水库调度是一个传统的研究课题,是水资源管理的重要内容。水库调度的管理决策水平随着其它学科理论和方法的应用而不断提高。人工智能是计算机科学中一门新兴的边缘学科,知识工程和MAS是其中两个相互联系的分支。本文的工作即在于将人工智能领域新兴的知识工程和MAS的有关理论和方法运用于水库调度管理与决策中,以期利用这些理论和方法解决或者更好地解决水库调度中的某些问题。 水库调度决策中结构化问题和非结构化问题并存,即需要精确的决策模型,又需要专家的经验、常识等知识的协助。本文利用知识工程的理论和方法,建立了水库调度的知识表示体系,通过数据挖掘工具获取水库调度的知识,并通过基于范例推理和基于规则推理相结合的方式进行水库调度知识推理,即问题求解。利用计算机系统表示专家经验并建立不精确推理机制,建立了基于知识的水库调度系统,实现了结构化决策和非结构化决策的统一。 水库调度系统本质上是一个分布分层的控制系统,与调度有关的数据、知识分散在各决策主体之间,水库调度的控制工作在逻辑上和物理上都是分布的。而这正符合Agent的特点。本文分析了Agent对于水库调度的适应性、建立了基于MAS的水库调度系统、将合同网协调机制运用于机组调度中、建立了基于MAS的水库联合调度并行遗传算法、并将合作博弈和MAS运用于相互存在水力联系而经济利益独立的水库联合调度中并建立了合作效益的分配机制。 本文第一章介绍了本文的选题背景,即水库调度中存在的问题以及知识工程和MAS对于水库调度的适应性;分析并归纳了水库及水库调度的特点;在调度模型、调度系统开发、多目标问题的处理、不确定性问题的处理、AI理论和方法的应用、3S技术的应用,以及水量水质统一调度和地表水地下水联合调度等方面的国内外研究情况进行了综述,指出了某些方面的研究方向;分析并总结了水库调度的发展趋势。 第二章建立了水库调度的知识分类和知识表示体系,即分别利用事实库、模型库、规则库和范例库表示陈述型知识、过程型知识、控制型知识以及调度案例。对水库调度知识表示体系中的产生式规则表示方法、范例表示方法进行了详细的研究。为充分利用数据库成熟的理论和技术,提高知识表示和推理的效率,基于这两种知识表示方法的原理以及水库调度的实践,建立了实用的、计算机系统可以操作的基于关系数据库的知识表示和存储方法,对规则库和范例库进行了详细的研究和设计。 第三章分析了水库调度对DM的需求,一方面目前的水库调度系统积累了大量的数据,但仅仅局限于数据的初级使用,而未发现隐藏于数据中的规律;另一方面是开发基于知识的水库调度系统的需要。本章的重点在于应用关联规则挖掘发现隐含于水库调度范例库中的模型选择标准(调度规则)。经分析,指出基于经典Apriori算法在调度范例库中挖掘知识存在的两个问题以及问题的原因。为此,对经典Apriori算法作了改进,克服了存在的问题。改进的Apriod算法可以广泛应用于类似问题的挖掘,即属性可分为原因属性和结果属性且各属性在同一事务中的取值是唯一的情况。此外,还提出了通过SQL实现元规则制导关联规则挖掘的过程。 第四章提出了基于知识的水库调度系统的推理机制,建立了基于规则推理和基于范例推理相结合的推理方式。详细研究并提出了水库调度范例推理的范例索引(数值型属性、枚举型属性、模糊型属性)、范例获取(索引方式和SQL检索方式)、范例选择等阶段的内容及其实现方式。对于规则推理,本章研究并设计不确定性推理机制、冲突消解策略以及规则推理机的工作模式。对于水库调度范例推理和规则推理的耦合采用主辅