| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 1 绪论 | 第12-28页 |
| ·选题的背景和研究的意义 | 第12-13页 |
| ·水文模型参数优选及不确定性研究现状 | 第13-17页 |
| ·水文模型参数优选研究现状 | 第13-15页 |
| ·水文模型不确定性研究现状 | 第15-17页 |
| ·中长期水文预报研究现状 | 第17-21页 |
| ·水电站(群)优化调度研究现状 | 第21-25页 |
| ·传统的数学规划方法 | 第21-23页 |
| ·现代启发式智能方法 | 第23-25页 |
| ·研究现状分析与结论 | 第25-26页 |
| ·本文主要研究内容 | 第26-28页 |
| 2 流域水文模型参数模糊多目标优化的混合启发式算法 | 第28-50页 |
| ·引言 | 第28-29页 |
| ·新安江模型结构与参数 | 第29-30页 |
| ·混合启发式优化算法 | 第30-39页 |
| ·遗传算法(GA) | 第31-32页 |
| ·混沌(Chaos)和Logistic映射 | 第32-34页 |
| ·模拟退火(SA) | 第34-35页 |
| ·混合混沌遗传和模拟退火(CGASA) | 第35-36页 |
| ·CGASA的实现 | 第36-39页 |
| ·应用实例 | 第39-49页 |
| ·研究区域 | 第39-41页 |
| ·率定准则 | 第41-42页 |
| ·应用结果和分析 | 第42-49页 |
| ·小结 | 第49-50页 |
| 3 流域水文模型参数随机优化及不确定性分析 | 第50-74页 |
| ·引言 | 第50-51页 |
| ·SCEM-UA算法评估新安江模型参数不确定性 | 第51-56页 |
| ·SCE-UA算法 | 第51-53页 |
| ·SCEM-UA算法 | 第53-55页 |
| ·SCEM-UA算法评估新安江模型参数不确定性 | 第55-56页 |
| ·应用实例 | 第56-73页 |
| ·研究区域和数据 | 第56页 |
| ·应用结果和分析 | 第56-73页 |
| ·小结 | 第73-74页 |
| 4 基于人工智能技术的径流中长期预报模型研究 | 第74-97页 |
| ·引言 | 第74-75页 |
| ·研究模型简介 | 第75-82页 |
| ·人工神经网络(ANN) | 第75-76页 |
| ·自适应模糊推理(ANFIS) | 第76-78页 |
| ·遗传程序设计(GP) | 第78-79页 |
| ·支持向量机(SVM) | 第79-82页 |
| ·应用实例 | 第82-92页 |
| ·研究背景资料 | 第82-85页 |
| ·预报输入个数的确定 | 第85-87页 |
| ·预报结果评价指标 | 第87-88页 |
| ·预报建模 | 第88-92页 |
| ·应用结果和分析 | 第92-96页 |
| ·小结 | 第96-97页 |
| 5 水电站(群)优化调度的混沌遗传算法研究及应用 | 第97-114页 |
| ·引言 | 第97-102页 |
| ·单一水电站优化调度的数学模型 | 第98-99页 |
| ·梯级水电站优化调度的数学模型 | 第99页 |
| ·混沌遗传算法 | 第99页 |
| ·混沌及其特性 | 第99-100页 |
| ·混沌与遗传算法的结合 | 第100-101页 |
| ·混沌遗传算法的步骤 | 第101-102页 |
| ·应用实例 | 第102-112页 |
| ·复杂函数优化 | 第102-107页 |
| ·典型径流水电站优化调度 | 第107-108页 |
| ·长系列历史径流水电站优化 | 第108-109页 |
| ·梯级水电站优化调度 | 第109-112页 |
| ·小结 | 第112-114页 |
| 结论 | 第114-116页 |
| 参考文献 | 第116-127页 |
| 攻读博士学位期间发表学术论文和参加课题情况 | 第127-129页 |
| 致谢 | 第129-130页 |