| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及依据 | 第11页 |
| 1.2 单一水库调度研究意义及最优准则 | 第11-12页 |
| 1.3 水库优化调度概况及国内外研究动态 | 第12-15页 |
| 1.3.1 水库调度常用的数学模型 | 第12-13页 |
| 1.3.2 国内外研究动态和趋势 | 第13-15页 |
| 1.4 水库调度存在的主要问题及发展趋势 | 第15页 |
| 1.4.1 存在的主要问题 | 第15页 |
| 1.4.2 发展趋势 | 第15页 |
| 1.5 研究的主要内容及技术路线 | 第15-18页 |
| 1.5.1 研究的主要内容 | 第15-17页 |
| 1.5.2 研究的技术路线 | 第17-18页 |
| 2 流域概况及水库基本资料 | 第18-24页 |
| 2.1 流域概况 | 第18-20页 |
| 2.1.1 自然地理 | 第18页 |
| 2.1.2 气候 | 第18-19页 |
| 2.1.3 水文特征 | 第19-20页 |
| 2.2 水库基本特性 | 第20-21页 |
| 2.3 水库特性曲线 | 第21-22页 |
| 2.4 水库蒸发渗漏损失 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 龙凤山水库入库径流水量分析及预测 | 第24-41页 |
| 3.1 混沌分析及重构相空间基本理论和方法 | 第24-27页 |
| 3.1.1 关联维数 | 第24-25页 |
| 3.1.2 相空间的基本理论 | 第25页 |
| 3.1.3 时间延迟? 的求法—— C ?C方法 | 第25-26页 |
| 3.1.4 Lyapunov指数的数值计算方法——Wolf方法 | 第26-27页 |
| 3.2 小波神经网络理论和方法 | 第27-31页 |
| 3.2.1 小波分析 | 第27-28页 |
| 3.2.2 小波神经网络 | 第28-29页 |
| 3.2.3 小波神经网络参数调整 | 第29-30页 |
| 3.2.4 小波神经网络算法改进 | 第30-31页 |
| 3.3 小波神经网络算法实现 | 第31-40页 |
| 3.3.1 小波神经网络算法训练步骤 | 第31-32页 |
| 3.3.2 数据化标准处理 | 第32页 |
| 3.3.3 实例分析应用 | 第32-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 龙凤山水库优化调度的群体智能算法研究 | 第41-61页 |
| 4.1 目标函数及约束条件 | 第41-42页 |
| 4.1.1 目标函数 | 第41页 |
| 4.1.2 约束条件 | 第41-42页 |
| 4.2 水库优化调度的遗传算法研究 | 第42-45页 |
| 4.2.1 遗传算法基本原理及特点 | 第42-43页 |
| 4.2.2 遗传算法的运行流程及基本运算 | 第43-45页 |
| 4.3 水库优化调度的粒子群算法研究 | 第45-47页 |
| 4.3.1 粒子群算法 | 第45-46页 |
| 4.3.2 改进粒子群算法及算法实现步骤 | 第46-47页 |
| 4.4 水库优化调度的人工鱼群算法研究 | 第47-52页 |
| 4.4.1 人工鱼群算法 | 第47-50页 |
| 4.4.2 改进AFSA算法具体步骤 | 第50-52页 |
| 4.5 龙凤山水库兴利优化调度的智能算法实现 | 第52-60页 |
| 4.5.1 基于遗传算法的龙凤山水库优化调度研究 | 第52-53页 |
| 4.5.2 基于改进粒子群算法的龙凤山水库优化调度应用 | 第53-55页 |
| 4.5.3 基于改进人工鱼群算法的龙凤山水库优化调度应用 | 第55-60页 |
| 4.6 本章小结 | 第60-61页 |
| 5 结论与讨论 | 第61-63页 |
| 5.1 研究结论 | 第61页 |
| 5.2 研究不足及展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67页 |
