基于集成学习的再生水资源配置方法研究

摘要

水资源是关系国计民生发展的最关键资源，但伴随着人口增长和环境污染，全球水资源短缺问题日益严重。面临此种境况，人们迫切地需要寻求能够替代自来水的水源来缓解水资源短缺。而再生水资源被誉为“城市的第二大水源”，一旦合理利用，则能从一定程度上缓解水资源短缺。再生水资源配置是再生水资源合理利用的一个关键环节，对合理利用再生水资源具有重要的影响作用。 传统再生水资源配置研究多采用智能优化算法与目标规划模型相结合的方法。但仅使用传统方法配水，配水方案较为单一且缺乏对比性，可能获得配水效果略差的配水方案。而集成学习能够将多种方法得到的配水方案进行集成，有效增强模型的适用性和精确性，从而获得比传统方法更优的配水方案。基于此种优势，本文将集成学习应用到再生水资源配置中，提出了一种基于集成学习的再生水资源配置方法。 本文首先研究了再生水资源配置模式及用户选定。模式及用户的选定是基于集成学习的再生水资源配置的前提条件。所以，提出利用临界距离、最小经济规模和管网利用率三种判据选定模式及用户。其次，研究了面向集成学习的再生水资源配置样本集形成。再生水资源配置针对潜在用户，不存在可作为集成学习配水样本集的历史配水数椐。基于此特点，研究了如何利用遗传算法、人工蚁群算法和粒子群算法形成配置样本集，此内容为集成学习配水样本集的获取提供了技术支撑。然后，研究了基于集成学习的再生水资源配置。以用户作为类别，将再生水资源配置问题转化为分类问题，纳入到集成学习处理问题的范畴内。选取Ada-SVM集成学习算法支持再生水资源配置，建立了该算法下的配水框架。最后，为验证上述形成的基于集成学习的再生水资源配置方法的可行性和有效性，进行了实例研究。依据第三章的内容选定了6个配水用户，利用第四章方法获取了大量的配水方案，配水方案经过处理后作为集成学习配水的样本集，最后根据第五章的配置框架及算法流程编写并运行程序代码，得到了6个用户的再生水资源配置结果。将配置结果与三种传统智能优化方法的配置结果进行对比，以配水成本和缺水量为衡量标准，得到本文方法的配水效果较好，验证了方法的的可行性和有效性。

目录

第一个书签之前

摘 要

Abstract

目 录

1.绪论

1.1 研究背景及意义

1.1.1 研究背景

1.1.2研究意义

1.2 国内外研究现状及文献综述

1.2.1 国外研究现状及文献综述

1.2.2 国内研究现状及文献综述

1.2.3 相关研究综合评述

1.3 研究内容及技术路线

1.3.1 研究内容

1.3.2 研究方法

1.3.3 技术路线图

2.理论综述

2.1 再生水资源回用理论

2.1.1 再生水回用概念与原则

2.1.2 再生水回用供水模式与对象

2.1.3 再生水回用处理工艺及水质标准

2.1.4 再生水回用管网规划布局

2.1.5 再生回用可供水量与需水量计算

2.2 智能优化算法理论

2.2.1 遗传算法

2.2.2 人工蚁群算法

2.2.3 粒子群算法

2.3 集成学习理论

2.3.1 集成学习的基本概念

2.3.2 集成学习的作用

2.3.3 集成学习的发展

2.3.4 集成学习的构成

2.3.5 集成学习主要算法简介

2.4 本章小结

3.再生水资源配置模式及用户选定

3.1 配置模式选定的再生水厂临界距离判据

3.1.1 临界距离的分析

3.1.2 临界距离建立的前提

3.1.3 临界距离的推导

3.2 配置用户选定的分散式再生水厂最小经济规模判据

3.2.1 最小经济规模的分析

3.2.2 最小经济规模的确定

3.3 配置用户选定的再生水厂管网利用效率判据

3.3.1 管网利用效率的分析

3.3.2 再生水管网利用率的定义

3.3.3 再生水管网利用率的分类

3.4 配置模式及用户的选定结果

3.5 本章小结

4.面向集成学习的再生水资源配置样本集形成

4.1 配置样本集形成模型建立

4.1.1 单位制水成本费用计算

4.1.2 配水目标函数

4.1.3 配水约束条件

4.2 基于遗传算法的配置样本集形成

4.2.1配置样本集形成的算法设计

4.2.2 配置样本集形成的算法流程

4.3 基于人工蚁群算法的配置样本集形成

4.3.1 配置样本集形成的算法设计

4.3.2 配置样本集形成的算法流程

4.4 基于粒子群算法的配置样本集形成

4.4.1 配置样本集形成的算法设计

4.4.2 配置样本集形成的算法流程

4.5 本章小结

5.基于集成学习的再生水资源配置研究

5.1 支持再生水资源配置的集成学习算法选择

5.1.1 不同算法比较

5.1.2 Adaboost集成学习算法描述

5.2.1 弱学习器支持向量机（SVM）构建

5.2.2 Adaboost集成学习算法强学习器构建

5.3 基于Ada-SVM集成学习的再生水资源配置框架建立

5.4 基于Ada-SVM集成学习的再生水资源配置样本集处理

5.4.1 样本集数据抽取

5.4.2 样本集数据处理

5.4.3 样本集权值设置

5.5 基于Ada-SVM集成学习的再生水资源配置算法流程

5.6 本章小结

6. 基于集成学习的再生水资源配置方法应用实例研究

6.1 研究区域概况

6.2 研究区域再生水资源配置模式及用户选定

6.2.1 临界距离计算

6.2.2 最小经济规模计算

6.2.3 管网利用效率计算

6.2.4 配置模式及用户选定结果

6.3 研究区域面向集成学习的再生水资源配置样本集获取

6.3.1 基于遗传算法的配置样本集获取

6.3.2 基于人工蚁群算法的配置样本集获取

6.3.3 基于粒子群算法的配置样本集获取

6.4 研究区域基于集成学习的再生水资源配置

6.4.1 样本集数据处理结果

6.4.2 再生水资源配置结果

6.4.3 再生水资源配置结果分析

6.5 本章小结

7.1 总结

7.2 展望

致谢

参考文献