基于混沌-烟花混合算法的污水处理过程软测量建模方法技术

本发明专利技术公开了一种基于混沌‑烟花混合算法的污水处理过程软测量建模方法，为提高FWA初始烟花成员的质量，本发明专利技术定义了一种改进的两级正弦混沌映射；为提高基本FWA的优化性能，融合混沌优化算法和FWA算法，提出了一种混沌‑烟花混合优化算法。本发明专利技术有效增强了种群中成员间的信息交流与共享、提高了种群的多样性、扩大了在解空间的搜索范围，避免了算法的早熟收敛。此外，针对污水生化处理过程溶解氧质量浓度的软测量建模问题，定义了一项新的样本相似度衡量指标并提出一种代表样本的提取方法，用于提取更具代表性的建模数据，并将改进的混沌‑烟花混合优化算法应用于软测量建模中神经网络的训练，取得了良好的应用效果。

Soft sensor modeling method for sewage treatment process based on chaos fireworks mixture algorithm

In order to improve the quality of FWA initial fireworks, an improved two stage sinusoidal chaotic mapping is defined to improve the quality of the members of the initial fireworks. In order to improve the optimization performance of the basic FWA, a mixed chaos optimization algorithm and a FWA algorithm are proposed to improve the optimization performance of the basic FWA. The hybrid optimization algorithm of chaotic fireworks and fireworks. The invention effectively enhances the exchange and sharing of information among the members of the population, improves the diversity of the population, expands the search scope in the solution space, and avoids the premature convergence of the algorithm. In addition, in view of the soft measurement modeling problem of dissolved oxygen concentration in wastewater treatment process, a new sample similarity measure index is defined and a representative sample extraction method is proposed to extract more representative modeling data, and the improved chaotic fireworks hybrid optimization algorithm is applied to soft sensing modeling. The training of median neural network has achieved good results.

