ce阶段基于基于每个管网节点的复杂度、可达度和污染物浓度中的至少一个引导智能单粒子进行局部搜索，得到最新全局最优个体。
[0047]具体的，Reduce阶段分为lstReduce和2ndReduce，其中，在1st Reduce阶段，首先根据每个子群中的N个个体编号，得到每个子群的适应值组。然后对对每个子群的适应值组分别进行排序；再基于每个管网节点的复杂度、可达度和污染物浓度中的一个对智能单粒子的局部搜索进行引导，从而找到每个子群的局部最优个体及每个局部最优个体对应的适应值；然后在2ndReduCe阶段，根据每个局部最优个体对应的适应值对找到的局部最优个体进行排序，以得到最新全局最优个体送往控制器。
[0048]具体来讲，通过智能局部学习算法时利用管网节点的可达度、复杂度及污染物浓度形成专家知识规则对局部搜索的方向进行引导。每个管网节点的复杂度与放置传感器的概率匹配；和/或每个管网节点的可达度与放置传感器的概率匹配；和/或每个管网节点的染物浓度与放置传感器的概率匹配。
[0049]下面对管网节点的可达度、复杂度及污染物浓进行分别描述:
[0050]管网节点的可达度是指从该管网节点流出的水体历经其他管网节点的个数，在可达度越高的管网节点放置传感器则监测效率越高。在具体实现时，利用EPANET仿真的数据记录整个给水管网的水龄，跟踪从已知管网节点来的水流百分比。对于给水管网的每个管网节点Xi，计算从Xi流经其它管网节点的个数η,记为X Λη值较大的管网节点的可达度也高。可达度规则为:某管网节点的可达度越高，在其位置放置传感器的概率p(Xl)就越大。此规则可以标记为
Raccessibility °
[0051]管网节点的复杂度源于图论中节点度的属性，在给水管网中连通其它管网节点越多的管网节点位置放置传感器，越容易检测到大范围的污染物，从而减少传感器的代价。
[0052]污染物浓度是指当任意污染事件发生后，污染物经过一段时间扩散，每个管网节点的污染物浓度是不同的。一般说来，浓度较高的管网节点将最短时间被传感器检测到，在污染物最容易扩散到的管网节点放置传感器，此规则可以缩短污染物的监测时间。
[0053]具体的，在建立给水管网的管网拓扑结构后就直接通过给水管网的管网拓扑结构可以直接统计每个管网节点的复杂度，而每个管网节点的可达度、污染物需要EPANET对给水管网污染物入侵进行模拟获得数据后进行统计得到。
[0054]当计算得到每个管网节点的复杂度、可达度和污染物浓度后，采用概率方法引导传感器布置，比如某管网节点的可达度越大放置传感器的概率就越高，又比如某管网节点的复杂度越大放置传感器的概率就越高。具体实现可以采用赌轮盘选择的方法。
[0055]S105、判断最新全局最优个体的适应度是否满足预设收敛条件，如果不满足预设收敛条件，则转入任务分发步骤继续进行迭代演化，满足预设收敛条件或达到设定最大迭代演化次数时结束迭代演化并输出最优解，从而确定传感器的布置位置。
[0056]具体的，预设收敛条件为预设收敛阈值，该预设收敛阈值根据实际设定。
[0057]具体的，转入任务分发步骤继续进行迭代演化，包括:将上一步骤S104得到的最新全局最优个体送往控制器，由控制器将最新最优个体与每个子群中的个体进行随机替换，得到下一代种群；基于得到的所述下一代种群转入任务分发步骤进行继续迭代演化，迭代次数增加1。
[0058]通过上述本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点:
[0059]由于本发明实施例采用了在主节点进行种群的初始化；然后Map阶段采用了多粒子群优化算法进行全局搜索，又在Reduce阶段采用智能单粒子进行局部搜索，并由是否满足收敛条件来控制循环演化迭代，直到确定放置传感器的较佳位置。从而这种基于Map-Reduce模型的并行计算方法属于智能计算，不仅精确度高，而且速度较快，可以高效确定放置传感器的位置，进而有效解决了现有技术中给水管网传感器布置优化时间长的技术问题，最大化监测效果(比如最快的时间检测污染事件)，防范饮用水因污染而引发的安全风险。
[0060]进一步，为了解决存储及模拟计算量太大问题，我们利用云计算技术，设计了基于云平台的分布式Memetic计算方法，可有效提升加速比，节约计算时间。
