基于遗传算法的污水处理厂控制算法研究

工程科学与技术，国际期刊24（2021）872基于遗传算法的污水处理厂Hai Trung Doa，Nam Van Bacha，Lanh Van Nguyena，b，Hoang Thuan Tranc，d，Minh Tuan Nguyend，aThai Nguyen University of Technology，Thai Nguyen，250000，Vietnamb悉尼科技大学，新南威尔士州，2007年，澳大利亚cDuy Tan University，Danang，550000，Vietnamd研究与发展学院，Duy Tan大学，Danang 550000，越南阿提奇莱因福奥文章历史记录：2020年5月31日收到2020年12月11日修订2021年1月5日接受在线预订2021年保留字：污水处理厂溶解氧分级控制遗传算法A B S T R A C T废水处理厂促进各种过程（例如，物理、化学和生物）来处理工业废水和去除污染物。近年来，这一课题引起了不同领域的广泛关注，以探索合适的方法来去除废水中的化学或生物元素。本文提出了一种新的基于遗传算法的污水生物处理厂控制算法，旨在提高出水水质，降低运行成本所提出的控制器允许根据操作条件调节最后一个水池中的溶解氧S0;5，而不是将其保持在恒定值。在高层控制设计中使用遗传算法（GA），以基于第四槽中的铵和氨氮浓度SNH;4，第四槽中的浓度值来验证下层的期望值为了修改更高级别的调谐参数从而提高了出水水质，降低了总运行成本。仿真结果证明了该方法的优越性©2021 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍废水是在使用后排放的水，或在技术过程中产生的水，并且不再直接用于该过程。废水可来自家庭、工业、商业、农业活动、地表径流、雨水，并流入地下下水道或渗漏。所有废水在排入环境之前都必须经过处理。废水处理的方法之一是采用生物活性污泥处理方法。污水处理厂是一个复杂的非线性系统。由于生化、生物过程的复杂性和输入废水流量的波动性，控制出水水质是一个挑战。缩略语：ASM 1，1号活性污泥模型; BSM 1，1号基准模拟模型; DO，溶解氧;GA，遗传算法; EQI，出水水质指数; IAE，绝对误差积分;ISE，平方误差积分;OCI，运行成本指数; WWTP，污水处理厂。*通讯作者：研究与发展研究所，Duy Tan大学，岘港550000，越南。电子邮件地址：dotrunghai@tnut.edu.vn （H.T.Do ），bachvannam@tnut.edu.vn（ N.V. Bach ） ， lanhvan. student.uts.edu.au （ L.V. Nguyen ） ， duytan.edu.vn（H.T.Tran），nguyentuanminh1@duytan.edu.vn（M.T. Nguyen）。由Karabuk大学负责进行同行审查几十年来，城市或工业废水处理的主要目标是减少悬浮物、需氧物质、溶解性无机化合物、有害细菌等的含量。先进的生物脱氮方法、化学和物理方法，如颗粒过滤和活性炭吸附，在不同的领域被采用。在污水处理厂的发电点上，控制也占有非常重要的地位不同的控制策略，污水处理厂模拟实际系统[1基准模拟模型1（BSM 1）在不同领域的不同研究中得到了广泛的考虑[4BSM 1被用作建模、性能评估和控制策略评估的标准模型[5这是基于国际水污染研究与控制协会（International Associationon Water Pollution Research andControl）扩展的最受欢迎的活性污泥模型1（ASM 1）。Benchmark 1的模拟模型确定了污水处理系统的布置、进水流量、试验流程和评价标准。图1给出了BSM 1的示意图。生物反应器中有五个池：两个缺氧段（预硝化），然后是三个为了保持微生物数量，污泥从沉降器中回流。