⚡ electrical engineering

Quantum-Inspired Evolutionary Optimization for CO2 Sensor Placement on the UCF Campus: Mathematical Formulation and Baseline Validation

本文提出了一种用于在严格空间约束下在 UCF 校区布置 11 个二氧化碳传感器的量子启发式进化优化框架，该框架实现了对高流量行人走廊 72.73% 的覆盖率——是当前基准的两倍——同时为市政传感器网络的部署与校准建立了一种可扩展的方法论。

原作者： Eswara Sai Kumar Kandula, Phani Raja Bharath Balijepalli, Utkarsh Singh, Soheil Sabri, Azadeh Vosoughi, Haofei Yu, Roopesh Mathur, Abhishek Chopra, Rut Lineswala

发布于 2026-08-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Eswara Sai Kumar Kandula, Phani Raja Bharath Balijepalli, Utkarsh Singh, Soheil Sabri, Azadeh Vosoughi, Haofei Yu, Roopesh Mathur, Abhishek Chopra, Rut Lineswala

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图聆听一个繁华的城市广场，但你手里只有寥寥几个微小的、低成本的麦克风。你想确切知道最响亮的对话发生在什么位置，以便了解城市的氛围。这就是**城市感知（urban sensing）的世界——在这个领域，科学家们利用小型设备网络来监测诸如空气质量之类的指标。挑战不仅在于拥有这些麦克风，更在于如何确定要把它们挂在什么地方。如果你把它们放在安静公园的中心，你将听不到任何有趣的声音；如果你把它们放在建筑内部，它们根本无法工作。这是一个被称为组合优化（combinatorial optimization）**的巨大谜题，这只是一个高级说法，意指“从海量可能性中找到最佳排列方式”。

为了解决这个问题，研究人员经常使用进化算法（evolutionary algorithms），它们就像是自然选择的数字版本。它们创造出一堆随机的解决方案，观察哪些效果最好，将它们混合在一起，并重复这个过程，直到找到赢家。最近，科学家们开始借鉴量子力学（quantum mechanics）——即微观粒子的奇妙物理学——来让这些算法变得更加聪明。这些“量子启发式”工具不再仅仅一次只挑选一个位置，而是可以同时观察许多种可能性，就像一个超级快速的探险家同时检查迷宫中的每一条路径。这至关重要，因为获取准确的空气质量数据有助于城市在公共卫生、交通以及在哪里建造新公园等方面做出更好的决策。

中佛罗里达大学（UCF）校园的大型传感器搜寻行动

现在，让我们聚焦到一个具体的冒险：在中佛罗里达大学（UCF）校园内布置二氧化碳（CO2）传感器。研究人员面临着一个棘手的局面。他们的预算正好够购买 11 个传感器，且每个传感器可以“观测”一个半径为 223 米 的圆圈。但校园并非一片空地，而是一个由建筑、湖泊和茂密森林组成的复杂迷宫。你不能把传感器插在墙里、湖中心，或者深陷于会阻挡天空和风力的浓密树丛中。

团队提出了一个简单却困难的问题：我们应该把这 11 个传感器放在哪里，才能捕捉到最多的行人活动产生的二氧化碳？

旧方法 vs. 新方法

在这项研究之前，校园里已经安装了 11 个传感器。研究人员检查了它们的表现。结果显示，它们仅覆盖了 36.29% 的高流量步行路径（即学生和教职员工实际呼吸空气的地方）。旧有的布局就像是试图通过站在远离球场看台的空旷位置来观看一场足球赛；它提供了整个体育场的概览，却错过了所有的精彩瞬间。

研究人员想要做得更好。他们构建了一个数字化的校园地图，并使用了一个名为**量子启发式进化优化（QIEO）**的特殊计算机程序。可以将这个程序想象成一个超级聪明的游戏玩家，它不仅仅是在瞎猜，而是利用“量子”技巧在几秒钟内探索数百万个可能的传感器位置。

游戏规则

计算机必须遵循严格的规则，即“约束条件”，以确保解决方案符合现实情况：

禁区： 传感器不能放置在建筑物、水域或茂密森林内部。
足迹规则： 即使传感器的中心点是安全的，其“视野”（一个 223 米的圆圈）也不能与禁止区域过度重叠。例如，视野可以与森林重叠不超过 15%，但必须完全避开建筑物和水域。
目标： 最大化“优先级点”的数量——即人们最容易暴露在二氧化碳环境下的繁忙步道点位。

