哈大绥城市“十三五”期间大气环境容量分析

根据2016—2020年哈尔滨市、大庆市、绥化市(以下称哈大绥)国控环境空气自动监测站的SO_(2)、NO_(2)、PM_(2.5)监测资料,统计年鉴中行政区划、污染物排放及气象等监测数据,分析哈大绥区域环境空气质量的变化趋势和测算因子,采用A值法核定了哈大绥区域SO_(2)、NO_(2)、PM_(2.5)的大气环境容量。结果表明:哈大绥SO_(2)、NO_(2)、PM_(2.5)3项污染物采暖季的大气环境容量均呈逐年递增趋势。通过计算环境承载能力发现,哈大绥SO_(2)、NO_(2)、PM_(2.5)3项污染物在非采暖季均具有高承载能力,哈大绥非采暖季环境容量高于采暖季。哈尔滨的个别污染物仍然处于临界超载状态,为减少重污染天气,应进一步削减采暖季污染物排放量。

坡面径流小区含沙量监测方法论述

径流中的泥沙量是坡面径流小区水土流失情况的重要参数之一,概述了国内外现行的坡面径流小区径流含沙量测量方法,并从测量原理、测量精度、适用条件及其局限性等方面进行了对比。在此基础上,进一步提出今后坡面径流含沙量监测设备的重点研究方向。

分层递进的改进聚类蚁群算法解决TSP问题

随着旅行商问题(TSP)规模的增大,传统蚁群算法的运行时间会增大,算法的解精度也会降低,并且算法很容易陷入局部最优的情况。提出的分层递进算法的思想源于分工合作的产品线组装流程,首先利用改进的密度峰聚类算法确定拐点,从而选举出聚类中心,根据聚类中心确定包含的数据点;其次将初始的TSP问题分割成较小的簇,这些簇称为二类TSP问题;再经自适应信息素更新策略的蚁群算法运算,找出每个簇的最优解,进一步将簇与簇之间相近的节点构成的边断开;然后两簇之间断开的节点重组成全局最优解;最终通过局部优化策略对重组的优化解进一步优化,从而在保证算法解质量的前提下有效地缩短了运行时间。从TSPLIB中选取小规模、大规模基准案例,通过Matlab仿真验证了改进算法具有更好的鲁棒性,特别是在大规模基准案例中显著地减少了算法运行时间。

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法(A-daptive Update-Ant Colony System,AU-ACS),有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题(Travelling Salesman Problem,TSP)中对比表明,改进后算法求解的精度更高、稳定性增强。