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
西安理工大学;