https://doi.org/10.1016/j.jestch.2021.01.0042215-0986/©2021 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchHai Trung Do，Nam Van Bach，Lanh Van Nguyen etal.工程科学与技术，国际期刊24（2021）872873La1H KSSSKO;HSO;3一 KNHSNHKO;ASOH;¼ð ÞrO-Fig. 1. 基准模拟模型1（BSM 1）。溶解氧（DO）浓度是一个重要的控制变量，它对系统中发生的许多微生物过程有着重要的影响。为了维持生物罐中的期望的空气，实施DO控制器。此外，最后一个池中的DO水平被控制，从而操纵曝气该盆地的系数为K5。此外，外循环控制回路通过控制内循环流量来验证硝酸盐的去除。本项目主要是通过一个DO控制器来维持生物池中所需的曝气。已经有各种控制策略成功地改善了控制质量指标：微分积分方法（IAE）和积分控制偏差的平方（ISE），与经典PI控制器的比较，如模型预测控制器（MPC）[9然而，这些方法几乎没有提高系统性能指标：运行成本指标(OCI)并输出废水质量指数（EQI）。感谢[15]中的出色工作，它解决了废水处理过程的许多控制技术。在参考文献[16]中，一些常见的技术-比较了蜂群优化算法（BCO）的优劣微分进化算法（DE）、和声搜索算法（HS）、第一类模糊逻辑系统（T1FLS）等算法，并给出了模糊控制器的应用前景。在文献[17]中提出了将1型模糊参数应用于遗传算法（GA）中，以优化2型模糊集结模块的隶属函数参数，从而改进了遗传算法，使之适用于飞行控制问题。模糊控制器和遗传算法技术相互支持，为污水处理厂提供了不同的方法[18遗传算法（GA）已经以不同的方式部署在污水处理厂[21提出了一种使用神经网络和GA的智能控制器设计，用于控制pH和磷浓度[21]。提出了一种多目标控制和自调整模糊控制器的设计，以改变控制规则并专注于硝酸盐浓度和流量[22]。将模糊逻辑控制中的遗传算法和神经网络相结合，燃烧温度和空气污染[23]。技术本文的其余部分如下。第2节介绍了系统描述。然后，在第3节中介绍了所提出的方法。模拟结果和讨论见第4节。第五是结论和未来的工作。2. 系统描述2.1. 建模物体的总的零升阻力系数通常被认为是由三个部分组成：摩擦阻力、波阻和底部阻力，如方程式（1）所示。（一）.这些不同的组件将在以下小节中进一步讨论。描述生物现象的ASM 1如图所示。 2 [29]。该过程分为八个阶段，其中层间垂直连接根据沉降速度双指数模型进行建模[30]。从氧气转化率控制溶解氧浓度。其内容如下[7]。1Y1¼ -2： 86YHq1YAq3; 1其中q1、q3是ASM 1中定义的两个过程q1是异养生物的需氧生长：q/l。 SSSOXBH;q3是自养生物的需氧生长：q/l。SNHSOXBA3其中mA、mH、KS、KO、H、KNH和KO、A是化学计量参数，列于表1中，动力学参数列于表2中。 SO为溶解氧浓度，S S为易生物降解底物，SNH为NH4+和NH3浓度，XB，H为活性异养生物量，XB，A为活性自养生物量。2.2. 评价标准系统的性能由控制品质和被控对象品质来评价前一个是ISE（平方误差积分）标准[7]。其中ek是设定点和测量值之间的误差。后者使用流出物质量指数（EQI）和运行成本指数（OCI），其中[7]：ISEZtfe2dt4KK基于遗传算法和其他显示污水处理厂的承诺点。的t0伴随着这些方法，也有许多技术焦点在这些变量上，溶解氧，空气流速，沼气浓度，EQI1Zt¼14天B Qt dt5过滤、污泥浓度、硝酸盐浓度等[24这些工作为进一步推动污水处理厂的发展提供了重要的参考。1/4吨：1000哪里t¼7天：e;一些现有的工作集中在策略应用恒定的溶解氧（DO）浓度设定点。与以往的工作不同，本文将遗传算法应用于污水处理厂的Benchmark Simulation Model 1（BSM 1）。我们认识到，在一个周期（14天）的不同时间的可变设定点肯定会影响系统的质量因此，提出了一种两级因此，EQI和OCI指标将根据不同的目标最小化：（1）保持EQI，最小化OCI;（2）保持OCI，最小化EQI;（3）最小化OCI和EQI。