多目标遗传算法的改进及其在地下水污染修复管理中的应用

发布时间：2018-03-26 22:04

  本文选题：混合多目标算法　切入点：地下水污染修复　出处：《南京大学》2017年硕士论文

【摘要】：多目标遗传算法广泛应用于地下水污染修复管理模型中,但是其对于解决实际的优化问题不能保证收敛到真实的Pareto最优解。为了提高多目标遗传算法Pareto解的局部最优性,本文将快速非支配遗传算法(Nondominated Sorting Genetic Algorithm Ⅱ,NSGAⅡ)与一种迭代式的局部搜索算法(Hill Climber with Step,HCS)相结合,开发了一种新的混合多目标遗传算法NSGAⅡ-HCS。基于邻域方向搜索的局部优化方法提升了多目标遗传算法的搜索能力,通过标准函数的测试表明,与传统的多目标遗传算法NSGAⅡ相比,NSGAⅡ-HCS在保证解多样性的前提下,能使解接近或收敛到真实的Pareto最优解锋面。然后,将NSGAⅡ-HCS与地下水流模拟软件MODFLOW和溶质运移模拟软件MT3DMS相耦合,并应用到理想算例和实际算例的地下水污染修复管理模型中,结果分析表明该方法可为地下水污染治理提供多样的和收敛的Pareto管理策略,是一种稳定可靠的多目标优化方法。DNAPLs污染物在地下水系统中具有高界面张力与低溶解性,致使传统的地下水污染修复方法(Pumping and Treating,PAT)效率低。表面活性剂强化含水层修复技术(Surfactant Enhanced Aquifer Remediation,SEAR)可以有效治理地下水系统中的DNAPLs污染物。但是,嵌入式模拟-优化方法要求重复运行多相流模拟模型而保证优化过程中状态变量的精度。由此导致了庞大的计算负担,限制了多目标遗传算法应用到SEAR过程。本文基于kriging方法建立表面活性剂强化修复DNAPL污染含水层的替代模型,与混合多目标算法耦合,实现修复成本最小化和治理效率最大化的多目标优化。然后,以三维非均质承压含水层中PCE污染物的运移与修复过程为例,采用UTCHEM程序模拟表面活性剂强化修复含水层过程。将kriging替代模型与多相流模型的输出结果进行对比,两种模型得到的含水层中PCE去除效率的平均相对拟合误差为0.80%,相关系数为0.9992,表明kriging模型可以有效替代多相流模型。进一步将替代模型的Pareto最优解与相应的多相流模型的模拟值进行比较,得到两种模型的平均相对拟合误差仅为0.70%,相关系数达0.9998,表明在多目标优化的迭代求解过程中可以直接调用kriging替代模型。而无须重复调用多相流模型的大负荷运算,从而为制定表面活性剂强化含水层修复决策提供一种稳定可靠的多目标优化模式。最后,混合多目标遗传算法仍需要应用到复杂水文地质条件下的地下水污染修复的管理模型,检验其有效性;同时,运用kriging替代模型的方法可以将先进的优化技术应用到复杂的实际污染修复场地模型中,为地下水质量问题的管理提供了一种有效的途径。
[Abstract]:Multi-objective genetic algorithm (MGA) is widely used in groundwater pollution remediation management model, but it can not guarantee the convergence to the real Pareto optimal solution to solve the actual optimization problem. In order to improve the local optimality of Pareto solution of multi-objective genetic algorithm (MGA). In this paper, a fast nondominated Sorting Genetic Algorithm 鈪，

本文编号：1669775