第1章 绪论 1
1.1复杂系统概述 1
1.1.1复杂系统相关概念 1
1.1.2复杂系统控制与决策 2
1.2关于智能计算 3
1.2.1智能计算简介 3
1.2.2智能计算主要方法 3
1.3复杂系统控制与决策中的智能计算 12
1.3.1复杂系统控制与决策中存在的问题 12
1.3.2智能计算在复杂系统控制与决策中的应用 14
1.4本书的研究内容和结构安排 15
1.4.1本书的主要研究内容 15
1.4.2本书的结构安排 17
1.5本章小结 17
参考文献 18
第2章 神经网络在湖泊水文水质调节功能模拟中的应用 22
2.1引言 22
2.2研究内容 22
2.3基于BP神经网络的水文调节功能模拟 23
2.3.1 BP神经网络 23
2.3.2三峡运行对湖口水位的影响分析 30
2.4基于自适应神经网络的水质调节功能模拟 37
2.4.1 A-BP神经网络二维水质模型 37
2.4.2模拟计算 38
2.5本章小结 40
参考文献 41
第3章 模糊计算在水质评价及时间序列挖掘中的应用 42
3.1引言 42
3.2模糊计算基础 42
3.2.1模糊集合理论 42
3.2.2模糊关系与模糊推理 44
3.3基于模糊综合评价的水质分析 46
3.3.1评价指标 46
3.3.2改进模糊综合评价模型 48
3.3.3水质变化趋势分析 50
3.4基于模糊推理的时间序列挖掘 53
3.4.1小波分解原理 54
3.4.2基于ANFIS的时间序列预测方法 55
3.4.3仿真实验 56
3.5本章小结 59
参考文献 59
第4章 群体智能及其在水价预测中的应用 62
4.1群体智能与多Agent系统 62
4.1.1多Agent理论与方法 63
4.1.2基于多Agent的智能决策支持系统 64
4.1.3Agent的学习问题 66
4.2水价预测问题介绍 67
4.3基于降维的多Agent强化学习算法 67
4.3.1算法描述 67
4.3.2与普通算法的比较 69
4.4基于多Agent的水价预测智能系统 71
4.4.1水价预测智能系统的建立 71
4.4.2仿真实验 73
4.5本章小结 76
参考文献 77
第5章 强化学习及其在智能决策中的应用 79
5.1强化学习与多Agent智能决策概述 79
5.1.1单Agent强化学习 79
5.1.2多Agent强化学习 83
5.1.3强化学习在多Agent智能决策中的应用 84
5.2城市水资源配置问题描述 85
5.3改进的多Agent-Q学习算法 86
5.3.1基于遗传算法的最大映射Q值 86
5.3.2自适应多因素回报值 89
5.4实验研究 91
5.4.1实验一（正常情况下） 94
5.4.2实验二（动态环境下) 96
5.4.3讨论分析 97
5.5本章小结 100
参考文献 100
第6章 基于小波神经网络的湖泊生态系统健康评价 103
6.1引言 103
6.2评价体系与评价标准的确定 104
6.2.1评价指标构建原则 104
6.2.2指标体系的结构框架 105
6.2.3评价指标的度量 106
6.2.4评价标准的确定 108
6.3基于小波神经网络的评价模型 112
6.3.1模型结构 112
6.3.2初始值的选择 114
6.3.3计算流程 115
6.4湖泊生态系统健康评价 116
6.4.1训练样本和检验样本 116
6.4.2算法步骤 119
6.4.3评价结果 120
6.5本章小结 123
参考文献 124
第7章 基于核主元分析与支持向量机的水环境系统突发事件监测 126
7.1核主元分析与支持向量机方法简介 126
7.1.1核主元分析方法 127
7.1.2支持向量机方法 129
7.2水环境系统突发事件监测问题描述 131
7.3基于信任机制的水环境系统突发事件监测方法 133
7.3.1信任机制概念 133
7.3.2基于信任机制的突发事件诊断 134
7.4仿真实验与结果分析 137
7.4.1传感器突发失效故障诊断 139
7.4.2突发水污染事件诊断 142
7.4.3复杂情况下的突发事件诊断 144
7.4.4与传统的KPCA方法和BP神经网络比较 146
7.5本章小结 149
参考文献 150
第8章 智能计算新进展及其应用前景展望 152
8.1引言 152
8.2生物启发的智能计算方法 152
8.2.1人工免疫算法 152
8.2.2 DNA算法 155
8.2.3膜计算方法 155
8.2.4生物启发神经网络模型 157
8.3文化算法 159
8.3.1文化算法基本原理 160
8.3.2文化算法研究进展 161
8.4智能计算在复杂系统中的应用前景 162
8.5本章小结 164
参考文献 164