[发明专利]基于混沌-烟花混合算法的污水处理过程软测量建模方法

权利要求书

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即COA算法有机融合，定义了一种改进的混沌-烟花混合优化算法即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；

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,…,x_n)，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d_ij，当d_ijε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，

z_n+2＝rsin(5.65/z_n+1)+(1-r)sin(5.65/z_n)，-1≤z_n≤1,z_n≠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λ_max可用式(2)表示，

当r～(0,1)时λ_max为正，其混沌特性比常用的有限折叠次数映射更为明显。

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，其特征在于所述混沌-烟花混合优化算法即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x_i的爆炸半径R_i和爆炸火花数S_i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R_i和爆炸火花数S_i时，式(3)和式(4)中y_min和y_max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Fy_min(t)、Fy_max(t)分别代表t时刻F群适应度最优值和最差值，Cy_min(t)、Cy_max(t)分别代表t时刻C群适应度最优值和最差值，y_min和y_max分别代表t时刻整群的适应度最优值和最差值，混沌-烟花混合优化算法的执行流程描述如下：

Step1：根据权利要求1初始化两分群成员的位置，完成分群规模N、最大搜索次数T_max、寻优精度、FWA算法和COA算法相关参数的初始设置，计算全体群成员的初始适应值并记录整群适应度最优值、最差值及对应的空间位置；

Step2：第一阶段搜索，包括：1)F群成员按基本烟花算法在解空间进行搜索，每次迭代产生成员新位置并计算新适应值，更新Fy_min(t)、Fy_max(t)及其空间位置；2)C群按式(1)产生新的混沌向量并进行线性变换，每次迭代产生成员新位置并计算新适应值，记录Cy_min(t)、Cy_max(t)及其空间位置；3)比较Fy_min(t)、Fy_max(t)和Cy_min(t)、Cy_max(t)适应值大小，更新y_min、y_max及对应的空间位置；4)重复1)～3)步，寻优精度达到要求转至Step4，若F群成员陷入局部最优区，则进入Step3；

Step3：第二阶段搜索，包括：

1)根据式(1)再次产生C群的N个混沌向量Y_i，i＝1,2,…,N，按照式(5)在以y_min对应的空间位置x^*(t)为中心及R为半径的邻域内进行混沌搜索，其中X_i表示求解空间成员i的位置；F群成员位置和适应值更新方法与Step2相同；

X_i＝x^*(t)+RY_i，i＝1,2,…,N (5)

2)计算两分群各成员适应值并按适应值优劣进行排序，将F群的适应值较差成员用C群的适应值较好成员代替；

3)比较Fy_min(t)、Fy_max(t)和Cy_min(t)、Cy_max(t)适应值大小，保存y_min、y_max及对应的空间位置；

4)逐步缩小半径R并重复1)～3)步，精度要求满足或最大迭代次数达到则转至Step4；

Step4：停止搜索，输出整群历史最优解及相应的最优适应值。