【技术实现步骤摘要】
基于混沌-烟花混合算法的污水处理过程软测量建模方法
本专利技术涉及软测量建模领域，具体涉及一种基于混沌-烟花混合算法的污水处理过程软测量建模方法。
技术介绍
随着工业和生活污水排放量的不断增加，水资源污染日益严重，使原本短缺的水资源更加捉襟见肘。城镇污水处理及再生利用是改善生态环境、解决城市缺水问题的有效途径之一。目前污水处理多采用生化法，是工业和城市污水处理的最主要途径。污水生化处理系统中，水中溶解氧浓度(DO)是污水处理生化反应过程中的一项重要指标，可及时直观地反应整个污水处理系统的运行状况，溶解氧浓度的监测与控制对提高污水处理过程的处理效果和处理效率至关重要。受污水处理过程中存在污水成分繁杂多变、污水污泥流量存在诸多不确定性等因素影响，现有方法难以实现对溶解氧质量浓度的实时准确测量，难以满足污水处理过程需求，溶解氧质量浓度等参数的在线软测量技术研究具有重要意义。人工神经网络是一种常用的软测量建模方法。为进一步提高神经网络软测量模型的性能，常将PSO等群体智能优化算法用于神经网络的网络权值优化。2000年以来，诸多新型群体智能优化算法陆续被提出。2010年，Tan和Zhu等学者根据烟花爆炸产生火花这一现象提出烟花算法(Fireworksalgorithm,FWA)，凭借其较强的鲁棒性能和全局寻优能力受到不同领域学者的广泛关注。目前已成功用于解决神经网络权值的训练、连续和离散系统的参数优化及组合优化问题的求解等方面问题。为进一步提高算法的优化性能，众多学者从不同角度提出许多改进算法并进行了机制分析和对比研究，均取得良好成效。烟花算法属于有导向的随机性启发式算法，具有很强的优化问题求解能力。但在处理复杂优化问题时，每次求解结果可能不同或找不到全局最优解；存在易陷入局部最优、进化后期收敛速度慢，鲁棒性较差等缺陷。目前基本烟花算法的实现思路是将烟花视为最优化问题解空间中的一个可行解，烟花爆炸产生一定数量火花的过程即为邻域搜索最优解的过程；算法具体描述如下：1)随机产生N个烟花，即随机在求解空间初始化N个位置xi，表征问题的N个初始解。2)计算每个烟花的适应度值，评估烟花质量好坏并在不同爆炸半径下产生不同数量的火花；烟花xi的爆炸半径Ri和爆炸火花数Si的计算公式分别为式(3)和式(4)，式中，ymin＝min(f(xi))(i＝1,2,…,N)为当前烟花种群中适应度最小值(最优值)；ymax＝max(f(xi))(i＝1,2,…,N)为当前烟花种群中适应度最大值(最差值)。常数R和M分别用来调节爆炸半径和产生爆炸火花数的大小，ε为用来避免除零运算的微小量。此外，为限制适应度值较好和适应度值较差的烟花位置产生火花粒子的数量，对火花产生个数作如下限制，即：其中a、b为两个常数，round为四舍五入取整函数。3)产生爆炸火花，随机选择z个维度组成集合DS，z＝round(D×rand(0,1))，式中D表示烟花xi维数；round为四舍五入取整函数，rand为在区间内产生服从均匀分布随机数的函数。参照式(8)对DS的各维度k进行爆炸操作，越界处理后将exik保存于爆炸火花种群。exik＝xik+h，h＝RiXrand(-1，1)(8)式中h代表位置偏移量；xik代表第i个烟花个体的第k维，exik代表xik经爆炸操作后的爆炸火花。4)产生G个高斯变异火花，随机选择火花xi并随机抽取z个维度组成集合DS，令z＝round(D×rand(0,1))，D表示烟花成员xi的维数。参照式(9)对DS的各维度k作高斯变异运算，越界处理后将mxik保存于高斯变异火花种群。mxik＝xik×e(9)式中：e～N(1，1)，mxik为xik高斯变异后产生的高斯变异火花。5)从烟花、爆炸火花和高斯变异火花三类种群成员中精选N个成员构成下一次迭代运算的烟花种群。设候选者集合为S(包括三类种群成员)，烟花种群规模为N；S中适应度值最优的个体首先被确定为下一代烟花成员，其余N-1个烟花成员则通过“轮盘赌方式”依次从S中选择产生，候选者xi被选中的概率为：式中R(xi)为xi与S中各个体间的距离和。S中个体的密度越高则被选择的概率越低。6)判定是否满足终止条件。若满足则停止搜索，否则返回步骤2)。
技术实现思路
基于目前存在的问题，本专利技术公开了一种基于混沌-烟花混合算法的污水处理过程软测量建模方法，所采用的技术方案如下：基于混沌-烟花混合算法的污水处理过程软测量建模方法，定义了一种改进的两级正弦混沌映射，利用混沌运动的遍历性改进了FWA初始成员的提取方法；为进一步提高现有FWA的优化性能，将FWA算法和COA算法有机融合，定义了一种改进的混沌-烟花混合优化算法(CFWA)；针对污水生化处理过程溶解氧质量浓度的软测量建模问题，定义了一项新的样本相似度衡量指标和一种代表样本的提取方法，用于提取更具有代表性的建模数据，并将改进的混沌-烟花混合优化算法应用于软测量建模中神经网络的训练。FWA初始成员的提取方法，利用混沌运动的遍历性在解空间产生较大规模的初始群体，依据各成员间的欧式距离从中提取分布均匀的FWA初始烟花，使有限规模的烟花均匀分布于解空间；FWA初始烟花成员的提取方法描述如下：(1)采用多轨道正弦混沌映射SM对多个不同初始值进行混沌迭代，产生一定规模的多维混沌向量X，X＝(x1,…,xn)，n代表解空间维数；(2)计算n维向量间的空间距离(即欧式距离)dij，当dij<ε时去除i，j两个向量中的一个向量；(3)将筛选后的向量线性变换至求解空间，作为FWA群成员的初始位置；其中，正弦混沌映射SM可用式(1)表示，zn+2＝rsin(5.65/zn+1)+(1-r)sin(5.65/zn)，-1≤zn≤1,zn≠0(1)式中分形系数r～(0,1)，当r＝0或r＝1时，该映射转化为正弦混沌满映射；迭代的初始值z0不能为0，且z0不能取为无穷多个平衡点的任何一点；当r＝0.005时，其随机性基本接近满映射，混沌特性良好，故r＝0.005为最优值。Lyapunov指数是衡量混沌性质的一项重要指标，正弦混沌映射SM的最大Lyapunov指数λmax可用式(2)表示，当r～(0,1)时λmax为正，其混沌特性比常用的有限折叠次数映射更为明显。混沌-烟花混合优化算法(CFWA)，通过融合COA算法和FWA算法，提高了基本FWA的优化性能；整个优化过程分为两阶段，两分群分别采用COA策略和FWA策略同时进行，其中两分群分别为FWA分群即F群和COA分群即C群；优化过程分两个阶段进行：第一阶段，F群和C群分别按FWA机制和COA机制同时进行搜索；根据基本烟花算法原理，烟花xi的爆炸半径Ri和爆炸火花数Si的计算公式分别为式(3)和式(4)；搜索过程中，CFWA的F群成员在计算烟花爆炸半径Ri和爆炸火花数Si时，式(3)和式(4)中ymin和ymax分别为t时刻整个寻优群体(包含F群和C群)的适应度最优值和最差值；CFWA的C群成员利用COA算法的全局遍历性避免群成员陷入局部最优区或早熟收敛，并实现整个寻优过程中F群和C群的信息共享；第二阶段，当F群烟花成员陷入局部最优区，C群成员则在以局部极值点为中心的附近区域内搜索迭代，并将C分群适应本文档来自技高网...

