1.一种面向污水处理过程的智能多目标优化控制方法，其特征在于：包括，基于LSSVM构建控制器设定值与能耗、出水水质之间的软测量模型；

将所述软测量模型作为目标函数、总能耗和所述出水水质作为优化目标，结合多策略自适应差分进化算法寻优，获得各跟踪控制器的设定值；

利用PID控制器对所述设定值进行跟踪控制；

构建所述软测量模型包括，

以4个PID控制器的设定值作为辅助变量，能耗和出水水质为两个主导变量，用LSSVM建立软测量模型，如下：OCI＝f1(SO4set，SO5set，SNO2set)EQI＝f2(SO4set，SO5set，SNO2.set)其中，SNO2set、SO4set、SO5set分别表示PID4控制器、PID2控制器和PID3控制器的设定值，OCI表示总能耗，EQI表示出水水质；

将所述软测量模型作为所述目标函数，包括，T

s.t.yi(ωxi+b)＝1‑eii＝1，2，…，m

其中，||ω||为ω的二范数，ei为误差变量，λ＞0为惩罚系数，ω为权向量，b为偏置量；

利用拉格朗日乘子法求解所述目标函数，得到拉格朗日函数，如下：其中，e＝(e1；e1；...；em)，α＝(α1；α1；...；αm)，αi为拉格朗日乘子；

利用所述多策略自适应差分进化算法进行寻优，包括，初始化种群及相关进化参数，当前迭代次数t＝1，随机初始化种群；

利用所述软测量模型计算所述种群个体的适应度值，自适应地更新进化过程信息θ(t)、变异率CRi(t)和交叉率F(t)；

更新公式如下：

其中， 和 分别为第t代种群对m个目标函数进行适应度值求和后得到的最大值和最小值，CRi(t)为第t代种群中第i个个体的交叉率，CRmin为最小交叉率，CRmax为最大交叉率，fi(t)为第t代种群中第i个个体的适应度值，fm(t)为第t代种群中所有个体的平均适应度值，为衰减系数，Fmin为最小变异率，Fmax为最大变异率；

根据非支配排序策略更新所述种群个体适应度值和pareto解集A；

基于排序个体选择的多策略融合变异进行变异策略的交叉、选择操作；

判断当前迭代次数t是否达到最大迭代次数T，若未达到，则返回上一步骤；

若达到，则从所述pareto解集A中选取一组较优解作为所述跟踪控制器的所述设定值；

所述相关进化参数包括，

所述变异率和所述交叉率的上下限、种群规模、最大迭代次数T和pareto解集规模Amax；

所述非支配排序策略包括，

利用所述软测量模型计算所述种群中个体的适应度值；

将所述种群中的个体按支配关系进行pareto解分层，将各层pareto解按拥挤度进行降序排列；

利用所述非支配排序策略对所述种群中所有个体进行排序，并获取排序后第i个体的选择参考指标；

根据多策略融合原则有侧重性地选择变异策略；

生成0～1均匀分布的随机数rand2，从所述种群中随机选择个体，若随机个体的选择参考指标小于rand2，则重新选择；

若所述随机个体的选择参考指标大于rand2，则代入选择的变异策略进行变异操作；

所述变异策略进行交叉、选择操作，包括，其中， 为交叉产生的试验个体，randij为0～1均匀分布的随机数，为当前试验个体的第m个目标函数值：

所述根据多策略融合原则有侧重性地选择变异策略表示为：其中， 为第t代种群中随机选中的个体，rk之间互不相等并且rk≠i，为当前目标个体， 为变异个体，D为个体的维数，rand1为生成的服从均匀分布的随机数。

2.根据权利要求1所述的面向污水处理过程的智能多目标优化控制方法，其特征在于：所述拥挤度定义如下，

其中，M为目标函数个数，fm(i+1)和fm(i‑1)分别为排序后第i个个体前一位和后一位的第m个目标函数值， 和 分别为当代第m个目标函数值的最大值和最小值。

3.根据权利要求2所述的面向污水处理过程的智能多目标优化控制方法，其特征在于：定义所述参考指标包括，

其中，NP为种群中个体数量。