一种利用NSGA-II和保形映射快速计算复杂地形中静电场的方法 王晓健， 史新宇， 何天雷， 曹晓斌， 李瑞方

《Electronics》：A Fast Calculation Method for Electrostatic Fields in Complex Terrain Using NSGA-II and Conformal Mapping Xiaojian Wang, Xinyu Shi, Tianlei He, Xiaobin Cao and Ruifang Li

　　摘要
在复杂地形中快速准确地计算雷电引起的电场对于雷电防护和电磁兼容性分析至关重要。尽管传统的全波数值方法（如有限元方法）可以获得高保真度的结果，但它们在计算上成本较高，且不适用于大规模或重复性的工程分析。为了实现对复杂地形上雷电引起静电场的高效可靠计算，本文提出了一种快速计算框架，该框架结合了多层共形映射和基于非支配排序遗传算法II（NSGA-II）的多目标优化策略。在所提出的方法中，使用多层共形映射将不规则地形边界转换为可解析处理的域，同时将关键映射参数重新表述为一个双目标优化问题，该问题同时最小化最大局部误差和平均全局误差。与依赖于经验调整或穷举遍历映射参数的传统方法不同，所提出的框架建立了一个闭环自适应优化过程，生成了一个帕累托最优解集，可以根据实际精度要求灵活选择权衡方案。该方法通过高保真度的有限元仿真在代表性地形剖面上进行了验证。结果表明，与穷举搜索方法相比，所提出的方法在最大误差性能方面具有可比性，同时降低了平均误差并显著提高了参数优化效率。所提出的框架为复杂地形环境中雷电引起电场的初步评估提供了自适应且高效的计算解决方案，并为未来向更真实的多维和瞬态分析扩展奠定了基础。计算精度和效率的提高为大规模复杂地形工程中的快速雷电防护评估提供了显著的实际价值，使得在初步工程设计阶段能够进行参数分析和方案比较，并具有足够的可靠性。

1. 引言
在 rapid social advancement 的背景下，雷电事件对公共安全和各个行业构成的潜在威胁变得越来越突出。这些事件不仅可能导致直接的人员伤亡，还会严重影响电力系统、通信设施、雷达天线和其他电子信息系统，从而导致直接或间接的经济损失 [1,2]。起伏的地形显著改变了电场的分布，从而大幅增加了场计算边界条件的复杂性。静电场计算通常采用两大类方法：解析方法和数值方法 [3,4,5]。传统的数值方法（如有限元方法（FEM）、矩方法（MoM）和时域有限差分（FDTD）具有高精度，但往往受到计算资源消耗大和效率低的限制，使其不适合工程实践中的快速预测需求 [6,7]。尽管解析方法与数值方法相比大大提高了计算效率，但电荷模拟方法难以适应复杂地形边界。图像方法由于其简单的原理和快速的求解能力，不能直接应用于非对称边界 [8,9]。为了突破复杂几何边界带来的求解瓶颈，共形映射方法被引入到电场计算领域。其核心优势在于通过解析变换将复杂的几何边界转换为规则域（例如上半平面、单位圆），为解决复杂地形上的电场问题提供了有效方法 [10,11,12]。目前，Schwarz–Christoffel（S-C）变换是该领域共形映射的一个典型应用，已经开发了多种应用模式，包括混合解析-数值方法、多层映射策略和动态映射方法 [13,14,15]。在S-C框架中，未知的预顶点 ???? 和转向参数 ???? 通常使用牛顿型迭代方法求解 [16,17]。还开发了其他数值方案；例如，Wan等人采用了一种改进的对称逐次松弛（SSOR）迭代方法来提高数值共形映射的效率 [18]。虽然这些方法对标准多边形边界有效，但它们对初始猜测敏感，并且对于复杂或动态变化的几何形状计算成本较高。为了克服这些限制，研究人员将优化技术引入了参数确定过程。Ramakrishnan等人采用Levenberg–Marquardt算法解决了S-C变换中Z平面和W平面之间的非线性坐标匹配问题 [19]，提高了数值稳定性。Zhao等人将遗传算法引入到表面电磁波调节的研究中，实现了时变边界与规范域之间的自适应映射 [20,21,22]。这些基于优化的方法扩展了共形映射在更复杂边界配置中的适用性。然而，大多数这些研究将参数优化视为单目标问题，通常最小化最大误差，而没有解决局部精度和全局精度之间的固有权衡。

