基于改進螢火蟲群算法的大氣污染源自動定位方法研究

關鍵詞：改進螢火蟲群算法；大氣污染源；污染監測點；目標函數；自動定位方法

中圖分類號：X830.2 文獻標志碼：B

前言

大氣污染是環境污染中的重要方面。工廠生產排放的廢氣、街上汽車行駛排放的尾氣、冬季取暖燃燒煤炭產生的氣體等都是造成大氣污染主要根源。空氣污染還對人們出行造成極大影響，空氣污染中霧霾會降低能見度，導致交通事故頻發。在此背景下，相關環保部門或機構提出很多治理措施，但是大多數都是治標不治本，因此經過長時間的調查研究，在治理前準確定位出大氣污染源是必要的。由于大氣污染具有隨機擴散性，通過傳統人工污染源定位十分困難，需要花費大量的時間和精力，因此研究一種自動化定位技術具有重要的現實意義。

在上述背景下，關于污染源定位的研究有很多，例如宿兵暢、張亞娟、張素琪篩選出活躍監測點，構建社區網絡，并用ILPA算法計算節點度中心度等，據此定位污染源坐標。陳一村、蔡浩、陳志龍等人提出基于改進PSO算法的定位法，用移動機器人采集污染參數，通過CFD模擬濃度變化，最終用改進PSO算法定位。

雖然前人研究均取得了研究成果，但是均停留在發現污染區域的層面，污染源定位準確性還有待提高。為此，研究一種基于改進螢火蟲群算法的大氣污染源自動定位方法。通過該研究以期提高定位準確性，為污染治理工作提供更加可靠的數據。

以某區域為例，利用所研究方法對該區域內大氣污染源進行定位測試，研究區如圖1所示。

為了實現該區域大氣污染有效治理，進行大氣污染源自動定位是十分必要的。在該區域上模擬投放5個不同強度大氣污染源，作為已知的實際大氣污染源位置。

改進螢火蟲群算法（IFA，Improved Firefly Algo-rithm）在優化求解污染源定位參數過程中，通過以下步驟細化實例測試過程。

2.1.1算法改進

初始化：改進螢火蟲群算法的初始化過程。

亮度更新：調整螢火蟲亮度的計算方式，使其更準確地反映搜索空間中的優劣解。

移動規則：優化螢火蟲之間的吸引力和移動規則。

局部搜索：引入局部搜索策略，以提高解的質量。

2.1.2實例測試準備

測試數據集：準備包含多個污染源定位實例的測試數據集，每個實例包含觀測到的污染物濃度數據。

算法參數設置：根據經驗或實驗調整改進螢火蟲群算法的參數。

2.1.3實例測試過程

數據預處理：對測試數據集中的每個實例進行預處理。

算法執行：對每個實例應用改進后的螢火蟲群算法，記錄算法的運行過程和結果。

結果評估：根據目標函數評估每個實例的求解結果等。

2.2大氣污染監測點

按照1 km×1km的尺寸劃分研究區，得到研究區網格模型并進行網格對角線交叉，交叉中心點作為一個候選監測點。

根據監測結果計算各個候選監測點的空氣污染指數以及平均值，以此為基礎篩選監測點，結果見表1。

從表1看出，8個候選監測點的空氣污染指數大于平均值，分別為監測點2、5、8、9、10、11、13、14，將這8個監測點作為篩選結果。

2.3改進螢火蟲群算法參數設置

改進螢火蟲群算法的相關參數設置具體為：

種群規模：設置為42。

鄰域變化率：設置為2。

熒光素揮發因子：設置為0.6。

決策半徑：設定為0.5。

初始熒光素濃度：設為2.0。

信息素增強因子：設置為0.05。

感知半徑：設定為1.0。

鄰域閾值：設為0.7。

最大迭代次數：設定為500。

2.4污染源定位結果

利用改進螢火蟲群算法對大氣污染源參數反演的目標函數進行優化求解。求解的最優解見表2。

采用ILPA算法和改進PSO算法進行定位。通過定位結果與真實污染源坐標的偏離度來評估準確性。公式為式（13）：

從圖2看出，與基于ILPA算法的定位方法、基改進PSO算法的定位方法相比，所研究方法應用下，偏離度值更小，說明該方法的定位結果更接近真實結果，證明方法的定位準確性。

3結束語

綜上所述，面對大氣污染的不確定性，傳統的污染治理方法往往難以根治，且難以取得預期的效果。為此，研究提出了一種基于改進螢火蟲群算法的大氣污染源自動定位方法。該方法通過結合污染濃度的監測與預測，構建了反演目標函數，從而將定位參數的求取轉化為目標函數的求解問題。通過實例測試，證明了文章眼界的方法在定位準確性上的有效性。與三種其他方法相比，文章所研究的方法在偏離度上表現出明顯優勢，證實了在實際應用中的潛力。文章研究基于改進螢火蟲群算法的大氣污染源自動定位方法不僅為大氣污染治理提供了新的思路，也為環境保護領域提供了新的技術手段，有助于實現更加精準和高效的大氣污染控制。