2.5 插值算法拟合曲线和遗传算法优化 

根据表2和表4提供的试验数据，在Matlab 2015b平台上编写程序代码，采用四维制图技术并通过插值算法拟合温度、pH和甲基橙浓度3因素变化与甲基橙脱色时间的关系见图11所示。由图11可以看出，温度、pH和甲基橙浓度3因素相互之间存在明显交互关系。当黄浆水中的甲基橙浓度为5mg/L，温度接近34.5℃，pH5.4时，甲基橙脱色时间最短。通过对试验散点数据进行插值分析和曲线拟合，便于编程实现，光滑度好，能较好地反映数据变化的规律并对最优条件进行预测^[21-23]。

在训练好的BP神经网络模型的基础上，利用GA对脱色条件进行全局寻优。通过迭代43次，适度函数值趋于稳定，GA找到了模型的最小值，见图8和图9。当温度、pH和甲基橙浓度分别为 34.4、5.5、5 mg/L 时， 获得脱色时间预测值15.7min。因此，BP模型与遗传算法相结合，可以快速得到的最优变量。基于BP模型的GA寻优与通过插值算法预测的脱色条件基本一致。

在黄浆水中甲基橙浓度为5~10mg/L范围内，根据最佳的脱色工艺条件进行试验,当温度、pH和甲基橙浓度分别为 34.4、5.5、5mg/L 时,甲基橙脱色时间为16min，与GA寻优的结果一致。

2.6 试验脱色时间和RSM、BP训练模型预测脱色时间的比较

对比10组试验数据，以RSM回归方程计算甲基橙脱色时间，BP模型输出预测脱色时间，并分别与试验均值进行比较，结果见表6和图10所示。RSM回归模型和BP训练模型均能很好的预测不同条件下的甲基橙脱色时间，相比RSM回归预测，BP训练模型对数据的预测值更接近试验观测值，说明BP模型比RSM模型拟合效果更好。