基于改进粒子群优化算法的污水处理过程优化控制

针对前置反硝化工艺污水处理过程,提出了一种基于分工策略粒子群优化算法的优化控制方案.以国际水协会(IWA)开发的基准仿真模型BSM1为基础,综合考虑出水水质、曝气能耗和泵送能耗,通过动态优化底层PI控制器的最佳设定值达到出水水质高、能量消耗少的目的.基于分工策略的粒子群算法具有更强的全局寻优能力,仿真结果表明了该优化方案能够在保证污水水质达标的情况下,有效减少污水处理过程的能耗.     

污水处理过程多变量优化控制方法研究

为了解决污水处理过程的优化控制问题,提高出水水质达标率和降低能耗,提出了一种污水处理多变量优化控制方法.首先,通过分析污水处理过程参数与可控变量溶解氧与硝态氮的关系,建立能耗和出水水质模型;其次,提出一种动态惯性权重的多目标粒子群优化算法,该算法平衡了寻优过程中的局部搜索和全局搜索能力,同时提高了算法的收敛速度,获得最...     

基于改进粒子群算法的污水处理过程神经网络优化控制

针对活性污泥法污水处理过程高能耗的问题,综合考虑污水处理出水水质和生化反应参数之间的关系,文中设计了一种智能优化控制系统.该系统以国际水协(IWA)开发的基准仿真模型BSM1为研究对象,利用改进粒子群算法优化BSM1第2分区的硝态氮浓度和第5分区的溶解氧浓度、混合液悬浮物固体浓度的设定值;同时利用感知器神经网络预测污水处理过程的输出,在出水水质达标的前提下降低污水处理能耗.仿真实验结果表明,系统总能耗相比闭环控制策略降低4.614%,该神经网络智能优化控制系统能够有效降低污水处理的能耗.     

免疫粒子群算法在污水生化处理过程中的应用

针对污水生化处理过程,设计了一种新型算法。以粒子群算法对控制过程进行寻优,利用粒子群的快速搜索能力,保证了寻优速度;以混沌序列对粒子群进行初始化,提高了初始粒子群的质量,促进粒子群快速寻优;以免疫算法对粒子群进行克隆、变异及抑制,保证了粒子群的多样性,提高了粒子群的全局寻优能力,克服了粒子群的早熟问题。仿真结果表明,该算法大大提高了优化的性能和质量,在保持出水水质符合标准的前提下使污水处理的经济成本达到最优。     

数据和知识驱动的城市污水处理过程多目标优化控制

城市污水处理过程优化控制是降低能耗的有效手段, 然而, 如何提高出水水质的同时降低能耗依然是当前城市污水处理过程面临的挑战. 围绕上述挑战, 文中提出了一种数据和知识驱动的多目标优化控制(Data-knowledge driven multiobjective optimal control, DK-MOC)方法. 首先, 建立了出水水质、能耗以及系统运行状态的表达关系, 获得了运行过程优化目标模型. 其次, 提出了一种基于知识迁徙学习的动态多目标粒子群优化算法, 实现了控制变量优化设定值的自适应求解. 最后, 将提出的DK-MOC应用于城市污水处理过程基准仿真模型1 (Benchmark simulation model No. 1, BSM1). 结果表明该方法能够实时获取控制变量的优化设定值, 提高了出水水质, 并且有效降低了运行能耗.     

基于粒子群算法的污水处理优化控制策略*

针对污水生化处理控制过程中寻优速度较慢、无法实现高质量的污水处理控制等问题,设计了一种新型粒子群算法。通过基于混沌序列的粒子群初始化方法,增强了粒子群的多样性,提高了算法效率;在寻优过程中,当系统陷入局部最优时,引入扰动,有效地克服了早熟。仿真结果表明,本算法不但保证了寻优速度,而且在保持出水水质符合标准的前提下使污水处理的经济成本达到最优。     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.     

基于改进差分进化算法的污水处理过程优化控制

针对如何确定污水生化处理过程被控变量最优设定值的问题,首先提出一种改进的差分进化算法,并通过4个典型函数的仿真实验验证所提出的算法的寻优性能;然后综合出水水质、曝气能耗、泵送能耗、污泥处理费用等作为单一优化目标,应用所提出的算法完成被控变量最优设定值的求取;最后,仿真4种不同的控制策略在3种不同天气入水条件下的污水生化处理过程,通过与其它控制策略对比,仿真结果表明所提出的优化控制策略不仅可以降低系统的运行代价,还缩短了关键出水水质的越限时间,提高了污水处理的出水水质.     

基于精英的量子粒子群优化的Ad hoc能耗研究

在Ad hoc网络中,随着多播应用领域的日益扩大,如何构造最小能耗多播树是一个重要问题。针对选择不同的中继节点对构造最小能耗多播树产生的影响,提出了一种优化最小能耗多播树构造的基于精英学习的量子粒子群算法(QPELSO)。为了避免粒子群算法早熟收敛,采用动态逼近学习策略对精英个体进行局部更新,使其跳出局部极值点,引导种群进行有效搜索;借鉴群体早熟判断机制对停滞状态下的精英个体空间进行变尺度混沌扰动,增大种群全局搜索空间,有效平衡了算法的局部和全局搜索能力。模拟实验结果表明,改进后的粒子群算法具有较强的优化能力,并且有效地优化了最小能耗多播树的构造。     

基于自适应改进粒子群优化的数据离散化算法

针对经典粗糙集只能处理离散型属性的问题,提出一种基于自适应混合粒子群优化(AHPSO)的离散化算法。首先,引入自适应调整策略,以克服粒子群易陷入局部解的缺点,提高了粒子群全局寻优能力;然后对每一代全局最优粒子进行禁忌搜索(TS),得到当代最佳全局最优粒子,增强了粒子群局部搜索能力;最后,在保持决策表分类能力不变的情况下,将属性离散化分割点初始化为粒子群体,通过粒子间的相互作用得到最佳的离散化分割点。使用WEKA平台上的J48决策树分类方法,与基于属性重要度、信息熵的离散化算法相比,该算法的分类精度提升了10%~20%;与基于小生境离散粒子群优化(NDPSO)、参数线性递减粒子群的离散化算法相比,该算法的分类精度提升了2%~5%。实验结果表明,该算法显著地提高了J48决策树的分类学习精度,在对数据离散化时也有较好的性能。