基于改進(jìn)粒子群算法的污水處理過(guò)程神經(jīng)網(wǎng)絡(luò)優(yōu)化控制

喬俊飛，逄澤芳，韓紅桂

(北京工業(yè)大學(xué)電子信息與控制工程學(xué)院，北京100124)

環(huán)境保護(hù)部2011年發(fā)布的《中國(guó)環(huán)境狀況公報(bào)》中指出，2010年全國(guó)廢水排放總量為617.3億噸，比2009年增加4.7%，而全年累計(jì)處理污水397.3億立方米，水污染防治形勢(shì)依然嚴(yán)峻.因此，建立污水處理廠，最大限度地保護(hù)水環(huán)境顯得尤為重要.截至2011年3月底，全國(guó)各個(gè)城市、縣累計(jì)建成城鎮(zhèn)污水處理廠2 996座，處理能力達(dá)到1.33億立方米每日[1].但是由于污水處理的經(jīng)濟(jì)成本高、能耗大，尚有607座投入運(yùn)行1年以上的城鎮(zhèn)污水處理廠平均運(yùn)行負(fù)荷率不足60%.因此，在出水水質(zhì)達(dá)標(biāo)的前提下，降低運(yùn)行能耗是污水處理過(guò)程亟待解決的問(wèn)題.

為了優(yōu)化運(yùn)行成本，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究[2-5].R.Piotrowskia等對(duì)采用分層控制策略實(shí)現(xiàn)水溶解氧濃度的控制，上層采用非線性模型預(yù)測(cè)設(shè)計(jì)好氧區(qū)的期望曝氣量，下層控制器采用分段線性化原理對(duì)設(shè)定值進(jìn)行跟蹤[2].雖然該分層控制策略能夠?qū)崿F(xiàn)溶解氧的優(yōu)化控制，但是由于控制變量單一，其應(yīng)用受到了很大的限制.V.Chandramouli等利用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種污水生化處理自適應(yīng)控制器，該控制器以回流污泥量和氧氣傳遞速率為控制量，底物濃度和溶解氧濃度為被控量，實(shí)現(xiàn)了污水處理過(guò)程底物濃度和溶解氧濃度的控制[3]，但是該控制器的控制量設(shè)定值為固定經(jīng)驗(yàn)值.B.Beraud等在BSM1(benchmark simulation model No.1)基礎(chǔ)上，為使曝氣能耗和泵送能耗達(dá)到最小，采用了多目標(biāo)遺傳算法(multi objectives genetic algorithm，MOGA)對(duì)污水處理過(guò)程進(jìn)行優(yōu)化控制[4].張平等針對(duì)活性污泥前置反硝化污水生化處理工藝，采用混合遺傳算法優(yōu)化曝氣能耗和泵送能耗達(dá)到最小，改變混合液懸浮物固體濃度(mixed liquor suspended solids，MLSS)和溶解氧濃度(dissolved oxygen，DO)的設(shè)定值，使得出水水質(zhì)達(dá)標(biāo)的情況下能耗最小[5].雖然文獻(xiàn)[4-5]中曝氣能耗和泵送能耗都有所降低，但是以上2種方法采用的遺傳算法需要復(fù)雜的交叉變異操作，容易陷入“早熟”[6].近年來(lái)，粒子群算法由于其與遺傳算法相比具有算法簡(jiǎn)單、參數(shù)少、求解速度快、易于實(shí)現(xiàn)等優(yōu)勢(shì)，得到了廣大學(xué)者的關(guān)注[7-8].A.Alireza提出了具有適應(yīng)性突變和慣性權(quán)重因子的粒子群算法[7]，以粒子的適應(yīng)度值作為變量，采用雙曲正切函數(shù)對(duì)慣性權(quán)重因子進(jìn)行修改，在參數(shù)估計(jì)的動(dòng)態(tài)系統(tǒng)中證實(shí)該算法可行.但該算法只是對(duì)權(quán)重慣性因子進(jìn)行修改，忽略了加速因子對(duì)算法的影響.Xiao等提出了一種新的自適應(yīng)粒子群算法[8]，將慣性權(quán)重因子采用線性的過(guò)渡方法，加速因子采用二次函數(shù)的方法對(duì)粒子群算法進(jìn)行改進(jìn)，取得了較快的收斂速度.但是算法中采用線性的過(guò)渡方法改變慣性權(quán)重因子，不能反映實(shí)際的搜索過(guò)程，描述得不夠精確.綜上所述，根據(jù)污水處理過(guò)程的特點(diǎn)，文中提出了一種改進(jìn)型自適應(yīng)粒子群算法(advanced self-adaptive particle swarm optimzation，APSO)，基于APSO設(shè)計(jì)了一種神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)，以國(guó)際水協(xié)會(huì)(International Water Association，IWA)提供的BSM1為研究對(duì)象，根據(jù)能耗的影響因素，選擇第5分區(qū)的溶解氧(DO)濃度、混合液懸浮物固體濃度(MLSS)和第2分區(qū)硝酸氮(SNO)濃度為控制變量，基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，采用改進(jìn)的自適應(yīng)粒子群算法優(yōu)化DO、MLSS和SNO的設(shè)定值，實(shí)現(xiàn)污水處理優(yōu)化控制.

