水電系統(tǒng)預(yù)報(bào)、優(yōu)化及多目標(biāo)決策方法及應(yīng)用目錄

前言

第1章 緒論

1.1 引言

1.2 中長期徑流預(yù)報(bào)研究現(xiàn)狀

1.3 水文模型參數(shù)優(yōu)選及不確定性研究現(xiàn)狀

1.3.1 水文模型參數(shù)優(yōu)選研究現(xiàn)狀

1.3.2 水文模型不確定性研究現(xiàn)狀

1.3.3 河道洪水演算研究現(xiàn)狀

1.4 水電站水庫(群)優(yōu)化調(diào)度研究現(xiàn)狀

1.4.1 傳統(tǒng)的數(shù)學(xué)規(guī)劃方法

1.4.2 現(xiàn)代混合智能方法

1.4.3 水庫蓄水位多目標(biāo)決策研究現(xiàn)狀

1.5 研究現(xiàn)狀分析與結(jié)論

1.6 本書主要研究內(nèi)容

第2章 基于粒子群優(yōu)化支持向量機(jī)的年徑流預(yù)報(bào)

2.1 引言

2.2 粒子群優(yōu)化算法

2.3 支持向量機(jī)

2.4 基于粒子群優(yōu)化支持向量機(jī)參數(shù)的預(yù)報(bào)模型

2.5 實(shí)例應(yīng)用

2.6 小結(jié)

第3章 幾種人工智能技術(shù)在月徑流預(yù)報(bào)中應(yīng)用與比較

3.1 引言

3.2 研究模型簡介

3.2.1 人工神經(jīng)網(wǎng)絡(luò)

3.2.2 自適應(yīng)模糊推理

3.2.3 遺傳程序設(shè)計(jì)

3.2.4 支持向量機(jī)的基本原理

3.3 應(yīng)用實(shí)例

3.3.1 研究背景資料

3.3.2 預(yù)報(bào)輸入個(gè)數(shù)的確定

3.3.3 預(yù)報(bào)結(jié)果評價(jià)指標(biāo)

3.3.4 預(yù)報(bào)建模

3.4 應(yīng)用結(jié)果及分析

3.5 小結(jié)

第4章 新安江模型參數(shù)優(yōu)化及其在河道洪水預(yù)報(bào)中應(yīng)用

4.1 引言

4.2 新安江模型結(jié)構(gòu)與參數(shù)

4.3 混合啟發(fā)式優(yōu)化算法

4.3.1 遺傳算法

4.3.2 混沌和Logistic映射

4.3.3 模擬退火

4.3.4 混合混沌遺傳和模擬退火

4.3.5 CGASA的實(shí)現(xiàn)

4.4 應(yīng)用實(shí)例

4.4.1 研究區(qū)域

4.4.2 率定準(zhǔn)則

4.4.3 應(yīng)用結(jié)果和分析

4.5 小結(jié)

第5章 新安江模型參數(shù)隨機(jī)優(yōu)化及不確定性分析

5.1 引言

5.2 SCEM-UA算法評估新安江模型參數(shù)不確定性

5.2.1 SCE-UA算法

5.2.2 SCEM-UA算法

5.2.3 SCEM UA算法評估新安江模型參數(shù)不確定性

5.3 應(yīng)用實(shí)例

5.3.1 研究區(qū)域和數(shù)據(jù)

5.3.2 應(yīng)用結(jié)果和分析

5.4 小結(jié)

第6章 馬斯京根模型參數(shù)優(yōu)化及其在河道洪水預(yù)報(bào)中的應(yīng)用

6.1 引言

6.2 馬斯京根參數(shù)優(yōu)化模型

6.3 差分進(jìn)化算法簡介

6.4 應(yīng)用實(shí)例

6.5 小結(jié)

第7章 基于判別分析法的泥石流預(yù)報(bào)方法研究

7.1 引言

7.2 Fisher判別分析預(yù)報(bào)模型

7.2.1 基本原理

7.2.2 判別函數(shù)的建立

7.2.3 判別準(zhǔn)則

7.2.4 Fisher判別分析預(yù)報(bào)模型檢驗(yàn)

7.3 距離判別分析法預(yù)報(bào)模型

7.3.1 馬氏距離

7.3.2 判別準(zhǔn)則的評價(jià)

7.4 應(yīng)用實(shí)例

7.4.1 預(yù)報(bào)參數(shù)的選取

7.4.2 Fisher判別預(yù)報(bào)法

7.4.3 山洪泥石流距離判別分析法

7.5 小結(jié)