除了传统的S-C变换外，最近的进展引入了基于分数线性变换的多层共形映射策略来处理任意复杂的地形边界 [23]。在这个新框架中，映射精度严重依赖于一个关键参数M——这与S-C变换中的预顶点参数不同。然而，在变化的地形拓扑下确定最优M是一个明显的挑战：最小化局部极值误差的解决方案可能会牺牲全局平均精度，反之亦然。现有的优化方法大多没有很好地解决局部精度和全局精度之间的这种固有权衡，它们大多数将参数优化视为单目标问题。为了解决上述研究空白，本文提出了一种用于复杂地形上雷电静电场的快速计算框架，该框架将多层分数线性映射（FLM）与NSGA-II相结合。通过智能优化FLM参数，提高了共形映射的地形适应性，实现了计算精度和效率之间的平衡权衡。本文的主要贡献如下：
提出了一个FLM参数的双目标优化模型，以最大局部误差和全局平均误差作为优化目标。采用NSGA-II生成帕累托最优参数集，实现了在计算精度权衡下的参数自适应选择。
建立了一个闭环优化机制，实现了从地形特征到映射参数的自动匹配，避免了传统方法的经验依赖性和计算成本，为复杂地形上的电场计算提供了工程实践解决方案。
在多种类型的复杂地形上进行的验证实验表明，所提出的方法显著提高了计算精度和效率，同时保持了多层共形映射框架的地形适应性，从而为该框架的工程应用提供了关键技术支持。