系统建模和分析的GAB/BTSS·TSSe不含BCOD·CODe不含BNKi·SNKi;e不含B NO·SNO ; e不含B BOD 5·BOD5;e不含B COD·CODe不含BNKi · S NKi;e不含B NO · SNO;e不含BBOD5·BOD5 ;e不含B COD·COD e不含B NKi·S NKi;e不含B NO·S NO。TSSe¼0：75XS;eXI;eXB;H;eXB;A;eXP;e; 6CODe ¼SS;eSI;eXS;eXI;eXB;H;eXB;A;eXP;e; 7SKNj;e¼SNH;eSND;eXND;eiXBXB;H;eXX;A;eiXPXP;eXi;e;ð8ÞBOD5;e1/20：25 SS;e1/2XS;e1/2 X 1-fp1：1XB;H; e 1/2 XB;A;e 1/2X B; E1/2 X B; E 1/2 X 2 X 1; E 1/2 XHai Trung Do，Nam Van Bach，Lanh Van Nguyen etal.工程科学与技术，国际期刊24（2021）872874;ZXh¼ ¼ ¼ ¼¼O：;8：ZX图二. ASM1概述表1化学计量参数。参数单位值EC碳源成本：CODECZt<$4天Xk<$nYA g N氧化）-10.24YH（g COD氧化）-10.67EC¼ T：一千t¼7天ðk¼1QEC;kdt14表2动力学参数。当曝气过程不足以维持活性污泥运行条件时，提供给罐的混合能（ME）计算如下[7]：参数单位值mHd-14.024吨<$14天k<$5ME¼T0;005：VaskifKLak≤20d-1i：dt15KS gCOD.m-3 10.0KO，H g（-COD）.m-3 0.2mAd-10.5KNH g NH3-N.m-31.0t¼7天k¼1KO，A g（-COD）·m-30.4其中Qe是输出流出物流量的速率，T是时间（模拟中为14天）。在BMS1模型中，反应系数分别为：BTSS2， BCOD1， BTKN30， BNO10，BBOD52。系数OCI/AE数据表5：SP总计1003：EC数据表1000式中AE为根据公式[7]计算的曝气能量：V为，k为罐S sat;151/4 8 mg=1是15 °C时的氧饱和度浓度。3. 该方法3.1. GA简介遗传算法是一种模拟自然界进化过程的全局随机搜索方法。遗传算法开始时不知道正确的解决方案，它是完全依赖于环境的反应，通过利用进化（繁殖，交叉和突变），以获得最佳的解决方案。遗传算法从一些独立的搜索点开始，并行搜索，避免了局部极值以及收敛到最优解。因此，遗传算法已被证明能够在复杂的空间中进行高性能的搜索，而不会遇到麻烦。与空间的维度有关它不同于梯度Ssat;15AE¼T1O1000t¼14天5t<$7天k<$1Vas;k：KLaktdt11技术或基于衍生品的信息优化搜索方法。由于污水处理系统是高度非-PE是泵PE1Zt¼14天0 004Q t：0 008Q t0 05Qt dt12线性的，遗传算法可以作为软计算工具，这样的系统。遗传算法是建立在进化原理之上的并适用于许多困难的优化问题，很快就会1/4吨t ¼7天ð：int类型：：联系我们：：wð应用 广泛[28]。该算法包括6个步骤：（1）创建（2）找到自适应函数，SPtotal为总污泥产量：（3）选择性;SP1TSS14天TSS7天0 75Zt¼14天X（4）交叉;（5）突变;（6）聚合。最大总吨数Þ-ð联系人：t¼7天S;w选择进化世代数（Gmax）作为停止点。ping条件。优化过程将在当前-XI;w租金生成数超过Gmax值。Hai Trung Do，Nam Van Bach，Lanh Van Nguyen etal.工程科学与技术，国际期刊24（2021）8728753.2. 污水处理厂的两级管制为了提高系统性能指标，提出了一种分层控制结构，如图4所示。在较低水平控制（LLC）中，通过操纵氧传递系数KLa;5将DO进料通过曝气系统以实现期望的DO浓度。在这个项目中，我们采用迭代学习控制结合PI调节器的这一阶段，由于这种方法给出了最好的控制跟踪性能。