神经网络与遗传算法的整合及其在河流水质水动力耦合模型逆向参数识别中的应用研究

本研究针对目前水质水动力耦合模型参数识别研究中所存在的技术难点进行创新性研究。研究内容包括：(1)构建目标河流水动力水质模型；(2)构建参数逆向识别优化模型，开发交互自适应遗传算法解决早熟问题；(3)开发基于实数编码的遗传算法和局部搜索的杂交遗传算法，解决后期搜索缓慢问题；(4)开发多层次的前馈神经网络模型及近似函数以替代水质水动力耦合模型；(5)开发整合的神经网络－遗传算法（NN-GA），评估其对参数逆向识别优化模型求解的质量及计算有效性；(6)应用K－中值聚类分析算法评估参数模拟的不确定性，研究其在多重预测与不确定性分析中的功能与应用；(7)开发基于参数模拟不确定性的系统多重预测分析，并应用于实例研究。本项目将围绕上述方面展开研究，探索新的有效的整合计算方法，从而为从根本上解决水质模型参数估计识别研究中的瓶颈问题，为水环境的保护和水资源的可持续发展提供可信的、全面的技术保证和决策支持。