[发明专利]一种大气污染管控方案优化方法

说明书

本发明公开了一种大气污染管控方案优化方法，包括：从现有大气污染管控政策中选取待优化的政策参数，建立大气污染管控政策工具箱；利用Vensim软件建立政策模块，构造多情景集成模型，用于环境政策的模拟，评估和分析；随后在Python软件中导入所述多情景集成模型，利用Python软件建立基于kriging代理模型的仿真优化算法，优化大气污染管控政策方案；随后输出优化后的方案。本发明运用基于kriging代理模型的仿真优化方法对环境政策参数组合进行优选，能够在海量的政策组合中自动进行搜索寻优，得到的优选政策效果好于经验设置或简单情景对比得到的政策。

技术领域

本发明属于大气污染防治领域，具体涉及一种基于kriging代理模型的大气污染管控方案优化方法。

背景技术

现有的在区域大气污染管控的政策调控方案优选主要基于两种方法：一是列出能反映政策效果的方程式，通过数学优化的方式进行求解；二是通过设置不同情景，进行政策模拟，然后选择较优的政策。但是这两类方法存在几个缺点：

其一，基于数学优化的方法受限于数学表达式的具体形式，不能准确的反应经济关联、污染物关联、经济社会系统的动态演化等。将产业关联、区域关联、经济-环境双赢、多污染物等纳入政策优选的前提时，数学模型很难满足要求。

其二，情景对比的方法在政策很多、政策相关的变量取值范围很大的时候效率很低，特别是面对可以连续取值的政策变量时，情景的设计非常困难，政策优选效率低下。

综上，环境政策的作用过程是一个极其复杂的带有随机因素的系统，需要系统地分析研究环境政策作用过程中的各方面因素，协调各政策之间的相互关系，使得环境政策调控方案更加合理，达到环境治理与经济发展双赢的目的。而建立多情景政策仿真模型对这一过程进行分析研究，可以综合考虑多种政策协同、多污染物交互作用，同时实现环境治理政策的多方案预演，但由于多情景集成模型的运行时间较长、计算代价昂贵，采用一般优化算法对政策方案进行优选时效率低下，因此有必要在多情景政策仿真模型的基础上，提出一种仿真优化方法，在海量的政策参数组合中自动进行搜索寻优，降低计算代价，提高优选效率。

kriging模型是基于地质统计学变差函数模型发展起来的空间插值方法，是利用区域化变量的原始数据和变差函数的结构特点，对未采样点的区域化变量的值进行无偏估计的一种方法，适合解决非线性问题，不仅能提供仿真响应的预测值，还能给出预测不确定性的度量(预测标准差)，常用作仿真优化中的代理模型。

为此，考虑建立一种基于kriging代理模型的仿真优化方法对大气污染调控政策进行优选。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种基于kriging代理模型的仿真优化方法，对大气污染区域联防联控长期调控政策进行优选。在kriging代理模型基础上，基于期望改进准则不断获取新的采样点，并通过加入新的采样点来不断迭代优化kriging代理模型，使得kriginig代理模型逐渐逼近目标函数系统的真实输入-输出性能，同时采样逐渐逼近最优解区域，最终获得优化的大气污染管控方案并以图像、图表等形式输出出来。

本发明通过以下的技术方案予以实现：

一种大气污染管控方案优化方法，包括：

从现有大气污染管控政策中选取待优化的政策参数，建立大气污染管控政策工具箱；

基于大气污染管控政策工具箱，利用Vensim软件将所述政策工具箱中的政策加入软件中建立政策模块，构造多情景集成模型，用于环境政策的模拟，评估和分析；

随后在python软件中导入所述多情景集成模型，利用python软件建立基于kriging代理模型的仿真优化算法，优化大气污染管控政策方案；随后输出优化后的方案；

其中，步骤“优化大气污染管控方案”进一步包括：