CN117092908A - 基于遗传算法的废水处理设备智能控制方法及系统 - Google Patents
基于遗传算法的废水处理设备智能控制方法及系统 Download PDFInfo
- Publication number
- CN117092908A CN117092908A CN202311354418.8A CN202311354418A CN117092908A CN 117092908 A CN117092908 A CN 117092908A CN 202311354418 A CN202311354418 A CN 202311354418A CN 117092908 A CN117092908 A CN 117092908A
- Authority
- CN
- China
- Prior art keywords
- solution
- index
- fitness
- gene library
- wastewater treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004065 wastewater treatment Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002068 genetic effect Effects 0.000 title claims abstract description 19
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 176
- 238000011156 evaluation Methods 0.000 claims abstract description 165
- 239000000654 additive Substances 0.000 claims abstract description 95
- 230000000996 additive effect Effects 0.000 claims abstract description 89
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000011282 treatment Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 23
- 230000007614 genetic variation Effects 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 17
- 239000002351 wastewater Substances 0.000 claims description 16
- 238000007418 data mining Methods 0.000 claims description 9
- 239000010865 sewage Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 16
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000011269 treatment regimen Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Activated Sludge Processes (AREA)
Abstract
本申请提供了基于遗传算法的废水处理设备智能控制方法及系统，涉及智能化控制技术领域，所述方法包括：先获取第一反馈信息，然后交互废水处理设备得到引领性指标，对添加剂投放型进行编码生成基因库，再对添加剂投放类型指标进行回溯得到解集，然后进行适应度分析，再根据头尾双向变异策进行微量扩充，然后结合近邻搜索评价算法进行寻优，进行初始化配置。本申请主要解决了自动监控和手动切换模式不稳定或不准确，影响设备的自适应调节能力，难以实现自适应调节。通过根据用户的反馈信息和引领性指标进行分析，结合邻近搜索评价算法进行寻优，对处理设备进行初始化配置，有助于提高废水处理的效率和效果，实现废水处理的自适应调节和优化控制。
Description
技术领域
本发明涉及智能化控制的技术领域，具体涉及基于遗传算法的废水处理设备智能控制方法及系统。
背景技术
随着污水处理量的增长，污水水质的复杂程度增加，排放标准越来越严格，运行成本不断增加，污水处理厂正面临更多的问题和更大的挑战，因此对于废水处理设备的智能控制需求增加。因此，引入了计算机模拟人类思维模式进行数据分析和调度决策，大部分的脑力劳动被计算机替代。未来的控制平台可能将以智慧设备为主导，人工操作为补充的模式。
现有技术是通过监测废水的成分，根据废水的成分来自动调整设备的运行参数。再通过检测水位，根据水位的变化来自动调整设备的运行参数。系统包括的自动监控和手动模式。
现有技术系统的自动监控和手动切换模式不稳定或不准确，影响设备的自适应调节能力。此外，遇到停水、停电、过载等非正常状态时，系统不能自动保护或故障自动报警，导致设备受损或处理效率降低。此时需要人工进行调控，难以实现自适应调节。
发明内容
本申请主要解决了自动监控和手动切换模式不稳定或不准确，影响设备的自适应调节能力，难以实现自适应调节。
鉴于上述问题，本申请提供了基于遗传算法的废水处理设备智能控制及系统，第一方面，本申请提供了基于遗传算法的废水处理设备智能控制方法，所述方法包括：当接收到废水处理设备初始指令时，调取滞后性指标集发送至用户端，获取第一反馈信息，其中，所述第一反馈信息包括适应度评价指标和评价指标权重，交互废水处理设备，接收引领性指标，其中，所述引领性指标包括添加剂投放类型时序指标、添加剂投放量时序指标和环境控制时序指标，对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库，获取待处理废水基础信息，在废水处理日志信息中对所述添加剂投放类型时序指标、所述添加剂投放量时序指标和所述环境控制时序指标进行回溯，生成第一解集，遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合，根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集，在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置。
