[发明专利]基于自适应多目标粒子群的含油污水处理过程优化控制方法

权利要求书

1.一种基于自适应多目标粒子群的含油污水处理过程优化控制方法，首先通过模糊神经网络建立含油污水处理过程的溶解氧和硝态氮的优化设定值与曝气能耗和泵送能耗的目标函数；其次，针对标准粒子群算法容易早熟收敛和收敛精度低的缺点，采用自适应多目标粒子群优化方法，实现对含油污水处理目标函数的优化，同时获得溶解氧和硝态氮的优化设定值，不会出现早熟收敛、搜索精度高；最后，利用控制器对溶解氧和硝态氮的优化设定值进行跟踪控制，避免了当前污水处理厂需要设计多个控制器进行控制的复杂过程，完成含油污水处理过程的多目标优化控制；

具体包括以下步骤：

(1)设计用于含油污水处理过程优化控制的目标函数；

(2)利用模糊神经网络建立溶解氧和硝态氮的优化设定值与曝气能耗和泵送能耗间的关系表达式；

(3)出水水质的约束处理；

(4)利用自适应多目标粒子群优化目标函数获得Pareto最优解，具体为：

①初始化粒子群的速度v_i(0)、位置a_i(0)、惯性权重ω_i(0)、学习因子c_1i(0)和c_2i(0)，并将各粒子的初始位置设为当前历史最优位置p_i(0)，同时设定种群规模S，最大进化代数M，变量维数D；

②根据目标函数计算每个粒子的适应度值，确定第t次迭代的个体最优解p_i(t)，其定义式为：

非支配解集A(t)通过A(t-1)更新，其公式为：

其中，A(t)＝[a₁(t),a₂(t),…,a_Q(t)],Q是知识库A(t)的最大容量，K是知识库中包含非支配解的数目，表示a_i(t-1)和p_i(t-1)互不支配；

③确定第t次迭代的全局最优解gBest(t+1)

其中，gBest(t+1)是第t+1次迭代的全局最优解，dgBest(t+1)是第t+1次迭代的多样性较好的全局最优解，其中，dgBest(t+1)的定义式为：

dgBest(t+1)＝a(t),a(t)∈Μ_tbest.

cgBest(t+1)是第t+1次迭代的收敛性较好的全局最优解，其定义式为：

cgBest(t+1)＝arg maxCD_t(a_i(t)),

CD_t(a_i(t))是非支配解a_i(t)的收敛度，i＝1,2,3…K,E(t)是第t次迭代非支配解集的分布熵，其定义式为：

其中，u_n是知识库中非支配解的单元格，n＝1,2,3…,N,N是单元格的总数目，p_t(u_n)是第t次迭代单元格u_n的概率分布函数，其表达式为：

m_t(u_n)是第t次迭代单元格u_n中非支配解的数目，M_t(u_n)是第t次迭代单元格u_n中包含的所有非支配解的解集，其中，将最小的m_t(u_n)记为m_tbest，相应地，M_tbest是第t次迭代最优的非支配解集，此外，cgBest(t+1)的选择通过能够反映支配关系的收敛度判断，收敛度CD_t(a_i(t))的定义为：

其中，是第j个能被非支配解a_i(t)所支配的解，DS_t(a_i(t))是第t次迭代非支配解a_i(t)的支配强度，其定义式为：

DS_t(a_i(t))是第t次迭代的非支配解a_i(t)能够支配解的总数目，A(t)是第t次迭代的非支配解集，B(t-1)是第t-1次迭代的非支配解集；

④更新每个粒子的速度和位置；

⑤判断是否达到最大进化次数M，如达到，则结束，否则返回到②；

(5)从自适应多目标粒子群算法获得的一组Pareto最优解中，找到当前状态下的一组满意优化解作为底层控制器的优化设定值；

(6)执行底层控制策略，溶解氧和硝态氮浓度分别通过曝气池氧气转换系数K_La5和内回流量Q_a进行调节。