第8章 基于混沌遺傳算法的水電站(群)優(yōu)化調(diào)度

8.1 引言

8.2 水電站優(yōu)化調(diào)度的數(shù)學(xué)模型

8.2.1 單一水電站優(yōu)化調(diào)度的數(shù)學(xué)模型

8.2.2 梯級水電站優(yōu)化調(diào)度的數(shù)學(xué)模型

8.3 混沌遺傳算法

8.3.1 混沌及其特性

8.3.2 混沌與遺傳算法的結(jié)合

8.3.3 混沌遺傳算法的步驟

8.4 應(yīng)用實(shí)例

8.4.1 復(fù)雜函數(shù)優(yōu)化算例

8.4.2 典型徑流水電站優(yōu)化調(diào)度算例

8.4.3 長系列歷史徑流水電站優(yōu)化算例

8.4.4 梯級水電站優(yōu)化調(diào)度算例

8.5 小結(jié)

第9章 基于群居蜘蛛優(yōu)化算法的水庫防洪優(yōu)化調(diào)度

9.1 引言

9.2 水庫防洪優(yōu)化調(diào)度模型

9.3 群居蜘蛛優(yōu)化算法

9.3.1 群居蜘蛛優(yōu)化算法概述

9.3.2 群居蜘蛛優(yōu)化算法優(yōu)化原理

9.4 基于群居蜘蛛優(yōu)化算法的防洪優(yōu)化調(diào)度模型的求解

9.5 實(shí)例應(yīng)用

9.6 小結(jié)

第10章 基于改進(jìn)指標(biāo)權(quán)重模糊ISODATA的洪水分類

10.1 引言

10.2 基于改進(jìn)指標(biāo)權(quán)重的模糊ISODATA方法

10.3 應(yīng)用實(shí)例

10.3.1 相對隸屬度矩陣

10.3.2 指標(biāo)權(quán)重的確定

10.3.3 實(shí)例1

10.3.4 實(shí)例2

第11章 基于多目標(biāo)可變模糊優(yōu)選的水庫正常蓄水位確定

11.1 引言

11.2 多目標(biāo)可變模糊優(yōu)選方法

11.3 應(yīng)用實(shí)例

11.4 小結(jié)

第12章 結(jié)語

參考文獻(xiàn) 2100433B

本書就水電系統(tǒng)預(yù)報(bào)、優(yōu)化、調(diào)度及多目標(biāo)決策等相關(guān)問題的關(guān)鍵技術(shù)進(jìn)行了探討，系統(tǒng)研究和分析了人工智能技術(shù)在中長期徑流預(yù)報(bào)中的應(yīng)用、水文模型參數(shù)的優(yōu)選及不確定性分析及其應(yīng)用、馬斯京根參數(shù)優(yōu)化及其在河道洪水預(yù)報(bào)中應(yīng)用、基于判別分析法的泥石流預(yù)報(bào)技術(shù)及其應(yīng)用、人工智能優(yōu)化技術(shù)水電站水庫（群）優(yōu)化調(diào)度中應(yīng)用和基于多目標(biāo)可變模糊優(yōu)選技術(shù)的水庫正常蓄水位的確定等，具有系統(tǒng)性、新穎性和實(shí)踐性特點(diǎn)。

隧道現(xiàn)場超前地質(zhì)預(yù)報(bào)及工程應(yīng)用內(nèi)容簡介

《隧道現(xiàn)場超前地質(zhì)預(yù)報(bào)及工程應(yīng)用》可供從事隧道超前地質(zhì)預(yù)報(bào)的科研人員、工程技術(shù)人員及管理人員借鑒和參考。

隧道現(xiàn)場超前地質(zhì)預(yù)報(bào)及工程應(yīng)用作者簡介

張成良，男，1978年2月生，博士，昆明理工大學(xué)副教授，碩士生導(dǎo)師。長期從事與采礦和巖土有關(guān)的科研和教學(xué)工作，在巖土工程災(zāi)害體的探測與治理、地下工程與邊坡工程的穩(wěn)定性及爆破工程方面有豐富經(jīng)驗(yàn)，兼任云南路電工程檢測技術(shù)有限公司總工程師和中國巖土網(wǎng)特邀評論員。發(fā)表論文40余篇，EI收錄18篇，發(fā)明專利5項(xiàng)。主持和參與縱向項(xiàng)目10余項(xiàng)，橫向項(xiàng)目60余項(xiàng)。

本書較全面地介紹了各類最優(yōu)化問題的理論和方法，包括：最優(yōu)化問題概述、線性規(guī)劃、非線性規(guī)劃、動(dòng)態(tài)規(guī)劃、多目標(biāo)優(yōu)化及應(yīng)用、現(xiàn)代優(yōu)化算法和綜合應(yīng)用案例。全書以方法為重點(diǎn)，編入了大量的最優(yōu)化模型應(yīng)用案例，在考慮到系統(tǒng)性的基礎(chǔ)上，盡可能回避有關(guān)理論證明，做到實(shí)用性強(qiáng)。

本書以石油高校相關(guān)專業(yè)碩士研究生為教學(xué)對象，也可供相關(guān)專業(yè)教師和高年級本科學(xué)生作為參考書。