第二方面，本申请提供了基于遗传算法的废水处理设备智能控制系统，所述系统包括：第一反馈信息获取模块，所述第一反馈信息获取模块用于当接收到废水处理设备初始指令时，调取滞后性指标集发送至用户端，获取第一反馈信息，其中，所述第一反馈信息包括适应度评价指标和评价指标权重，引领性指标接受模块，所述引领性指标接受模块用于交互废水处理设备，接收引领性指标，其中，所述引领性指标包括添加剂投放类型时序指标、添加剂投放量时序指标和环境控制时序指标，基因库生成模块，所述基因库生成模块用于对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库，第一解集生成模块，所述第一解集生成模块用于获取待处理废水基础信息，在废水处理日志信息中对所述添加剂投放类型时序指标、所述添加剂投放量时序指标和所述环境控制时序指标进行回溯，生成第一解集，第一适应度集合生成模块，所述第一适应度集合生成模块用于遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合，第二解集生成模块，所述第二解集生成模块用于根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集，引领性指标优化结果生成模块，所述引领性指标优化结果生成模块用于在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供了基于遗传算法的废水处理设备智能控制方法及系统，涉及智能化控制技术领域，所述方法包括：先获取第一反馈信息，然后交互废水处理设备得到引领性指标，对添加剂投放型进行编码生成基因库，再对添加剂投放类型指标进行回溯得到解集，然后进行适应度分析，再根据头尾双向变异策进行微量扩充，然后结合近邻搜索评价算法进行寻优，进行初始化配置。
本申请主要解决了自动监控和手动切换模式不稳定或不准确，影响设备的自适应调节能力，难以实现自适应调节。通过根据用户的反馈信息和引领性指标进行分析，结合邻近搜索评价算法进行寻优，对处理设备进行初始化配置，有助于提高废水处理的效率和效果，实现废水处理的自适应调节和优化控制。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了基于遗传算法的废水处理设备智能控制方法流程示意图；
图2为本申请实施例提供了基于遗传算法的废水处理设备智能控制方法中，基因库生成的方法流程示意图；
图3为本申请实施例提供了基于遗传算法的废水处理设备智能控制方法中，第一比例系数获取的方法流程示意图；
图4为本申请实施例提供了基于遗传算法的废水处理设备智能控制系统的结构示意图。
附图标记说明：第一反馈信息获取模块10，引领性指标接受模块20，基因库生成模块30，第一解集生成模块40，第一适应度集合生成模块50，第二解集生成模块60，引领性指标优化结果生成模块70。
具体实施方式
本申请主要解决了自动监控和手动切换模式不稳定或不准确，影响设备的自适应调节能力，难以实现自适应调节。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：
实施例一：
如图1所示基于遗传算法的废水处理设备智能控制方法，所述方法包括：
当接收到废水处理设备初始指令时，调取滞后性指标集发送至用户端，获取第一反馈信息，其中，所述第一反馈信息包括适应度评价指标和评价指标权重；
具体而言，在接收到废水处理设备初始指令时，调取滞后性指标集并发送至用户端，获取第一反馈信息，首先，向废水处理设备发送一个初始指令。这个指令可能包括启动设备、停止设备、设备参数设置等指令。然后调取滞后性指标集，废水处理设备在接收到初始指令后，会根据指令内容，从自身的数据库或者知识库中调取滞后性指标集。这个指标集可能包括各种与废水处理效率、资源消耗、能源消耗等相关的指标，用于指导或者评估废水处理的效率和质量。调取到的滞后性指标集需要被废水处理设备的智能控制系统转化为用户端可以理解和使用的形式，然后发送至用户端。用户在接收到这些信息后，可以对其进行评价，给出适应度评价指标和评价指标权重等反馈信息。这些反馈信息可能包括对废水处理设备的评价、对废水处理效果的评估、对废水处理过程的优化建议等。其中，适应度评价指标是用于衡量废水处理设备在特定条件下的适应性，例如设备运行稳定性、处理效率、资源消耗等。这些指标通常根据废水处理的实际效果和目标来选定，以体现出废水处理设备在特定条件下的适应程度。评价指标权重则是针对每个适应度评价指标的重要性进行量化，以反映它们在整体评价中的相对重要程度。评价指标权重的确定需要给予一定的评价逻辑和原则，例如根据各个指标在整体评价中的相对贡献、重要性和差异性等因素进行权衡和调整。
交互废水处理设备，接收引领性指标，其中，所述引领性指标包括添加剂投放类型时序指标、添加剂投放量时序指标和环境控制时序指标；
具体而言，废水处理设备是一种先进的废水处理装置，通过接收引领性指标来优化处理过程。这些引领性指标包括添加剂投放类型时序指标、添加剂投放量时序指标和环境控制时序指标。其中，添加剂投放类型时序指标指的是在处理废水的过程中，根据不同的废水处理需求，合理选择和搭配不同类型的添加剂。不同类型的添加剂可能会对废水中的特定污染物产生针对性地去除效果，因此，添加剂的投放顺序和搭配是废水处理效果的关键因素之一。对于添加剂投放量时序指标，它主要是指在处理废水的过程中，根据废水的流量和浓度，实时调整添加剂的投放量。添加剂的投放量对废水处理效果有重要影响，投放过多或过少都可能影响到废水处理的效率和效果。因此，根据废水流量和浓度变化来动态调整添加剂的投放量是必要的。环境控制时序指标主要是指在废水处理过程中，对环境因素进行实时监控和调整。这些环境因素包括温度、pH值、溶氧量等，它们对废水中的微生物生长和反应速率有重要影响。通过计算机控制系统，可以实时监测这些环境指标，并在必要时进行调整，以保证废水处理过程的效率和效果。这些引领性指标的选择和实施有助于提高废水处理的效率和效果，降低处理成本。
对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库；
具体而言，对添加剂投放类型、投放量和环境控制量进行编码并生成基因库，对添加剂投放类型 编码生成第一基因库，使用二进制编码或实数编码来表示添加剂的投放类型。例如，假设有三种类型的添加剂A、B和C，则可以将它们编码为二进制序列或实数序列，A:00，B:01，C:10或者A:0.0，B:0.1，C:0.2，对添加剂投放量编码生成第二基因库，对于添加剂投放量的编码，使用实数编码或离散编码。实数编码可以将添加剂的投放量映射到一个实数序列上，低量：0.0，中量：0.5，高量：1.0可以根据添加剂投放量的变化进行调整。对环境控制量编码生成第三基因库，对于环境控制量的编码，使用实数编码或离散编码。例如，对于pH值控制，可以使用以下实数编码：pH7.0:0.0，pH7.5:0.5，pH8.0:1.0或者使用离散编码表示不同的环境因素，如：温度：(0，10)，pH值：(7，9)，溶氧量：(2，6)生成了这三个基因库（第一基因库、第二基因库和第三基因库），可以使用遗传算法来优化废水处理设备的控制策略。这些基因库可以视为废水处理设备的基因组，通过不断的选择、交叉和变异操作，可以找到最优的基因组合，实现废水处理设备的智能控制。
获取待处理废水基础信息，在废水处理日志信息中对所述添加剂投放类型时序指标、所述添加剂投放量时序指标和所述环境控制时序指标进行回溯，生成第一解集；