重大发现

当 QIEO 程序运行模拟时，它找到了一个比之前好得多的 11 个传感器新排列方案。

结果： 新布局覆盖了 72.73% 的繁忙步行路径。
对比： 这比目前的设置整整提升了 2 倍（或 2×）！
额外收获： 它还以微弱但显著的优势击败了标准的“贪婪”计算机方法（该方法只是不顾全局地逐一挑选最佳位置），后者达到了 67.82% 的覆盖率。

研究人员展示了新的位置紧密分布在校园主要的“血管”（即人们行走的路径）沿线，而不是均匀地分布在整张地图上。旧的传感器分布得较广，旨在获取整个校园的背景读数，而新的传感器则专注于人们实际行走和呼吸的具体场所。

“我们需要多少个？”这个问题

团队还提出了第二个问题：如果我们想要覆盖一定比例的校园，最少需要多少个传感器？ 这被称为“逆问题”。

他们计算了数据，并发现了一个关于金钱与效率的惊人事实：

要覆盖 40% 的步行路径，只需要 6 个 传感器。
要覆盖 50%，需要 7 个 传感器。
要覆盖 60%，需要 9 个 传感器。
要覆盖 70%，需要 11 个 传感器。

关键点在于：目前的校园拥有 11 个 传感器，但仅覆盖了 36.29%。新的计划表明，只需将 6 个 传感器放在正确的位置，就能覆盖 40.99% 的路径。这意味着大学有可能将传感器预算削减近一半（从 11 个减至 6 个），同时还能获得更多关于人们呼吸环境的有益数据。或者，如果保留全部 11 个，他们将获得两倍的覆盖率。

为什么这很重要

这项研究不仅找到了一张更好的地图，它还证明了传感器的放置方式改变了一切。

这不仅仅是数学： 研究人员确保了传感器是可以实际安装的。他们检查了每个新位置是否靠近步道、远离建筑并远离树木。
这并非魔法： 他们并没有声称解决了全世界的问题。他们展示了对于这个特定的校园，使用这种特定的方法，可以使效率翻倍。
这是一种权衡： 旧的传感器擅长观察整个校园的“大局”。新的传感器则更擅长观察人们聚集的“热点”。两者各有所长，但职责不同。

最终，这篇论文表明，通过使用智能的、量子启发的数学方法来尊重物理世界的规则（比如不把传感器放在湖里），城市和大学可以从其空气质量监测网络中获得更多的价值。它提醒我们，有时解决问题最好的方法不是购买更多的设备，而是更深入地思考如何安置现有的设备。

技术摘要：用于 UCF 校区二氧化碳（CO2）传感器布局的量子启发式进化优化

问题陈述
低成本物联网（IoT）平台的激增使得高密度城市二氧化碳（CO2）监测成为可能；然而，在复杂的市政几何结构中优化有限的传感器预算仍是一个非平凡的组合挑战。传统方法通常依赖于简化的空间域或确定性的地理信息系统（GIS）启发式算法，这些方法在面对高分辨率候选网格和复杂的非凸排除区（如建筑物、水体和茂密植被）时，往往难以扩展。此外，现有的进化公式经常使用标量惩罚项来抑制不可行布局，这导致环境违规现象在搜索种群中依然存在。本研究针对在中佛罗里达大学（UCF）校区布置 $N=11$ 个圆形足迹传感器（半径 $R=223$ 米）的具体挑战展开研究。目标是在严格遵守排除建筑物、水体和森林类植被的结构化选址约束的前提下，最大化加权行人优先覆盖率，从而确保生成的网络在物理上可部署且在方法论上是严谨的。

