处理。

算法执行：对每个实例应用改进后的萤火虫群算法，记录算法的运行过程和结果。

结果评估：根据目标函数评估每个实例的求解结果等。

2.2大气污染监测点

按照1 km×1km的尺寸划分研究区，得到研究区网格模型并进行网格对角线交叉，交叉中心点作为一个候选监测点。

根据监测结果计算各个候选监测点的空气污染指数以及平均值，以此为基础筛选监测点，结果见表1。

从表1看出，8个候选监测点的空气污染指数大于平均值，分别为监测点2、5、8、9、10、11、13、14，将这8个监测点作为筛选结果。

2.3改进萤火虫群算法参数设置

改进萤火虫群算法的相关参数设置具体为：

种群规模：设置为42。

邻域变化率：设置为2。

荧光素挥发因子：设置为0.6。

决策半径：设定为0.5。

初始荧光素浓度：设为2.0。

信息素增强因子：设置为0.05。

感知半径：设定为1.0。

邻域阈值：设为0.7。

最大迭代次数：设定为500。

2.4污染源定位结果

利用改进萤火虫群算法对大气污染源参数反演的目标函数进行优化求解。求解的最优解见表2。

采用ILPA算法和改进PSO算法进行定位。通过定位结果与真实污染源坐标的偏离度来评估准确性。公式为式（13）：

从图2看出，与基于ILPA算法的定位方法、基改进PSO算法的定位方法相比，所研究方法应用下，偏离度值更小，说明该方法的定位结果更接近真实结果，证明方法的定位准确性。

3结束语

综上所述，面对大气污染的不确定性，传统的污染治理方法往往难以根治，且难以取得预期的效果。为此，研究提出了一种基于改进萤火虫群算法的大气污染源自动定位方法。该方法通过结合污染浓度的监测与预测，构建了反演目标函数，从而将定位参数的求取转化为目标函数的求解问题。通过实例测试，证明了文章眼界的方法在定位准确性上的有效性。与三种其他方法相比，文章所研究的方法在偏离度上表现出明显优势，证实了在实际应用中的潜力。文章研究基于改进萤火虫群算法的大气污染源自动定位方法不仅为大气污染治理提供了新的思路，也为环境保护领域提供了新的技术手段，有助于实现更加精准和高效的大气污染控制。