| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 引言 | 第8页 |
| 1.2 课题的背景和意义 | 第8页 |
| 1.3 国内外研究现状 | 第8-10页 |
| 1.3.1 传统优化算法的研究现状 | 第8-9页 |
| 1.3.2 人工智能优化算法研究现状 | 第9-10页 |
| 1.4 本文研究的主要内容 | 第10-12页 |
| 2 人工神经网络基本理论 | 第12-16页 |
| 2.1 人工神经网络的发展 | 第12页 |
| 2.2 人工神经网络原理 | 第12-13页 |
| 2.3 单隐层前馈神经网络 | 第13-16页 |
| 3 工程概况 | 第16-18页 |
| 3.1 供水系统概况 | 第16-17页 |
| 3.2 项目概况 | 第17-18页 |
| 4 需水量预测 | 第18-38页 |
| 4.1 需水量预测概述 | 第18页 |
| 4.2 需水量预测方法 | 第18-19页 |
| 4.2.1 需水量预测方法分类 | 第18页 |
| 4.2.2 几种典型预测方法及其特征 | 第18-19页 |
| 4.3 移动平均法预测水量 | 第19-26页 |
| 4.3.1 移动平均法介绍 | 第19-22页 |
| 4.3.2 移动平均法进行水量预测 | 第22-26页 |
| 4.4 基于BP神经网络的水量预测 | 第26-35页 |
| 4.4.1 BP神经网络介绍 | 第26-27页 |
| 4.4.2 BP网络的学习过程与步骤 | 第27页 |
| 4.4.3 BP神经网络短期需水量预测模型构建 | 第27-32页 |
| 4.4.4 应用模型进行水量预测 | 第32-35页 |
| 4.5 两种水量预测方法的比较分析 | 第35-37页 |
| 4.6 本章小结 | 第37-38页 |
| 5 泵站运行模型研究 | 第38-52页 |
| 5.1 泵站运行模型概述 | 第38-42页 |
| 5.1.1 微观模型 | 第38-39页 |
| 5.1.2 宏观模型 | 第39-42页 |
| 5.2 基于BP神经网络的泵站出口压力宏观模型 | 第42-50页 |
| 5.2.1 泵站出水口压力模型 | 第42页 |
| 5.2.2 基于BP神经网络的泵站出口压力宏观模型 | 第42-48页 |
| 5.2.3 泵站出口压力预测 | 第48-50页 |
| 5.3 本章小结 | 第50-52页 |
| 6 泵站运行优化研究 | 第52-64页 |
| 6.1 泵站机组组合优化数学模型 | 第52-55页 |
| 6.1.1 水泵特性曲线 | 第52-53页 |
| 6.1.2 数学模型的建立 | 第53-55页 |
| 6.2 泵站机组组合优化的遗传算法研究 | 第55-59页 |
| 6.2.1 组合优化遗传算法的编码规则 | 第55页 |
| 6.2.2 种群规模和均匀化 | 第55-56页 |
| 6.2.3 约束条件的处理策略 | 第56-57页 |
| 6.2.4 遗传算法的遗传操作 | 第57-58页 |
| 6.2.5 遗传算法求解机组组合优化问题 | 第58-59页 |
| 6.3 遗传算法仿真研究 | 第59-63页 |
| 6.3.1 仿真基础数据 | 第59-62页 |
| 6.3.2 仿真结果 | 第62-63页 |
| 6.4 本章小结 | 第63-64页 |
| 7 结论与展望 | 第64-66页 |
| 7.1 主要结论 | 第64页 |
| 7.2 创新点 | 第64-65页 |
| 7.3 展望 | 第65-66页 |
| 攻读学位期间参加的科研项目及发表的学术论文 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-76页 |