掃一掃
關注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
湖南省志(1978-2002)?鐵路志
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統(tǒng)關鍵技術
-
>
德國克虜伯與晚清火:貿(mào)易與仿制模式下的技術轉(zhuǎn)移
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
識木:全球220種木材圖鑒
買過本商品的人還買了
水電系統(tǒng)預報.優(yōu)化及多目標決策方法及應用 版權信息
- ISBN：9787030437051
- 條形碼：9787030437051 ; 978-7-03-043705-1
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
水電系統(tǒng)預報.優(yōu)化及多目標決策方法及應用 本書特色
《水電系統(tǒng)預報優(yōu)化及多目標決策方法及應用》就水電系統(tǒng)預報、優(yōu)化、調(diào)度及多目標決策等相關問題的關鍵技術進行了探討，系統(tǒng)研究和分析了人工智能技術在中長期徑流預報中的應用、水文模型參數(shù)的優(yōu)選及不確定性分析及其應用、馬斯京根參數(shù)優(yōu)化及其在河道洪水預報中的應用、基于判別分析法的泥石流預報技術及其應用、人工智能優(yōu)化技術在水電站水庫(群)優(yōu)化調(diào)度中的應用和基于多目標可變模糊優(yōu)選技術的水庫正常蓄水位的確定等。 具有系統(tǒng)性、新穎性和實踐性特點。 本書可作為高等院校水文與水資源工程及水利水電工程專業(yè)的高年級本科生和研究生的教學、科研參考書，也可為相關專業(yè)的科研人員及關心水利行業(yè)發(fā)展的讀者使用，同時也可供水利管理部門的科技工作者和工程技術人員參考。
水電系統(tǒng)預報.優(yōu)化及多目標決策方法及應用 內(nèi)容簡介
本書就水電系統(tǒng)預報、優(yōu)化、調(diào)度及多目標決策等相關問題的關鍵技術進行了探討，系統(tǒng)研究和分析了人工智能技術在中長期徑流預報中的應用、水文模型參數(shù)的優(yōu)選及不確定性分析及其應用、馬斯京根參數(shù)優(yōu)化及其在河道洪水預報中應用、基于判別分析法的泥石流預報技術及其應用、人工智能優(yōu)化技術水電站水庫（群）優(yōu)化調(diào)度中應用和基于多目標可變模糊優(yōu)選技術的水庫正常蓄水位的確定等，具有系統(tǒng)性、新穎性和實踐性特點。
水電系統(tǒng)預報.優(yōu)化及多目標決策方法及應用 目錄
前言
第1章 緒論
1.1 引言
1.2 中長期徑流預報研究現(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)化支持向量機的年徑流預報
2.1 引言
2.2 粒子群優(yōu)化算法
2.3 支持向量機
2.4 基于粒子群優(yōu)化支持向量機參數(shù)的預報模型
2.5 實例應用
2.6 小結(jié)
第3章 幾種人工智能技術在月徑流預報中應用與比較
3.1 引言
3.2 研究模型簡介
3.2.1 人工神經(jīng)網(wǎng)絡
3.2.2 自適應模糊推理
3.2.3 遺傳程序設計
3.2.4 支持向量機的基本原理
3.3 應用實例
3.3.1 研究背景資料
3.3.2 預報輸入個數(shù)的確定
3.3.3 預報結(jié)果評價指標
3.3.4 預報建模
3.4 應用結(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報中應用
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的實現(xiàn)
4.4 應用實例
4.4.1 研究區(qū)域
4.4.2 率定準則
4.4.3 應用結(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 應用實例
5.3.1 研究區(qū)域和數(shù)據(jù)
5.3.2 應用結(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報中的應用
6.1 引言
6.2 馬斯京根參數(shù)優(yōu)化模型
6.3 差分進化算法簡介
6.4 應用實例
6.5 小結(jié)
第7章 基于判別分析法的泥石流預報方法研究
7.1 引言
7.2 fisher判別分析預報模型
7.2.1 基本原理
7.2.2 判別函數(shù)的建立
7.2.3 判別準則
7.2.4 fisher判別分析預報模型檢驗
7.3 距離判別分析法預報模型
7.3.1 馬氏距離
7.3.2 判別準則的評價
7.4 應用實例
7.4.1 預報參數(shù)的選取