这种方法的细节可以在[14]中找到。特别是，用于曝气的能量（AE）占系统功耗的大部分因此，为了使OCI最小化，必须根据微生物系统的当前需要提供足够的氧气，避免过度生产（增加成本）或缺氧（降低水处理质量）。当量（1）显示了氧被好氧池中的自养和异养细菌使用以产生生物质，以去除废水中的碳和氮。 将表2中的参数代入Eq. （1）给出：2019-04-18 04：17：03然而，由于BSM 1具有前两个非曝气池（缺氧池）的结构，大部分有机物在这两个池中被细菌利用，剩余池中有机基质SS的浓度非常低，小于2 [gCOD/m3]。因此，在方程中的异养生长速率（2）非常小。大多数溶解的氧被自养生物质利用，速度由方程Eq.（三）、自养生物质使用氨（NH）作为能源，与氧气结合，根据反应方程[32]将氨转化为硝酸盐：NH4+1：86O2+1：98HCO-3¼0：02C5H7NO2+0：98NO-301： 88H2CO3 11： 04H2O17小时因此，生物质的需氧量主要由反应器中氨的量决定随着氨水平的升高，微生物需要更多的氧气来氧化成硝酸盐，反之亦然，当氨水平降低时，所需的氧气量也减少。从上述分析可以看出，必须根据废水的氨浓度来计算供应到罐中的氧气量。使用默认PI设置，这是不可能的。图三.遗传算法在污水处理厂中的图四、提出了一种递阶控制结构从等式（17）中，NH_4与O_2呈线性关系。因此，如下提出了操纵用于较低级别控制的期望值的较高级别控制：SO;5sp¼K：SNH; 4sp ¼B;其中K和B是高级控制器的参数。3.3. 遗传算法在BSM1为了找到方程中的K和B的值（18），利用遗传算法（GA）这是一种基于自然选择、遗传和进化机制的最优搜索方法。他们选择具有适应自然选择过程的字符串结构的基因，随机交换有关遗传结构的信息，以创造出在特定条件下比前一代更具适应性的一代。遗传算法使用自然选择作为导航工具，并利用过去的信息来预测新的搜索点，希望改善字符串结构。遗传算法是一种用于识别和优化输入输出映射参数的进化算法通过从多个独立的搜索点开始，并行搜索，遗传算法将避免局部极值，收敛到最优解。它不同于梯度技术或基于导数信息优化搜索方法遗传算法是计算昂贵的算法。然而，这种方法可以离线实现。使用遗传算法优化隶属函数参数如图3所示。随机选择20-100个个体的群体每个个体都是染色体，是一个实数或二进制序列。成本函数被用来评估每个染色体的性能。通过基于适应度的过程，具有较低成本值的染色体具有较高的适应度，因此具有更多的前进到下一代。有一套遗传规则，包括选择、交叉和突变。该选择规则复制在种群中找到的最成功的解决方案，交叉分解两个不同的解决方案，然后任意混合它们的部分以创建新的解决方案，突变随机改变候选解决方案[28]。适应度函数选择如下：拟合i¼W1：OCI拟合2：EQI拟合19度其中W1和W2是加权因子。在目标1中，为了在保持EQI的同时最小化OCI，我们设置W1= 1和W2= 0。在目标2中，为了在保持OCI的同时最小化EQI，我们设置W1= 0。而W2= 1。 在目标3中，最小化OCI和EQI。为了找到等式的W1和W2的权重，（19），matlab工具中可用的GA算法部署有以下设置，以使程序运行如下：- 优化参数数：2（W1和W2）- 人口规模：150人。- 第三百代- 组合概率：Pc¼0： 8- 突变概率：Pm1/40： 001Hai Trung Do，Nam Van Bach，Lanh Van Nguyen etal.工程科学与技术，国际期刊24（2021）872876然后，GA算法执行如图3所述的步骤，直到满足程序的停止条件。这种遗传算法有两个基本的停止条件：（i）基于染色体结构，控制收敛的基因数，如果收敛的基因数超过总基因数的一定百分比，则搜索结束;（ii）基于染色体的特殊意义，衡量算法在给定代数上的进展，如果收敛的基因数超过总基因数的一定百分比，则搜索结束;（iii）基于染色体的特殊意义，衡量算法进度小于指定的常数e，则搜索将端 完成后（每个算法大约24小时），我们将找到最佳拟合值i.由于GA遗传算法是一个随机搜索过程，每次执行算法时，选择一个最佳的fiti值。