1.基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，包括如下步骤：步骤1：采集污水处理过程中的实时数据；

所述实时数据包括硝态氮浓度SNO,2、溶解氧浓度SO,5、溶解氧转换系数KLa、内回流量Qa、出水总能耗EC以及出水水质EQ，所述出水总能耗EC包括泵送能耗和曝气能耗；

步骤2：采用T-S模糊神经网络对实时采集的污水处理参数建立出水能耗和出水水质的出水指标软测量模型，并将其作为优化目标函数，以预测系统的能耗和出水水质；

步骤3：通过自适应约束多目标进化方法处理出水水质约束；

步骤4：利用知识迁移策略自主生成本次优化过程的初始种群；

步骤5：基于密度估计的动态邻域MOEA/D算法对能耗和出水水质目标函数进行优化，得到帕累托解集，对溶解氧浓度和硝态氮浓度的设定值进行寻优；

所述密度估计的动态邻域MOEA/D算法通过利用角度进化状态判断机制、距离密度估计策略、动态邻域策略和惩罚因子动态调整策略来改进原始MOEA/D；

步骤6：采用模糊隶属函数方法设计智能决策方案，利用智能决策方案决策出每组解的最优解决方案，并获得硝态氮和溶解氧浓度的优化解，达到出水总能耗和出水水质之间的最佳平衡；

步骤7：将硝态氮和溶解氧浓度的优化解作为模糊逻辑控制器的跟踪设定值，利用模糊逻辑控制器输出溶解氧转换系数、内回流量的实时控制值，控制污水处理过程中硝态氮浓度、溶解氧浓度；

步骤8：根据已有处理过程的监测指标数据，设置监测指标阈值，检测水质指标的COD浓度，当新处理过程的监测指标数据COD值持续上升或者超过阈值，需要缩短处理控制周期；如果COD值持续下降或者稳定在较低水平，考虑延长处理控制周期；

所述步骤5中基于密度估计的动态邻域MOEA/D算法对能耗和出水水质目标函数进行优化，得到帕累托解集，对溶解氧浓度和硝态氮浓度的设定值进行寻优，算法改进的具体步骤如下：步骤5.1：基于角度的进化状态判断机制是利用第j个问题的新解与旧解之间的向量与权重向量λj之间的夹角δi来判断种群迭代的进化状态，并将其作为后续调整的依据；

步骤5.2：基于距离的密度估计方案来计算种群密度，调整邻域大小；

步骤5.3：动态邻域策略，根据步骤5.1基于角度的进化状态判断机制确定邻域大小的上升或下降趋势后，根据计算出的邻域解密度进一步更新邻域大小；

步骤5.4：惩罚因子动态调整策略是针对种群进化状态的变化，提出了一种与种群进化状态相关的惩罚因子的动态调整方案，该方案在每次迭代时调整惩罚因子θ，以确保多样性和收敛性之间的动态平衡；

惩罚因子动态调整策略如下：

(a)当δj角度范围在(90°,130°)时，将第t次迭代时的惩罚因子减小如下：其中，分别是第j个子问题在第t次与第t-1次迭代时的惩罚因子，是第t-1次迭代的种群适应度差值；为第j个子问题在第t-1次迭代时邻域中的种群密度；

(b)当δj角度范围在(130°,140°)时，第t次迭代时的惩罚因子保持不变；

(c)当δj角度范围在(140°,180°)时，将第t次迭代时的惩罚因子增加如下：

2.根据权利要求1所述的基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，所述步骤2中的具体步骤如下：步骤2.1：将获取到的建模数据进行归一化处理，得到归一化处理后的数据；

步骤2.2：将归一化后的数据划分为训练集和测试集；

步骤2.3：构建T-S模糊神经网络模型，利用训练集对随机权神经网络进行训练，得到训练后的随机权神经网络模型作为出水指标软测量模型，利用测试集对出水指标软测量模型进行测试；

采用T-S模糊神经网络模型构建包括输入层、隶属函数层、规则层、归一化层和输出层的5层FNN。

3.根据权利要求1所述的基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，所述步骤3中通过自适应约束多目标进化方法处理出水水质约束具体为：确定污水处理的优化目标和约束条件，污水处理的优化目标为出水水质和污水处理能耗，进行出水水质的约束处理；

利用惩罚函数法将带约束的优化模型转化为无约束的优化模型；

定义约束惩罚项为：

fpenalty(x)＝max{g1(x)-4,0}+max{g2(x)-18,0}其中，g1(x)为出水水质中氨氮的计算值，g2(x)为出水水质中总氮的计算值；