7.4.2 fisher判別預報法
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)學模型
8.2.1 單一水電站優(yōu)化調(diào)度的數(shù)學模型
8.2.2 梯級水電站優(yōu)化調(diào)度的數(shù)學模型
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 應用實例
8.4.1 復雜函數(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 實例應用
9.6 小結(jié)
第10章 基于改進指標權重模糊isodata的洪水分類
10.1 引言
10.2 基于改進指標權重的模糊isodata方法
10.3 應用實例
10.3.1 相對隸屬度矩陣
10.3.2 指標權重的確定
10.3.3 實例1
10.3.4 實例2
第11章 基于多目標可變模糊優(yōu)選的水庫正常蓄水位確定
11.1 引言
11.2 多目標可變模糊優(yōu)選方法
11.3 應用實例
11.4 小結(jié)
第12章 結(jié)語
參考文獻
第1章 緒論
1.1 引言
1.2 中長期徑流預報研究現(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)化支持向量機的年徑流預報
2.1 引言
2.2 粒子群優(yōu)化算法
2.3 支持向量機
2.4 基于粒子群優(yōu)化支持向量機參數(shù)的預報模型
2.5 實例應用
2.6 小結(jié)
第3章 幾種人工智能技術在月徑流預報中應用與比較
3.1 引言
3.2 研究模型簡介
3.2.1 人工神經(jīng)網(wǎng)絡
3.2.2 自適應模糊推理
3.2.3 遺傳程序設計
3.2.4 支持向量機的基本原理
3.3 應用實例
3.3.1 研究背景資料
3.3.2 預報輸入個數(shù)的確定
3.3.3 預報結(jié)果評價指標
3.3.4 預報建模
3.4 應用結(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報中應用
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的實現(xiàn)
4.4 應用實例
4.4.1 研究區(qū)域
4.4.2 率定準則
4.4.3 應用結(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 應用實例
5.3.1 研究區(qū)域和數(shù)據(jù)
5.3.2 應用結(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報中的應用
6.1 引言
6.2 馬斯京根參數(shù)優(yōu)化模型
6.3 差分進化算法簡介
6.4 應用實例
6.5 小結(jié)
第7章 基于判別分析法的泥石流預報方法研究
7.1 引言
7.2 fisher判別分析預報模型
7.2.1 基本原理
7.2.2 判別函數(shù)的建立
7.2.3 判別準則
7.2.4 fisher判別分析預報模型檢驗
7.3 距離判別分析法預報模型
7.3.1 馬氏距離
7.3.2 判別準則的評價
7.4 應用實例
7.4.1 預報參數(shù)的選取
7.4.2 fisher判別預報法
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)學模型
8.2.1 單一水電站優(yōu)化調(diào)度的數(shù)學模型
8.2.2 梯級水電站優(yōu)化調(diào)度的數(shù)學模型
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 應用實例
8.4.1 復雜函數(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 實例應用
9.6 小結(jié)
第10章 基于改進指標權重模糊isodata的洪水分類
10.1 引言
10.2 基于改進指標權重的模糊isodata方法
10.3 應用實例
10.3.1 相對隸屬度矩陣
10.3.2 指標權重的確定
10.3.3 實例1
10.3.4 實例2
第11章 基于多目標可變模糊優(yōu)選的水庫正常蓄水位確定
11.1 引言
11.2 多目標可變模糊優(yōu)選方法
11.3 應用實例
11.4 小結(jié)
第12章 結(jié)語
參考文獻
展開全部
書友推薦
- >
名家?guī)阕x魯迅:故事新編
- >
小考拉的故事-套裝共3冊
- >
【精裝繪本】畫給孩子的中國神話
- >
羅曼·羅蘭讀書隨筆-精裝
- >
詩經(jīng)-先民的歌唱
- >
李白與唐代文化
- >
中國歷史的瞬間
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
本類暢銷