在运行实现的时间之间比较fiti的这些最优值，直到fiti的最优值不改变。我们最终找到了W1和W2的适当权重。表3中列出了根据不同天气条件提供的这些权重。4. 结果和讨论图5显示了Simulink模型，其中更高级别的控制器如图6所示。基准模拟模型中定义的三个动态数据输入文件描述了不同的天气条件。他们被认为是sidered调查有关干扰抑制的控制性能。用于控制调查的动态模型捕获的生物污水处理厂的主要动态特征。应用遗传算法，KSO;5和BSO;5用于较低层这些估计值KSO;5和BSO;5在较高级别的控制应用到较低级别的控制器，如图6所示。将模拟结果与仅具有下层控制器的策略进行比较，下层控制器是ILC结合PI调节器，在3种考虑的天气条件下具有相同的废水输入轮廓。图7示出了在干燥天气条件下罐5的出口处的氮气和氧气浓度的模拟结果。从图7中可以看出，氧浓度总是跟随氮浓度的变化。此外，使用高级控制时的平均氧浓度低于仅使用低级控制时的平均氧因此，系统质量指标将得到改善。表5在表5中，与没有更高级别控制器的策略相比，EQI几乎不变，而使用基于GA的分级控制的OCI显著降低，在所有三种不同的天气条件下均相比之下，表6显示EQI显著降低，而OCI几乎保持不变。特别是在干燥的天气条件下，EQI降低几乎高达2%。在表7中，结果表明使用基于GA的分级控制的OCI和EQI都低于使用默认PI的OCI和EQI，满足目标3。在干燥天气下，EQI下降了1.46%，OCI下降了0.61%。然而，污水处理厂是非线性问题，不能基于一个或两个参数进行优化。成本、时间消耗和复杂度等。在系统中总是有一个权衡。这种方法降低了成本，但可能会增加控制器被发现满足所需问题的目标，如表4所示。表3加权因子的值。天气W1W2干0点 28分0点 72分阴雨零点三十三分零点六十七分暴风雨0： 30： 7见图6。 更高级别的控制器。图五. 仿真模型Hai Trung Do，Nam Van Bach，Lanh Van Nguyen etal.工程科学与技术，国际期刊24（2021）872877指数天气EQIOCIEQI %OCI %(kg（d）(Euro（d）干只有LLC6096.7116366.26基于遗传算法的分层控制6007.1216267.14-1.46-0.61阴雨只有LLC8176.7515994.35基于遗传算法的分层控制8158.5715834.33-0.22-1,00暴风雨只有LLC7212.8917248.67基于遗传算法的递阶控制7140.3517143.25-1.01-0.61表4得到了参数K_（SO，5）和B_（SO，5）。天气目的物镜1物镜2物镜3硫酸钾BSO5硫酸钾BSO5硫酸钾BSO5干0.2900.4550.8951.3910.40.391阴雨0.2880.1760.6130.3810.2630.135暴风雨0.2520.1530.5780.4980.3450.199表7目标3中使用基于遗传算法的分层控制器与仅使用较低级别控制器（仅LLC）的结果比较。表5见图7。 干燥天气条件考虑使用这些方法。还考虑了加工罐的环境条件本研究采用单池遗传算法对废水进行在这一领域还有许多我们想使用基于遗传算法的分层控制器的结果比较，目标1中的液位控制器（仅限LLC）。利用技术对不同条件下的问题进行优化可以找到折衷办法，控制指数具体条件。5. 结论和今后的工作本文提出了一种基于遗传算法的递阶控制器，其中下层控制器通过操纵KLa;5来控制SO;5，上层控制器根据SNH;4来调节下层控制器的SO;5设定值。在高层控制中，采用遗传算法确定KSO;5和BSO;5，以实现不同气象条件下的三个设计目标。结果通过应用更高级别的控制获得的是有希望的。的系统的总运行成本OCI或/和输出流出物质量指数EQI显著降低，尤其是表6目标2中使用基于遗传算法的分层控制器与仅使用较低级别控制器（仅LLC）的结果比较。指数干燥的天气结果表明，污水处理厂的承诺点所提出的控制方法已应用于坦克5. 因此，为了进一步降低OCI和EQI，所提出的方法可以用于其他坦克。这是我们正在进行的研究。