【技术保护点】
基于混沌‑烟花混合算法的污水处理过程软测量建模方法，其特征在于定义了一种改进的两级正弦混沌映射，利用混沌运动的遍历性改进了FWA初始成员的提取方法；为进一步提高现有FWA的优化性能，将FWA算法和混沌优化算法(COA算法)有机融合，定义了一种改进的混沌‑烟花混合优化算法(CFWA)；针对污水生化处理过程溶解氧质量浓度的软测量建模问题，定义了一项新的样本相似度衡量指标和一种代表样本的提取方法，用于提取更具代表性的建模数据，并将改进的混沌‑烟花混合优化算法应用于软测量建模中神经网络的训练。

【技术特征摘要】
1.基于混沌-烟花混合算法的污水处理过程软测量建模方法，其特征在于定义了一种改进的两级正弦混沌映射，利用混沌运动的遍历性改进了FWA初始成员的提取方法；为进一步提高现有FWA的优化性能，将FWA算法和混沌优化算法(COA算法)有机融合，定义了一种改进的混沌-烟花混合优化算法(CFWA)；针对污水生化处理过程溶解氧质量浓度的软测量建模问题，定义了一项新的样本相似度衡量指标和一种代表样本的提取方法，用于提取更具代表性的建模数据，并将改进的混沌-烟花混合优化算法应用于软测量建模中神经网络的训练。2.根据权利要求1所述的基于混沌-烟花混合算法的污水处理过程软测量建模方法，其特征在于所述FWA初始成员的提取方法，利用混沌运动的遍历性在解空间产生较大规模的初始群体，依据各成员间的欧式距离从中提取分布均匀的FWA初始烟花，使有限规模的烟花均匀分布于解空间；FWA初始烟花成员的提取方法描述如下：(1)采用多轨道正弦混沌映射SM对多个不同初始值进行混沌迭代，产生一定规模的多维混沌向量X，X＝(x1,…,xn)，n代表解空间维数；(2)计算n维向量间的空间距离(即欧式距离)dij，当dij<ε时去除i，j两个向量中的一个向量；(3)将筛选后的向量线性变换至求解空间，作为FWA群成员的初始位置；其中，正弦混沌映射SM可用式(1)表示，zn+2＝rsin(5.65/zn+1)+(1-r)sin(5.65/zn)，-1≤zn≤1,zn≠0(1)式中分形系数r～(0,1)，当r＝0或r＝1时，该映射转化为正弦混沌满映射；迭代的初始值z0不能为0，且z0不能取为无穷多个平衡点的任何一点；Lyapunov指数是衡量混沌性质的一项重要指标，正弦混沌映射SM的最大Lyapunov指数λmax可用式(2)表示，当r～(0,1)时λmax为正，其混沌特性比常用的有限折叠次数映射更为明显。3.根据权利要求1所述的基于混沌-烟花混合算法的污水处理过程软测量建模方法，其特征在于所述混沌-烟花混合优化算法(CFWA)，通过融合COA算法和FWA算法，提高了基本FWA的优化性能；整个优化过程分为两阶段，两分群分别采用COA策略和FWA策略同时进行，其中两分群分别为FWA分群即F群和COA分群即C群；优化过程分两个阶段进行：第一阶段，F群和C群分别按FWA机制和COA机制同时进行搜索；根据基本烟花算法原理，烟花xi的爆炸半径Ri和爆炸火花数Si的计算公式分别为式(3)和式(4)；搜索过程中，CFWA的F群成员在计算烟花爆炸半径Ri和爆炸火花数Si时，式(3)和式(4)中ymin和ymax分别为t时刻整个寻优群体(包含F群和C群)的适应度最优值和最差值；CFWA的C群成员利用COA算法的全局遍历性避免群成员陷入局部最优区或早熟收敛，并实现整个寻优过程中F群和C群的信息共享；第二阶段，当F群烟花成员陷入局部最优区，C群成员则在以局部极值点为中心的附近区域内搜索迭代，并将C分群适应值较好的部分成员取代F群中相同数量的较差成员，帮助F群成员远离局部最优区。设Fymin(t)、Fymax(t)分别代表t时刻F群适应度最优值和最差值，Cymin(t)、Cymax(t)分别代表t时刻C群适应度最优值和最差值，ymin和ymax分别代表t时刻整群的适应度最优值和最差值，混沌-烟...

【专利技术属性】
技术研发人员：陈如清，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：浙江,33