| 中文摘要 | 第1-6页 |
| ABSRTACT | 第6-8页 |
| 第一章 绪论 | 第8-18页 |
| §1．1 引言 | 第8页 |
| §1．2 动力配煤的意义 | 第8-10页 |
| §1．3 动力配煤的国内外发展状况 | 第10-11页 |
| §1．3．1 国外动力配煤技术的发展 | 第10-11页 |
| §1．3．2 国内动力配煤技术的发展 | 第11页 |
| §1．4 优化配煤专家系统介绍 | 第11-15页 |
| §1．4．1 优化配煤专家系统的开发方案 | 第11-12页 |
| §1．4．2 优化配煤专家系统的核心计算模型 | 第12-15页 |
| §1．5 本文的主要研究内容 | 第15-18页 |
| 第二章 BP人工神经网络理论及其在配煤模型中的应用 | 第18-42页 |
| §2．1 BP人工神经网络 | 第18-25页 |
| §2．1．1 人工神经元 | 第18-19页 |
| §2．1．2 误差反播（BP）算法介绍 | 第19-25页 |
| §2．1．2．1 概述 | 第19页 |
| §2．1．2．2 BP算法理论 | 第19-25页 |
| §2．2 BP人工神经网络在配煤模型中的应用 | 第25-39页 |
| §2．2．1 动力配煤的数学模型及主要问题 | 第25-27页 |
| §2．2．2 混煤煤质特性的预测 | 第27-32页 |
| §2．2．2．1 混煤煤质特性 | 第27-30页 |
| §2．2．2．2 混煤煤质特性的神经网络预测模型 | 第30-32页 |
| §2．2．3 混煤燃烧特性的研究 | 第32-39页 |
| §2．2．3．1 混煤着火特性的判别 | 第32-33页 |
| §2．2．3．2 混煤燃烬特性的判别 | 第33-34页 |
| §2．2．3．3 混煤结渣特性的判别 | 第34-38页 |
| §2．2．3．3．1 煤灰软化温度的BP神经网络预测模型 | 第34-37页 |
| §2．2．3．3．2 混煤结渣倾向的判别 | 第37-38页 |
| §2．2．3．4 混煤二氧化硫排放特性的判别 | 第38-39页 |
| §2．3 本章小结 | 第39-42页 |
| 第三章 BP神经网络在配煤模型中预测性能的研究 | 第42-57页 |
| §3．1 引言 | 第42页 |
| §3．2 输入层为三个神经元的BP神经网络预测模型 | 第42-44页 |
| §3．2．1 模型描述 | 第42-43页 |
| §3．2．2 模型仿真 | 第43页 |
| §3．2．3 预测效果 | 第43-44页 |
| §3．3 输入层为六个神经元的BP神经网络预测模型 | 第44-46页 |
| §3．3．1 模型描述 | 第44页 |
| §3．3．2 模型仿真 | 第44-45页 |
| §3．3．3 预测效果 | 第45-46页 |
| §3．4 学习样本的数量对神经网络预测性能的影响 | 第46-50页 |
| §3．4．1 增加学习样本的方法 | 第46页 |
| §3．4．2 学习样本的增加对神经网络性能的影响 | 第46-49页 |
| §3．4．3 学习样本数量对神经网络影响的验证 | 第49-50页 |
| §3．5 隐层节点数对神经网络预测性能的影响 | 第50-53页 |
| §3．5．1 仿真试验 | 第51-52页 |
| §3．5．2 隐层节点数的选取 | 第52-53页 |
| §3．6 学习精度的选取对神经网络预测性能的影响 | 第53-54页 |
| §3．7 本章小结 | 第54-57页 |
| 第四章 优化配煤模型算法综述 | 第57-71页 |
| §4．1 动力配煤的模型描述 | 第57页 |
| §4．2 穷举法 | 第57-59页 |
| §4．3 MDOD法（混合离散变量优化设计） | 第59-63页 |
| §4．3．1 MDOD法的数学模型 | 第59-62页 |
| §4．3．2 MDOD算法的缺陷 | 第62-63页 |
| §4．4 遗传算法 | 第63-67页 |
| §4．4．1 标准遗传算法 | 第63-66页 |
| §4．4．2 遗传算法的特点以及和其它传统搜索方法的对比 | 第66-67页 |
| §4．5 模拟退火算法 | 第67-69页 |
| §4．5．1 模拟退火算法简介 | 第67页 |
| §4．5．2 模拟退火算法的优越性 | 第67-68页 |
| §4．5．3 模拟退火算法的渐进收敛性 | 第68-69页 |
| §4．6 本章小结 | 第69-71页 |
| 第五章 遗传算法在配煤优化模型中的研究和应用 | 第71-82页 |
| §5．1 优化配煤的遗传算法模型 | 第71-75页 |
| §5．1．1 编码 | 第71-72页 |
| §5．1．2 生成初始群体 | 第72页 |
| §5．1．3 适应度函数 | 第72-73页 |
| §5．1．4 选择算子 | 第73-74页 |
| §5．1．5 交叉算子 | 第74-75页 |
| §5．1．6 变异算子 | 第75页 |
| §5．1．7 算法收敛性和终止条件 | 第75页 |
| §5．2 遗传算法与穷举法结果比较 | 第75-77页 |
| §5．2．1 具体问题描述 | 第75页 |
| §5．2．2 结果比较 | 第75-77页 |
| §5．3 影响遗传算法搜索全局最优的因素 | 第77-79页 |
| §5．3．1 群体大小对遗传算法的影响 | 第77-78页 |
| §5．3．2 罚因子对遗传算法的影响 | 第78-79页 |
| §5．4 遗传算法的缺陷 | 第79页 |
| §5．5 本章小结 | 第79-82页 |
| 第六章 模拟退火算法在配煤优化模型中的研究和应用 | 第82-93页 |
| §6．1 基于模拟退火算法的优化配煤模型 | 第82-83页 |
| §6．1．1 初始解的生成 | 第82页 |
| §6．1．2 在邻域内寻找新的当前解 | 第82页 |
| §6．1．3 退火 | 第82-83页 |
| §6．1．4 降温 | 第83页 |
| §6．2 模型中的参数的变化对算法的影响 | 第83-88页 |
| §6．2．1 温度T的初始值设置问题 | 第83-85页 |
| §6．2．2 退火速度问题 | 第85-86页 |
| §6．2．3 温度管理问题 | 第86-88页 |
| §6．3 模拟退火算法与穷举法结果比较 | 第88-89页 |
| §6．4 改进的模拟退火算法——GA+SA | 第89-91页 |
| §6．5 一种快速有效的搜索方法——GA+SA+EA | 第91-92页 |
| §6．6 本章小结 | 第92-93页 |
| 第七章 全文总结 | 第93-95页 |
| 致谢 | 第95页 |