1 優(yōu)化算法

1.1 標(biāo)準(zhǔn)粒子群算法

PSO求解最優(yōu)化問(wèn)題時(shí)，將所求問(wèn)題的變量設(shè)計(jì)為搜索空間的粒子.每個(gè)粒子由3部分組成:當(dāng)前位置xi、飛行速度vi和粒子的適應(yīng)度f(wàn)組成，表示為P(xi，vi，f)，在迭代的過(guò)程中:

1)粒子本身所找到的最優(yōu)解，稱之為粒子的自身認(rèn)知能力，記為pbest;

2)整個(gè)粒子群目前所找到的最優(yōu)解，稱之為粒子的社會(huì)認(rèn)知能力，記為gbest.

粒子通過(guò)式(1)、(2)更新速度和位置[9]:

式中:vi是粒子的速度向量;xi是粒子的位置向量;ω是慣性權(quán)重因子;pi表示粒子i在經(jīng)歷n次搜索后找到的個(gè)體最優(yōu)位置，粒子根據(jù)當(dāng)前個(gè)體經(jīng)驗(yàn)執(zhí)行下一步動(dòng)作;gi表示粒子i保存的種群最優(yōu)位置，來(lái)源于種群中全體粒子的經(jīng)驗(yàn)部分，表現(xiàn)為知識(shí)的共享和合作;c1和c2是非負(fù)常數(shù)，稱為加速因子，其中c1為自身認(rèn)知系數(shù)，c2為社會(huì)認(rèn)知系數(shù);r1和r2是[0，1]的獨(dú)立隨機(jī)數(shù).

每一時(shí)刻t，粒子在群體信息和自身歷史經(jīng)驗(yàn)的引導(dǎo)下，在一定范圍的空間內(nèi)進(jìn)行搜索，當(dāng)發(fā)現(xiàn)更優(yōu)解時(shí)，對(duì)引導(dǎo)信息進(jìn)行更新，展開新的搜索，尋優(yōu)過(guò)程不斷推進(jìn).但由于所有粒子的飛行方向是根據(jù)全體和自身經(jīng)驗(yàn)決定的，因此搜索后期收斂速度明顯減慢，達(dá)到一定程度后，算法甚至陷入了停滯，致使后期很難得到精確解[10].

實(shí)驗(yàn)研究發(fā)現(xiàn)，一般ω、c1、c2越大，不收斂的概率越大，其中ω的影響更大些，選擇適當(dāng)?shù)摩亍1、c2可以保證粒子的收斂性[11].

1.2 改進(jìn)的自適應(yīng)粒子群算法

PSO算法中，將ω的值進(jìn)行線性變化來(lái)實(shí)現(xiàn)對(duì)ω 值的更新[9]，即

式中:G是當(dāng)前迭代次數(shù)，Gmax是最大迭代次數(shù).但是PSO算法是一個(gè)非線性的復(fù)雜過(guò)程，慣性權(quán)重因子采用線性的過(guò)渡方法不能反映實(shí)際的搜索過(guò)程，描述不夠精確.正切Sigmoid函數(shù)(S函數(shù))比線性函數(shù)更平滑，有很好的衡性[12]，因此采用正切Sigmoid函數(shù)更新慣性權(quán)值，其更新式為

式中:ωmax和 ωmin分別為 0.9 和 0.4，這樣 ω 就會(huì)限定在[0，0.5].當(dāng)ω從大到小變化時(shí)，粒子搜索的范圍可從一個(gè)較大的空間逐漸變化到很小的區(qū)域，這正好符合PSO的基本思想[13].