2. 集成的NSGA-II和共形映射框架
2.1. 共形映射算法
给定在复平面中定义的单值解析函数 ?? =???(??)，其中 ?? ∈??，需要一个映射过程将一组点从复z平面转换到另一个平面w，形成一组新的点M。设 ?? =?? +????? 和 ?? =?? +?????，其中x和y分别表示z平面中的水平和垂直坐标，u和v表示w平面中的相应坐标。z平面中的点的坐标可以通过特定变换一一转换为w平面中的坐标。如果函数 ?? =???(??) 在区域 ?? 中是解析的，并且在 ?? 内构成双射映射，则 ?? =???(??) 被称为在区域 ?? 上的共形映射。
2.1.1. 从复杂边界到封闭轮廓空间的映射关系
为了将复杂边界转换为简单边界，可以使用分数线性映射的唯一性定理——一种基本的共形映射类型——来建立线和圆之间的精确关系。具体来说，直线可以通过分数线性映射转换为圆，而波动的曲线可以先映射为近似圆的封闭曲线。随后，将这些封闭曲线转换为圆，从而实现将波动曲线映射为直线。上述过程可以总结为以下三个步骤 [24]：
使用共形映射函数从W平面转换为??1平面。
通过求解积分方程，从??1平面转换为??2平面。
使用共形映射函数的逆映射，从??2平面转换为Z平面。
映射示意图如图1所示。通过这些步骤，实现了从W平面到Z平面的映射，有效地将复杂边界转换为简单边界。图1. 复杂地形的多步分数线性映射过程示意图。该过程通过??1平面和??2平面中的两个中间圆形域映射，将W平面（原始地形的复平面）中的原始不规则域转换为Z平面（目标复平面）中的平坦标准上半平面。实线黑色线条L、??1和虚线??2表示相应域的边界。带斜线的阴影区域表示整个映射过程中的计算域。实心黑点标记每个映射步骤的关键对应点（例如，?? ?0, ∞ ?1）。蓝线和点表示??1平面中的不规则边界与??2平面中的标准单位圆边界之间的一一对应关系和角度（参数）映射关系，在变换??2 =???(??1) 下。要将复杂边界映射为封闭轮廓，首先需要确定三组点及其对应的像，以确保分数线性映射是唯一且明确定义的。这三组指定点及其像之间的关系如下 [25]：
图2a中的实轴上的无限边界±∞和图2c中的不规则边界分别对应于图2b中的点N和图2d中的点??′。图2. 从z平面到w平面的分数线性映射示意图。（a）z平面中的标准上半平面，阴影区域表示计算域，实心点是参考点M；（b）w平面中的映射单位圆域，箭头表示映射方向，阴影区域是映射域，N是±∞的对应点，??是边界参数；（c）具有复杂地形的不规则上半平面，阴影区域表示计算域，实心点是参考点??′；（d）映射后的不规则封闭轮廓域，箭头表示映射方向，阴影区域是映射域，??′是±∞的对应点，??是边界参数。图2a中（0,?????）处的实心点（参考点）对应于图2b中单位圆的中心M；同样，图2c中相同相对位置（0,?????）处的实心点对应于图2d中封闭轮廓的中心??′。
分数线性映射函数由方程（1）给出，相应的变换图如图2所示。
??=??????????+????? (1)
在方程（1）中，M表示分数线性映射参数，它随着地形轮廓的变化而变化。
2.1.2. 从封闭轮廓空间到单位圆的映射关系
当确定了域内点与边界点以及它们在单位圆中各自像之间的对应关系后，可以根据柯西积分定理确定函数关系。
空间内点的映射公式定义如下：设z是封闭轮廓平面内的一个内点，??是单位圆平面中的一个点。将封闭轮廓映射到单位圆的映射函数表示为???(??)。应用函数关系 ?? =???(??)，得到 ???(??) 的对数 ???(??)。将封闭轮廓映射到单位圆的函数表示如下 [26]：
???(??)=ln???=ln???+?????,??=?????????? (2)
2.1.3. 从单位圆到简化边界的映射
通过求解积分方程成功解决了封闭轮廓与单位圆之间的映射后，下一步涉及使用共形映射的逆函数将??2平面中的单位圆映射回Z平面中的x轴，如图3所示。图3. 从??2平面中的单位圆到Z平面中的标准上半平面的逆共形映射。??2平面和Z平面分别表示单位圆域和目标标准域的复平面；带有斜线的阴影区域表示感兴趣的计算域；实心黑线??2表示单位圆的边界；蓝线和点表示单位圆上的边界点???????及其参数??（对应于方程（2））；箭头表示逆共形映射的方向，该映射将单位圆边界映射到Z平面的实轴x上，并将??2平面的原点映射到Z平面上的参考点i。通过应用共形映射函数的逆变换，可以精确地将圆的边界??2映射到Z平面的x轴上。在这个过程中，??2平面上的点?? =1, ?? =0对应于Z平面上的无穷远点（∞点），而??2平面上的点?? =0映射到Z平面上的点?? =??。基于这些关系，建立了??2平面上的圆形边界??2与Z平面上的x轴之间的对应关系。通过上述步骤，W平面上的复杂边界可以成功转换为Z平面上的简单边界，并且可以建立两个平面之间的点映射关系。通过分析方程和对共形映射函数的精确计算，可以将任意复杂的边界形状简化为易于管理的简单边界。进一步将这种方法与镜像法结合使用，可以求解在任意复杂的山地地形条件下的电场分布。计算流程图如图4所示。图4. 基于分数共形映射算法和镜像法的静电场计算流程图。

2.2. 集成NSGA-II和共形映射框架
NSGA-II是由Deb等人提出的[27,28]。基于共形映射的电场计算的准确性严重依赖于分数线性变换（方程（1）中的参数M，该参数对山地地形的特定几何形状非常敏感。手动为每个新的地形轮廓校准M既耗时又依赖于专家经验，严重限制了该方法的效率和泛化能力。为了克服这个问题，我们提出了一个将NSGA-II与共形映射过程结合的自动化优化框架。

