本文選題：混合多目標(biāo)算法　切入點(diǎn)：地下水污染修復(fù)　出處：《南京大學(xué)》2017年碩士論文

【摘要】：多目標(biāo)遺傳算法廣泛應(yīng)用于地下水污染修復(fù)管理模型中,但是其對(duì)于解決實(shí)際的優(yōu)化問(wèn)題不能保證收斂到真實(shí)的Pareto最優(yōu)解。為了提高多目標(biāo)遺傳算法Pareto解的局部最優(yōu)性,本文將快速非支配遺傳算法(Nondominated Sorting Genetic Algorithm Ⅱ,NSGAⅡ)與一種迭代式的局部搜索算法(Hill Climber with Step,HCS)相結(jié)合,開(kāi)發(fā)了一種新的混合多目標(biāo)遺傳算法NSGAⅡ-HCS�；卩徲蚍较蛩阉鞯木植�?jī)?yōu)化方法提升了多目標(biāo)遺傳算法的搜索能力,通過(guò)標(biāo)準(zhǔn)函數(shù)的測(cè)試表明,與傳統(tǒng)的多目標(biāo)遺傳算法NSGAⅡ相比,NSGAⅡ-HCS在保證解多樣性的前提下,能使解接近或收斂到真實(shí)的Pareto最優(yōu)解鋒面。然后,將NSGAⅡ-HCS與地下水流模擬軟件MODFLOW和溶質(zhì)運(yùn)移模擬軟件MT3DMS相耦合,并應(yīng)用到理想算例和實(shí)際算例的地下水污染修復(fù)管理模型中,結(jié)果分析表明該方法可為地下水污染治理提供多樣的和收斂的Pareto管理策略,是一種穩(wěn)定可靠的多目標(biāo)優(yōu)化方法。DNAPLs污染物在地下水系統(tǒng)中具有高界面張力與低溶解性,致使傳統(tǒng)的地下水污染修復(fù)方法(Pumping and Treating,PAT)效率低。表面活性劑強(qiáng)化含水層修復(fù)技術(shù)(Surfactant Enhanced Aquifer Remediation,SEAR)可以有效治理地下水系統(tǒng)中的DNAPLs污染物。但是,嵌入式模擬-優(yōu)化方法要求重復(fù)運(yùn)行多相流模擬模型而保證優(yōu)化過(guò)程中狀態(tài)變量的精度。由此導(dǎo)致了龐大的計(jì)算負(fù)擔(dān),限制了多目標(biāo)遺傳算法應(yīng)用到SEAR過(guò)程。本文基于kriging方法建立表面活性劑強(qiáng)化修復(fù)DNAPL污染含水層的替代模型,與混合多目標(biāo)算法耦合,實(shí)現(xiàn)修復(fù)成本最小化和治理效率最大化的多目標(biāo)優(yōu)化。然后,以三維非均質(zhì)承壓含水層中PCE污染物的運(yùn)移與修復(fù)過(guò)程為例,采用UTCHEM程序模擬表面活性劑強(qiáng)化修復(fù)含水層過(guò)程。將kriging替代模型與多相流模型的輸出結(jié)果進(jìn)行對(duì)比,兩種模型得到的含水層中PCE去除效率的平均相對(duì)擬合誤差為0.80%,相關(guān)系數(shù)為0.9992,表明kriging模型可以有效替代多相流模型。進(jìn)一步將替代模型的Pareto最優(yōu)解與相應(yīng)的多相流模型的模擬值進(jìn)行比較,得到兩種模型的平均相對(duì)擬合誤差僅為0.70%,相關(guān)系數(shù)達(dá)0.9998,表明在多目標(biāo)優(yōu)化的迭代求解過(guò)程中可以直接調(diào)用kriging替代模型。而無(wú)須重復(fù)調(diào)用多相流模型的大負(fù)荷運(yùn)算,從而為制定表面活性劑強(qiáng)化含水層修復(fù)決策提供一種穩(wěn)定可靠的多目標(biāo)優(yōu)化模式。最后,混合多目標(biāo)遺傳算法仍需要應(yīng)用到復(fù)雜水文地質(zhì)條件下的地下水污染修復(fù)的管理模型,檢驗(yàn)其有效性;同時(shí),運(yùn)用kriging替代模型的方法可以將先進(jìn)的優(yōu)化技術(shù)應(yīng)用到復(fù)雜的實(shí)際污染修復(fù)場(chǎng)地模型中,為地下水質(zhì)量問(wèn)題的管理提供了一種有效的途徑。
[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，

本文編號(hào)：1669775