在式(1)中學(xué)習(xí)因子c1和c2分別調(diào)節(jié)pbest和gbest方向的飛行距離，因此可以調(diào)節(jié)自身認(rèn)知和群體認(rèn)知的比例大小，從而優(yōu)化全局最優(yōu)解的精度.在標(biāo)準(zhǔn)PSO中，c1和c2是一個(gè)固定的常數(shù)，但合理地調(diào)節(jié)c1、c2參數(shù)的大小，在搜索前期增大群體認(rèn)知比例，防止陷入局部最優(yōu)解，并且在后期加強(qiáng)自身認(rèn)知比例，提高搜索精度.因此采用二次函數(shù)y=ax2+b調(diào)節(jié)學(xué)習(xí)因子項(xiàng):

式中:c1s和 c1f為 c1參數(shù)的初始值和最終值，c2s、c2f為c2參數(shù)的初始值和最終值，學(xué)習(xí)系數(shù)c1、c2的取值范圍為[0.5，2.5].由于粒子在運(yùn)動(dòng)初期，粒子本身的經(jīng)驗(yàn)不足，因此需要更多地向群體學(xué)習(xí)，也就是說(shuō)c1的取值比c2要小.當(dāng)粒子運(yùn)動(dòng)到一定階段時(shí)，粒子本身積累了一定的經(jīng)驗(yàn)后，自我學(xué)習(xí)的能力加強(qiáng)，因此c1的取值比c2要大[13].所以對(duì)參數(shù)c1由小到大，而c2由大到小進(jìn)行改進(jìn)，能有效地抑制局部解，加強(qiáng)搜索精度.

APSO算法的步驟如下(具體流程圖如圖1).

1)在搜索空間中隨機(jī)生成粒子個(gè)數(shù)m，構(gòu)成初始微粒種群pop，并初始化粒子的位置xi及相應(yīng)的速度vi;

2)評(píng)價(jià)每個(gè)粒子的適應(yīng)度(代入適應(yīng)值函數(shù))，對(duì)每個(gè)微粒，將其適應(yīng)值f與當(dāng)前最優(yōu)個(gè)體粒子pbest比較，若較好，則將其作為pbest;

3)從所有微粒的個(gè)體最優(yōu)解pbest中找出全局最優(yōu)gbest;

4)按式(1)～(2)更新粒子的位置速度vi和位置 xi，按式(4)～(6)更新 ω、c1和 c2;

5)判斷是否滿足終止條件，即當(dāng)前迭代次數(shù)是否大于最大迭代次數(shù)，若不滿足則返回步驟2)，滿足則算法結(jié)束.

圖1 APSO算法流程Fig.1 The flow chart of APSO algorithm

2 活性污泥法優(yōu)化控制系統(tǒng)

2.1 過(guò)程模型

活性污泥污水處理基準(zhǔn)仿真模型 BSM1[14]是IWA和歐盟科學(xué)技術(shù)與合作組織(COST Actions 682 and 624)共同開發(fā)的，提供了合理的評(píng)價(jià)控制策略在污水處理系統(tǒng)中性能的平臺(tái).BSM1的總體布局如圖2所示，包括生化反應(yīng)池和二沉池.

圖2 BSM1結(jié)構(gòu)Fig.2 General overview of the BSM1 plant

每一個(gè)單元，均以Qk表示流量，Zk表示各組分的濃度表示各組分的反應(yīng)速率，缺氧區(qū)2個(gè)單元的體積V1=V2=1 000 m3，好氧區(qū)3個(gè)單元的體積 V3=V4=V5=1 333 m3，各單元的物料平衡方程如下.

式中:Q1=Qa+Qr+Q0，Qa、Qr、Q0分別為混合液回流量、污泥回流量和入水流量.

對(duì)于其他單元，k=2，3，4，5，有

式中:Qk=Qk－1.

溶解氧的物料平衡表示為

式中:KLa表示氧氣轉(zhuǎn)換速率，SDO，sat代表飽和溶解氧濃度，仿真中取 SDO，sat=8 g·m－3.

