基于Hopfield 神经网络的污水处理过程优化控制

针对前置反硝化污水处理过程的优化控制问题,提出一种基于拉格朗日乘子法的Hofield神经网络优化方法.构造了污水处理过程约束优化问题的数学表达式,通过Hopfield神经网络优化计算生化池第5分区溶解氧浓度和第2分区硝态氮浓度的设定值,并采用PID控制器实现底层的跟踪控制.基于国际标准的Benchmark基准仿真平台进行仿真实验,结果表明污水处理系统在出水关键水质达标的基础上,能够显著降低能耗.     

复杂工业过程智能建模与控制方法及应用专题序言

<正>随着人工智能、大数据和云计算等新一代信息技术的快速发展,全球范围内新一轮科技革命和产业变革蓬勃兴起。我国十九大报告提出了要大力推动互联网、大数据、人工智能和实体经济深度融合。正如《中国制造2025》所指出的,我们要以促进制造业创新发展为主题,以提质增效为中心,以加快新一代信息技术与制造业深度融合为主线,以满足经济社会发展和国防建设对重大技术装备的需求为目标,强化工业基础能力,推进智能制造发展,     

基于动态分解多目标粒子群优化的城市污水处理过程优化控制

为了实现城市污水处理过程各性能指标的优化运行,提出了一种动态分解多目标粒子群优化控制(optimal control based on dynamic decomposed multiobjective particle swarm optimization, OC-DDMOPSO)策略.首先,构建了基于自适应核函数的运行性能指标模型,确定了优化运行目标.其次,设计了基于档案库动态分解的多目标粒子群优化算法,实时获取操作变量的优化设定值.最后,利用预测控制策略跟踪优化设定值,完成了城市污水处理过程优化控制.将提出的OC-DDMOPSO应用于基准仿真平台BSM1,实验结果显示,OC-DDMOPSO能够实现城市污水处理过程稳定运行,保证出水水质达标排放和降低运行成本.     

城市污水处理过程动态多目标智能优化控制研究

城市污水处理过程(Municipal wastewater treatment process, MWWTP)是一个典型的复杂流程工业过程, 其优化运行涉及到多个动态性能指标. 为了实现城市污水处理运行过程的优化控制, 本文提出了一种城市污水处理过程动态多目标智能优化控制方法(Dynamic multiobjective intelligent optimal control, DMIOC). 首先, 建立了一种基于自适应核函数的动态性能指标模型, 实现了城市污水处理关键性能指标的准确描述; 其次, 设计了一种基于自适应飞行参数调整机制的动态多目标粒子群优化算法(Dynamic multiobjective particle swarm optimization, DMOPSO), 可有效平衡粒子的多样性和收敛性, 完成了溶解氧和硝态氮优化设定值的实时获取; 最后, 利用多回路PID控制方法对溶解氧和硝态氮优化设定值进行控制, 实现了城市污水处理过程安全稳定运行. 将提出的DMIOC应用于城市污水处理基准仿真平台, 实验结果显示: DMIOC 能够提高溶解氧和硝态氮的控制效果, 实现城市污水处理过程出水水质达标, 并降低运行成本.     

基于SOTSFNN的溶解氧浓度控制方法

针对污水处理过程溶解氧浓度难以控制的问题,提出了一种基于自组织T-S模糊神经网络的控制方法。其实质是采用模糊规则层激活强度的方法,根据实际环境自适应的对神经元进行调整,构造合适的控制结构,从而提高控制精度。同时采用梯度下降法对控制器的各个参数进行实时调整。该控制器运用在污水处理基准仿真模型中进行实验,结果表明,提出的SO-TSFNN控制方法能够较好地实现对溶解氧浓度的控制,具有较好的自适应性。     

数据驱动选择策略的多目标差分进化算法

针对多目标差分进化算法求解复杂多目标优化问题时,最优解选择策略中非支配排序计算复杂度高的问题,提出一种数据驱动选择策略的多目标差分进化(MODE-DDSS)算法.首先,设计多目标差分进化算法的优化解排序等级评估准则,建立基于评估准则的优化解排序等级评估库;其次,设计基于优化解双向搜索机制和无重复比较机制的数据驱动选择策略,实现优化解的高效搜索和快速排序;最后,构建数据驱动选择策略的多目标差分进化算法,降低算法在最优解选择操作中的时间复杂度,提高算法的寻优效率.实验结果表明,所提出的MODE-DDSS算法能够有效减少最优解在选择过程中的比较次数,提升多目标差分进化算法解决复杂多目标优化问题的寻优效率.     

基于Q学习的多任务多目标粒子群优化算法

多任务粒子群优化算法(multi-task particle swarm ptimization, MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而, MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.     

基于自组织随机权神经网络的BOD软测量

针对污水处理复杂系统中关键水质参数生化需氧量( biochemical oxygen demand,BOD)难以准确实时预测的问题,在分析污水处理过程相关影响因素的基础上,提出一种基于敏感度分析法的自组织随机权神经网络( self-organizing neural network with random weights,SONNRW)软测量方法。该方法首先通过机理分析选取原始辅助变量,经过数据预处理,之后采用主元分析法对辅助变量进行精选,作为SONNRW的输入变量进行污水处理关键水质参数BOD的预测。 SONNRW算法利用隐含层节点输出及其权值向量计算该隐含层节点对于残差的敏感度,根据敏感度大小对网络隐含层节点进行排序,删除敏感度较低的隐含层节点即冗余点。仿真结果表明：该软测量方法对水质参数BOD的预测精度高、实时性好、模型结构稳定,能够用于污水水质的在线预测。     

动态结构优化神经网络及其在溶解氧控制中的应用

提出一种神绎网络结构动态优化设计方法,其实质是通过判断隐含层神经元在学习过程中对输出的影响,利用竞争机制在信息处理过程中增加或删减隐含层神经元,实现神经网络结构的动态优化调整.将结构动态优化设计神经网络应用于污水处理过程中溶解氧的控制,实验结果表明该控制器较之固定结构神经网络控制器在超调、调节时间、自适应能力方面都更优.     

基于贡献率的离散Hopfield 结构优化

针对离散Hopfield 神经网络(DHNN) 结构复杂的问题, 提出一种基于贡献率的结构优化算法. 该算法利用奇异值分解方法对连接权值进行设计, 进而利用贡献率的方法对DHNN进行结构优化. 优化后的网络降低了DHNN结构的复杂程度, 使网络具有类似生物神经网络的稀疏结构, 实现了DHNN网络结构的优化. 最后, 通过水质评价和数字识别对该算法进行验证, 表明了所提出算法的有效性和可行性, 同时, 还验证了其对于大规模DHNN的有效性和适用性.