具体而言，获取待处理废水的基础信息，包括废水的类型、浓度、流量等。在废水处理日志信息中查找与待处理废水相匹配的处理过程记录。这些记录应包括添加剂的投放类型、投放量以及环境控制参数等。对添加剂投放类型时序指标进行回溯。根据废水处理日志信息中的记录，将添加剂的投放类型按照时间顺序进行回溯，分析每种添加剂在废水处理过程中的作用和效果。对添加剂投放量时序指标进行回溯。根据废水处理日志信息中的记录，将添加剂的投放量按照时间顺序进行回溯，分析添加剂投放量对废水处理效率和处理质量的影响。对环境控制时序指标进行回溯。根据废水处理日志信息中的记录，将环境控制参数（如温度、pH值、溶氧量等）按照时间顺序进行回溯，分析环境因素对废水处理过程的影响。通过回溯分析，可以生成第一解集，该解集包含待处理废水的最佳处理策略和最优处理参数。
遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合；
具体而言，遍历第一解集中的每个处理策略和参数组合。对于每个处理策略和参数组合，使用适应度评价指标对其进行评价。这些指标可以包括处理效率、资源消耗、能源消耗等，根据评价指标权重，对每个处理策略和参数组合的适应度进行加权平均。这可以帮助突出在多个评价指标中更重要的因素，并相应地调整处理策略和参数组合。将每个处理策略和参数组合的适应度值存储在一个集合中，从而生成第一适应度集合。这个集合提供了各种处理策略和参数组合的适应度排名，为废水处理的优化和控制提供了有价值的参考信息。
根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集；
具体而言，获取第一基因库、第二基因库和第三基因库。这些基因库分别包含了添加剂投放类型、添加剂投放量和环境控制量的编码信息。分析第一适应度集合中每个适应度值对应的处理策略和参数组合。这些处理策略和参数组合是经过初步评估和筛选的，可以根据适应度值的高低来确定它们的优劣。对于每个处理策略和参数组合，使用头尾双向变异策略对其进行微量变异。具体来说，可以从当前处理策略和参数组合的头尾两端分别选取一个或多个基因进行变异，这些基因可以是添加剂的投放类型、投放量或者是环境控制参数。变异后的处理策略和参数组合将生成新的解，这些新解可以与第一解集中的解进行比较。如果新解的适应度值高于第一适应度集合中的某些解，那么将这些新解加入到第二解集中。重复上述步骤，直到第二解集中的解不再发生变化。我们可以使用头尾双向变异策略对第一解集进行微量变异扩充，生成第二解集。第二解集包含了更高质量的处理策略和参数组合，这种变异策略可以保证新解的生成更加多样化和高效，有助于提高废水处理的效率和效果。
在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置。
具体而言，获取第二解集，该解集包含了经过微量变异扩充后的处理策略和参数组合。使用近邻搜索评价算法在第二解集中进行寻优。具体来说，根据解之间的相似度和距离关系，在解集中搜索与当前解相近的解，并根据适应度值的高低来确定最优解。生成引领性指标优化结果。根据近邻搜索评价算法的结果，可以确定最优的处理策略和参数组合，这些最优解可以作为引领性指标优化结果。将引领性指标优化结果应用于废水处理设备的初始化配置。具体来说，根据引领性指标优化结果中的添加剂投放类型、投放量和环境控制参数，对废水处理设备进行配置和调整，以达到更好的处理效果。近邻搜索评价算法可以根据具体需求进行调整和优化，例如可以选择不同的相似度度量方式、设置不同的搜索半径等。同时，废水处理设备的初始化配置也需要考虑到实际废水处理过程的复杂性和动态变化，需要根据实际情况进行调整和优化。可以在第二解集中结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，并将这些结果应用于废水处理设备的初始化配置。这有助于提高废水处理的效率和效果，实现废水处理的自适应调节和优化控制。
进一步而言，如图2所示，本申请方法，对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库，还包括：
对所述引领性指标进行工艺分解，生成第一节点引领性指标、第二节点引领性指标直到第N节点引领性指标，其中，第一节点到第N节点属于污水处理依次进行的不同工艺环节；
检索第i节点引领性指标的添加剂投放类型集进行编码，生成离散编码基因库，其中，第i节点为所述第一节点到所述第N节点的每个节点；
设定所述第i节点引领性指标的添加剂投放量约束区间，对所述添加剂投放量约束区间进行编码，生成第一区间编码基因库，其中，所述第一区间编码基因库的任意一个区间和所述离散编码基因库的任意一个编码一一对应；
设定所述第i节点引领性指标的环境控制指标约束区间，对所述环境控制指标约束区间进行编码，生成第二区间编码基因库，其中，所述第二区间编码基因库的任意一个区间和环境控制指标一一对应；
将所述离散编码基因库按照节点次序添加进所述第一基因库，将所述第一区间编码基因库按照节点次序添加进所述第二基因库，将所述第二区间编码基因库按照节点次序添加进所述第三基因库。
具体而言，对引领性指标进行工艺分解，生成第一节点引领性指标、第二节点引领性指标直到第N节点引领性指标。这些节点代表了污水处理的不同工艺环节，每个节点都有其特定的处理任务和目标。检索第i节点引领性指标的添加剂投放类型集进行编码，生成离散编码基因库。这里的第i节点可以是第一节点到第N节点的任意一个节点。通过对添加剂投放类型进行编码，可以将不同类型的添加剂及其组合关系表示为离散的基因。设定第i节点引领性指标的添加剂投放量约束区间，并对该区间进行编码，生成第一区间编码基因库。这里的约束区间可以根据实际的工艺要求和设备性能来确定，表示添加剂投放量的合理范围。通过编码，可以将这些约束区间转化为基因库中的区间编码。设定第i节点引领性指标的环境控制指标约束区间，并对该区间进行编码，生成第二区间编码基因库。环境控制指标包括温度、pH值、溶氧量等，这些指标对废水处理的效果和过程有着重要影响。通过编码，可以将这些约束区间转化为基因库中的区间编码。将离散编码基因库按照节点次序添加进第一基因库，将第一区间编码基因库按照节点次序添加进第二基因库，将第二区间编码基因库按照节点次序添加进第三基因库。这样，每个节点都有相应的基因库，包含添加剂类型、投放量和环境控制指标的编码信息。
进一步而言，本申请方法，遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合，还包括：
对所述适应度评价指标进行正向化调整，生成正向评价指标集；
具体而言，对适应度评价指标进行正向化调整，生成正向评价指标集，对每个适应度评价指标进行正向化调整。正向化调整是指将原有的负向指标转化为正向指标，或者将正向指标进行优化和改进。计算每个适应度评价指标的倒数。对指标进行归一化处理。可以将这些指标的范围归一化到[0,1]之间，使得它们更具有可比性。对指标进行加权处理。例如废水处理效果的综合评价。可以对每个指标赋予不同的权重，然后加权求和得到综合评价结果。生成正向评价指标集。将经过正向化调整后的适应度评价指标集合起来，就得到了正向评价指标集。
基于所述评价指标权重和所述正向评价指标集，构建适应度评价函数：
，
其中，表征第i个解的适应度，/>表征第k维度正向评价指标的权重，/>表征第k维度正向评价指标的特征值，/>表征归一化调节参数，d表征正向评价指标集维度总数，/>为适应度非零调整器，/>为适应度放大器；