在活性污泥法污水處理中，混合液懸浮固體濃度表示為

式中:Ma代表活性污泥中活的微生物量，Me代表活性污泥中微生物內(nèi)源呼吸殘留物，Mi代表活性污泥中不可生物降解的有機(jī)懸浮固體，Mii代表活性污泥中由原廢水帶入的無(wú)機(jī)懸浮固體.

2.2 過(guò)程控制系統(tǒng)

在活性污泥污水處理系統(tǒng)中，可以選擇的控制變量較多，例如進(jìn)水流量、污泥回流量、污泥排放量、曝氣量等.在污水處理過(guò)程中，能耗包括曝氣能耗和泵送能耗，影響曝氣能耗的因素主要是溶解氧的濃度;影響泵送能耗的主要因素則是內(nèi)外回流的流量.而且在活性污泥系統(tǒng)中溶解氧濃度、硝態(tài)氮濃度和混合液懸浮物固體濃度是影響硝化反硝化進(jìn)程的重要參數(shù)，因此選擇曝氣量、污泥回流量和內(nèi)循環(huán)回流量作為控制變量，對(duì)系統(tǒng)中溶解氧濃度SDO，SP、硝態(tài)氮濃度 SNO，SP和混合液懸浮物固體濃度 SMLSS，SP的設(shè)定點(diǎn)進(jìn)行優(yōu)化控制，以提高活性污泥系統(tǒng)處理效果和降低運(yùn)行成本.

優(yōu)化控制系統(tǒng)采用智能優(yōu)化算法與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相結(jié)合的方法，實(shí)現(xiàn)基礎(chǔ)回路設(shè)定值的動(dòng)態(tài)優(yōu)化.通過(guò)智能優(yōu)化算法對(duì)控制指標(biāo)尋優(yōu)，尋優(yōu)過(guò)程終止的條件為出水水質(zhì)達(dá)標(biāo)的情況下滿足局部的能耗指標(biāo).由于反映出水水質(zhì)的參數(shù)存在測(cè)量滯后，有些甚至無(wú)法在線測(cè)量，因此采用神經(jīng)網(wǎng)絡(luò)對(duì)部分出水水質(zhì)參數(shù)進(jìn)行預(yù)測(cè)，通過(guò)預(yù)測(cè)指標(biāo)與約束條件的對(duì)比作為判斷智能優(yōu)化算法尋優(yōu)過(guò)程停止的依據(jù).

圖3為污水處理過(guò)程的動(dòng)態(tài)優(yōu)化控制系統(tǒng)結(jié)構(gòu)，以溶解氧濃度SDO、混合液懸浮物固體濃度SMLSS和硝態(tài)氮濃度SNO的設(shè)定值作為優(yōu)化對(duì)象.在底層控制回路中采用3個(gè)神經(jīng)網(wǎng)絡(luò)控制器，第1個(gè)通過(guò)調(diào)節(jié)第5分區(qū)的氧氣轉(zhuǎn)換系數(shù)KLa(5)控制SDO，第2個(gè)通過(guò)調(diào)節(jié)外回流量Qr控制第5分區(qū)的SMLSS，第3個(gè)通過(guò)調(diào)節(jié)內(nèi)回流量Qa控制第2分區(qū)的SNO.通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型尋找KLa(5)、Qr和Qa與出水水質(zhì)參數(shù)(BOD(biochemical oxygen demand)、COD(chemical oxygen demand)、TSS(total suspended solids)、SNH和Ntot)的非線性關(guān)系，對(duì)實(shí)時(shí)獲得的數(shù)據(jù)進(jìn)行判斷，剔除異常數(shù)據(jù)，通過(guò)實(shí)際出水水質(zhì)與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的對(duì)比偏差，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行在線修正和調(diào)整.這里神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用的是BP神經(jīng)網(wǎng)絡(luò).

