| 第一章 绪论 | 第1-14页 |
| 1．1 给水系统优化调度的研究现状 | 第8-12页 |
| 1．2 存在的问题与不足 | 第12-13页 |
| 1．3 本文的主要内容 | 第13-14页 |
| 第二章 BP神经网络 | 第14-20页 |
| 2．1 BP神经网络 | 第14页 |
| 2．2 神经元模型 | 第14-15页 |
| 2．3 BP算法 | 第15-18页 |
| 2．3．1 BP算法的数学描述 | 第15-17页 |
| 2．3．2 BP算法的局限性 | 第17-18页 |
| 2．3．3 BP算法的改进措施 | 第18页 |
| 2．4 BP神经网络隐含层节点的确定 | 第18-20页 |
| 第三章 简单遗传算法 | 第20-26页 |
| 3．1 概况 | 第20-21页 |
| 3．2 简单遗传算法 | 第21-24页 |
| 3．3 简单遗传算法的改进 | 第24-26页 |
| 第四章 基于 BP网络的给水管网状态模型 | 第26-46页 |
| 4．1 供水系统工况建模概况 | 第26-28页 |
| 4．2 基于BP网络的给水管网测压点压力模型 | 第28-41页 |
| 4．2．1 管网测压点压力模型输入输出矢量的确定 | 第28页 |
| 4．2．2 自适应遗传算法优化模型结构 | 第28-30页 |
| 4．2．3 混沌遗传算法优化模型权阈值 | 第30-34页 |
| 4．2．4 优化测压点压力模型预测结果分析 | 第34-41页 |
| 4．3 基于BP网络的水源供水量和管网要求水源供水压力间的模型 | 第41-46页 |
| 4．3．1 模型分析 | 第41页 |
| 4．3．2 BP模型结构和初始权阈值的确定 | 第41-42页 |
| 4．3．3 优化模型预测结果分析 | 第42-46页 |
| 第五章 统计学习理论和支持向量机 | 第46-59页 |
| 5．1 机器学习的基本问题 | 第46-48页 |
| 5．1．1 问题的表示 | 第46-47页 |
| 5．1．2 经验风险最小化 | 第47-48页 |
| 5．2 统计学习理论 | 第48-50页 |
| 5．2．1 VC维 | 第48-49页 |
| 5．2．2 推广性的界 | 第49页 |
| 5．2．3 结构风险最小化 | 第49-50页 |
| 5．3 支持向量机 | 第50-59页 |
| 5．3．1 广义最优分类面 | 第50-52页 |
| 5．3．2 支持向量机 | 第52-53页 |
| 5．3．3 核函数 | 第53页 |
| 5．3．4 用于函数拟合的支持向量机 | 第53-57页 |
| 5．3．5 优化算法 | 第57-59页 |
| 第六章 基于贝叶斯推断最小二乘支持向量机时用水量预测模型 | 第59-75页 |
| 6．1 用水量预测方法 | 第59-64页 |
| 6．2 基于贝叶斯推断最小二乘支持向量机的时用水量预测模型 | 第64-75页 |
| 6．2．1 时用水量序列分析 | 第64-65页 |
| 6．2．2 用于函数估计的最小二乘支持向量机 | 第65-66页 |
| 6．2．3 基于贝叶斯推断的最小二乘支持向量机 | 第66-70页 |
| 6．2．4 基于贝叶斯推断最小二乘支持向量机的时用水量模型的建立 | 第70-71页 |
| 6．2．5 时用水量预测分析 | 第71-75页 |
| 第七章 基于宏观模型的管网优化调度决策 | 第75-107页 |
| 7．1 概述 | 第75-76页 |
| 7．2 优化调度模型的分类 | 第76-78页 |
| 7．3 大规模供水系统直接优化调度模型的建立 | 第78-85页 |
| 7．3．1 优化调度一般建模 | 第78-80页 |
| 7．3．2 优化调度模型分析和计算 | 第80-85页 |
| 7．4 正交多智能体进化算法求解直接优化调度模型 | 第85-107页 |
| 7．4．1 正交试验设计方法 | 第85-88页 |
| 7．4．2 多智能体进化算法 | 第88-92页 |
| 7．4．3 正交多智能体进化算法 | 第92页 |
| 7．4．4 直接优化调度模型的约束处理及适应函数值的计算 | 第92-95页 |
| 7．4．5 正交多智能体进化算法求解直接优化调度模型的实现 | 第95-107页 |
| 第八章 总结与展望 | 第107-109页 |
| 参考文献 | 第109-116页 |
| 致谢 | 第116-117页 |
| 博士期间录用和发表的论文 | 第117页 |
