开放性水源突发污染事故人工智能辅助供水应急决策方法学研究

Water supply emergency decision for sudden pollution events in open drinking water sources is a kind of dynamic, nonlinear, and complex systematical optimization problems. It’s hard for traditional optimization solutions to deal with the situation for the reason that their capabilities are limited in global optimization, convergency, and computation efficiency. Additionally, common optimization decision methods cannot refer to previous computational results and successful experiences, and cannot satisfy the “quick and accurate” requirements of real time dynamic decision.. The applicant has already studied Genetic Algorithm (GA), Cased-Based Reasoning (CBR), and Artificial Neural Network (ANN), and find that they are capable of solving some issues in the complex systematical optimization and real time dynamic decision domain. Furthermore, with integration, they can make use of each other to reach comprehensive optimization outcomes.. This proposal is an exploration to mechanism and methodology of water supply emergency decision for sudden pollution events in open drinking water sources based on artificial intelligence methods: to solve global optimization issues using GA, to develop case bases using CBR, and to develop real time dynamic water supply emergency decision systems using ANN. How to reduce contingency cost subjecting to requirements of water supply, how to illustrate the input-output law of the information of water supply emergency decisions, and how to integrate these methods will be stated. The purpose of the study is to form an artificial intelligence methodology in this domain.

针对开放性水源突发污染事故的供水应急决策，是动态、高度非线性的复杂系统的优化问题。传统的优化算法在全局寻优、收敛性、计算效率等方面都存在困难，不能借鉴以往的计算结果和成功经验，也难以满足实时动态决策 “快而准”的要求。. 申请者已对遗传算法（GA）、基于案例的推理（CBR）、人工神经网络（ANN）等人工智能方法进行过研究，发现它们能分别解决复杂系统优化和实时动态决策的一些问题，并且通过集成，能取长补短，实现综合效能最优。. 本项目是对上述人工智能方法综合应用于开放性水源发生突发污染事故时，供水应急决策的机理与方法的探索：采用GA进行全局优化求解，采用CBR开发案例库，采用ANN开发实时动态的供水应急决策支持系统。项目将研究如何在满足供水达标的前提下减少应急处理处置费用，阐明供水应急决策输入输出信息转化的规律，并且对上方法进行改进和集成，形成一个方法学体系。

针对开放性水源突发污染事故的供水应急决策，是动态、高度非线性的复杂系统的优化问题。传统的优化算法在全局寻优、收敛性、计算效率等方面都存在困难，不能借鉴以往的计算结果和成功经验，也难以满足实时动态决策“快而准”的要求。前期申请者已对遗传算法（GA）、基于案例的推理（CBR）、人工神经网络（ANN）等人工智能方法进行过研究，发现它们能分别解决复杂系统优化和实时动态决策的一些问题，并且通过集成，能取长补短，实现综合效能最优。本项目是对上述人工智能方法综合应用于供水应急决策的机理与方法的探索。针对供水应急决策全局实时动态最优化问题，分别采用智能化解法GA、CBR、ANN进行了研究，并将它们进行改进、集成和综合利用，形成了人工智能辅助供水应急决策的方法学体系。. 项目构建了供水应急决策模型，包括：水体水动力水质模型、供水系统模型、以及基于水体和供水系统的应急决策最优化模型；针对供水应急决策优化问题，项目对GA进行了改进，研制了粒子群优化算法模块，并应用于供水突发事故风险评价及预案生成的过程中；项目开发了应急供水的案例库，并且研究开发出符合应急供水案例特点的CBR搜索引擎，使得对于新发生的事件，能够从案例库中快速找出最相似的案例，以获得决策信息的参考；作为控制水质风险、构建案例库的前提，项目还研发了追踪与溯源相结合的水质风险调查与分析方法、快速识别和示踪水中污染物的三维荧光光谱耦合平行因子分析方法；项目对传统的ANN算法进行了改进，开发了符合供水应急决策特点的ANN模型，包括：湖库饮用水源地叶绿素预测模型、基于循环神经网络RNN的模型隐式差分格式的快速模拟方法、基于深度加强学习的管网实时在线优化调度模型等的开发；项目基于GIS平台，采用案例库的形式对各个模型和算法模块进行了集成。