圖3 優(yōu)化控制系統(tǒng)Fig.3 Optimal control system

2.3 優(yōu)化問(wèn)題描述

綜合考慮運(yùn)行成本和出水水質(zhì)2個(gè)方面，采用改進(jìn)的自適應(yīng)粒子群優(yōu)化算法優(yōu)化控制策略，動(dòng)態(tài)調(diào)整控制回路的設(shè)定值 SDO，SP、SNO，SP和 SMLSS，SP.優(yōu)化問(wèn)題的目標(biāo)函數(shù)[13]為

式中:E=EA+EP表示運(yùn)行費(fèi)用，EA為曝氣耗能，EP為泵送耗能;Q表示向受納水體排放污染物需要支付的費(fèi)用.EA、EP、Q 的表示如式(12)～(14)，Q 的大小與出水水質(zhì)有關(guān)，出水水質(zhì)越好，Q值越小.在以上目標(biāo)函數(shù)的基礎(chǔ)上，優(yōu)化控制系統(tǒng)還必須滿足以下約束條件:

1)物料平衡約束，如式(7)～(9);

2)輸出約束[14]:，

3)執(zhí)行器約束包括:

操作變量:0 ＜SDO，SP＜4，0 ＜SNO，SP＜3，1 500 ＜ SMLSS，SP＜3 500;

控制變量:0＜KLa＜240，0＜Qa＜92 230，0＜Qr＜92 230.

3 仿真研究

將提出的智能優(yōu)化控制方法應(yīng)用于BSM1模型，實(shí)驗(yàn)數(shù)據(jù)來(lái)源于實(shí)際污水處理廠，同時(shí)采用國(guó)際水協(xié)會(huì)(IWA)提供的3個(gè)污水參數(shù)輸入文件[5]，該參數(shù)輸入包括晴天、雨天和暴雨天3種天氣下的污水流量和組分變化情況.文中采用第1組晴天下7天的數(shù)據(jù)和文獻(xiàn)[15]中的優(yōu)化周期(2h)進(jìn)行仿真.第1組代表正常天進(jìn)水濃度和進(jìn)水量的晝夜變化，這些數(shù)據(jù)的采樣間隔為15 min，且污水組分已經(jīng)抽象為ASM1中對(duì)應(yīng)的13種元素.以溶解氧濃度SDO、混合液懸浮物固體濃度SMLSS和硝態(tài)氮濃度SNO的設(shè)定值作為優(yōu)化對(duì)象，實(shí)現(xiàn)第5分區(qū)的氧氣轉(zhuǎn)換系數(shù)KLa(5)、外回流量Qr、以及內(nèi)回流量Qa的優(yōu)化控制.實(shí)驗(yàn)分為兩部分進(jìn)行:1)無(wú)優(yōu)化控制;2)優(yōu)化控制.

在無(wú)優(yōu)化控制的條件下，圖4～6是在SNO、SDO和 SMLSS設(shè)定值分別為2 mg/L、1 mg/L和2 987.2 mg/L[5]時(shí)，神經(jīng)網(wǎng)絡(luò)控制器的控制效果圖.由實(shí)驗(yàn)結(jié)果可以看出，神經(jīng)網(wǎng)絡(luò)控制器的誤差較小，有較好的魯棒性.

在加入優(yōu)化控制的條件下，圖7～9分別是第2分區(qū)硝態(tài)氮濃度、第5分區(qū)溶解氧濃度和混合液懸浮物固體濃度的優(yōu)化設(shè)定值變化圖.圖中SNO、SDO和SMLSS的設(shè)定值隨著入水水質(zhì)的變化而變化.同時(shí)對(duì)閉環(huán)控制和優(yōu)化控制2種控制策略進(jìn)行對(duì)比，表1所示為出水水質(zhì)重要參數(shù)的平均值，表2所示為運(yùn)行費(fèi)用.

圖4 第2分區(qū)SNO濃度的變化曲線Fig.4 The response curve of SNOconcentration in the 2th unit

圖5 第5分區(qū)SDO濃度的變化曲線Fig.5 The response curve of SDOconcentration in the 5th unit

圖6 第5分區(qū)SMLSS濃度的變化曲線Fig.6 The response curve of SMLSSconcentration in the 5th unit

表1顯示優(yōu)化控制與閉環(huán)控制的出水水質(zhì)參數(shù)均達(dá)標(biāo).表2表明優(yōu)化控制的Q比閉環(huán)控制增大1.847%，EA減少6.665%，EP增加 30.754%，而總能耗E減小4.614%.

