| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 工业用电量预测的背景及意义 | 第13-14页 |
| 1.2 工业用电量预测及方法的研究现状 | 第14-19页 |
| 1.2.1 工业用电量预测的现状 | 第14-15页 |
| 1.2.2 GA研究现状 | 第15-16页 |
| 1.2.3 SA的研究现状 | 第16-17页 |
| 1.2.4 GASA结合的研究现状 | 第17-18页 |
| 1.2.5 GASA优化BP神经网络的研究现状 | 第18-19页 |
| 1.3 主要研究内容及创新点 | 第19-20页 |
| 1.3.1 主要研究内容 | 第19页 |
| 1.3.2 本文创新之处 | 第19-20页 |
| 1.4 论文组织结构 | 第20-21页 |
| 第二章 相关算法介绍 | 第21-36页 |
| 2.1 BP神经网络 | 第21-27页 |
| 2.1.1 BP神经网络概述 | 第21-22页 |
| 2.1.2 BP神经网络算法的实现 | 第22-26页 |
| 2.1.3 BP神经网络的优点与缺点 | 第26-27页 |
| 2.2 遗传算法 | 第27-31页 |
| 2.2.1 遗传算法概述 | 第27-28页 |
| 2.2.2 遗传算法的实现 | 第28-30页 |
| 2.2.3 遗传算法的优点与缺点 | 第30-31页 |
| 2.3 模拟退火算法 | 第31-35页 |
| 2.3.1 模拟退火算法概述及相关理论 | 第31-33页 |
| 2.3.2 模拟退火算法步骤 | 第33-34页 |
| 2.3.3 模拟退火算法的优点与缺点 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 BP神经网络预测模型及应用 | 第36-40页 |
| 3.1 原始数据处理 | 第36页 |
| 3.2 BP神经网络结构的确定 | 第36-37页 |
| 3.3 BP神经网络模型的应用与分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 GA-BP神经网络模型及应用 | 第40-47页 |
| 4.1 GA与BP神经网络结合的可行性 | 第40-41页 |
| 4.2 GA-BP神经网络模型 | 第41-43页 |
| 4.3 GA-BP神经网络预测模型的应用与分析 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 GASA-BP神经网络模型及应用 | 第47-56页 |
| 5.1 GA和SA的结合 | 第47-48页 |
| 5.2 GASA-BP神经网络模型 | 第48-51页 |
| 5.3 GASA-BP神经网络预测模型的应用与分析 | 第51-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 作者简介及读研期间主要科研成果 | 第62页 |