基于改进多目标布谷鸟算法的污水处理优化控制方法

针对如何确定污水处理优化控制中关键变量的最优设定值,以满足出水水质达标的同时尽可能降低能耗的问题,提出一种基于改进多目标布谷鸟算法的污水处理多目标优化控制方法.首先,通过对污水处理过程的分析,建立基于神经网络的污水处理能耗和出水水质模型;其次,利用改进多目标布谷鸟算法同时对污水处理能耗和出水水质模型进行优化,得到溶解氧和硝态氮浓度的优化设定值;最后,利用PID控制器对关键变量的最优设定值进行跟踪控制,实现污水处理过程的多目标优化控制.仿真实验结果表明,与其他几种方法相比,所提出的方法在保证出水水质参数达标的前提下,更好地降低了污水处理过程的能耗,实现节能降耗和保护环境的目的.     

基于RBF人工神经网络的生活污水处理软测量方法

为实现城市生活污水处理的在线控制,提出了基于RBF人工神经网络的软测量方法.运用大量实测数据对RBF神经网络进行了训练和仿真.结果表明,基于RBF神经网络的软测量模型对污水处理指标BOD的实时控制具有实用价值.     

城市污水处理过程出水氨氮优化控制

为了改善城市污水处理过程出水氨氮的处理效果,提出一种城市污水处理过程出水氨氮优化控制方法.首先,基于机理特性分析影响出水氨氮浓度的性能指标,建立一种基于自适应核函数的性能指标与控制变量的关联模型,并通过粒子群优化算法获取控制变量溶解氧浓度的优化设定值;其次,设计自适应模糊神经网络控制器,完成溶解氧浓度优化设定值的跟踪控制;最后,将出水氨氮优化控制方法应用于基准仿真平台BSM1.实验结果表明,该优化控制方法不仅提高了出水氨氮的去除效果,而且有效降低了能耗.     

优化神经网络模型在水质预测中的运用

针对当前河道水质资料不健全且难以监测及预警的现状,提出了将神经网络模型运用于河道水质预测分析.运用神经网络模型对河道水质指标实测数据进行优化处理,深入分析水质指标数据,并建立神经网络预测模型.在此基础上,采用归一化和遗传算法两种方法对神经网络模型进行优化,并将优化模型和原神经网络模型分别运用于水质指标数据的预测.结果表明:优化后的神经网络模型可以实现对水质的预测,优化前神经网络模型的预测误差为8.57%,而采用归一化和遗传算法优化后的神经网络模型预测精度分别提高了6.36%和6.73%.同时分析得到了不同水质指标对叶绿素浓度值影响程度按大小依次为氨氮、溶解氧、高锰酸钾指数、pH值、温度.     

神经网络预测控制在污水处理溶解氧控制中的应用

针对污水处理过程溶解氧浓度时变设定值难以控制的问题,提出一种溶解氧浓度的神经网络预测控制器设计方法.首先,在活性污泥法污水处理过程通用机理模型基础上,利用系统的输入、输出数据,采用递推学习更新模式,通过三层BP神经网络训练出系统神经网络逼近模型.然后,设计满足出水水质指标的溶解氧约束预测控制器.在考虑溶解氧测量白噪音干扰和进水流量发生阶跃变化情况下,将所设计的控制器用于污水处理溶解氧浓度的时变设定值跟踪控制.仿真结果表明:与传统PID控制器相比,神经网络预测控制器能够显著提高溶解氧跟踪控制性能,具有更好的自适应性和抗干扰能力.     

神经网络动态规划在溶解氧控制中的应用

针对污水处理过程溶解氧质量浓度控制问题,提出一种基于神经网络动态规划的控制器设计方法.该方法不需要建立污水处理过程的非线性动力学模型,控制器的设计只需要系统的输入、输出观测信息.控制器设计采用评价—行动的思想,策略的评价值及最优行动分别采用两个回声状态网络逼近,给出评价网络的收敛条件.对污水处理过程溶解氧的控制试验结果表明,与常规PID控制相比,神经网络动态规划控制器能够有效提高控制精度,抑制干扰能力也明显增强.     

神经网络在污水处理中的模型建构初探

人工神经网络是对于人脑的模拟,具有自组织和自适应性以及较强容错能力,在研究神经网络的基本原理及优越性的基础上,针对污水处理系统的不确定性和非线性特性,初步探讨了应用BP神经网络对某市开发区污水处理系统进行模型的建构,以出水COD为输出目标值,将进水各项水质参数设置为神经网络的输入量,建立污水处理系统的BP网络模型,为在线控制建立模型基础。     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

采用遗传网络算法实现非线性系统的神经网络控制

提出一种对于非线性系统遗传算法的神经网络控制模型 ,并给出了新的神经网络训练模型 .该模型的主要优点是 ,优化网络连接权重 ,优化网络拓扑结构     

基于粒子群优化算法的分散式废水处理网络的综合

基于分散式废水处理网络的超结构，建立了废水处理网络系统最优化的非线性规划模型和混合整数非线性规划模型．它们是具有非凸性的复杂非线性数学规划问题，用现有的方法进行求解不能保证得到全局最优解．因此，提出了应用新型随机型算法——粒子群优化算法求解上述复杂非线性最优化问题．算例问题的求解计算表明，提出的废水处理网络粒子群优化方法具有不要求初始可行点以及适应全局优化等优点，能够快速有效地解决废水处理网络最优化问题．     