圖7 SNO濃度的優(yōu)化曲線Fig.6 The optimal curve of SNOconcentration

圖8 SDO濃度的優(yōu)化曲線Fig.8 The optimal curve of SDOconcentration

式(14)顯示Q與出水水質(zhì)參數(shù)成正比，而在表1中，優(yōu)化控制的出水水質(zhì)參數(shù) BOD5、COD、SNH和TSS比閉環(huán)控制的高，優(yōu)化控制的Q增大.圖8顯示優(yōu)化控制下SDO的平均值明顯小于閉環(huán)控制時(shí)的經(jīng)驗(yàn)值，而曝氣系數(shù) KLa(5)與 SDO成正比，根據(jù)式(12)，優(yōu)化控制的EA減小.式(13)中的內(nèi)回流量Qa和外回流Qr根據(jù)SNO濃度和SMLSS濃度的變化而變化，圖7和圖9顯示SNO濃度和SMLSS濃度的平均值比閉環(huán)控制的經(jīng)驗(yàn)值偏大，EP增大.表2顯示優(yōu)化控制的能耗低于閉環(huán)控制，具有較好的節(jié)能效果.

圖9 SMLSS濃度的優(yōu)化曲線Fig.9 The optimal curve of SMLSSconcentration

在污水處理過(guò)程中，優(yōu)化控制系統(tǒng)的目標(biāo)是在出水水質(zhì)達(dá)標(biāo)的前提下，減少污水處理能耗.表1顯示優(yōu)化控制能夠保證污水處理后出水水質(zhì)均達(dá)標(biāo)，同時(shí)根據(jù)表2的結(jié)果可以發(fā)現(xiàn)，污水處理過(guò)程經(jīng)過(guò)優(yōu)化控制后E減少了4.614%，節(jié)能效果明顯.實(shí)驗(yàn)結(jié)果表明，智能優(yōu)化控制方法能夠在保證出水水質(zhì)達(dá)標(biāo)的前提下減少運(yùn)行費(fèi)用.

表1 閉環(huán)控制與優(yōu)化控制策略的出水水質(zhì)比較Table 1 Comparison of effluent quality with closed loop control and our optimal control

表2 閉環(huán)控制與優(yōu)化控制策略的能耗比較Table 2 Comparison of energy consumption with closed loop control and our optimal control

4 結(jié)束語(yǔ)

文中提出一種自適應(yīng)粒子群優(yōu)化算法，以污水處理過(guò)程能耗最小為目標(biāo)函數(shù)，污水處理過(guò)程物料平衡、水質(zhì)排放標(biāo)準(zhǔn)等限制為約束條件，根據(jù)進(jìn)水水質(zhì)的變化動(dòng)態(tài)調(diào)整BSM1中第5分區(qū)溶解氧濃度、混合液懸浮物固體濃度和第2分區(qū)硝酸氮濃度的設(shè)定值.同時(shí)通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)出水水質(zhì)參數(shù)，從而實(shí)現(xiàn)污水處理過(guò)程不但出水水質(zhì)達(dá)標(biāo)，而且實(shí)現(xiàn)BSM1低成本運(yùn)行.通過(guò)仿真實(shí)驗(yàn)發(fā)現(xiàn)，基于自適應(yīng)粒子群算法的污水處理神經(jīng)網(wǎng)絡(luò)優(yōu)化控制系統(tǒng)具有以下優(yōu)點(diǎn).

1)實(shí)現(xiàn)污水處理過(guò)程多變量控制，與單變量控制相比，多變量控制方法提高了污水處理效率.

2)改進(jìn)的自適應(yīng)粒子群算法能夠有效地抑制局部最優(yōu)解，避免過(guò)早陷入局部最優(yōu)，比遺傳算法更簡(jiǎn)單，參數(shù)更少，求解速度更快，并且實(shí)現(xiàn)了污水處理過(guò)程優(yōu)化控制，降低了污水處理過(guò)程能耗.

3)采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和控制，提高了智能控制系統(tǒng)的自適應(yīng)性和魯棒性，以及污水處理過(guò)程的穩(wěn)定性.

綜上所述，文中提出的智能優(yōu)化控制系統(tǒng)能夠滿足污水處理出水達(dá)標(biāo)，同時(shí)降低其運(yùn)行成本，為實(shí)際污水處理廠提供了理論和技術(shù)支持.

[1]中華人民共和國(guó)住房和城鄉(xiāng)建設(shè)部.關(guān)于全國(guó)城鎮(zhèn)污水處理設(shè)施2011年第一季度建設(shè)和運(yùn)行情況的通報(bào)[EB/OL].(2011-05-07)[2012-05-16].http://www.mohurd.gov.cn.

