생물학적 폐수처리 시스템은 시간에 따른 유입 폐수량의 변화가 크고 , 처리장으로 유입되는 폐수내의 다양한 성분과 농도의 변화 가 클 뿐 만 아니라 , 처리공정 내에서 매우 가변적인 생물학적 반응을 나타내는 특징을 가진다 . 본 논문에서는 측정된 공정 데이터에 가장 적합한 다변량 동적 공정 모델이 자동으로 생성되도록 고안된 학습기반 유전자 프로그래밍 (GBGP)이라는 진화적 전산 지능을 사용한 자동 공정 모델 유도 시스템을 제안하였다 . 이 자동 공정 모델 유도 시스템은 유전자 프로그래밍의 진화적 자기구성 시스템 과 유전학 및 자연선택 메카니즘을 통해 학습 시스템을 사용하여 만들어진 다변형 비선형 모델 진화를 위한 다양한 수학적 기능과 결합되어 있다 . GBGP에서 4단계의 모델링 절차가 수행되었다 . (1) context-free grammar를 이용하여 P 모델의 초기 개체군 (세대 K=0)을 생성시키는 초기화 , (2) 변수와 상수의 각 모델에 대한 최적화 , (3) 각 모델에 대한 적합도 실행 및 평가 , (4) 세대 K=Kmax 가 될 때까지 반복 실행하는 유전자 루프 (genetic loop). 모델링 결과 학습기반 유전자 프로그래밍 (GBGP)으로 만들어지는 다변량 동 적 공정 모델링 기술이 실제 처리장 규모의 KNR 생물학적 고도처리 공정을 높은 정확도로 출력을 예측하고 주요 작동 변수를 식별 하는 데 유용한 도구임을 보여주었다 . 이 모델은 엔진니어가 데이터에 숨겨진 중요한 지식을 알아내고 더 나은 처리장 운영 및 제어 전략을 개발할 수 있도록 이해하기 쉬운 수학 공식의 형태로 자동적으로 생성된다 .