[Paper] 通过 Surrogate-assisted Neuroevolution 优化供水系统中的氯化

Source: arXiv - 2602.07299v1

Overview

确保在广阔的城市供水网络中提供安全的饮用水是一个经典的“大数据 meets 控制”问题：氯必须以足够精确的剂量投加以杀灭病原体，但又不能投加过量以免对用户或环境造成伤害。论文 Optimizing Chlorination in Water Distribution Systems via Surrogate‑assisted Neuroevolution 通过结合三种 AI 技术——神经进化、多目标优化和代理模型，自动生成既有效又计算上可行的投氯策略。

关键贡献

• 基于神经进化的控制器设计 – 使用 NEAT（NeuroEvolution of Augmenting Topologies）来进化决定 何时 与 何地 注入氯的神经网络。
• 多目标公式化 – 同时优化四个相互竞争的目标：(1) 最小化总氯使用量，(2) 残余氯的空间均匀性，(3) 安全界限合规（无过浓），以及 (4) 注入的时间规律性。
• 用于快速评估的代理模型 – 训练轻量级神经网络来模拟 EPANET（行业标准水力模拟器），将评估时间从分钟级缩短至毫秒级。
• Pareto 最优策略集 – 生成多样化的投药策略组合，为操作员提供一系列权衡选项，而非单一的“一刀切”解决方案。
• 相较于强化学习基线的实证优势 – 证明进化得到的控制器在所有目标上均优于近端策略优化（PPO），并在多个真实水网场景中表现更佳。

方法论

1. 问题编码

   • 将供水分配系统（WDS）抽象为由节点（交叉口、储罐）和管道组成的图。
   • 在每个决策步骤中，控制器输出一组“氯化站”的注入速率向量。

2. 使用 NEAT 的神经进化

   • 从简单的前馈网络开始，进化过程会添加隐藏节点和连接，自动发现合适的网络复杂度。
   • 通过四个目标计算适应度，使用 NSGA‑II 的帕累托排序来保持多样性。

3. 代理模型

   • 训练一个独立的神经网络（代理模型），利用数千次 EPANET 仿真运行，学习注入动作 → 网络中氯浓度的映射。
   • 在进化过程中，每个候选控制器在代理模型上进行评估，从而实现数百万次低成本的适应度评估。

4. 多目标优化（NSGA‑II）

   • 将种群划分为非支配前沿；拥挤距离用于在目标空间中保持解的分布。
   • 在固定代数后，提取最佳的帕累托前沿，在完整的 EPANET 仿真器上进行进一步验证。

5. 基线比较

   • 在相同的代理环境中训练 PPO 代理，然后在 EPANET 上进行测试。
   • 将氯使用量、浓度方差、安全违规等性能指标在不同方法之间进行比较。

结果与发现

• 代理模型相对于 EPANET 的决定系数 R² ≈ 0.96，确认其在进化评估中的保真度。
• 帕累托前沿显示出明显的权衡：极力降低氯使用的策略往往会增加空间方差，而强调均匀性的策略则会略微增加氯用量。
• 在三个基准城市规模网络（小型、中型、大型）中，神经进化方法在 所有 四个目标上始终优于 PPO。

实际意义

• Plug‑and‑play dosing controllers – 公用事业可以直接在 SCADA 系统上部署进化的神经网络；推理成本几乎可以忽略（每次决策亚毫秒级）。
• Decision‑support dashboard – Pareto 前沿为操作员提供“policy picker”界面，以选择符合当前运营优先级的策略（例如，成本节约 vs. 严格安全）。
• Reduced chemical costs & environmental impact – 通过将氯使用量削减约 10%，市政可以降低采购费用及下游氯副产物的产生。
• Scalable to other disinfectants – 同一框架只需更换代理模型的训练数据，即可重新训练用于氯胺、臭氧或 UV 投药。
• Accelerated simulation‑in‑the‑loop design – 代理辅助进化避免了对高性能计算集群的依赖，使中等规模水务公司也能实现该工作流。

限制与未来工作

• Surrogate fidelity – 虽然代理模型在已测试的网络上表现良好，但罕见的水力事件（例如管道破裂）可能超出其训练分布，从而可能降低控制器的安全性。
• Static network topology – 本研究假设管网布局固定；而实际网络会随时间演变（新增连接、维护关闭），因此需要定期重新训练模型。
• Limited real‑world validation – 实验仅限于仿真环境；需要进行现场试验，以评估在传感器噪声和运行约束下的鲁棒性。
• Scalability of multi‑objective space – 增加更多目标（例如泵的能耗）可能会提升帕累托前沿的复杂度，进而需要更为复杂的选择机制。

未来研究方向

1. 在线学习循环，使代理模型能够持续使用实时传感器数据进行更新。
2. 将神经进化与基于模型的 MPC 相结合的混合方法，以提供安全性保证。
3. 将该方法扩展到多种水质管理（例如同时投加氯和氟）。

结论: 通过在高保真水力模拟器的快速代理模型上进化神经控制器，作者展示了一条实用、数据驱动的路径，实现更智能、更环保的氯投加——该方法可适用于许多其他复杂基础设施控制问题。

作者

• Rivaaj Monsia
• Daniel Young
• Olivier Francon
• Risto Miikkulainen

论文信息

• arXiv ID: 2602.07299v1
• 分类: cs.NE, eess.SY
• 出版日期: 2026年2月7日
• PDF: 下载 PDF