2.2.1. 系统概述和工作流程
所提出的框架建立了一个闭环系统，在该系统中，NSGA-II迭代提出候选M值，共形映射模块评估它们的性能。图5展示了这个集成的工作流程，它分为三个关键阶段：
图5. 基于NSGA-II的多级共形映射优化框架架构。
初始化阶段：定义优化问题和算法参数。
迭代优化阶段：评估和进化候选参数的核心循环。
解决方案输出阶段：提取和验证最优参数。
核心思想是将参数搜索表述为一个双重目标优化问题，旨在同时最小化计算电场的最大局部误差和平均全局误差，从而确保准确性和鲁棒性。

2.2.2. NSGA-II优化的实现
NSGA-II实现了明确的参数设置和严格的收敛标准，以确保可重复性和可靠性。该算法优化分数线性映射的关键参数M，具体配置如下：
优化变量和目标
决策变量是分数线性映射的缩放参数M，其范围限制在?? ∈[0, 11,000]内。这个范围是根据地形高程尺度、映射特性和广泛的初步测试确定的，以涵盖典型2D地形轮廓的所有有效映射参数。基于共形映射结果与高精度COMSOL模拟之间的相对电压误差???(??,??)定义了两个目标函数：
???(??,??)=|??FEM???CM||??FEM|×100%，
其中??FEM表示来自COMSOL有限元模拟的参考电场，??CM是由所提出的共形映射方法计算的电场。两个相互冲突的目标是：
??1=max(??,??)∈Ω????(??,??)（最大局部相对误差），
??2=1?????∑??=1???(????,????)（平均全局相对误差），
其中N是在计算域Ω中均匀分布的采样点数量。

2.2.3. 集成NSGA-II参数设置
所有算法参数都明确定义，以确保完全可重复性：
种群规模：pop_size = 100（足以保持多样性而不会导致过度计算）；
目标函数数量：??num = 2；
决策变量数量：??num = 1（仅参数M）；
选择策略：二进制锦标赛选择，锦标赛规模为compare_size = 2，确保选择压力均衡；
交叉操作：模拟二进制交叉（SBX），交叉概率???? = 0.7，分布指数??1 = 2（有利于后代接近父母代以实现稳定收敛）；
变异操作：多项式变异，变异概率???? = 0.05，分布指数??2 = 5（引入适度随机性以避免局部最优解）；
精英保留机制：从父代种群（100个个体）中根据非支配排序和拥挤距离选择最好的50个个体。同时，从后代种群（100个个体）中使用相同的标准选择最好的50个个体。这两部分直接结合形成下一代种群，共100个个体。这种策略保留了来自父母代和后代的高质量解，确保了进化效率和稳定性。

2.2.4. 惩罚函数和约束处理
为了排除无效和性能低下的解，实施了一个惩罚机制：在排序过程中，最大局部误差??1 > 20%或平均全局误差??2 > 10%的个体被赋予最低的支配等级。这加速了向满足实际工程误差要求的可行解的收敛。阈值（最大局部误差为20%，平均全局误差为10%）是根据实际工程要求选择的，超过这些阈值的计算结果缺乏工程可靠性。

2.2.5. 终止准则
优化采用了基于收敛的终止准则，以确保算法完全进化：当连续10代之间的Pareto前沿的相对变化（通过连续代的Pareto解之间的平均欧几里得距离量化）小于10^-6时，迭代停止。如果在最大100代内未达到收敛，算法将终止以避免不必要的计算。收敛阈值（10^-6）和连续代限制（10代）的选择是为了确保Pareto前沿的稳定收敛，同时避免不必要的计算成本。这个准则平衡了收敛可靠性和计算效率，确保最终的Pareto最优集是稳定的，不会受到过早终止的影响。

2.2.6. 随机初始化和敏感性分析
初始种群在?? ∈[0, 11,000]范围内均匀随机生成。为了确保完全的可重复性，在所有实验中都使用了固定的随机种子（rng(1)），这标准化了所有随机操作，包括初始化、选择、交叉和变异。
为了进一步证明对随机初始化的低敏感性，表1展示了从四个不同的随机种子获得的最优M值和相应的目标函数。可以观察到M的最大相对偏差大约为3.6%（介于4474到4638之间），而??1（最大局部误差）和??2（平均全局误差）的偏差分别小于2.6%和2.2%。具体来说，??1的变化范围在8.13%到8.34%之间，??2的变化范围在3.23%到3.30%之间。这些微妙的波动证实了所提出优化框架的稳定性和可重复性。

