目录 1
第一章 绪论 1
1.1 资源环境系统模型 1
1.2 资源环境系统模型优化方法 5
1.2.1 传统优化方法 6
1.2.2 智能优化算法 10
1.3 遗传算法研究进展 13
1.3.1 遗传算法简史 16
1.3.2 遗传算法研究进展 18
1.4 人工神经网络研究进展 24
1.5 模糊数学研究进展 26
1.6 本书目的与内容 29
第二章 二进制编码遗传算法 43
2.1 基本遗传算法 43
2.1.1 SGA构成要素 44
2.1.2 SGA形式化定义 44
2.1.3 算例 45
2.2 遗传算法的基本理论 49
2.3 二进制编码遗传算法的主要优缺点及其改进方式 52
2.4 二进制编码遗传算法的改进 54
2.4.1 IAGA计算技术 55
2.4.2 IAGA控制参数 58
2.4.3 IAGA全局优化性能分析 58
2.4.4 IAGA测试 59
2.5 二进制编码自适应加速遗传算法 61
2.5.1 AAGA计算技术 62
2.5.2 AAGA测试 63
2.5.3 算例 65
2.6 本章小结 66
第三章 格雷码编码遗传算法 68
3.1 格雷码遗传算法 70
3.2 格雷码加速遗传算法 71
3.2.1 GAGA计算技术 71
3.2.2 GAGA测试 72
3.2.3 解非线性极大极小问题的GAGA 73
3.2.4 算例 73
3.3 GAGA理论 76
3.3.1 GAGA模式定理 76
3.3.2 GAGA收敛定理 78
3.4 格雷码编码单纯形混合加速遗传算法 79
3.4.1 单纯形法 80
3.4.2 GSHAGA计算技术 82
3.4.3 GSHAGA性能分析 83
3.4.4 GSHAGA数值模拟 84
3.5 格雷码编码模式搜索混合加速遗传算法 86
3.5.1 模式搜索法 86
3.5.2 GHHAGA计算技术 88
3.5.3 GHHAGA数值模拟 88
3.6 本章小结 92
4.1 实数编码遗传算法概述 94
第四章 实数编码遗传算法 94
4.2 实数编码单纯形混合加速遗传算法 96
4.2.1 SHAGA计算技术 96
4.2.2 SHAGA控制参数 98
4.2.3 SHAGA分析 98
4.2.4 SHAGA测试 98
4.3 实数编码模式搜索混合加速遗传算法 99
4.3.1 HHAGA计算技术 100
4.3.2 HHAGA测试 100
4.3.3 算例 103
4.4 实数编码遗传算法与其他优化算法比较 104
4.4.1 测试函数 105
4.4.2 全局优化性能比较 107
4.4.3 优化算法对准则的稳定性比较 107
4.4.4 各种遗传算法比较结果 110
4.5 本章小结 111
第五章 自然数编码遗传算法 113
5.1 模型描述 114
5.2 算法设计 114
5.4 算例 118
5.3 NOEGA复杂性分析 118
5.5 本章小结 120
第六章 模拟退火算法 122
6.1 模拟退火算法 122
6.2 改进的模拟退火算法 124
6.3 模拟退火混合加速遗传算法 125
6.4 SAHAGA理论分析 126
6.5 算例 126
6.6 本章小结 130
第七章 人工神经网络 132
7.1 人工神经网络概念 132
7.2 人工神经元模型 133
7.3 人工神经网络分类 135
7.4 BP神经网络 136
7.4.1 BP神经网络模型 136
7.4.2 改进的BP神经网络模型 138
7.4.3 算例 139
7.4.4 结论 141
7.5 RBF神经网络 141
7.5.2 RBF神经网络模型 142
7.5.1 RBF神经网络原理 142
7.5.3 算例 144
7.5.4 结论 146
7.6 本章小结 146
第八章 模糊综合评价理论与方法 148
8.1 模糊集的基本概念 149
8.2 模糊集的表示方法 150
8.3 模糊集的运算 152
8.4 模糊映射 153
8.5 模糊评价函数 154
8.6.1 模糊乘加综合评价方法 155
8.6 模糊综合评价方法 155
8.6.2 模糊贴近度综合评价方法 160
8.6.3 遗传加权模糊综合评价方法 161
8.7 本章小结 168
第九章 智能算法在资源环境系统优化中的应用 170
9.1 智能算法在流域水文模型参数优选中的应用 170
9.1.1 新安江流域模型 171
9.1.2 三水源新安江模型结构 172
9.1.3 参数调试方法 176
9.1.4 大坳、潭口流域新安江模型 177
9.1.5 九种智能优化算法计算结果 178
9.1.6 本节小结 182
9.2 自适应加速遗传算法在水位流量关系拟合中的应用 183
9.3 用格雷码加速遗传算法确定河流横向扩散系数 186
9.4 本章小结 187
第十章 智能算法在资源环境系统评价中的应用 189
10.1 多属性评价概述 190
10.2 智能算法在黄河流域水资源可再生能力综合评价中的应用 192
10.2.1 水资源可再生性综合评价理论框架 192
10.2.2 权重模型 194
10.2.3 遗传投影寻踪倒S型评价模型 196
10.2.4 遗传投影寻踪插值模型 202
10.2.5 多目标理想区间模型 206
10.2.6 RBF网络评价模型 212
10.2.7 物元模型 214
10.2.8 结论 217
10.3 黄河流域水质恢复能力综合评价的GPPM 218
10.3.1 计算技术 219
10.3.2 黄河流域水质恢复能力综合评价 220
10.3.3 结论 223
10.4 水资源潜力综合评价的GPPM 223
10.4.2 水资源潜力综合评价 224
10.4.1 计算技术 224
10.5 区域水资源开发利用程度综合评价的GPPIM 226
10.5.1 计算技术 227
10.5.2 区域水资源开发利用程度综合评价 227
10.6 水质综合评价的GPPIM 231
10.6.1 计算技术 231
10.6.2 水质综合评价 231
10.7 区域水资源承载能力综合评价的GPPIM 234
10.7.1 计算技术 235
10.7.2 区域水资源承载能力综合评价 235
10.8.1 遗传理想区间模型 238
10.8 遗传理想区间模型在城市环境质量综合评价中的应用 238
10.8.2 城市环境质量综合评价 241
10.9 RBF神经网络模型在大气环境质量综合评价中的应用 242
10.9.1 计算技术 242
10.9.2 大气环境质量综合评价 243
10.10 本章小结 246
第十一章 智能算法在资源环境系统预测中的应用 249
11.1 RBF神经网络模型在黄河流域年径流预测中的应用 249
11.1.1 计算技术 250
11.1.2 黄河流域年径流预测 251
11.2.1 海温预测 255
11.2 RBF神经网络模型在海温预测中的应用 255
11.2.2 结论 257
11.3 遗传门限自回归模型在海洋冰情预测中的应用 257
11.3.1 遗传门限自回归模型 258
11.3.2 海洋冰情预测 260
11.4 本章小结 263
附录Ⅰ 各算法中英文对照表 265
附录Ⅱ 常用实验函数 266
附录Ⅲ 二进制码与格雷码对照表 269