[2]PIOTROWSKI R，BRDYS M A.Hierarchical dissolved oxygen control for activated sludge processes[J].Control Engineering Practice，2008，16(1):114-131.

[3]CHANDRAMOULI V，BRION G，NEELAKANTAN T R，et al.Backfilling missing microbial concentrations in a riverine database using artificial neural networks[J].Water Research，2007，41(1):217-227.

[4]BERAUD B，STEYER J P.Towards a global multi objective optimization of wastewater treatment plant based on modeling and genetic algorithms[J].Water Science ＆ Technology，2007，56(9):109-116.

[5]張平，苑明哲，王宏.基于國(guó)際評(píng)價(jià)基準(zhǔn)的溶解氧控制方法研究[J].信息與控制，2007，36(2):199-203.ZHANG Ping，YUAN Mingzhe，WANG Hong.Study on dissolved oxygen control method based on international evaluation benchmark[J].Information and Control，2007，36(2):199-203.

[6]熊偉清，劉明達(dá)，魏平.遺傳算法的基因定位算子[J].控制理論與應(yīng)用，2005，22(3):491-494.XIONG Weiqing，LIU Mingda，WEI Ping.Gene-orientation operator for genetic algorithm[J].Control Theory＆ Applications，2005，22(3):491-494.

[7]ALIREZA A.PSO with adaptive mutation and inertia weight and its application in parameter estimation of dynamic systems[J].Acta Automatica Sinica，2011，37(5):541-549.

[8]XIAO Renyue，YU Jinhai.A newly self-adaptive strategy for the PSO[C]//Proceedings of the 2008 Fourth International Conference on Natural Computation.Washington，DC，USA:IEEE Computer Society，2008:396-400.

[9]張頂學(xué)，關(guān)治洪，劉新芝.一種動(dòng)態(tài)改變慣性權(quán)重的自適應(yīng)粒子群算法[J].控制與決策，2008，23(11):1253-1257.ZHANG Dingxue，GUAN Zhihong，LIU Xinzhi.Adaptive particle swarm optimization algorithm with dynamically changing inertia weight[J].Control and Decision，2008，23(11):1253-1257.

[10]蘇守寶，曹喜濱，孔敏.群活性與粒子群優(yōu)化的穩(wěn)定性分析[J].控制理論與應(yīng)用，2010，27(10):1411-1417.SUN Shoubao，CAO Xibin，KONG Min.Stability analysis of particle swarm optimization using swarm activity[J].Control Theory＆ Applications，2010，27(10):1411-1417.

[11]李寧，孫德寶，鄒彤，等.基于差分方程的PSO算法粒子運(yùn)動(dòng)軌跡分析[J].計(jì)算機(jī)學(xué)報(bào)，2006，29(11):2050-2062.LI Ning，SUN Debao，ZOU Tong，et al.An analysis for a particle's trajectory of PSO based on difference equation[J].Chinese Journal of Computers，2006，29(11):2050-2062.

[12]熊智挺，譚陽(yáng)紅，易如方，等.一種并行的自適應(yīng)量子粒子群算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2011，20(8):47-71.XIONG Zhiting，TAN Yanghong，YI Rufang，et al.Method of parallel adaptive quantum particle swarm optimization[J].Computer System and Applications，2011，20(8):47-71.

[13]魏建香，孫越泓，蘇新寧.一種基于免疫選擇的粒子群優(yōu)化算法[J].南京大學(xué)學(xué)報(bào):自然科學(xué)版，2010，46(1):1-9.WEI Jianxiang，SUN Yuehong，SU Xinning.A novel particle swarm optimization based on immune selection[J].Journal of Nanjing University:Natural Sciences，2010，46(1):1-9.

[14]COPP J B.The COST simulation benchmark:description and simulator manual[M].Luxembourg:Office for Publications of the European Community，2001.

[15]史雄偉，喬俊飛，苑明哲.基于改進(jìn)粒子群算法的污水處理過(guò)程優(yōu)化控制[J].信息與控制，2011，40(5):698-703.SHI Xiongwei，QIAO Junfei，YUAN Mingzhe.Optimal control for wastewater treatment process based on improved particle swarm optimization algorithm[J].Information and Control，2011，40(5):698-703.