基于所述废水处理日志信息，提取对所述第一解集的所述正向评价指标集进行赋值，生成第一正向评价指标集赋值结果；
根据所述适应度评价函数，遍历所述第一解集，调取所述第一正向评价指标集赋值结果进行适应度评价，生成所述第一适应度集合。
具体而言，基于评价指标权重和所述正向评价指标集，构建适应度评价函数，其中，适应度非零调整器可以弥补连乘存在为零的缺陷，适应度放大器可以放大解之间的差异性，基于废水处理日志信息，提取对第一解集的正向评价指标集进行赋值，生成第一正向评价指标集赋值结果。根据废水处理日志信息中记录的添加剂投放类型、投放量和环境控制参数等数据，提取出与之对应的正向评价指标值，例如处理效率、资源消耗等指标，这些指标的具体计算方法可以根据实际情况进行选择和调整。根据适应度评价函数，遍历第一解集，调取第一正向评价指标集赋值结果进行适应度评价，生成第一适应度集合。根据适应度评价函数来计算每个解的适应度值，首先计算每个解的正向评价指标加权和，然后加上非零调整器和放大器函数的结果，最终得到每个解的适应度值。以寻找最优的处理策略和参数组合。
进一步而言，本申请方法，根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集，还包括：
根据所述第一适应度集合，自大到小对所述第一解集进行排序，生成第一解集序列；
在所述第一解集序列自首至尾筛选q个第一头解，在所述第一解集序列自尾至首筛选q个第一尾解；
对所述q个第一头解，基于所述第一基因库、所述第二基因库和所述第三基因库进行随机变异，生成第一头部扩充解；
基于所述q个第一头解，对所述q个第一尾解配置基因变异概率；
根据所述基因变异概率，基于所述第一基因库、所述第二基因库和所述第三基因库进行轮盘赌随机变异，生成第一尾部扩充解；
将所述第一头部扩充解和所述第一尾部扩充解，添加进所述第二解集。
具体而言，根据第一适应度集合对第一解集进行排序，生成第一解集序列，筛选q个第一头解和q个第一尾解，并对q个第一头解进行随机变异生成第一头部扩充解，基于q个第一头解和q个第一尾解配置基因变异概率，再根据基因变异概率进行轮盘赌随机变异生成第一尾部扩充解，最后将第一头部扩充解和第一尾部扩充解添加进第二解集。根据第一适应度集合，对第一解集进行排序。具体的排序方式可以根据适应度值的大小进行升序或降序排列，从而得到第一解集序列。在第一解集序列的头部筛选q个第一头解，即在适应度值最高的q个解中选取。同样，在第一解集序列的尾部筛选q个第一尾解，即在适应度值最低的q个解中选取。对筛选出的q个第一头解，基于第一基因库、第二基因库和第三基因库进行随机变异。具体的变异方式可以是简单的随机插入、删除或替换基因，也可以是更复杂的交叉变异或突变等。变异后的解即为第一头部扩充解。基于筛选出的q个第一头解和q个第一尾解，对基因变异概率进行配置。考虑适应度值较高或较低的解对应的基因变异概率较大，以达到更好的优化效果。根据配置的基因变异概率，基于第一基因库、第二基因库和第三基因库进行轮盘赌随机变异。每个基因都根据其变异概率，画一个轮盘，一部分为其变异部分占据的扇形区域，一部分为不变异部分占据的扇形区域，对该基因是否变异进行判断时，随机转动轮盘，落到何处，则选择是否变异，将生成的第一头部扩充解和第一尾部扩充解添加进第二解集中。具体的添加方式可以是直接替换原有解或与原有解进行融合，也可以是简单的追加到原有解集后。可以有效地将第一头部扩充解和第一尾部扩充解添加进第二解集，以丰富解集的多样性，提高废水处理的优化效果。
进一步而言，如图3所示，本申请方法，基于所述q个第一头解，对所述q个第一尾解配置基因变异概率，还包括：
从所述q个第一头解随机抽取第一基准头解，从所述q个第一尾解随机抽取第一比对尾解；
提取所述第一基准头解的第一节点第一属性基因的基准特征值，对应提取所述第一比对尾解的所述第一节点第一属性基因的比对特征值；
计算所述比对特征值和所述基准特征值变化量，与所述基准特征值的比值，生成第一比例系数；
当所述第一比例系数大于或等于1，将所述第一节点第一属性基因的基因变异概率，配置为1；
当所述第一比例系数小于1，将所述第一节点第一属性基因的基因变异概率，配置为所述第一比例系数。
具体而言，从q个第一头解中随机抽取第一基准头解，从q个第一尾解中随机抽取第一比对尾解；提取第一基准头解的第一节点第一属性基因的基准特征值，对应提取第一比对尾解的第一节点第一属性基因的比对特征值；计算比对特征值和基准特征值变化量，与基准特征值的比值，生成第一比例系数；当第一比例系数大于或等于1，将第一节点第一属性基因的基因变异概率配置为1；当第一比例系数小于1，将第一节点第一属性基因的基因变异概率配置为第一比例系数，从q个第一头解中随机选择一个作为第一基准头解。同样，从q个第一尾解中随机选择一个作为第一比对尾解。提取第一基准头解的第一节点第一属性基因的基准特征值。考虑对应节点的添加剂类型、投放量等属性。同样，对应提取第一比对尾解的第一节点第一属性基因的比对特征值。计算比对特征值和基准特征值的变化量，并与基准特征值进行比值计算，从而生成第一比例系数。具体的计算方式可以是简单的相减、相除，根据第一比例系数的大小，来决定第一节点第一属性基因的基因变异概率的配置。当第一比例系数大于或等于1时，将基因变异概率直接配置为1，意味着该基因变异的概率相对较低，可以保持原有解的基因不变。当第一比例系数小于1时，将第一节点第一属性基因的基因变异概率配置为第一比例系数，这个操作可以保证基因变异的概率与基准特征值的变化量成正比。可以在确定基因变异概率时考虑到基准特征值和比对特征值的变化量，从而更好地调整解的变异策略。
进一步而言，本申请方法，在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置，还包括：
在所述第二解集中，随机提取第j解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成第j正向评价指标集赋值结果；
激活所述适应度评价函数，对所述第j正向评价指标集赋值结果进行评价，生成第j解适应度；
当所述第j解适应度大于前j-1次最大适应度，将所述第j解设为前j次最优解，将所述第j解适应度设为前j次最大适应度；
当所述第j解适应度小于或等于所述前j-1次最大适应度，将前j-1次最优解设为前j次最优解，将所述前j-1次最大适应度设为前j次最大适应度；
重复迭代预设次数，将预设次数最优解设为所述引领性指标优化结果，对废水处理设备进行初始化配置。
具体而言，在第二解集中随机选择一个解，记为第j解。结合近邻搜索评价算法，对正向评价指标集进行赋值，生成第j正向评价指标集赋值结果。可以考虑解的属性如添加剂类型、投放量等，以及解之间的相似度等因素。激活适应度评价函数，对第j正向评价指标集赋值结果进行评价，生成第j解适应度。根据适应度函数进行计算，比较第j解适应度和前j-1次最大适应度的大小。当第j解适应度大于前j-1次最大适应度时，将第j解设为前j次最优解，将第j解适应度设为前j次最大适应度。当第k解适应度小于或等于前j-1次最大适应度时，将前j-1次最优解设为前j次最优解，将前j-1次最大适应度设为前j次最大适应度。重复以上步骤迭代预设次数，将预设次数最优解设为引领性指标优化结果。根据引领性指标优化结果对废水处理设备进行初始化配置。具体的配置过程包括设备的启动、参数设置、添加剂选择和投放量确定等。可以从第二解集中随机选择一个解，结合近邻搜索评价算法对其进行赋值和评价，并通过比较选择最优解来对废水处理设备进行初始化配置。这样可以得到一个相对优秀的解，为后续的废水处理过程提供参考。
