遺傳算法中使用適應度來度量群體中各個個體在優化計算中有可能達到或接近于或有助于找到最優解的優良程度。度量個體適應度的函數稱為適應度函數,適應度函數對遺傳算法的性能影響很大。如果過分強調當前的較優個體,就會使...[繼續閱讀]

    遺傳算法中需要選擇的運行參數主要有個體編碼串長度、群體大小、交叉概率、變異概率、終止代數等。這些參數對遺傳算法的運行性能影響較大,須認真選取。5.2.4.1碼串長度使用二進制編碼來表示個體時,編碼串長度的選取與問題...[繼續閱讀]

    優勝劣汰是設計遺傳算法的基本思想,它在選擇、交叉、變異等遺傳算子中得以體現,選擇、交叉和變異是遺傳算法的三個基本的操作。選擇操作有助于提高種群的平均適應度;交叉操作有助于產生優良個體;變異操作有助于增加種群的...[繼續閱讀]

    遺傳算法反復執行適應度評價和選擇、交叉、變異遺傳算子,直至滿足某個收斂準則。遺傳算法最常用的終止條件有以下幾個。①收斂標準。算法執行到一定程度,群體中的個體字符串結構會很相似,再執行下去難以得到更好的個體了...[繼續閱讀]

    5.3.1.1編碼和初始種群的生成(1)編碼在污水處理過程的優化設計中我們選取溶解氧濃度DO作為主要控制變量,所以首先對DO進行二進制編碼。二進制編碼串X的長度l與問題所要求的求解精度δ有關,關系為:其中,Umax和Umin分別為參數X的上下...[繼續閱讀]

    5.3.2.1遺傳算法的最終實現通過對控制參數DO進行二進制編碼并隨機生成初始群體,選取Jc為適應度函數,以最大進化代數為終止條件,采用適應度比例方法確定選擇算子,交叉算子采用單點交叉方法,變異算子采用基本位變異方法,并通過設...[繼續閱讀]

    5.4.1.1污水處理系統本文的研究是在污水處理計算機控制實驗裝置上進行的,圖5-12為污水處理實驗裝置實景圖。污水進入調節池后,配置到預期濃度的原料水以備實驗,配置好的原料水經過泵提升至曝氣池,可根據不同需要設定不同工藝...[繼續閱讀]

    5.4.2.1神經網絡建模實現建立RBF神經網絡結構,確定模型的控制變量、狀態變量、性能指標和約束條件,以及它們之間的相互關系?？梢酝ㄟ^“選擇樣本數據”選擇不同情況下所需的樣本數據,通過“選擇測試數據”選擇不同的數據對網...[繼續閱讀]

    5.4.3.1DO的重要作用及控制方法活性污泥法的耗氧處理過程中,DO是重要的指示性參數,它不僅影響處理效果,還關系到運行費用,所以人們圍繞DO做了許多研究。研究中發現當DO濃度較低時,處理出水渾濁,BOD濃度明顯提高,在高有機負荷時影...[繼續閱讀]

    本章根據污水處理的特點,提出基于遺傳算法的污水處理過程優化控制方法,對控制參數DO進行二進制編碼并隨機生成初始群體,以最大進化代數為終止條件,選擇算子采用適應度比例方法。以每日允許排放的有機物總量為約束條件,以運...[繼續閱讀]