資源描述：
《基于cbr的城市供水優(yōu)化調(diào)度》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、東北大學碩士學位論文基于CBR的城市供水優(yōu)化調(diào)度姓名：鄒廣宇申請學位級別：碩士專業(yè)：系統(tǒng)工程指導教師：汪定偉20040218東北大學碩士論文摘要隨著’}。固市場經(jīng)濟的發(fā)展，自來水公司面臨者越來越嚴峻的競爭環(huán)境。對水資源進行優(yōu)化調(diào)度是提高經(jīng)濟效益的有效途徑。然而，由于各種各樣的局限，傳統(tǒng)的凋度方法不能真JF實現(xiàn)優(yōu)化調(diào)度。為此，本文提出了一種基于CBR(CaseBasedReasoning)的調(diào)度策略?；弧咐耐评硎墙陙戆l(fā)展起來的解決問題和進行學習的人工智能的方法，并且已經(jīng)引起了廣泛的重視。它起源于美國，其基本思想和理論已
2、經(jīng)傳遍整個刖+界，我們現(xiàn)在正處于CBR研究最為活躍的時期。首先，本文對CBR以及相關(guān)的知識進行綜述，描述了這一領域中幾個先進的方法。重點提到了一個通用的CBR循環(huán)框架，而后對CBR循環(huán)中的四個基本方法進行逐一的闡述，包括案例搜索、重用、驗證和學習。并且建立了一．個基于CBR的自來水優(yōu)化調(diào)度系統(tǒng)流程圖。然后，根據(jù)城市供水的特征建立了綜合解釋性預測方琺和時間序列方法的基于人工神經(jīng)元閥絡模型的動態(tài)城市用水量預測模型。把這個水量預測值分配到各個水廠，再用各廠的水量通過等效管網(wǎng)宏觀模型得出各監(jiān)測點的壓力值，這些壓力值是案例的部分特征。
3、再后，案例庫中搜索到的案例的重用是通過重用以前得到解決方案的方法來實現(xiàn)的，即推導策略。這里所提到的方法就是求解調(diào)度模型。對調(diào)度模型進行求解根據(jù)決策變量選擇的不同可以分為直接優(yōu)化調(diào)度和兩級優(yōu)化調(diào)度。本文對這兩種方法進行了對比并且編制了一級優(yōu)化調(diào)度程序。最后，介紹了一個用Java和SQLServer開發(fā)的基于CBR的優(yōu)化調(diào)度軟件。關(guān)鍵詞：基于案例的推理案例重用水量預測人工神經(jīng)元網(wǎng)絡BP算法管網(wǎng)模型兩級優(yōu)化調(diào)度遺傳算法II東北大學碩士論文AbstractWiththedevelopmentofmarketeconomy，water
4、supplycompaniesareconfrontedwithmoreandmoredrasticcompetitiveenvironment．Optimumdistributionisoneoftheefficientmeanstoincreaseeconomicbenefit．However，traditiondistributionmethodologycannotreachrealoptimizationforallkindsoflimitation．Thispaperintroducesanewstrategyb
5、asedonCBR．．Casebasedreasoningisarecentapproachtoproblemsolvingandlearningthathasgotalotofattentionoverthelastfewyears，OriginatingintheUS，thebasicideaandunderlyingtheorieshavespreadtoothercontinents，andwearenowwithinaperiodofhi曲lyactiveresearchincase-basedreasoning．
6、Initially，thispapergivesanoverviewofthefoundationalissuesrelatedtocase-basedreasoning，describessomeoftheleadingmethodologicalapproacheswithinthefield．Ageneralframeworkisdefinedthatisinfluencedbyrecentmethodologiesforknowledgeleveldescriptionsofintelligentsystemsand
7、themethodsforcaseretrievalreuse，solutiontesting，andlearningaresummarized．Asystemarchitectureisbuiltbasedonthefiameworkandthesystemactualrealizationisdiscussedinthenextchapters．Next，basedonBPmodeloftheartificialneuralnetwork，accordingtothefactorandfeatureofurbanwate
8、r-supply,adynamicwaterconsumptionforecastingmodelwiththecharacteristicofbothregressionandtimeseriesisdeveloped．ThepredictionresultsofthisBPmodele