研究方法
本研究提出了一种结合了地理空间数据处理、需求建模和量子启发式进化优化（QIEO）算法的结构合规优化框架。

地理空间过滤与候选离散化：
不同于应用软惩罚的传统方法，本框架采用了一套严格的空间筛选流程。研究域被离散化为确定的 30 米网格。只有满足严格中心级标准（例如：距离建筑物 5–140 米，距离步道 $\le$ 90 米）且满足足迹级交集过滤条件（即与建筑物的重叠 $\le$ 35%，与水体的重叠 $\le$ 5%，以及与森林植被的重叠 $\le$ 15%）的候选点才会被纳入搜索空间。这一过程将环境选址规则从软惩罚转化为结构性保证，确保优化器仅在预先验证的 502 个可行位置内进行搜索。
需求建模：
覆盖目标被定义为需求加权的极大覆盖设施选址问题（MCFLP）。研究并非针对均匀面积覆盖进行优化，而是优先考虑行人暴露情况。研究沿步行廊道生成了约 5,230 个优先级点，并根据行人密度（通过核密度估计得出）进行加权。目标是最大化落在至少一个传感器足迹内的这些点的加权比例。
优化引擎 (QIEO)：
研究利用了量子启发式进化优化算法。与个体代表单一确定解的经典遗传算法（GA）不同，QIEO 利用量子比特叠加态 ( $\alpha|0\rangle + \beta|1\rangle$ ) 来维持搜索空间的概率表示。这使得算法在早期世代中能够进行更广泛的全局探索。该算法采用量子旋转门，根据表现最佳的个体动态更新概率振幅，使叠加态向最优离散坐标坍缩。“捕捉（Snapping）”机制将连续的算法输出映射到预过滤网格中最接近的有效候选点，从而强制执行间距约束（目标为 1.5R 分离）和结构合规性。
问题构建：
研究将问题分为两种模式：
- 直接问题： 为固定预算 $N=11$ 个传感器实现覆盖率最大化。
- 逆问题： 确定实现特定覆盖阈值（40%、50%、60%、70%）所需的最小传感器数量，从而生成硬件与覆盖率之间的校准曲线。

主要贡献

结构约束强制执行： 引入了经过足迹过滤的确定性候选网格，将建筑物、水体和植被排除规则直接嵌入搜索空间。这消除了对事后人工调整的需求，并在数学上保证了生成的任何解在物理上都是可部署的。
基准拆解与验证： 将优化配置与目前已部署的 UCF 校区网络（11 个传感器）进行了严格的基准测试。
硬件可扩展性分析： 开发了逆问题构建方法，建立了连接物联网资本投入（传感器数量）与预期行人优先覆盖率的可转移校准曲线。

结果

覆盖率提升： 通过 QIEO 优化的 11 个传感器布局实现了 72.73% 的加权优先级点覆盖率。这相比目前部署的基准网络（36.29%）实现了 2 倍的提升，且比无约束贪婪启发式基准（67.82%）提升了 4.91%。
约束满足情况： 事后验证确认，所有优化的传感器位置均严格符合环境约束。没有传感器中心侵入建筑物或水体多边形，且植被重叠保持在 15% 的阈值内（其中一个传感器的重叠恰好达到 15%）。
收敛性与效率： 算法表现出稳健的收敛性，在 10 次独立运行中的标准差仅为 0.20%。算法在标准台式工作站上运行约 195 秒即可找到最优解，这与暴力枚举法（估计对于相同的搜索空间需要超过 3.61 亿年）的计算不可行性形成了鲜明对比。
逆问题发现： 逆向扫描揭示了传感器数量与覆盖率之间的非线性关系。实现 40% 覆盖率仅需 6 个传感器，而达到 70% 则需要 11 个。值得注意的是，优化的 6 传感器配置（覆盖率为 40.99%）优于现有的 11 传感器基准（36.29%），这表明在获得同等或更高水平的暴露监测时，硬件成本有望降低 45%。
运行权衡： 研究识别出了设计目标之间的根本分歧：基准网络优先考虑广泛的地理代表性（平均间距 420 米），而 QIEO 方案则优先考虑高密度行人廊道（平均间距 348 米）。

意义与主张
本文声称，这项工作弥合了经验地理空间制图与高级元启发式优化之间的方法论差距。通过将复杂的市政选址几何结构转换为结构约束而非软惩罚，该框架确保了优化结果不仅在数学上是最优的，而且在操作上是可行的。

本研究将 UCF 校区的部署定位为层次化大都会规模扩展的“验证单元格”。其核心意义在于为市政规划者提供了一个定量框架，以平衡边际硬件投资与预期的行人暴露覆盖率。逆问题校准曲线作为一个政策工具，证明了通过严格执行空间明确的优化，可以在不牺牲监测分辨率的前提下，大幅降低物联网资本支出（CAPEX）。作者强调，虽然优化的位置是候选部署点，但仍需进行特定场地的校准和实地验证，且当前研究侧重于几何覆盖而非直接的 CO2 通量重建。未来的工作被确定为需要向大都市区域扩展、整合 3D 微气候动力学以及纳入移动传感器架构。