污染源是指向环境中释放危险物质并对环境造成负面影响的装备、设施或地点,所排放的污染物以不适当的浓度进入环境体系,会对环境产生危害并带来大量人力及财力上的损失,严重的甚至危及人的生命。因此,对污染源进行定位具有广泛的应用场景和充分的研究价值。本文对污染源定位展开了研究,以化工厂可能发生的气体源泄漏为背景,对污染源进行定位。对比其他污染物,气体污染物具有不稳定的梯度信息,对寻源算法有更高的要求,却是很多常见场景下都需要完成的目标。为了使完成源定位任务的过程更加高效,本课题的主要研究内容通过以下三点展开:（1）通常采用偏微分方程（Partial Differential Equations,PDE）来描述泄漏气体的物质扩散情况,求解PDE可以提供污染源的位置以及污染物浓度分布等信息,但传统数值求解方法对计算有很高的要求。本文采用极限学习机（Extreme Learning Machine,ELM）对环境场分布进行预测,在此之前利用格子玻尔兹曼方法对污染物泄漏过程进行模拟以获得数据集,旨在用相对少的计算量实现对环境场更准确的拟合,方便对污染源进行后续的处理工作。（2）在传统的信息熵寻源算法中,该方法的运动集大多只包含四个方向,即机器人只能在这些方向移动,并且其移动的步长是固定的,会影响机器人效率。针对固定步长和运动集的局限性,将运动集进行扩充,并加入自适应步长机制,使机器人的步长随着搜索进程灵活改变,在这种情况下,可以有效减少机器人的行走路径,同时缩短机器人的寻源时间,使其更快到达源位置,提高污染源定位效率。（3）障碍物会影响气体扩散,使泄漏物质堆积形成伪源,从而影响机器人的判断。本文采用基于统计的源识别方法对伪源进行确认。为了收集到更全面、准确的信息,本文将基于统计的源识别方法与Bug1算法结合,以突破确认区域边界设定的局限性,使存在障碍物的情况下机器人依然可以采集到更多方位的浓度信息,进而防止机器人误判,实现障碍物场景下的污染源定位,提高源定位精度。综上所述,本文对障碍物场景下的污染源定位进行研究,通过污染源分布预测、信息熵算法寻源、障碍物场景下的伪源识别三部分展开,以提升污染源定位过程的完整性和准确性。