进一步而言，本申请方法，在所述第二解集中，随机提取第j解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成第j正向评价指标集赋值结果，还包括：
构建近邻解搜索函数：
，
其中，表征第j解和数据挖掘解的邻近系数，/>表征任意一个数据挖掘解，/>表征数据挖掘解的第l维度控制参数的第t时刻特征值，/>表征第j解的第l维度控制参数的第t时刻特征值，T表征第l维度控制参数的触发时刻总数，/>用于将调节至大于1，H表征控制参数维度总数；
设定邻近系数阈值，根据所述近邻解搜索函数，对所述第j解检索一邻近解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成所述第j正向评价指标集赋值结果。
具体而言，设定邻近系数阈值，根据近邻解搜索函数，对第j解检索一邻近解，结合近邻搜索评价算法，对正向评价指标集进行赋值，生成第j正向评价指标集赋值结果。设定邻近系数阈值。这个阈值可一般应该是一个较小的正数，用于控制解之间的相似度。根据近邻解搜索函数，对第j解进行检索，找到一个邻近解。结合近邻搜索评价算法，对正向评价指标集进行赋值，生成第j正向评价指标集赋值结果。这个赋值过程可以考虑解的属性如添加剂类型、投放量等，以及解之间的相似度等因素，具体的赋值方式可以根据实际需求进行选择。通过以上步骤，可以根据设定的邻近系数阈值和近邻解搜索函数，找到第j解的邻近解，再结合近邻搜索评价算法对正向评价指标集进行赋值，生成第j正向评价指标集赋值结果。这个结果可以用于后续的适应度评价和废水处理设备的初始化配置。
实施例二：
基于与前述实施例基于遗传算法的废水处理设备智能控制方法相同的发明构思，如图4所示，本申请提供了基于遗传算法的废水处理设备智能控制系统，所述系统包括：
第一反馈信息获取模块10，所述第一反馈信息获取模块10用于当接收到废水处理设备初始指令时，调取滞后性指标集发送至用户端，获取第一反馈信息，其中，所述第一反馈信息包括适应度评价指标和评价指标权重；
引领性指标接受模块20，所述引领性指标接受模块20用于交互废水处理设备，接收引领性指标，其中，所述引领性指标包括添加剂投放类型时序指标、添加剂投放量时序指标和环境控制时序指标；
基因库生成模块30，所述基因库生成模块30用于对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库；
第一解集生成模块40，所述第一解集生成模块40用于获取待处理废水基础信息，在废水处理日志信息中对所述添加剂投放类型时序指标、所述添加剂投放量时序指标和所述环境控制时序指标进行回溯，生成第一解集；
第一适应度集合生成模块50，所述第一适应度集合生成模块50用于遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合；
第二解集生成模块60，所述第二解集生成模块60用于根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集；
引领性指标优化结果生成模块70，所述引领性指标优化结果生成模块70用于在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置。
进一步地，该系统还包括：
引领性指标生成模块，用于对所述引领性指标进行工艺分解，生成第一节点引领性指标、第二节点引领性指标直到第N节点引领性指标，其中，第一节点到第N节点属于污水处理依次进行的不同工艺环节；
类型集编码模块，用于检索第i节点引领性指标的添加剂投放类型集进行编码，生成离散编码基因库，其中，第i节点为所述第一节点到所述第N节点的每个节点；
第一区间编码基因库生成模块，用于设定所述第i节点引领性指标的添加剂投放量约束区间，对所述添加剂投放量约束区间进行编码，生成第一区间编码基因库，其中，所述第一区间编码基因库的任意一个区间和所述离散编码基因库的任意一个编码一一对应；
第二区间编码基因库生成模块，用于设定所述第i节点引领性指标的环境控制指标约束区间，对所述环境控制指标约束区间进行编码，生成第二区间编码基因库，其中，所述第二区间编码基因库的任意一个区间和环境控制指标一一对应；
第三基因库生成模块，用于将所述离散编码基因库按照节点次序添加进所述第一基因库，将所述第一区间编码基因库按照节点次序添加进所述第二基因库，将所述第二区间编码基因库按照节点次序添加进所述第三基因库。
进一步地，该系统还包括：
正向评价指标集生成模块，用于对所述适应度评价指标进行正向化调整，生成正向评价指标集；
适应度函数构建模块，是基于所述评价指标权重和所述正向评价指标集，构建适应度评价函数：
，
其中，表征第i个解的适应度，/>表征第k维度正向评价指标的权重，/>表征第k维度正向评价指标的特征值，/>表征归一化调节参数，d表征正向评价指标集维度总数，/>为适应度非零调整器，/>为适应度放大器；
第一正向评价指标集赋值结果生成模块，是基于所述废水处理日志信息，提取对所述第一解集的所述正向评价指标集进行赋值，生成第一正向评价指标集赋值结果；
第一适应度集合生成模块，用于根据所述适应度评价函数，遍历所述第一解集，调取所述第一正向评价指标集赋值结果进行适应度评价，生成所述第一适应度集合。
进一步地，该系统还包括：
第一解集序列生成模块，用于根据所述第一适应度集合，自大到小对所述第一解集进行排序，生成第一解集序列；
第一头解筛选模块，用于在所述第一解集序列自首至尾筛选q个第一头解，在所述第一解集序列自尾至首筛选q个第一尾解；
第一头部扩充解生成模块，用于对所述q个第一头解，基于所述第一基因库、所述第二基因库和所述第三基因库进行随机变异，生成第一头部扩充解；
变异概率配置模块，是基于所述q个第一头解，对所述q个第一尾解配置基因变异概率；
第一尾部扩充解生成模块，用于根据所述基因变异概率，基于所述第一基因库、所述第二基因库和所述第三基因库进行轮盘赌随机变异，生成第一尾部扩充解；
第二解集添加模块，用于将所述第一头部扩充解和所述第一尾部扩充解，添加进所述第二解集。
进一步地，该系统还包括：
第一对比尾解抽取模块，用于从所述q个第一头解随机抽取第一基准头解，从所述q个第一尾解随机抽取第一比对尾解；
对比特征值提取模块，用于提取所述第一基准头解的第一节点第一属性基因的基准特征值，对应提取所述第一比对尾解的所述第一节点第一属性基因的比对特征值；
第一比例系数生成模块，用于计算所述比对特征值和所述基准特征值变化量，与所述基准特征值的比值，生成第一比例系数；
配置模块，用于当所述第一比例系数大于或等于1，将所述第一节点第一属性基因的基因变异概率，配置为1；
