【《危化品泄漏源辨识方法概述》2500字】

危化品泄漏源辨识方法概述目录TOC\o"1-3"\h\u27152危化品泄漏源辨识方法概述 1299591.1危化品泄漏特点 188721.2事故源辨识方法比较研究 199551.2.1模式搜索算法 2186371.2.2遗传算法 354881.2.3群智能算法 476321.2.4几种源确定方法的比较研究 51.1危化品泄漏特点作者分析的危化品类型为在常温下易挥发气态危险化工气体，气体危化品不同于其他危化品泄漏，能观测到的特征也很明显：因为常温下气态危化品扩散速度快，受环境因素影响大，且极有可能是易燃有毒危化品，在现场情况不清晰，应对方案不确定的情况下，就需要更专业更科学地指导应对，这样既能保证救援人员的生命安全，也可以快速处理[14]。气体危化品通常加压运输，在运输途中有各种不稳定因素。在尽可能地预防下，也有发生危险的可能，也就是对事故发生的不确定性大，对应急响应的要求更高，也督促我们建立完善的应急系统。1.2事故源辨识方法比较研究因为气体危化品大多加压储存运输，所以事故的发生大多是突然发生。救援人员以及应急小组需要到现场观察检测才能应对。这就让作者有了新的想法，如果现场处置人员在测得现场数据后，利用一种新的的算法，得出想要的结果，更快的抢救险情，为生命安全赢得时间。目前针对危化品泄漏源定位的计算方法：(1)基于概率统计理论方法主要是根据大气扩散模型或计算机模型对泄漏源进行定量分析，从而反算出泄漏源的位置和强度等具体信息，这种算法很复杂，花费的时间多，在情况危急的来说并不合适。（2）优化理论方法是根据气体扩散规律建立泄漏源与实际监测数据之间的关系，选择优化方法进行不断地调整得出最优解，进而反算出泄漏源的位置和强度等具体信息，例如模式搜索算法、群智能算法、遗传算法等[15]。1.2.1模式搜索算法搜索算法本质上是运用初始条件、扩展规则，建立新的“解答树”。根据解答树的规则，寻找表达目标状态的节点，从而实现算法的理想功能。出于从实现算法角度的考虑，已被研发出的搜索算法可依照扩展节点方式和扩展点分为两种：控制结构和生成系统。对目标算法进行优化和改进时，都要改善算法的控制结构。实际上，这种算法的优化，很多时候人们会将一些实际问题变成图论模型树的形式。这也就让我们解决问题的第一步变成了创建搜索树。输出最优通过迭代产生新的种群利用模式识别进行局部搜索结束条件：最大迭代次数最优个体找到最优解种群个体一一对应目标函数输出最优通过迭代产生新的种群利用模式识别进行局部搜索结束条件：最大迭代次数最优个体找到最优解种群个体一一对应目标函数图2-1模式识别算法上文提到的解答树属于搜索树。用树的根节点记录研究对象的最初始的状态以及初始的节点，而目标的状态和节点则由叶子节点记录。其前后的节点都被成为父节点以及子节点。兄弟节点指的是同一层中的节点，拓展大多数都是指父节点生成了子节点。而完成搜索的过程可以称之为寻找根节点与目标节点之间的最佳路径。模式搜索算法有一定的难度，因为要先多次搜索目标，以搜索目标函数值下降的最关键方向，找到最优解。具体算法：(1)计算出初始点的目标函数值f（Xi），然后计算其相邻的其它各点的值f（Xi+V（j）*L），j∈（1，1...2N）；(2)如果有一点的函数值比更优则表示搜索成功，那么Xi+1=Xi+V（j）*L，且下次搜索时以Xi+1为中心，以L=L*δ为步长（δ>1，扩大搜索范围），若没有找到这样的点则表示搜索失败，仍以Xi为中心，以L=L*λ为步长（λ<1，缩小搜索范围）；(3)重复操作2的操作，直到满足终止条件为止，终止条件是到达迭代次数或者误差稳定小于规定值[16]。1.2.2遗传算法遗传算法是一种基于自然选择和群体遗传机理的搜索算法,它模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象.再利用遗传算法求解问题时,问题的每一个可能解都被编码成一个“染色体”,即个体,若干个个体构成了群体(所有可能解).在遗传算法开始时,总是随机的产生一些个体(即初始解),根据预定的目标函数对每一个个体进行评估,给出一个适应度值,基于此适应度值,选择一些个体用来产生下一代,选择操作体现了“适者生存”的原理,“好”的个体被用来产生下一代,“坏”的个体则被淘汰,然后选择出来的个体,经过交叉和变异算子进行再组合生成新的一代,这一代的个体由于继承了上一代的一些优良性状,因而在性能上要优于上一代,这样逐步朝着最优解的方向进化.因此,遗传算法可以看成是一个由可行解组成的群体初步进化的过程[17]。图2-2遗传算法流程图首先寻找一种对问题潜在解进行“数字化”编码的方案。（建立表现型和基因型的映射关系）。随机初始化一个种群，种群里面的个体就是这些数字化的编码。接下来，通过适当的解码过程之后，用适应性函数对每一个基因个体作一次适应度评估。用选择函数按照某种规定择优选择，让个体基因变异，然后产生子代。遗传算法并不保证你能获得问题的最优解，但是使用遗传算法的最大优点在于你不必去了解和操心如何去“找”最优解，而只要简单的“否定”一些表现不好的个体就行了。1.2.3群智能算法在以往的群智能理论研究中，主要的算法有两种。分别是蚁群算法和粒子群算法。蚁群算法借鉴的是模拟蚂蚁群采集食物，已经成功应用在大多数离散优化问题。粒子群算法是模拟简单社会体系模拟，开始是模拟鸟类寻觅食物，后来发现它也是一个运行良好的优化算法。但这种计算方法的误差范围较大，部分个体发生问题很难影响整个群体最终的结果。即使有些个体失败了，也不会影响整个方法。且这种方法的鲁棒性较强；在算法的实际应用当中，个体行为的变化与相邻个体间的变化也并没有太大的差别。而单个个体对于信息的要求更少，只需要接受本地信息，而且它可以采取的操作更简单。以上因素使群智能算法拥有可拓展、且实现较为简单；同时生物的群体之间可以十分智能的完成这些行为，哪怕这些行为较为复杂，也一样如此，这是因为它们之间都存在较多的关联度，且这种行为都是属于自发性，有着规律存在，这也就使得模拟生物群体的群体智能算法具有较强的自组织性；在群体智能算法中，个体位置是随机分布的，对空间进行全局搜索。不难看出群体智能算法具有并行性和分布性[18]。1.2.4几种源确定方法的比较研究上面介绍的几种定位泄漏源的算法，这些定位方法基于最优化理论，但是根据各自的特点，有着不同的权重。模式搜索方法是求解最优化问题的一种直接搜索方法，它不需要各种条件，只使用函数值信息，是求解不可导或者求导难的优化问题的一种有效方法。遗传算法直接以目标函数值作为搜索