续哥本哈根气候峰会后,坎昆世界气候大会也接踵而至。气候问题越来越成为人们关注的对象,其中大气质量评价及预测又是大气环境科学领域的热门课题,而智能化方法也是现如今最为高效、应用最广泛的分析技术,具有重要的理论价值和实用意义。计算智能的智能化方法的思想来源于仿生学,仿生学兴起与发展启发并带动了智能化算法蓬勃发展。智能化技术是将待解决的问题模型化,通过特定的数学模型来刻画问题本身,以达到解决问题的目的。现如今,在大气环境质量评价及预测方面智能化方法的应用还处于起始阶段,比较广泛被使用的是神经网络。在此背景下,作者采用长春市大气质量检测中心提供的空气中主要污染物的实测浓度数据作为数据样本,应用智能化方法对空气的评价及预测工作做了相关研究。本文通过对现有的一些智能方法,如粒子群优化算法、神经网络模型、模糊系统理论、大气评价模型以及大气预测等理论的学习,在参考和引证了大量国内外文献的基础上,研究并改进了基于粒子群优化的算法,以及将模糊神经网络(WFNN)应用于大气质量预测工作,通过实验验证,取得了较好的预测效果。首先,鉴于PSO算法具有非线性的全局优化、局部收敛以及可观的算法精度等能力,通过研究国内外相关论文,并且实验对比分析各种改进算法优劣。由于粒子群算法的决定因子只有三个,分别为惯性权重wt,加速因子ac1, ac2。wt为粒子继承自身的大小,ac1为粒子追随自身最优的加速度,ac2为粒子追随群体最优个体的趋势。更进一步分析了各个因素对于粒子群算法的影响,最后分析了群智能优化的粒子群算法的适用领域及其特性,特别在全局优化方面的优越性。其次,对比传统大气质量评价模型及常用的和主流的评价API法评价。我国当前使用的是API评价法,该方法对于不同种污染物都有不同的计算公式,公式中有与该污染物特性相关的参数,计算起来复杂麻烦。本文通过大量的实验研究了传统方法中各个参数对各个污染物的影响情况,通过对实验结果对比分析,研究找到一种可选择的方法来改善评价方法对污染物特性相关参数的依赖性。再次,提出了改进的粒子群优化算法MOVPSO,改进了粒子群在优化过程中的择优方案,并且通过几何方法来直观论证其正确性。算法不仅改善了择优策略,而且通过自适应调节惯性权重Wt,保证了粒子群不会早熟收敛以及避免陷于局部最优。文中通过实验对比分析其与传统PSO算法在全局优化方面的性能。通过对大气质量评价与预测的的应用要求和实验数据的特点进行分析,研究了现有的大气评价模型,并依据改进的MOVPSO算法对选取公式的参数进行优化。在优化过程中对影响公式的参数因子做了大量研究论证,选取合适的参数,如最大变更速度,加速因子等等。根据实验结果选取了最适宜的参数,得到适用于所有污染物的普适公式模型,可以适用于多种污染物的大气质量评价工作,而不用考虑与污染物有关的特性参数。文中采用长春市环境质量监测站提供的的实测数据作为评价样本,利用MOVPSO大气质量综合评价模型对大气质量进行评价,所得到的结果与实际污染情况对比来验证模型的可行性及实用性。最后,深入地研究了大气预测模型以及模糊神经网络的发展进程,鉴于神经网络具有广泛的自适应性、自学习性,以及模糊系统所具有的规则推理能力,深入剖析了模糊神经网络应用于大气预测的可行性,并通过实验来验证。文中采用了基于模糊加权神经网络(WFNN)预测模型,用其对大气中主要污染物进行预测。在构造好模糊神经网络WFNN的结构后,用遗传算法对该模糊神经网络进行学习训练,当网络稳定后即误差满足要求后用来进行大气的预测工作,本文选用用长春市环境监测中心站的实测数据对模糊神经网络进行训练以及预测。预测结果与实际情况进行对比,从结果看该模型的预测精度较准,具有相当可观的应用前景。综上所述,本文主要研究了粒子群优化算法,并改进和提出了一种新的MOVPSO算法,将该算法应用于对大气污染损害率公式参数的优化中,得到了基于MOVPSO的大气质量综合评价模型。同时将广义模糊加权神经网络WFNN引入到大气质量预测工作中,得到了基于WFNN模糊加权神经网络的预测模型。最后通过实测数据进行试验验证两种模型的可行性以及实用性。