基于学习自动机的并行计算在水分配网络节能水力分析中的应用研究

为解决水分配网络(WDN)水力分析计算复杂度高、能耗大的问题，研究人员提出了一种融合学习自动机(LA)和元胞自动机(CA)的并行计算方法。通过泰勒级数线性化非线性方程，结合FPGA硬件加速，实现分析速度提升60倍并显著降低能耗，为可持续水资源管理提供新范式。

　　

随着城市化进程加速，水分配网络(WDN)的精准水力分析成为保障水资源可持续利用的关键。传统方法如全局梯度算法(GGA)虽被EPANET等商业软件广泛采用，但其依赖耗时的矩阵求逆运算，难以应对大规模网络分析需求。现有GPU加速方案如SIMD范式收效甚微，而基于ΔQ方法的改进仍受限于串行计算框架。这些瓶颈使得WDN动态行为模拟成为能源密集型任务，严重制约了智慧水务系统的发展。

针对这一挑战，研究人员创新性地将学习自动机(LA)与元胞自动机(CA)相结合，构建了名为"LA in CA"的并行计算架构。该研究采用FPGA硬件平台实现CA单元并行计算，通过泰勒级数展开线性化H方程，同时引入LA的自主决策能力优化单元间协作。实验选取Todini等典型网络模型，对比EPANET和CA_Linear_RTL等现有方法进行验证。

Model of WDN analysis
采用链接-节点模型划分网络单元，将WDN解构为包含管道、节点和水库的CA细胞单元，每个细胞包含中心节点及其邻域节点，为并行计算奠定拓扑基础。

Theory and calculation
提出基于泰勒级数的需求驱动模型，通过LA动态调整细胞状态转换规则。关键创新在于将传统串行求解的H方程转化为可并行处理的线性方程组，利用CA的局部交互特性和LA的在线学习机制实现全局优化。

Numerical example
以Todini网络为测试案例，详细说明管道阻力系数K的计算方法，展示如何将7管道网络分解为4个CA细胞单元，验证算法在复杂拓扑中的适用性。

Results and discussion
实验数据显示：在2.4GHz处理器平台上，新方法较EPANET提速达60倍，能耗降低显著。与FPGA实现的CA_Linear_RTL相比，LA的引入使计算精度提升0.15%，证明学习机制能有效优化收敛过程。

Conclusion
该研究通过CA-LA融合架构和FPGA硬件加速，实现了WDN水力分析的革命性突破。其价值体现在：(1)首创将LA的智能决策引入CA并行框架；(2)通过泰勒级数线性化解决非线性方程并行化难题；(3)为实时大规模WDN仿真提供可行方案。这项发表于《Sustainable Computing: Informatics and Systems》的成果，为智慧城市水资源管理提供了兼具计算效率和能源可持续性的新范式。