利用惩罚机制限定出水质量浓度越限的部分，使每个平均越限部分都乘以惩罚因子，因此，若一个部分越限越严重，则其相应的优化目标函数值就越大，将会在寻优过程中被淘汰；带入整理后污水处理过程多目标模型如下：min F(x)＝(fEQ(x)+ε·fpenalty(x),fEC(x)+e·fpenalty(x))T其中，ε为惩罚因子，fEQ(x)为能耗软测量优化模型，fEC(x)为水质软测量优化模型。

4.根据权利要求1所述的基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，所述步骤4中的具体步骤如下：步骤4.1：获取实际环境下的对应的环境监测量，检测实际的水质指标的SO,5和SNO,2；收集上一次优化过程得到的多目标优化问题中具有最优性能的解集合Pareto解；在第一次优化时采用随机初始化种群；

步骤4.2：计算实际环境下水质指标与最优性能的解集合Pareto解的相似度si：式中，xk是实际环境下的对应的环境监测量，xi为多目标优化问题中Pareto解第i个子问题解，similarity(xi,xk)为Pareto解与周围解集的相似距离计算；

步骤4.3：根据实际环境下水质指标和Pareto解的相似分布情况，依据相似性矩阵中每对解之间的相似性指标进行知识迁移；设定相似阈值为s＝0.5，如果满足si≥s，则将第i个Pareto解与实际工况环境的工况相似；否则，第i个Pareto解不作为实际工况环境的工况相似情况，不具有相同的知识信息；只有当两个解之间的相似度大于该阈值时，才认为它们是相似的；

步骤4.4：选择相似解，遍历Pareto解集合，根据计算得到的相似度，选择与其他解相似度高于阈值的解作为初始种群的一部分；当Pareto解集合中超过半数的解相似度高于阈值时，根据相似度的排序高低来选择相似度较高的前50个解；根据相似性矩阵和设定的相似性阈值，筛选出与当前问题相关性较高的Pareto解；只有相似度高于设定阈值的解才会被选中；

步骤4.5：利用Pareto解来生成本次优化过程的初始种群；通过将Pareto解作为种子解，然后根据知识迁移策略对这些种子解进行选择，生成新的个体作为初始种群。

5.根据权利要求1所述的基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，所述步骤6中采用模糊隶属函数方法设计智能决策方案如下：第j个目标函数fj的Pareto解xs的满意程度由隶属函数表示，定义如下：xs的归一化隶属函数τs由下式计算：

其中，|Num|是算法得到的POS的解个数。

6.根据权利要求1所述的基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，所述步骤7包括：采用模糊逻辑控制器来控制SO,5和SNO,2最佳优化设定值：△u(t)＝-K△uFuzzy(Kee,K△e△e)

其中，Ke、KΔe和KΔu分别是误差、误差变化量和Δu的量化因子；此外，将输入输出定义为7个模糊子集，定义如下：该控制采用高斯型隶属度函数实现清晰精确值到模糊语言的转化。

7.根据权利要求1所述的基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，所述步骤8中的具体步骤如下：步骤8.1：根据监测到的COD值数据，建立COD值随时间的变化趋势，使用指数加权移动平均法揭示时间序列的趋势特征，计算COD值变化趋势，具体计算方法如下：其中，t为一个单位内移动平均窗口大小的数量，0<α<1为平滑因子，(1-α)i为呈指数增加的权重，期数离预测时刻越近权重越大；

将指数加权移动平均值与COD值进行比较，可以观察COD值变化趋势，使用VCOD表示COD值变化趋势的具体数学描述：VCOD＝xt-EMA

其中xt为测试单位中最后一次优化后COD值；

步骤8.2：根据实际情况和排放标准，设定合理的COD值阈值；

步骤8.3：根据COD值的变化趋势和超过阈值的情况，制定相应的周期调整策略；

步骤8.4：根据制定的调整策略，对处理控制周期进行相应的调整，调整处理控制周期后，持续监测COD值的变化，并根据实际情况不断优化调整策略，以确保出水水质稳定在合理的范围内。

8.根据权利要求1所述的基于知识迁移型约束MOEA/D的污水处理过程协同优化控制方法，其特征在于，所述基于角度的进化状态判断机制，考虑以下3种情况：(a)如果δi的范围为(90°，130°)时，减小邻域大小；

(b)如果δi的范围为(130°，140°)时，邻域大小保持不变；

(c)如果δi的范围为(140°，180°)时，增加邻域大小。