可以探索遗传算法的理论或定性分析在天气EQI(kg（d）OCI(Euro（d）减少EQI（%）另外，利用粒子群算法可以减少计算时间DE或ACO在适当的方法。DryOnly LLC 6096.7116366.26遗传算法递阶控制5979.3216366.92-1.93RainyOnly LLC 8176.7515994.35遗传算法递阶控制8063.5915993.14-1.38暴风雨仅限LLC7212.8917248.67遗传算法递阶控制7096.7617242.81-1.61复杂性和处理时间，能够完成的算法作为GA。目前，有许多技术被认为能够部署在这样的系统中，以不同的方式处理参数。可以使用不同数量的罐竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认作者要感谢越南太原理工大学的支持。天气EQI(kg（d）OCI(Euro（d）OCI降低（%）干只有LLC6096.7116366.26基于遗传算法的分层控制6090.6916177.90-1.15阴雨只有LLC8176.7515994.35基于遗传算法的分层控制8176.1615823.17-1,02暴风雨只有LLC7212.8917248.67基于遗传算法的分层7210.7717066.77-1,06Hai Trung Do，Nam Van Bach，Lanh Van Nguyen etal.工程科学与技术，国际期刊24（2021）872878引用[1] M.B. Beck，水质模型：不确定性分析综述，水资源。Res. 23（8）（1987）1393-1442.[2] P. Reichert，R. von Schulthess，D.王文，张文，等.城市污水处理系统的水质分析.北京：中国水利科学出版社，2000，21（2）：135-147.[3] P.A. Vanrolleghem，活性污泥过程的在线建模：自适应传感器的开发博士。博士论文，微生物生态学实验室，根特大学，根特，比利时，1994年。[4] C. Dong，接种消化污泥的膨胀颗粒污泥床（EGSB）反应器中的厌氧颗粒化用于处 理 实 际 焦 化 废 水 ， 编 号 12106961 ， 在 ： BioinformaticsandBiomedicalEngineering，IEEE，2011，pp. 一比四[5] 亚历克斯，J，Beteau，J.F.，Copp，J.B.，Hellinga C.杰普森大学，Marsili-Libelli，S.，庞斯，M.N.，Spanjers，H.，Vanhooren，H.， 污水处理厂控制策略评估基准。在：欧洲控制会议（ECC[6] 亚历克斯湖Benedetti，J. Copp，K.V. Gernaey，U.杰普森岛Nopens，M.N.庞斯湖里格角放大图片作者：Rosen，J.P. Steyer，P. 温克勒，基准模拟模型。1（BSM1）。IWA工作组关于污水处理厂控制战略基准的报告，2008年。[7] J.B. Copp（Ed.）， 《成本模拟基准-说明和模拟器手册》，欧洲共同体官方出版物办公室，卢森堡，2002年。[8] H. Henze，C.P.L.小格雷迪，W. Gujer，G.V.R.陈文辉，单污泥法污水处理系统的一 般 模 型 . Res. 21（5）（1987）505-515。[9] V. Cristea，C.陈文辉，基于BSM1的污水处理厂的模型预测控制，第18届欧洲计算机辅助过程工程研讨会论文集，2008年。[10] B. Holenda，E. Domokos，P. Rédey，J. Fazakas，使用模型预测控制的活性污泥废水处理过程的溶解氧控制，计算机。Chem. Eng. 32（6）（2008）1270-1278。[11] Santín López，在废水处理厂中应用控制策略，以提高出水质量，降低成本，PhD thesis，Department deEcomunicaci'o i Enginyeria de Sistemes EscolaAut[12] C.A.C. Belchior，R.A.M. Araújo，J.A.C.