基于改进粒子群算法优化BP神经网络的废水处理软测量模型

针对废水处理过程BP神经网络软测量模型受处理过程非线性特征影响,存在收敛速度慢、陷入局部极小点等问题,用改进的粒子群算法(PSO)优化BP神经网络,建立废水处理过程中出水化学需氧量(COD_eff)与出水固体悬浮物(SS_eff)的软测量模型(PSO-BP模型),并与基于遗传算法-BP神经网络算法的模型(GA-BP模型)及BP模型的预测效果进行对比. 研究结果表明:采用PSO-BP模型预测COD_eff时,均方根误差(RMSE)、决定系数(R2)分别为3.995 5、0.640 1,而用于预测SS_eff时,RMSE、R2分别为0.650 3、0.681 1;相比BP模型和GA-BP模型,PSO-BP模型对COD_eff的预测性能分别提高了4.49%、0.44%,对SS_eff的预测性能分别提高了40.11%、24.77%.     

基于Elman神经网络的城市污水处理水质参数软测量

在介绍序批式活性污泥法(SBR)的城市生活污水处理工艺的基础上,针对反应过程所具有的多变量、非线性和动态复杂反应的特点,利用水质参数与多个过程可测参数间的关联关系,提出了基于Elman递归人工神经网络的水质参数软测量模型.以ORP,DO浓度和pH值作为输入参数,可实现对COD,NH3,TP水质参数的软测量.基于污水处理实验数据建立软测量模型,结果表明,上述软测量模型对污水处理水质指标COD,NH3,TP具有理想的预测效果.     

基于遗传算法的模糊优选神经网络路面性能评价模型

针对现有路面性能评价方法的不足,在模糊优选神经网络模型的基础上,引入遗传算法,建立了基于遗传算法的模糊优选神经网络的路面使用性能评价模型.该算法采用遗传算法优化神经网络权值,再用神经网络对遗传算法搜索到的近似最优解进行微调,并将模糊优选模型作为神经网络的激励函数,使模型具有明确的物理意义.应用该模型对沈大高速公路部分路段进行评价,与其他模型的对比分析表明:该方法在评价精度和效率方面取得了良好的效果,是一种实用的高速公路路面性能评价方法.     

基于PSO-RBF神经网络模型的原水水质评价方法及应用

针对自来水生产过程的原水水质评价问题,提出了一种基于PSO-RBF神经网络模型的原水水质评价方法.首先,根据水厂生产经验和历史数据分析,制定面向自来水生产过程的原水水质评价标准.然后,采用粒子群优化(PSO)算法训练的RBF神经网络模型,对苏州市相城水厂的进厂原水水质实施在线评价.最后,将进厂原水水质在线评价结果作为前...     

基于深度学习神经网络和量子遗传算法的柔性作业车间动态调度

针对柔性作业车间动态调度问题构建以平均延期惩罚、能耗、偏差度为目标的动态调度优化模型,提出一种基于深度Q学习神经网络的量子遗传算法。首先搭建基于动态事件扰动和周期性重调度的学习环境,利用深度Q学习神经网络算法,建立环境■行为评价神经网络模型作为优化模型的适应度函数。然后利用改进的量子遗传算法求解动态调度优化模型。该算法设计了基于工序编码和设备编码的多层编码解码方案;制定了基于适应度的动态调整旋转角策略,提高了种群的收敛速度;结合基于Tent映射的混沌搜索算法,以跳出局部最优解。最后通过测试算例验证了环境-行为评价神经网络模型的鲁棒性和对环境的适应性,以及优化算法的有效性。     

基于ANN的废纸造纸废水处理过程的动态建模

研究了人工神经网络技术在废纸造纸废水处理过程动态建模中应用的可行性,采用误差反向传播网络（BP网）建立了表征原水COD、加药量、进水流量、历史出水COD与预计出水COD之间复杂关系的动态模型,并对不同训练方法进行了比较,发现带有动态调整的方法具有较好的效果,其模型的计算输出值与过程的实际输出值具有较好的一致性．利用所建立模型对造纸厂现场排放废水进行实验,结果表明该模型可用于废纸造纸废水处理的动态描述,并为进一步的废水处理系统在线智能控制奠定了基础．     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

松花江流域蓄滞洪区方案优选智能决策研究

针对松花江流域防洪工程重要组成部分的蓄滞洪区，基于陈守煜提出的模糊优选BP神经网络模型，引入了遗传算法，提出融入遗传算法的模糊优选神经网络智能决策模型，对松花江流域蓄滞洪区方案优选进行智能决策．该模型既能合理地构造神经网络的拓扑结构，又可加快网络的收敛速度，并能改善网络的全局寻优能力，是对模糊优选BP神经网络模型的进一步发展，同时更对松花江流域蓄滞洪区的优选提供了理论依据．