2.2.7. 验证基准和误差指标
为了验证所提出的算法，基于真实地形数据和高保真有限元模拟，建立了一个可靠的复杂地形上电场分布的基准，具体实施步骤如下：
首先，选择中国广州的一个真实山区，并使用Google Earth Pro v7.3.6提取一个2D垂直截面：
在山区绘制一条3000米的水平东西向剖面（从?? =?1500 m到?? =1500 m）；
以10米的采样间隔导出剖面的高程轮廓，生成离散坐标点（????,????）；
使用三次样条插值将离散点拟合成平滑连续的地形轮廓，作为共形映射的边界，如图6所示。
图6. 真实起伏山地的垂直剖面。
在（0,2000）m处放置一个大小为1 μC的点电荷（位于地形轮廓上方1000米处）以模拟闪电先导通道。然后使用COMSOL Multiphysics 6.0（AC/DC模块，静电场接口）在计算域Ω：[?1500,1500] × [300,1700] m2内模拟高精度的参考电场分布，细化网格（近场区域为5米，远场区域为20米）以确保模拟准确性。模拟的参考电场分布显示在图7中。
图7. COMSOL模拟的电场强度分布。等高线图显示了静电场（V/m）的空间分布。灰线代表沿地形的场轮廓，三角形（▲）和倒三角形（▼）表示场强度的上限和下限。这个参考电场用于优化共形映射参数M，而不是在实际应用中替代所提出的方法。通过将NSGA-II优化的共形映射的结果与该COMSOL基准进行比较来评估其性能，使用方程（3）中定义的误差指标。
基于NSGA-II优化的多级共形映射算法的静电场计算完整流程图如图5所示，展示了闭环优化过程。

3. 仿真结果和比较分析
3.1. Pareto最优前沿的比较
为了验证NSGA-II的优化性能，首先使用传统的穷举搜索方法作为基准。关键的映射参数M在区间[100, 11,000]内以10、20和50的步长进行遍历。记录了每个参数集对应的电场计算的最大和平均误差。过滤出非支配解以绘制Pareto前沿。图8展示了NSGA-II多级共形映射算法（在第1、5和10代）和穷举搜索方法（使用步长50、20和10）获得的Pareto前沿的比较分析。具体来说，对于相同水平的主要误差，NSGA-II生成的Pareto前沿的平均误差减少了大约5%，这表明NSGA-II优化的解决方案的准确性得到了显著提高，并有效验证了算法在高效逼近全局Pareto最优前沿方面的能力。

3.2. 优化效率的比较
图9展示了两种方法达到相似精度Pareto前沿所需计算时间的比较。结果显示，与穷举搜索相比，NSGA-II完成优化搜索所需的时间显著减少，平均提高了49.3%。这表明，尽管分数线性映射本身的理论性质限制了最大误差的减少，但所提出的方法在平均误差方面实现了可测量的减少（大约5%），同时显著提高了优化效率。因此，它成功解决了依赖穷举搜索的传统方法的核心瓶颈，这些方法耗时巨大。

3.3.基于优化参数的电场计算验证
为了全面评估Pareto集中不同权衡方案的实际效果，从NSGA-II得到的最优集中选择了三个具有代表性的解决方案：
- 对应于最小最大误差的解决方案；
- 平衡两个目标的折中解决方案；
- 对应于最小平均误差的解决方案。
使用这三个解决方案的最佳参数M，完成了完整的共形映射和电场计算，并将这些结果与高保真COMSOL仿真结果之间的误差等高线图绘制出来，如图10所示。图10展示了三种代表性Pareto最优解的电场计算结果相对误差等高线图：(a) 最小最大误差解，(b) 平衡权衡解，(c) 最小平均误差解。对误差等高线图的分析揭示了每个选定解决方案所具有的独特特性：
- 最小最大误差解优先考虑抑制局部极端误差，从而在高风险区域提供了更高的可靠性；
- 平衡误差解在峰值误差和平均误差之间实现了实际的权衡，提供了全面的稳健性能；
- 最小平均误差解优化了全局精度，确保了最佳的总体场一致性。
这些结果共同直观地展示了本研究中采用的双目标优化框架的实际价值。所得到的Pareto最优集为用户提供了一个决策空间，可以根据具体的工程需求灵活选择最终的映射参数——无论是强调风险控制（最小化最坏情况下的误差）还是追求全场精度。

