Optimizing Chlorination in Water Distribution Systems via Surrogate-assisted Neuroevolution

📄 arXiv: 2602.07299v1 📥 PDF

作者: Rivaaj Monsia, Daniel Young, Olivier Francon, Risto Miikkulainen

分类: cs.NE, eess.SY

发布日期: 2026-02-07

备注: 14 pages, 9 figures, GECCO '26 in-review

💡 一句话要点

提出基于代理模型的神经进化算法，优化供水系统中氯消毒控制。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 神经进化 代理模型 多目标优化 供水系统 氯消毒 NEAT NSGA-II

📋 核心要点

  1. 传统控制算法难以应对供水系统中氯消毒控制的非线性、噪声干扰问题。
  2. 利用神经进化算法，结合多目标优化和代理模型，寻找最优的氯注入策略。
  3. 实验表明，该方法优于传统强化学习方法，为城市供水系统优化提供新途径。

📝 摘要（中文）

确保大型异构供水系统（WDS）的微生物安全性通常需要管理适当水平的消毒剂残留，包括氯。WDS包含复杂的流体相互作用，具有非线性和噪声，使得这种维护对于传统控制算法来说是一个具有挑战性的问题。本文提出了一种基于神经进化、多目标优化和代理建模的进化框架来解决这个问题。使用NEAT进化神经网络，在分配网络中的战略位置和选定时间注入氯。采用NSGA-II优化四个目标：最小化注入的氯总量，保持网络中氯浓度均匀，确保最大浓度不超过安全范围，以及在时间上定期分配注入。每个网络都针对一个代理模型进行评估，该代理模型是一个经过训练以模拟EPANET的神经网络，EPANET是一个行业级液压WDS模拟器，它在计算成本方面是准确但不可行的，无法支持机器学习。进化控制器产生了一系列可在实践中实施的Pareto最优策略，优于标准的强化学习方法，如PPO。因此，结果表明了一种改进城市供水系统的途径，并突出了使用进化与代理建模来优化复杂现实世界系统的潜力。

🔬 方法详解

问题定义：论文旨在解决大型供水系统中氯消毒控制的优化问题。现有方法，特别是传统的控制算法，难以应对供水系统复杂的流体交互作用，以及由此带来的非线性和噪声干扰。这导致难以有效地控制氯的注入量和分布，从而影响供水系统的微生物安全性。

核心思路：论文的核心思路是利用神经进化算法自动搜索最优的氯注入策略。通过进化神经网络控制器，在供水网络的关键位置和时间点注入适量的氯，以达到消毒效果，同时最小化氯的使用量，并保证氯浓度的均匀性和安全性。使用代理模型加速进化过程。

技术框架：整体框架包含以下几个主要模块：1) 基于NEAT的神经网络进化：使用NEAT算法进化神经网络控制器，每个控制器负责在特定位置和时间点控制氯的注入量。2) 多目标优化：使用NSGA-II算法优化四个目标：最小化氯注入总量、保持氯浓度均匀、确保氯浓度不超过安全阈值、以及保证氯注入的时间规律性。3) 代理模型：训练一个神经网络来模拟EPANET模拟器，用于快速评估进化出的控制器的性能。4) EPANET模拟器：使用EPANET模拟器作为真实环境，用于训练代理模型和最终验证进化出的控制器。

关键创新：最重要的技术创新点在于将神经进化算法与代理模型相结合，用于优化供水系统的氯消毒控制。与传统的控制算法和强化学习方法相比，该方法能够自动搜索最优策略，无需人工设计复杂的控制规则。代理模型的使用显著降低了计算成本，使得进化算法能够在合理的时间内完成。

关键设计：神经网络控制器使用NEAT算法进行进化，NEAT算法能够自动进化网络结构和权重。NSGA-II算法用于多目标优化，选择Pareto最优的控制器。代理模型是一个神经网络，其输入是控制器的输出（氯注入量），输出是供水系统中各个位置的氯浓度。代理模型的训练数据来自EPANET模拟器。损失函数包括氯注入总量、氯浓度均匀性、氯浓度超标惩罚项，以及氯注入时间规律性惩罚项。

📊 实验亮点

实验结果表明，进化出的控制器能够产生一系列Pareto最优的氯注入策略，在最小化氯使用量、保持氯浓度均匀性和安全性等方面均优于标准的强化学习方法PPO。这表明该方法在实际应用中具有显著的优势。

🎯 应用场景

该研究成果可应用于城市供水系统的优化控制，提高供水系统的微生物安全性，降低氯的使用量，减少消毒副产物的产生，从而改善水质，保障居民健康。该方法也可推广到其他复杂系统的优化控制问题，例如能源系统、交通系统等。

📄 摘要（原文）

Ensuring the microbiological safety of large, heterogeneous water distribution systems (WDS) typically requires managing appropriate levels of disinfectant residuals including chlorine. WDS include complex fluid interactions that are nonlinear and noisy, making such maintenance a challenging problem for traditional control algorithms. This paper proposes an evolutionary framework to this problem based on neuroevolution, multi-objective optimization, and surrogate modeling. Neural networks were evolved with NEAT to inject chlorine at strategic locations in the distribution network at select times. NSGA-II was employed to optimize four objectives: minimizing the total amount of chlorine injected, keeping chlorine concentrations homogeneous across the network, ensuring that maximum concentrations did not exceed safe bounds, and distributing the injections regularly over time. Each network was evaluated against a surrogate model, i.e. a neural network trained to emulate EPANET, an industry-level hydraulic WDS simulator that is accurate but infeasible in terms of computational cost to support machine learning. The evolved controllers produced a diverse range of Pareto-optimal policies that could be implemented in practice, outperforming standard reinforcement learning methods such as PPO. The results thus suggest a pathway toward improving urban water systems, and highlight the potential of using evolution with surrogate modeling to optimize complex real-world systems.