[0061]尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0062]显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
【主权项】
1.一种基于多粒子群优化算法的给水管网传感器布置优化方法，其特征在于，包括如下步骤: 建立给水管网的管网拓扑结构，获取所述给水管网中每个管网节点的复杂度，并对所述管网拓扑结构进行水力模拟和水质模拟得到每个所述管网节点的可达度和污染物浓度； 在主计算节点进行多粒子群优化算法的种群初始化，其中，每个所述种群中的每个个体的编码长度为所述管网节点的总个数； 任务分发步骤:包括在MAP阶段将每个子群映射到一个Mapper计算节点进行全局搜索； 在Reduce阶段基于每个所述管网节点的所述复杂度、所述可达度和所述污染物浓度中的至少一个引导智能单粒子进行局部搜索，得到最新全局最优个体； 判断所述最新全局最优个体的适应度是否满足预设收敛条件，如果不满足所述预设收敛条件，则转入所述任务分发步骤继续进行迭代演化，满足所述预设收敛条件或达到设定最大迭代演化次数时结束迭代演化并输出最优解，从而确定传感器的布置位置。2.如权利要求1所述的基于多粒子群优化算法的给水管网传感器布置优化方法，其特征在于，所述在主计算节点进行多粒子群优化算法的种群初始化，具体包括: 初始化Μ个种群，每个所述种群包含Ν个个体； 将所述Μ个种群分为子群分配到云计算平台上，设置Mapper计算节点的个数和所述Reducer计算节点的个数。3.如权利要求2所述的给水管网传感器布置方法，其特征在于，所述在MAP阶段将每个子群映射到一个Mapper计算节点进行全局搜索，包括: 对每个所述子群进行适应度计算； 根据迭代公式对每个所述子群进行位置更新和速度更新。4.如权利要求3所述的基于多粒子群优化算法的给水管网传感器布置优化方法，其特征在于，所述在Reduce阶段基于每个所述管网节点的所述复杂度、所述可达度和所述污染物浓度中的至少一个引导智能单粒子进行局部搜索，得到最新全局最优个体，包括: 根据每个所述子群中的N个个体编号，得到每个所述子群的适应值组； 对每个所述子群的所述适应值组分别进行排序； 在Reduce阶段基于每个所述管网节点的所述复杂度、所述可达度和所述污染物浓度中的一个对所述智能单粒子的局部搜索进行引导，找到每个所述子群的局部最优个体及每个所述局部最优个体对应的适应值； 根据每个所述局部最优个体对应的适应值对所述局部最优个体进行排序，以得到所述最新全局最优个体。5.如权利要求4所述的基于多粒子群优化算法的给水管网传感器布置优化方法，其特征在于，所述转入所述任务分发步骤继续进行迭代演化，包括: 将所述最新全局最优个体送往控制器，由所述控制器将所述最新最优个体与每个所述子群中的个体进行随机替换，得到下一代种群； 基于所述下一代种群转入所述任务分发步骤进行继续迭代演化，迭代次数增加1。6.如权利要求1所述的基于多粒子群优化算法的给水管网传感器布置优化方法，其特征在于，所述在Reduce阶段基于每个所述管网节点的所述复杂度、所述可达度和所述污染物浓度中的至少一个引导智能单粒子进行局部搜索，得到最新全局最优个体，包括: 每个所述管网节点的所述复杂度与放置所述传感器的概率匹配；和/或 每个所述管网节点的所述可达度与放置所述传感器的概率匹配；和/或 每个所述管网节点的所述染物浓度与放置所述传感器的概率匹配。
【专利摘要】本发明公开了一种基于多粒子群优化算法的给水管网传感器布置优化方法，包括：建立给水管网的管网拓扑结构，获取给水管网中每个管网节点的复杂度，并对所述管网拓扑结构进行水力模拟和水质模拟，得到每个管网节点的可达度和污染物浓度；在主计算节点进行多粒子群优化算法的种群初始化，在MAP阶段进行全局搜索；在Reduce阶段进行局部搜索，得到最新全局最优个体；判断最新全局最优个体的适应度是否满足预设收敛条件，如果不满足预设收敛条件，则转入任务分发步骤继续进行迭代演化。有效解决了现有技术中给水管网传感器布置优化时间长的技术问题最大化监测效果(比如最快的时间检测污染事件)，防范饮用水因污染而引发的安全风险。
【IPC分类】G06Q10/04, G06Q50/26
【公开号】CN105426984
【申请号】CN201510704752
【发明人】胡成玉, 曾德泽, 姚宏, 樊媛媛
【申请人】中国地质大学（武汉）
【公开日】2016年3月23日
【申请日】2015年10月26日