3.4. 不同地形配置下的鲁棒性验证
为了进一步验证所提出方法在不同地形几何形状下的鲁棒性和泛化能力，对三种具有不同形态特征的典型复杂地形配置进行了额外的验证实验：陡坡地形、双峰地形和多峰地形。对于每种地形，采用了三种代表性的参数方案，分别对应不同的优化目标，来进行共形映射和电场计算。与高保真COMSOL仿真结果相比的相对误差等高线图分别显示在图11、图12和图13中。
图11. 三种代表性Pareto最优解下陡坡地形的相对误差等高线图：(a) 最小最大误差，(b) 平衡权衡，(c) 最小平均误差。
图12. 三种代表性Pareto最优解下双峰地形的相对误差等高线图：(a) 最小最大误差，(b) 平衡权衡，(c) 最小平均误差。
图13. 三种代表性Pareto最优解下多峰地形的相对误差等高线图：(a) 最小最大误差，(b) 平衡权衡，(c) 最小平均误差。
计算精度受到地形复杂性的影响。随着地形不规则性的增加，最大相对误差有适度上升的趋势。尽管如此，所提出的方法在不同地形类型下仍保持了稳定可靠的性能，这验证了其良好的鲁棒性和对复杂边界条件的适应性。
需要明确的是，本工作中的鲁棒性验证主要集中在所提出方法对地形的适应性上，涵盖了具有不同形态特征的典型2D平滑地形剖面（陡坡、双峰和多峰地形）。验证的鲁棒性维度包括：
- 在不同地形起伏程度下优化结果的稳定性；
- 对称和非对称2D地形下误差控制性能的一致性；
- NSGA-II框架在不同边界条件下的收敛稳定性。
以下情况不在当前验证的范围内：
- 具有复杂空间起伏的3D地形；
- 闪电放电的瞬态电磁场计算；
- 具有随机先导传播路径的随机闪电打击场景；
- 具有不连续或尖锐断裂边界的极端地形。
这些场景受到FLM固有数学特性的限制，将在未来的工作中通过扩展方法进行探索。

3.5. 敏感性分析
为了进一步验证所提出方法的通用性和稳定性，简要讨论了其对电荷位置、采样密度和计算域的敏感性。当电荷位置在闪电先导模拟中常用的范围内变化时，计算误差保持稳定，没有明显波动。随着采样密度的增加，计算结果迅速收敛，但过度采样并不会显著提高精度，反而增加了计算负担。当计算域扩展到一定大小以上时，电场分布趋于一致，表明本研究中选择的域足够大，可以消除边界效应。这些结果证实，所提出的方法对常见参数变化具有较低的敏感性，其结论是普遍且可靠的。

4. 讨论
本文通过将NSGA-II多目标遗传算法与多层次共形映射框架相结合，开发了一个快速且自适应的电场计算模型。该研究解决了在复杂地形上计算闪电诱导电场时对效率和精度的关键需求。虽然传统的数值方法（如有限元法）具有高精度，但其巨大的计算成本限制了其实际工程应用。现有的共形映射方法虽然提高了速度，但依赖于经验性或穷举性的参数调整，这种方式效率低下且缺乏适应性。所提出的方法解决了FLM自适应参数选择的关键瓶颈问题。通过将最优映射参数M的搜索表述为一个双目标优化问题——同时最小化最大局部误差和平均全局误差——算法无需人工干预即可自动识别出一组Pareto最优解。实验结果表明，与传统基于遍历的调整方法相比，该方法将平均计算误差降低了约5%，同时保持了相当的最大误差性能。这种最大局部误差的有限改进是FLM的固有理论限制，因为它更注重在高效几何适应性上闭合复杂平滑地形边界，而不是极端的局部误差抑制——这对于共形映射在非结构化地形场景中的工程应用来说是必要的权衡。此外，优化过程平均速度比穷举搜索快49.3%，并且在特定安全关键和大规模应用条件下，精确度的适度提高和效率的显著提升展现了明显的实际工程价值。

