首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--理论、方法论文--算法理论论文

考虑生态因素的小水电优化调度算法研究

摘要第5-6页
ABSTRACT第6-7页
第1章 绪论第11-18页
    1.1 选题背景、研究目的及意义第11-12页
    1.2 考虑生态因素的小水电优化调度研究概况第12-15页
        1.2.1 小水电优化调度国内外研究现状第12-13页
        1.2.2 小水电生态调度及优化算法研究现状第13-14页
        1.2.3 小水电多目标优化调度发展趋势第14-15页
    1.3 论文来源与组织结构第15-18页
        1.3.1 课题来源第15-16页
        1.3.2 论文组织结构第16-18页
第2章 考虑生态因素的小水电优化调度模型第18-25页
    2.1 引言第18页
    2.2 小水电优化调度方案第18-19页
    2.3 考虑生态因素调度模型构建第19-22页
        2.3.1 以发电量最大为目标第20-21页
        2.3.2 以发电效益最大为目标第21页
        2.3.3 以生态缺水量最小为目标第21-22页
    2.4 考虑生态因素约束条件第22-24页
    2.5 本章小结第24-25页
第3章 考虑生态需水的小水电优化调度算法第25-40页
    3.1 引言第25-26页
    3.2 小水电优化调度生态需水基本思想第26-27页
    3.3 粒子群算法与反向学习机制第27-30页
        3.3.1 基本粒子群算法及其原理第27-28页
        3.3.2 基于反向学习的初始化第28-30页
    3.4 基于NW动态邻域结构的PSO算法第30-32页
        3.4.1 NW小世界特性第30-31页
        3.4.2 基于NW动态邻域结构的粒子群算法第31-32页
    3.5 算法求解步骤第32-33页
    3.6 算法时间复杂度分析第33页
    3.7 仿真分析与实例研究第33-39页
        3.7.1 数值仿真分析第33-34页
        3.7.2 实例研究第34-39页
    3.8 本章小结第39-40页
第4章 考虑生态因素的小水电多目标优化调度第40-54页
    4.1 引言第40-41页
    4.2 多目标优化问题第41-42页
    4.3 基于动态网格的多目标粒子群优化算法第42-48页
        4.3.1 外部种群及更新维护策略第42-43页
        4.3.2 动态网格的构建第43-44页
        4.3.3 基于动态网格的密度计算第44页
        4.3.4 外部档案集更新策略第44-46页
        4.3.5 最优粒子的选取策略第46-47页
        4.3.6 算法流程图第47页
        4.3.7 算法复杂度分析第47-48页
    4.4 数值仿真与分析第48-52页
        4.4.1 测试函数及参数设定第48-49页
        4.4.2 性能度量指标第49-50页
        4.4.3 结果分析第50-52页
    4.5 实例研究第52-53页
    4.6 本章小结第53-54页
第5章 小水电发电优化决策管理与控制系统设计开发第54-66页
    5.1 系统设计基本准则第54-55页
    5.2 系统运行环境第55页
        5.2.1 软件需求第55页
        5.2.2 硬件环境第55页
    5.3 系统体系结构第55-57页
        5.3.1 系统框架第55-56页
        5.3.2 系统用户划分第56-57页
    5.4 系统功能模块第57-61页
        5.4.1 数据采集模块第58页
        5.4.2 数据管理模块第58-59页
        5.4.3 优化调度模块第59页
        5.4.4 算法管理模块第59页
        5.4.5 径流预测模块第59-60页
        5.4.6 模型管理模块第60页
        5.4.7 水电站日常管理模块第60-61页
        5.4.8 防洪预警模块第61页
    5.5 系统模块实现第61-65页
        5.5.1 系统登陆界面第61-62页
        5.5.2 模型管理菜单第62页
        5.5.3 日常管理菜单第62-63页
        5.5.4 气象数据菜单第63-64页
        5.5.5 优化调度菜单第64-65页
    5.6 本章小结第65-66页
第6章 结论与展望第66-68页
    6.1 结论第66页
    6.2 展望第66-68页
参考文献第68-73页
致谢第73-74页
攻读学位期间参加的科研项目和成果第74页

论文共74页,点击 下载论文
上一篇:基于CUDA的大规模点云数据处理技术
下一篇:基于支持向量机的半监督式增量学习研究