第一比例系数配置模块，用于当所述第一比例系数小于1，将所述第一节点第一属性基因的基因变异概率，配置为所述第一比例系数。
进一步地，该系统还包括：
正向评价指标集赋值结果生成模块，是在所述第二解集中，随机提取第j解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成第j正向评价指标集赋值结果；
第j解适应度生成模块，用于激活所述适应度评价函数，对所述第j正向评价指标集赋值结果进行评价，生成第j解适应度；
当所述第j解适应度大于前j-1次最大适应度，将所述第j解设为前j次最优解，将所述第j解适应度设为前j次最大适应度；
最优解判断模块，是当所述第k解适应度小于或等于所述前j-1次最大适应度，将前j-1次最优解设为前j次最优解，将所述前j-1次最大适应度设为前j次最大适应度；
初始化配置模块，用于重复迭代预设次数，将预设次数最优解设为所述引领性指标优化结果，对废水处理设备进行初始化配置。
进一步地，该系统还包括：
搜索函数构建模块，用于构建近邻解搜索函数：
，
其中，表征第j解和数据挖掘解的邻近系数，/>表征任意一个数据挖掘解，/>表征数据挖掘解的第l维度控制参数的第t时刻特征值，/>表征第j解的第l维度控制参数的第t时刻特征值，T表征第l维度控制参数的触发时刻总数，/>用于将调节至大于1，H表征控制参数维度总数；
邻近系数阈值设定模块，用于设定邻近系数阈值，根据所述近邻解搜索函数，对所述第j解检索一邻近解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成所述第j正向评价指标集赋值结果。
说明书通过前述基于遗传算法的废水处理设备智能控制方法的详细描述，本领域技术人员可以清楚地知识本实施例中基于遗传算法的废水处理设备智能控制系统，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于遗传算法的废水处理设备智能控制方法，其特征在于，包括：
当接收到废水处理设备初始指令时，调取滞后性指标集发送至用户端，获取第一反馈信息，其中，所述第一反馈信息包括适应度评价指标和评价指标权重；
交互废水处理设备，接收引领性指标，其中，所述引领性指标包括添加剂投放类型时序指标、添加剂投放量时序指标和环境控制时序指标；
对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库；
获取待处理废水基础信息，在废水处理日志信息中对所述添加剂投放类型时序指标、所述添加剂投放量时序指标和所述环境控制时序指标进行回溯，生成第一解集；
遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合；
根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集；
在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置。
2.如权利要求1所述的方法，其特征在于，对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库，包括：
对所述引领性指标进行工艺分解，生成第一节点引领性指标、第二节点引领性指标直到第N节点引领性指标，其中，第一节点到第N节点属于污水处理依次进行的不同工艺环节；
检索第i节点引领性指标的添加剂投放类型集进行编码，生成离散编码基因库，其中，第i节点为所述第一节点到所述第N节点的每个节点；
设定所述第i节点引领性指标的添加剂投放量约束区间，对所述添加剂投放量约束区间进行编码，生成第一区间编码基因库，其中，所述第一区间编码基因库的任意一个区间和所述离散编码基因库的任意一个编码一一对应；
设定所述第i节点引领性指标的环境控制指标约束区间，对所述环境控制指标约束区间进行编码，生成第二区间编码基因库，其中，所述第二区间编码基因库的任意一个区间和环境控制指标一一对应；
将所述离散编码基因库按照节点次序添加进所述第一基因库，将所述第一区间编码基因库按照节点次序添加进所述第二基因库，将所述第二区间编码基因库按照节点次序添加进所述第三基因库。
3.如权利要求1所述的方法，其特征在于，遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合，包括：
对所述适应度评价指标进行正向化调整，生成正向评价指标集；
基于所述评价指标权重和所述正向评价指标集，构建适应度评价函数：
，
其中，表征第i个解的适应度，/>表征第k维度正向评价指标的权重，/>表征第k维度正向评价指标的特征值，/>表征归一化调节参数，d表征正向评价指标集维度总数，为适应度非零调整器，/>为适应度放大器；
基于所述废水处理日志信息，提取对所述第一解集的所述正向评价指标集进行赋值，生成第一正向评价指标集赋值结果；
根据所述适应度评价函数，遍历所述第一解集，调取所述第一正向评价指标集赋值结果进行适应度评价，生成所述第一适应度集合。
4.如权利要求3所述的方法，其特征在于，根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集，包括：
根据所述第一适应度集合，自大到小对所述第一解集进行排序，生成第一解集序列；
在所述第一解集序列自首至尾筛选q个第一头解，在所述第一解集序列自尾至首筛选q个第一尾解；
对所述q个第一头解，基于所述第一基因库、所述第二基因库和所述第三基因库进行随机变异，生成第一头部扩充解；
基于所述q个第一头解，对所述q个第一尾解配置基因变异概率；
根据所述基因变异概率，基于所述第一基因库、所述第二基因库和所述第三基因库进行轮盘赌随机变异，生成第一尾部扩充解；
将所述第一头部扩充解和所述第一尾部扩充解，添加进所述第二解集。
5.如权利要求4所述的方法，其特征在于，基于所述q个第一头解，对所述q个第一尾解配置基因变异概率，包括：
从所述q个第一头解随机抽取第一基准头解，从所述q个第一尾解随机抽取第一比对尾解；
提取所述第一基准头解的第一节点第一属性基因的基准特征值，对应提取所述第一比对尾解的所述第一节点第一属性基因的比对特征值；
计算所述比对特征值和所述基准特征值变化量，与所述基准特征值的比值，生成第一比例系数；
当所述第一比例系数大于或等于1，将所述第一节点第一属性基因的基因变异概率，配置为1；
当所述第一比例系数小于1，将所述第一节点第一属性基因的基因变异概率，配置为所述第一比例系数。
6.如权利要求5所述的方法，其特征在于，在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置，包括：
在所述第二解集中，随机提取第j解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成第j正向评价指标集赋值结果；
激活所述适应度评价函数，对所述第j正向评价指标集赋值结果进行评价，生成第j解适应度；
当所述第j解适应度大于前j-1次最大适应度，将所述第j解设为前j次最优解，将所述第j解适应度设为前j次最大适应度；
当所述第j解适应度小于或等于所述前j-1次最大适应度，将前j-1次最优解设为前j次最优解，将所述前j-1次最大适应度设为前j次最大适应度；