4.1. 协同改进的实际工程意义
尽管所提出的方法仅限于静电分析和二维地形建模，但在 lightning protection 设计的初步阶段仍具有显著的工程价值。平均全局误差降低了5%，计算效率提高了49.3%，有助于缩短设计周期并提高电场分布预测的可靠性。对于大型工程项目（如山区传输走廊的 lightning protection 设计），效率的提高显著减少了传统穷举搜索的时间消耗，并实现了快速的参数分析。对于对精度要求较高的场景（如电子设备车间），误差的降低有助于减弱场预测的累积偏差，从而减少 lightning protection 设备布局不合理的风险。此外，双目标框架获得的Pareto前沿为工程师提供了一个灵活的决策基础，可以根据项目的实际需求平衡计算效率和预测精度之间的关系。总体而言，所提出的方法适用于 lightning protection 初步设计阶段的快速分析和辅助决策，为静电和二维条件范围内的场景提供了一个可行且高效的工具。

4.2. 限制和工程适用性的关键分析
需要强调的是，所提出的方法是基于FLM开发的，而FLM仅在2D复杂平面上进行了数学定义。因此，仅限于静电场分析和2D地形表示是FLM的固有理论属性，而不是所提算法的限制。严格的3D共形映射仅适用于少数简单对称结构（例如球体），标准的分数线性映射不能直接扩展到一般的3D地形。对于复杂的非对称3D地形（如山脊、山谷和随机起伏的表面），这样的扩展在FLM框架内是数学上不可行的。只有对于对称地形，可以考虑准共形映射作为潜在的扩展方法，它允许局部角度变形，但最小化了全局变形能量[29]。此外，所提出的方法仅计算静电场分量，适用于初步的 lightning protection 评估，但无法捕捉瞬态电磁效应。这种确定性模型也不涉及闪电传播的随机特性，这限制了其在定量闪电风险评估中的应用。

4.3. 未来实际工程应用的扩展步骤
对于未来的扩展，提出了以下可行性方向：
- 对于对称地形场景，可以引入准共形映射以将框架扩展到近似3D情况，并适当控制变形。
- 为了实际的工程应用，可以从DEM数据中自动提取2D地形剖面，以提高建模效率。
- 所提出的方法可以用作快速预处理模块，以加速传统瞬态电磁模拟方法的收敛。
- 将利用闪电诱导电场的现场测量数据进行实验验证，以进一步提高工程可靠性。

5. 结论
本文通过将NSGA-II多目标遗传算法与多层次分数线性共形映射方法相结合，开发了一个用于复杂地形上 lightning protection 的自适应高效电场计算框架。核心贡献在于将映射参数M的选择重新表述为一个双目标优化问题，同时最小化最大局部误差和平均全局误差，从而消除了经验性调整或穷举遍历的需要。实验结果表明，与传统的穷举搜索相比，所提出的方法将平均全局误差降低了约5%，并将参数优化效率提高了49.3%，同时保持了相当的最大误差性能。该框架在不同地形剖面（包括陡坡、双峰和多峰地形）上显示出稳定的精度，证实了其鲁棒性和适应性。由于分数线性映射的固有数学特性，该方法仅限于2D静电场分析，不能直接扩展到一般的3D地形或瞬态电磁模拟。尽管如此，它为复杂山区地形的初步 lightning protection 设计提供了一个实用且高效的工具，为工程师提供了基于Pareto的灵活决策空间。未来的工作将集中在整合DEM数据进行自动轮廓提取、通过预处理加速瞬态模拟以及用现场测量数据验证该框架上。