1.一种基于神经网络对水污染源快速定位的方法，采用优化‑仿真的方法，将实际解决的污染源定位问题转化为优化问题，其特征在于，使用昂贵优化算法模型求解污染源的定位问题，其中，首先在所述昂贵优化算法中引入神经网络模型，来减少真实评价函数的使用次数；其次，基于模型管理策略，在计算过程中，针对性的选择神经网络模型或EPAENT仿真软件来计算个体适应度值；最后，将计算所得的个体适应度值，反馈到优化问题中，在满足优化目标的情况下，进行污染源的定位；

优化问题表述为：

S.T.M＝{m1,m2,…,mk}；mi≥0

n∈{1,N}

tI≤Ts；

其中，N是管网的节点总数，NS表示传感器的数目，TS表示仿真周期，M表示污染物注入向量，n表示污染源注入的管网节点序号，tI表示注入污染物的初始时间，cj(t)表示在时间t时传感器j的污染物浓度， 表示在时间t时传感器j的实际检测的污染物浓度；当前的优化的目标即求的参数(M,n,tI)使得方差最小；

在昂贵优化算法中，将遗传算法作为优化算法；首先，定义3个初始化种群L、T和M，其中，定义的3个初始化种群即为所需优化的参数目标(M,n,tI)；

然后，在每个检测节点上，通过EPANET仿真软件来模拟污染事件，计算得到模拟污染物浓度值；其中，所述污染事件即为种群中的每个个体；每个检测节点均设有浓度传感器，当前优化算法中，针对每个检测节点，即将所述模拟污染物浓度值与传感器实际检测到的污染物浓度值进行比较，来计算种群中每个个体的适应度值；

最后，将计算所得的每个个体的适应度值，反馈到优化问题中，在满足优化目标的情况下，进行污染源的定位；

使用昂贵优化算法模型求解污染源的定位问题，具体包括以下步骤：

S1、随机选取历史数据集中的数据，得到种群P；

S2、将种群P均匀划分为三个子种群，分别为Pl、Pt和Pm；

S3、利用轮盘赌选择方法，对Pl、Pt和Pm三个子种群分别进行交叉、变异处理后，依次产生对应的新个体；

S4、基于模型管理策略，计算每个新个体的适应度值，若计算所得的适应度值趋近与预设的阈值时，则停止迭代，将当前的计算结果反馈到优化问题中，其他情况下则返回到步骤S3，对每个新个体的适应度值重新计算；

基于模型管理策略，选择EPANET仿真软件或神经网络模型来计算每个个体的适应度值，具体包括以下步骤：S41、通过神经网络模型计算所有个体的第一适应度值，且在对所有个体的第一适应度值进行排序之后，将适应度值最低的个体作为最优个体；

S42、通过EPANET仿真软件来计算最优个体的适应度值，若利用EPANET仿真软件和神经网络模型计算得到的最优个体的适应度值相趋近，则将当前的最优个体应用到后续步骤，其他情况下，则返回到步骤S41重新选择最优个体；

S43、利用EPANET仿真软件来计算每个个体的第二适应度值，结合步骤S41所求的每个个体的第一适应度值，构建平均误差EP；

S44、将每个个体的第一适应度值减去平均误差值EP后，得到模拟适应度值；其中，将每个个体的模拟适应度值与最优个体的适应度值进行比较，若该个体的模拟适应度值小于最优个体的适应度值，则该个体的适应度值由EPANET仿真软件来求解，其他情况下则由神经网络模型求解；

神经网络的建模步骤包括：

对每个检测节点进行均匀采样，随机产生N组污染事件，将N组污染事件平均分配到Spark集群中，并通过EPANET软件计算每组事件的适应度值，将计算所得的适应度值依次保存到历史数据集中；

将历史数据集划分为N2个子数据集，且对每个子数据集进行归一化处理；针对归一化后的每个子数据集，采用BP算法，训练神经网络模型；最后，将训练好的神经网络模型作为建模模型，并将其应用于优化算法中。