刘晓波，自适应模糊控制在活性污泥法废水处理中的应用，北京：机械工程出版社。Chem. Eng. 37（2012）152-162。[13] Do Trung Hai，Bach Van Nam，基于遗传算法的模糊逻辑控制器设计，用于控制活性污泥法废水处理系统中的溶解氧。在：国际会议论文集，ICERA 2018，LNNS 63;2018，pp.217-228[14] L.V. Nguyen，N.V. Bach，H.T.去吧MT Nguyen，废水处理厂的ILC和PI调节器组合，Telkomnika 18（2）（2020）1054-1061。[15] A. Iratni，N. B. Chang，废水处理过程控制技术的进展：现状，挑战和前景，IEEE/CAA J. Autom。中国科学院学报6（2）（2019）337-363.[16] O. Castillo，F. Valdez，J. Soria，L. Amador-Angulo，P. Ochoa，C. Peraza，使用蜂群，差分进化和和声搜索算法进行模糊控制器优化的比较研究，算法12（1）（2019）9。[17] L.塞万提斯岛Castillo，D.伊达尔戈河Martinez-Soto，2型模糊控制器遗传优化中的间隙生成和变异的模糊动态适应，Adv. Oper。Res. 2018（2018）1-13.[18] Y. Hou，N. Wu，M. Zhou，Z.李，基于遗传算法的炼油厂原油生产调度的帕累托优化，IEEE Trans.Syst.，赛博恩：47（3）（2017）517-530。[19] T.马雷达湖Gaudard，F.李文，基于遗传算法的大规模太阳能发电系统优化设计，北京：清华大学出版社，2004。 自动中国科学院学报4（2）（2017）260-272.[20] J. Qiao，H. Zhou，基于密度峰值的自适应模糊神经网络能耗和出水水质建模，IEEE/CAA J. Autom.中国科学院学报5（5）（2018）968-976.[21] N.- B. Chang，W.C.陈伟光谢国忠，以神经网路与基因演算法于污水处理厂之最佳化控制，土木工程。Environ. 18（1）（2001）1-17。[22] W.C.陈宁B.张建宗陈先生，基于粗糙集的工业废水混合模糊神经网络控制器设计，水资源研究，37（1）（2003）95-107。[23] W.C.陈宁B.张，J. - C.陈先生，基于遗传算法的城市垃圾焚烧炉模糊神经网络控制器设计，模糊集系统，129（3）（2002）343-369。[24] Y.彭，Y.马，S. Wang，X.王，基于ORP的预脱氮过程的模糊控制，水科学。52（12）（2005）161- 169。[25] G. Zhu，Y.彭湾，澳-地妈，你Wang，C.尹，“采用模糊控制模型优化缺氧/好氧分步进料活性污泥工艺以提高脱氮效果，化学工程杂志151（1-3）（2009）195-201。[26] J.Y. Kang，M.X.作者：Wang，Xiao，Y.赵，模糊PID控制在厌氧废水处理过程中的PH值，Proc. Int.智能系统与应用研讨会，IEEE，武汉，中国，2009。[27] L. Zhao，T.戴，加-地乔鹏，孙鹏，郝俊，杨伟。杨，人工智能在废水处理中的应用：技术、经济、管理和废水再利用的文献计量分析和系统综述，ProcessSaf.Environ. Prot. 133（2020）169-182.[28] David E.搜索中的遗传算法。优化和机器学习，1989年。[29] M.亨策角Grady，W. Gujer，G. Marais，T.林文雄，活性污泥模型，北京，北京，2000。[30] I. Tackacs，G. Patry，D.陈晓，高分子絮凝剂的絮凝机理研究，水处理学报，2001（4）.[31] J. Ferrer，文学硕士罗德里戈A. Seco，J.M.彭雅-罗雅，模糊控制在曝气过程中的节能，水科学。38（3）（1998）209-217。[32] 联合陈文生，污水处理系统之模拟，国立成功大学环境工程研究所硕士论文，1996。