重复迭代预设次数，将预设次数最优解设为所述引领性指标优化结果，对废水处理设备进行初始化配置。
7.如权利要求6所述的方法，其特征在于，在所述第二解集中，随机提取第j解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成第j正向评价指标集赋值结果，包括：
构建近邻解搜索函数：
；
其中，表征第j解和数据挖掘解的邻近系数，/>表征任意一个数据挖掘解，表征数据挖掘解的第l维度控制参数的第t时刻特征值，/>表征第j解的第l维度控制参数的第t时刻特征值，T表征第l维度控制参数的触发时刻总数，/>用于将/>调节至大于1，H表征控制参数维度总数；
设定邻近系数阈值，根据所述近邻解搜索函数，对所述第j解检索一邻近解，结合近邻搜索评价算法，对所述正向评价指标集进行赋值，生成所述第j正向评价指标集赋值结果。
8.基于遗传算法的废水处理设备智能控制系统，其特征在于，包括：
第一反馈信息获取模块，所述第一反馈信息获取模块用于当接收到废水处理设备初始指令时，调取滞后性指标集发送至用户端，获取第一反馈信息，其中，所述第一反馈信息包括适应度评价指标和评价指标权重；
引领性指标接受模块，所述引领性指标接受模块用于交互废水处理设备，接收引领性指标，其中，所述引领性指标包括添加剂投放类型时序指标、添加剂投放量时序指标和环境控制时序指标；
基因库生成模块，所述基因库生成模块用于对添加剂投放类型进行编码，生成第一基因库，对添加剂投放量进行编码，生成第二基因库，对环境控制量进行编码，生成第三基因库；
第一解集生成模块，所述第一解集生成模块用于获取待处理废水基础信息，在废水处理日志信息中对所述添加剂投放类型时序指标、所述添加剂投放量时序指标和所述环境控制时序指标进行回溯，生成第一解集；
第一适应度集合生成模块，所述第一适应度集合生成模块用于遍历所述第一解集，基于所述适应度评价指标和所述评价指标权重进行适应度分析，生成第一适应度集合；
第二解集生成模块，所述第二解集生成模块用于根据头尾双向变异策略，调取第一基因库、第二基因库和第三基因库，基于所述第一适应度集合对所述第一解集进行微量变异扩充，生成第二解集；
引领性指标优化结果生成模块，所述引领性指标优化结果生成模块用于在所述第二解集中，结合近邻搜索评价算法进行寻优，生成引领性指标优化结果，对废水处理设备进行初始化配置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354418.8A CN117092908B (zh) | 2023-10-19 | 2023-10-19 | 基于遗传算法的废水处理设备智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354418.8A CN117092908B (zh) | 2023-10-19 | 2023-10-19 | 基于遗传算法的废水处理设备智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117092908A true CN117092908A (zh) | 2023-11-21 |
| CN117092908B CN117092908B (zh) | 2024-01-02 |
Family
ID=88780135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311354418.8A Active CN117092908B (zh) | 2023-10-19 | 2023-10-19 | 基于遗传算法的废水处理设备智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117092908B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117434908A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鑫路远电子设备有限公司 | 一种精密abc胶水的智能搅拌监测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
| CN201749343U (zh) * | 2010-03-30 | 2011-02-16 | 深圳达实智能股份有限公司 | 污水处理控制系统 |
| CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
| CN110824915A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 基于ga-dbn网络的废水处理智能监控方法及系统 |
| CN112099354A (zh) * | 2020-09-14 | 2020-12-18 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
| CN114488822A (zh) * | 2022-04-12 | 2022-05-13 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 基于高维多目标进化算法的智能污水处理过程优化方法 |
| CN115356930A (zh) * | 2022-08-24 | 2022-11-18 | 东北大学 | 一种污水处理过程中的多目标优化控制系统及方法 |
| CN116243604A (zh) * | 2023-02-28 | 2023-06-09 | 华南理工大学 | 污水脱氮过程自适应神经网络滑模控制方法、装置及介质 |
-
2023
- 2023-10-19 CN CN202311354418.8A patent/CN117092908B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
| CN201749343U (zh) * | 2010-03-30 | 2011-02-16 | 深圳达实智能股份有限公司 | 污水处理控制系统 |
| CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
| CN110824915A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 基于ga-dbn网络的废水处理智能监控方法及系统 |
| CN112099354A (zh) * | 2020-09-14 | 2020-12-18 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
| CN114488822A (zh) * | 2022-04-12 | 2022-05-13 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 基于高维多目标进化算法的智能污水处理过程优化方法 |
| CN115356930A (zh) * | 2022-08-24 | 2022-11-18 | 东北大学 | 一种污水处理过程中的多目标优化控制系统及方法 |
| CN116243604A (zh) * | 2023-02-28 | 2023-06-09 | 华南理工大学 | 污水脱氮过程自适应神经网络滑模控制方法、装置及介质 |
Non-Patent Citations (4)
| Title |
|---|
| QIAO XING-HONG 等: "Robust PID control for a wastewater treatment based on genetic algorithm and small-gain approach", 2015 34TH CHINESE CONTROL CONFERENCE (CCC) * |
| WAN T J 等: "An application of artificial neuromolecular system for effluent quality prediction of wastewater treatment plant", CHINESE INSTRUMENT ENVIRONMENT ENGINEERING, vol. 10, no. 3, pages 155 * |
| XINGHONG QIAO 等: "Robust PID controller design using genetic algorithm for wastewater treatment process", 2016 IEEE ADVANCED INFORMATION MANAGEMENT, COMMUNICATES, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IMCEC) * |
| 陈文华: "一体化废水处理生物反应器智能控制系统的设计与实现", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 04, pages 027 - 379 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117434908A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鑫路远电子设备有限公司 | 一种精密abc胶水的智能搅拌监测方法及系统 |
| CN117434908B (zh) * | 2023-12-18 | 2024-02-20 | 深圳市鑫路远电子设备有限公司 | 一种精密abc胶水的智能搅拌监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117092908B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117092908B (zh) | 基于遗传算法的废水处理设备智能控制方法及系统 | |
| Noda et al. | Discovering interesting prediction rules with a genetic algorithm | |
| Wang et al. | Genetic algorithms for determining fuzzy measures from data | |
| Sheng et al. | A genetic k-medoids clustering algorithm | |
| Braga et al. | A GA-based feature selection and parameters optimization for support vector regression applied to software effort estimation | |
| CN111897733A (zh) | 一种基于最小集合覆盖的模糊测试方法和装置 | |
| Klein et al. | Towards reproducible neural architecture and hyperparameter search | |
| CN113836797A (zh) | 基于ga-bp神经网络的湿气管道持液率预测方法 | |
| CN113076545A (zh) | 一种基于深度学习的内核模糊测试序列生成方法 | |
| Sommer et al. | Learning to tune XGboost with XGboost | |
| Minerva et al. | Building ARMA models with genetic algorithms | |
| CN111897734B (zh) | 基于在线式增量学习的模糊测试用例选择方法和装置 | |
| CN116956160A (zh) | 一种基于自适应树种算法的数据分类预测方法 | |
| Yolcu et al. | An enhanced fuzzy time series forecasting method based on artificial bee colony | |
| CN116305939A (zh) | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 | |
| CN112241751A (zh) | 一种异常检测方法和系统，及计算机可读存储介质 | |
| CN115618211A (zh) | 实现数据高维度运算的自动机器学习方法 | |
| CN109740804B (zh) | 水体质量预测方法、终端设备及计算机可读存储介质 | |
| Hordijk | Correlation analysis of coupled fitness landscapes | |
| CN111967593A (zh) | 一种基于建模对异常数据进行处理的方法和系统 | |
| Battaglia et al. | A generalization of periodic autoregressive models for seasonal time series | |
| Minhaz et al. | Solution of a Classical Cryptarithmetic Problem by using parallel genetic algorithm | |
| Rechy-Ramírez et al. | Times series discretization using evolutionary programming | |
| CN112817841B (zh) | 基于路径覆盖的通信确定mpi并行程序测试数据生成方法 | |
| Khan et al. | Evolution strategy based automated software clustering approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |