1.2 水资源系统中的智能计算技术研究进展
目前，混沌理论、人工神经网络、支持向量机以及智能算法等现代智能技术方法被广泛地应用于水资源系统的研究之中，已经构成水资源系统研究的一个热点。由于复杂水资源系统研究涉及的内容很广，本书不可能涉及所有的方方面面，以下根据本书研究内容，在前人研究的基础上，结合最新的一些文献成果，对现代智能技术在水资源系统的应用现状进行综述。
1.2.1 智能计算技术在径流预测中的应用
长期以来，水文工作者一直在致力于探索和研究合理而有效的径流预测理论和方法以提高径流预测精度，并取得了很大进展，如丁晶等［11］将随机理论应用于水文时间序列的分析预测中。近年来，在径流预测中，复杂性理论的各种技术方法得到了广泛的应用，这主要包括灰色理论、模糊理论、人工神经网络、支持向量机、混沌理论以及他们的混合运用，其成果相当丰富。这里主要总结了一些与之相关或者相近的研究成果。
20世纪80年代初，陈守煜等［12］在水利、水文、水资源与环境科学领域中进行了模糊应用集的研究，并将模糊集分析和系统分析结合起来，形成了一个新的模糊随机分析系统。1985年，陈守煜、周惠成［13］根据模糊控制的基本原理，以大伙房水库汛期入库流量为检验资料，提出了径流长期预报模糊推理模式。1986年，王本德［14］在传统历史演变法的基础上，应用模糊推理原理，提出了水文气象单要素预报模糊推理法。1997年，陈守煜［15］又依据水文成因、统计与模糊集分析相结合的研究方法论，提出了考虑预报因子权重的中长期水文预报综合分析理论模式与方法。自1982年邓聚龙创立灰色系统理论以来，灰色预测得到很大发展。夏军等［16，17］将灰色系统理论引入水资源系统中，基于时间序列多重信息利用扩维原理和灰色系统理论的关联分析思想，提出一种中长期预报的灰关联预报模型。王根绪［18］将灰色双向差分模型应用于水电站的长期径流预测。模糊集和灰色系统的引入丰富了水资源系统预测理论，成为水资源系统预测的重要方法之一，但由于信息模糊化带有明显的主观性，使模糊分析的应用受到了一定的限制，而灰色系统比较适合具有指数增长趋势的问题，对于其他变化趋势会出现拟合灰度较大而导致精度难以提高的现象。因此，在处理水资源这样复杂非线性系统预测问题时，这两种方法都在一定程度上表现出局限性。
20世纪90年代初，具有较强的非线性处理能力的人工神经网络发展迅速，被大量运用于包括水资源系统在内的各种动态非线性系统的预测上，并取得了丰硕的成果。1994年，Karunanithi等［19］利用前馈型神经网络模型进行了河川径流预报，采用逐步关联法确定网络结构，以沿河及其支流上不同水文测站的流量作为输入，通过设置在每个输入节点中的5天流量窗口来处理径流随时间变化的特性，取得了较好的效果；1999年，Jain等［20］将ANN应用在水库入流量预测及水库运行方面，并将ANN模型和自回归滑动平均模型进行了比较，结果显示，ANN模型对峰值流量的预测较好，而自回归滑动平均模型对较小流量的预测较好；Sajikumar等［21］采用多层次前向网络及回归网络进行月径流预报，并取得了较好的效果；Coulibalya［22，23］将一种基于STA法的多层前馈神经网络应用到水库的实时预报中，既利用了LMBP的优点，又避免了神经网络的过拟合；同年，Coulibalya等［24］采用回归网络进行区域性年径流预报；2003年，Hikmet［25］分别研究了ANN在估计、预测和外推土耳其某地区河道日流量问题上的应用，将ANN模型的结果和常规的随机模型相比较，特性分析显示，ANN在这些应用中比常规的模型更加有效；同年，Chibanga等［26］以赞比亚的喀辅埃河流域为例，应用ANN来建立模型预测流量，并将其预测结果和自回归平均模型进行比较，实例研究表明，ANN给出了比ARMA在更长时期的更加准确的预测；2005年，Ozgur［27］运用ANN进行了河流的流量估计，研究了ANN结构的参数，包括隐含层数目和节点数，选择了三种结构和自回归模型进行比较，运用方差之和相关系数来评价模型的性能，结果表明，在相同数据输入的情况下，ANN可给出比自回归模型更好的结果。
人工神经网络在国内水文水资源领域的应用研究与国外几乎同步。蔡煜东等［28］于20世纪90年代初就将ANN引入到了降水预报、径流预报和水位预报等方面，采用Kohonen自组织神经网络模型研究了鄱阳湖年最高水位的分类预报问题；1994年，吴超羽等［29］将BP网络应用于水文预报，并将结果和常规的线性模型进行了比较，认为BP网络在预报期与预报精度方面均有所改善；1995年，钟登华等［30］采用三层BP模型进行水文预报的，网络输出分为单输出和多输出两类，其应用实例的预报合格率均能满足要求；尚金成等［31，32］提出了一个基于多层神经元网络的自适应径流预报模型，并对其预报机理进行了分析，该模型由两个同构的多层神经网络、训练网络和预报网络来实现。随后，刘国东、胡铁松、丁晶等［32-34］人在这方面做了大量有益的研究工作，进一步促进了人工神经网络在水文领域的应用。1997年，丁晶等［35］采用BP网络预报兰州站过渡期的月径流，并与传统的多元回归作了比较，研究表明BP网络预报过渡期径流可行且效果好；胡铁松等对人工神经网络在水文水资源中的应用现状作了全面的介绍，并认为神经网络为一些复杂水文水资源问题的研究提供了一条有效的途径，之后，又提出了径流长期分级预报的Kohonen网络方法，并将神经网络用于非线性的组合预测之中［34，36］。冯国章等［37］提出了以时段降水量与前期径流量为预报因子的前向多层人工神经网络径流预报模型，分析了网络结构对预报精度的影响。
然而，一方面，人工神经网络拓扑结构确定比较困难，目前尚没有比较成熟认可的理论方法指导；另一方面，人工神经网络容易陷入局部收敛，存在着收敛速度慢、欠学习和过学习以及泛化能力不强等缺点，这些都制约了人工神经网络模型优势的发挥，使之在应用推广方面遇到了一定困难。由于神经网络在理论上缺乏实质性进展，20世纪90年代中期才提出来的支持向量机开始受到越来越广泛的重视，目前已成功应用于分类、函数逼近和时间序列预测等方面，成为机器学习领域中新的研究热点。与其他领域研究相比，支持向量机在水文水资源领域的研究较少，其应用尚处于起步阶段。
Liong等［38，39］首先将SVM引入到水文预报当中。王景雷等［40］探讨了支持向量机方法在基础资料不完备条件下区域地下水位预报问题，以豫东某引黄灌区地下水月动态观测资料为例，建立了地下水位预报的支持向量机模型。梅松等［41］研究了基于支持向量机的洪水预报模型的建模方法，建立福建沙县水文站6h预报流量预报模型。张土乔等［42］针对训练样本的不平衡性，在结构风险最小化准则的目标函数中适当加大峰值样本的权重，提出了一种能进行峰值识别的改进支持向量机算法（SVMPR），并分别采用SVM算法和SVMPR算法对沙溪口流域上洋口站建立洪水预报模型，通过对比分析表明SVMPR提高了洪峰的预报精度。此后，卢敏等［43］将最小二乘支持向量机方法用于年径流量预测，并与BP神经网络方法的预测结果进行了对比，结果表明SVM预测精度要优于BP神经网络方法。林剑艺等［44］在支持向量机建模过程中引入了径向基核函数，并应用SCE-UA算法辨识支持向量机的参数，以水电站实测月径流资料为例，探索了支持向量机在中长期径流预报中的应用，通过与ANN模型预报结果比较显示，该模型能提高径流中长期预报的精度。廖杰等［45］运用SVM预测新疆伊犁河雅马渡站23年实测年径流，并与基于遗传算法的门限回归模型（TR）进行了比较，结果表明，SVM模型在拟合阶段要好于TR模型，而在检验阶段与TR模型接近。李亚伟等［46］提出一种基于支持向量机回归的凌汛预报模型，以黄河内蒙古段凌汛期封河历时预测为例进行了预报，取得了较好的预报效果。
20世纪80年代，Takens、Packard、Farmer等［47，48］提出了重构动力学轨道相空间的延迟法。Whitney拓扑嵌入定理提出重构动力学轨道相空间的延迟法。Grassberger、Procaccia等［49］首次运用相空间重构法从实验数据时间序列计算出实验系统的奇怪吸引子的统计特征，如饱和关联维数、Lyapunov指数和Kolmogorov熵等混沌特征量。这一系列研究成果使混沌理论进入实际应用阶段，利用混沌理论进行系统预测成为可能。借助于相空间，可将传统的水文动力预测模式和统计预测模式结合起来，因而大大丰富了水文相空间预测法的内容［50］。水文学中混沌预测的研究始于20世纪80年代后期，最近有了明显的进展。
在国外，Jayawardena等［51］针对香港的三组各包含4015个降水量的数据点和两组分别为7300、6205个径流数据点，运用关联维数法、Lyapunov指数法、Kolmogorov熵法建立非线性模型进行降水量和径流预测，他们发现，尽管预测精度还不是很高，非线性差分回归法优于线性自回归滑动平均法。S.Bordignon等［52］分析了意大利Adige河流1955—1981年的日平均流量时间序列的混沌特性，并采用一阶多项式拟合，以邻域内局域线性化的非线性模型和1，2，…，15的步长预测了850个数据，与随机AR模型比较，混沌时间序列预测明显较好，并且另外采用了降雨和流量二维时间序列，预测效果明显改善。Sivakumar等［53］建立了二阶局域预测模型，并应用于巴西Ariguari流域的月径流预测，结果验证了模型的可行性。Islam等［54］利用非线性动力学理论来描述和预测丹麦Lindenborg流域1975—1993年9年间的日径流动力系统，利用二阶局域预测模型以一天为步长作一步预测，预测了一年365个数据，预测结果表明，由于噪声的影响，随着嵌入维数m的增大，预测误差在到达一个最小值以后又趋于上升趋势。Sivakumar、Jayawardena等人［55］分别采用基于相空间重构的局域法和基于ANN的全域法对泰国ChaoPhre流域的日径流序列进行了预测，当预见期取为1～7d时，两种模型预测结果均比较理想，相比较而言，局域法较ANN方法更为优越。Jayawardena等［56］在广义自由度基础上提出了动态确定邻近点数的判定条件，从而克服了以往将最邻近点数固定化的缺陷，经典混沌系统和实际水文系统计算分析表明该方法可以提高模型的预测精度。
在国内，混沌预测的研究发展迅速。丁晶等［57］最先论述了将混沌理论用于洪水分析的可能性，探索了在重现水文系统相空间的基础上，水文系统信息的混沌识别和预测方法。随后，丁晶和傅军等［58，59］进行了洪水混沌特征分析及其非线性预测方面的研究，同时提出了一种相空间全域自回归模型的预测途径，经检验能够获得较好的预测效果且运算相对简单，适合于具有非线性和近似周期性的洪水时间序列的预测。权先璋和温权等［60］详细研究了混沌预测技术在多条河流的径流时间序列应用。丁涛等［61］提出一种混沌水文时间序列区间算法，并成功应用于长江寸滩水文站的月径流时间序列的预测中。曾光明等［62，63］对洞庭湖区岳阳水文站30a的月降雨序列应用混沌径向基函数神经网络预测，预测精度远远低于时间序列分解模型，并表现出高度的无规律性，通过定量分析噪声对混沌预测精度的影响，表明监测误差是影响混沌预测精度的一个重要因素，因此，提高数据精度是提高混沌预测精度的一个有效方法。
然而，由于混沌理论研究还不成熟，更重要的是水文过程中到底存不存在混沌现象仍存在争议，因此，在水文过程时间序列混沌特性分析中还有许多问题要讨论如混沌特性检验方法的充分性问题、混沌特征参数估计中的主观性、获得可靠混沌特征参数估计所需序列长度问题、序列预处理对分析结果的影响、可预报时间长度推断的合理性等［63］。
由于水文水资源问题的复杂性以及各种方法本身固有的缺陷，仅用单一的方法预测无法达到人们预期的目的。因此，各种分析方法相互结合的趋势日益增长，各种各样的耦合方法不断涌现，出现了水文水资源系统的混合智能预测，主要表现为通过各种智能算法以及不确定分析方法对神经网络和支持向量机计算性能进行改善，以及通过与混沌预测模式相结合的非线性预测模式。
人工神经网络与其他方法如模糊理论、遗传算法等相结合，也是当前研究的热点。在与模糊理论的结合方面，Gautam等［64］运用自适应神经网络与模糊方法对降雨径流模型进行了研究。Bazartseren等［65］分别运用ANN方法和ANN-模糊方法对德国的两个不同河流短期水位预测进行对比研究，并将结果和线性统计模型进行了比较，结果表明这两个模型的预测水位结果相对较好。P.C.Nayak等［66］将ANN和模糊数学方法结合起来进行时间序列水文模型研究，并将这种方法应用在印度的Baitarani河，结果表明，和其他传统的方法相比较，耦合模型在计算速度、预测误差、效率、峰值流量预测方面都较为理想。胡铁松等［67］提出了模糊神经网络进行径流分级预报。邱林、陈守煜等［68］提出了模糊模式识别神经网络预测模型，用于中长期水文预测，开辟了神经网络拓朴结构建模的新思路。陈守煜等［69］又进一步提出了模糊优选神经网络模型，该模型既能用模糊概念来表达人的知识和经验，又可利用神经网络较强的学习能力。
在与群体智能结合方面，Julian等［70］将遗传算法和人工神经网络相结合进行研究降雨径流转化关系，结果表明在分析流域径流系统方面比别的方法如单一水位图法要好。钟登华等［71］将遗传算法和神经网络相结合，提出遗传神经网络优化年径流预测方法，该方法有效地提高了径流中长期预测精度和速度。崔远来等［72］用遗传算法确定最优网络结构，建立了水库来水量预测进化神经网络模型。杨道辉、马光文等［73］将粒子群优化算法用于优化BP网络模型参数，利用参数优化前后的BP模型进行月平均径流预测，结果表明模型收敛速度和精度明显提高。
与混沌结合方面，刘少华等［74］探讨了结合混沌理论的神经网络，提出了用最小嵌入维数作为BP神经网络输入节点数方法，并在对长江宜昌站日径流预测进行了实际检验，取得了良好结果。张利平、王德智等［75］将重构相空间理论和神经网络模型相结合，通过实例讨论了其在水文中长期预测中的应用。陈南祥、黄强等［76］以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型。
目前，SVM与其他方法结合的研究较少，主要表现在SVM的参数优化，主要有逐步搜索法、遗传算法、SCE算法和模拟退火算法。李庆国等［77］把模糊模式识别理论引入支持向量机，提出一种模糊模式识别核函数，建立了支持向量机水文回归预测模型，以黄河内蒙古段开河、封河历时预测为例进行了研究。由于混沌处理非线性问题的强大功能，可以将混沌理论和支持向量机结合建立水文预测模型。李亚姣等［78］对林家村站月径流进行相空间重构，利用支持向量机建立混沌时间序列的预测模型，仿真结果表明，所提出的模型预测结果好于混沌神经网络模型。
1.2.2 智能计算技术在需水预测中的应用
需水量预测是水资源规划与管理的重要内容之一，也是供水系统优化调度管理的重要部分。在经济高速发展、水资源需求日益增长的情况下，科学合理的预测需求量，对于区域的社会、经济和环境的协调发展，水资源供需分析以及重大水资源工程的正确决策和实施，乃至对市场经济条件下的用水管理，都有着重大的意义。传统需水预测一般采用定额法预测、数理统计以及灰色预测等方法，而这些传统的需水预测方法存在很大的局限性，通常只能反映一种平稳的几何增长过程，加之我国用水量数据时间系列较短，且可靠性低，所以用这些常规的预测方法进行预测时往往效果不佳，预测结果与实际有时偏差很大。20世纪90年代以来，随着计算机技术的迅猛发展，出现了许多基于数据挖掘的预测新方法，如ANN、SVM等，这些方法由于其良好的预测性能，在需水量预测中的应用得到了广泛关注。
数理统计法是一种常用的定量预测方法。它根据大量历史资料，应用概率论与数理统计原理研究预测对象历史变化的统计规律，并对对象未来发展进行预测。根据预测中依据的资料不同，可分为两类：一是单要素预测，即通过分析需水量数据的时序规律进行预测，如时间序列法［79，80］；二是多因子综合预测，即分析需水量与前期多因子之间的统计相关关系，然后用数理统计法加以综合分析进行预测，如多元回归分析法［81-83］。数理统计法的主要特点是需要通过大量的资料来分析预测对象的演变规律，因此，该方法对资料的数量与质量要求较高。
灰色预测方法是从20世纪80年代发展起来的新方法。该方法认为尽管客观事物或系统表象复杂、数据离乱，但总是具有某种内在规律，关键在于怎样去挖掘和利用它。利用灰色系统思想，将需水量观测数据序列看作随时间变化的灰色量或灰色过程，通过累加生成或累减生成逐步使灰色量白化，从而建立相应于微分方程的模型并做出预报。1995年，向跃霖［84］基于灰色GM（1，1，t）模型，提出并建立了一种新的灰色幂级数模型；1998年，张洪国等［85］建立了线性两次拟合等维灰数递补灰色用水量预测模型；2004年，拜存有等［86］运用灰色系统理论对宝鸡峡灌区灌溉用水量建立了等维信息模型GM（1，1），并用同步残差等维新息模型进行修正，结果表明模型具有较高的预测精度。王弘宇等［87］建立了灰色新陈代谢GM（1，1）需水量预测模型，应用结果表明模型精度较高，预测误差较小。灰色预测方法不需要很多的历史数据，运算方便，而且预测的精度也比较高，但是灰色预测要求原始的时间序列具有明显的递增或者递减的特性，而城市年用水量递增或者递减的特性不是很明显，这将影响到预测结果的精确度。
20世纪90年代初，具有较强非线性处理能力的人工神经网络发展迅速，使得需水量预测有了更进一步的发展。由于人工神经网络在解决复杂非线性问题时不需建立具体数学模型，因此，在需水预测中得到了广泛的应用，并取得了比较好的效果。
1999年，张永波等［88］选取能充分体现用水量变化规律的等维信息数据文件，建立了城市需水量预测的神经网络等维信息模型；2001年，单金林等［89］利用BP网络建立了城市用水量预测模型；2002年，杜国明等［90］利用改进的快速二阶BP神经网络方法进行了用水量预测；刘洪波等［91］根据城市时段用水量序列的季节性、趋势性及随机扰动等特点，利用人工神经网络法建立了短期用水量预报模型；2003年，卜义惠等［92］考虑影响城市用水量的气温、节假日和阴晴状况等因素，利用RBF网络建立了日用水量动态预测模型；2004年，俞亭超等［93］考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响，建立了非线性人工神经网络预测模型，应用结果表明，该方法具有较高的预测精度和准确度。
国外在城市短期需水量预测算法研究和应用方面与国内相当，但国外在模型影响因素选择、数学模型的建立方面的研究相对国内要做的深入些。Zhang等［94］应用BP网络神经网络方法对需水预测进行研究，他们对部分BP网络的输入量气候、降水、日期特征进行了离散化，1990年4月至1991年3月的预报实践结果表明，相对误差小于5%的天数达到339d，相对误差大于10%的5d是圣诞、新年和台风袭击的日子，并将其与多元回归分析模型、ARIMA模型、基于Kalman滤波的模型进行了对比，结果显示神经网络模型较其他模型优越，具有较强的处理非线性问题的能力；Wu［95］提出在时序水量预测中将降雨量（预测前1d、5d和30d）、季节、时用水量（上午9—10时）作为神经网络模型的输入节点；Zhou等［96］基于非天气敏感性基础需水量和天气敏感性季节需水量两部分建立需水量仿真模型，其中后部分包括季节周期部分、气候部分和残差自回归三部分。
总的来看，利用神经网络方法建立复杂的非线性模型，预测精度和可靠度较高。然而神经网络方法是一种基于大样本的学习方法，而在实际工作中，能获得的需水量时间序列数据往往很少；另外，它还存在网络结构的确定无可靠的理论根据、训练容易收敛到局部极小点、收敛速度慢和模型泛化能力不强等问题。这些问题制约了人工神经网络模型优势的发挥，使之在应用推广方面遇到了一定的困难。与传统的基于经验风险最小化的神经网络方法相比，于20世纪90年代中期才提出来的SVM具有预测能力强、收敛速度快、推广能力强和全局最优等特点，它能更好地解决小样本、非线性、高维数和局部极小值等实际问题，其学习结果经常好于其他的模式识别和回归预测方法，因而在需水预测中受到越来越广泛的重视，成为需水预测领域中新的研究热点。相对于其他领域，SVM在需水量预测方面运用较晚，起于2005年，但发展比较迅速，在两年的时间里就涌现出了许多成果。
2005年，熊建秋等［97］提出了基于SVM的人均综合用水量预测方法；王亮等［98］通过对城市时用水量数据特征的分析，建立了基于支持向量机的城市用水量短期预测模型，并与BP神经网络预测法进行对比；张宏伟等［99］结合城市日用水量影响因素的特点和变化规律，分别采用RBF网络算法与SVM回归法建立日用水量和其相关因素之间的预测模型，计算结果表明，两种求解方法均能得到满意的结果；李栋等［100］建立了城市生活用水量的支持向量机预测模型，利用天津市历年来城市生活用水量数据进行实例验证，并与人工神经网络方法所取得的结果进行比较，证明支持向量机方法能取得更好的效果；陈磊等［101］根据时用水序列具有周期性和趋势性的特点，建立了基于最小二乘支持向量机的时用水量模型；俞亭超等［102］将峰值识别理论及相应改进的SVM模型运用于杭州市时用水量预测，结果表明，该模型能提高对峰值用水量的预测精度；陈磊等［103］针对采用交叉验证确定模型参数耗时长的问题，提出利用贝叶斯置信框架推断最小二乘支持向量机的模型参数，建立了基于贝叶斯推断最小二乘支持向量机的时用水量模型。
与前述径流预测类似，由于需水预测问题的复杂性以及各种方法本身固有的缺陷，仅用单一的方法预测无法达到人们预期的目的。因此，各种新理论新方法的组合模型得到了广泛的应用，主要表现为通过各种智能算法以及不确定分析方法对神经网络和支持向量机的计算性能的改善。薛小杰、黄强等［104］利用改进的遗传算法，对径向基函数神经网络结构以及权值优化，建立了黄河流域需水预测模型；麻凤海等［105］用遗传算法对BP神经网络权值进行优化，建立了改进的BP神经网络用水量预测模型，应用结果表明改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测；刘勇健等［106］针对BP网络收敛速度慢、易陷入局部最小的缺陷，先后采用基于遗传优化和基于混沌优化的神经网络城市需水量预测模型；张俊艳等［107］利用退火遗传算法对RBF神经网络进行了优化，建立了基于RBF神经网络的城市需水量预测模型。
1.2.3 智能计算技术在水资源优化配置中的应用
以水资源系统分析为手段、水资源合理配置为目的的各类研究工作，源于20世纪40年代Masse提出的水库优化调度问题。此后，随着系统分析理论和优化技术的引入以及计算机技术的发展，水资源系统模拟模型和优化模型的建立、求解以及应用研究不断得到提高，水资源优化配置的研究成果不断增多。从求解方法上看，水资源优化模型多采用传统的经典优化方法，如线性规划［108-110］、整数规划［111］、动态规划［112，113］等。其中，动态规划是解决多阶段决策过程最优化问题的一种有效数学方法，在水资源配置中应用最为广泛，但该方法存在多状态决策的“维数灾”问题。针对一般动态规划的维数灾问题，学者们相继提出了一些改进方法，如逐次优化算法、微分动态规划法、增量动态规划法、随机动态规划法等。然而，水资源优化配置系统是一个规模庞大、结构复杂、影响因素众多的大系统，水资源配置系统已由原先的单目标发展成为多目标，由单一水源发展成为多水源配置，由最初的灌区、水库等工程控制单元水量配置扩展到区域、流域以及跨流域水量配置，问题涉及的范围扩大了，问题的规模增加了，问题复杂程度随之也相应地加大了，面对这样的大规模、非线性、不确定性等复杂问题，传统的基于严格数学理论及梯度信息的各类最优化方法受到一定的限制。新近发展起来的智能优化方法，如遗传算法、粒子群算法、蚁群算法、人工神经网络等，对于离散、非线性、非凸等大规模优化问题充分显示了优越性，为解决复杂水资源优化问题提供了新的思路和手段。这里主要总结一些与其相关或相近的研究成果。
1.2.3.1 以单目标为主的水资源优化配置方法研究
智能优化方法，如遗传算法、模拟退火等，在水资源优化中应用始于20世纪90年代，主要用于城市供水优化调度、地下水最优开采布局、地下水管理以及水库（群）供水调度等方面［114-118］，并取得了显著的成果。1998年，Wang等［119］研究GA和SA在地下水资源优化管理中的应用，考虑地下水最优开采率随水流状态而变化的特性，建立了地下水多阶段模拟优化混合模型，并将求解结果与线性规划、非线性规划、动态规划结果的比较，结果表明GA和SA的优化结果优于或接近于各种规划方法的优化结果。2000年，Morshed等［120］回顾了GA在非线性、非凸、非连续问题中的应用，对改进遗传算法的可能方面进行了研究与探索，以一个具有固定和变化费用的非线性地下水优化问题为实例，将改进遗传算法得到的最优解与非线性规划得到的解进行比较，并研究这些改进方法对GA各种参数的敏感性。Ndiritu［121］提出了一种多种群遗传算法，将其应用到具有向外部供水和提供环境水量任务的两个水库的优化调度中。Janejira［122］提出了离散微分动态规划和遗传算法的混合算法GA-DDDP，用于求解干旱期灌溉缺水最小的优化问题，并与遗传算法作比较，结果表明混合算法具有更好的计算速度。
由于遗传算法对于离散、高度非线性、非凸问题显示的优越性，我国一些学者对遗传算法在水利系统优化中的应用进行了初步的研究。1997年，Chen［123］叙述了几种遗传算法，提出了改进GA的方法，并以一个灌溉优化管理问题为实例进行应用。1999年，邵景力等［124］将遗传算法应用于求解非线性地下水资源管理模型，计算结果表明该方法能快速有效地找到全局最优解。2000年，熊范伦等［125］将模拟退火方法引入遗传算法，提出了改进的基于模拟退火的遗传优化算法，并用于解决水资源优化分配问题。同年，金菊良等［126］用单亲遗传算法求解水资源最优分配问题，并对该单亲遗传算法的全局收敛性和实用性进行了初步分析，所采用的实例为4个变量、1个约束条件的简单水资源优化分配模型。2001年，田一梅等［127］对遗传算法应用于求解供水系统的优化调度问题进行了探讨，并提出了对连续/离散混合变量的编码方法，可实际应用于在线优化调度。2003年，牛志广等［128］针对供水系统优化模型的特点，对遗传算法进行了改进，并成功地应用于供水系统优化模型的求解。王德智、董增川等［129］将改进的加速遗传算法应用到供水库群的水资源优化配置之中，在加速遗传算法中，嵌入局部搜索，以加强算法的全局寻优能力，实例表明，该方法较基于动态规划的轮库迭代法收敛速度快。
其他各种新理论新方法，如神经网络、蚁群算法、粒子群算法以及混沌算法主要在水库调度中得到了应用。Jalali等首先将蚁群算法及其3个子模型Ant-Cycle、Ant-Quantity、Ant-Density应用在水库优化调度中，并由单库优化调度扩展到两库，研究结果亦证明该算法比传统的优化算法优势更明显［130］。Xia［131］将RBF神经网络用于优化水库的调度规则并得到了较好的结果。Chandramouli等［132］提出了一种基于动态规划的神经网络模型，解决了多库系统中两个水库如何分担灌溉供水的问题。邱林等［133］将混沌优化算法运用到水库优化调度中，并与常规方法相比，表明具有一定的优越性。陈建康等［134］提出了水库电站最优调度规则的人工神经网络模型。
上述研究成果表明，遗传算法，包括其他一些类似的智能算法，由于其不依赖于问题的具体形式，因此，适用于传统方法难以求解的优化问题，特别是水资源规划问题。智能算法相对于经典算法具有一定的优越性，为水资源规划与管理提供了一条新途径。
1.2.3.2 以多目标为主的水资源优化配置方法研究
20世纪90年代以来，由于水污染和水危机的加剧，传统的以供水量和经济效益最大为目标的水资源配置模式已不能满足需要，国内外开始在水资源优化配置中注重水质约束、水资源环境效益以及水资源可持续利用研究［135，136］。水资源可持续利用是区别传统水资源利用的一种新模式，它强调在维持水资源持续性和生态系统整体性的条件下，高效利用、合理配置水资源，使水资源与经济、社会和生态环境协调发展。因此，可持续发展观念下的水资源优化配置问题是一个多目标优化问题。实质上，水资源配置是一个涉及众多部门和地区、半结构化的多目标多层次问题，因此更适合采用大系统、多目标的建模方法进行研究。董增川［137］研究了大系统优化的递阶优化、分散控制和主从方法等策略，以及分解协调方法，并将大系统优化理论应用于水资源规划与管理中。钟平安等［138］以大系统分解协调理论作为技术支持，运用大系统多目标背景分解方法，建立了深圳市水资源系统优化调配的实用模型和方法。此外，贺北方、邵东国和黄强等对多库多目标最优控制运用的模型与方法、大型灌区水资源优化分配模型、多水源引水灌区水资源调配模型及应用进行了研究。然而，多目标问题往往伴随着高维、非线性和不确定性等复杂问题，常规的优化方法不能很好地解决这样的问题。20世纪90年代出现的智能技术，因其解决离散、高次非线性、非凸问题显示出的传统单目标优化方法不可比拟的优越性，很自然被广泛应用于在水资源系统优化决策中，并取得了一些应用成果。根据多目标问题求解方法，可以将智能算法优化多目标问题技术归纳为以下两类。
1.将多目标转化为单目标
这种方法首先根据决策偏好信息，通过权重法、约束法将向量优化问题转化为标量优化问题，然后再应用智能优化算法如遗传算法、粒子群算法、蚁群算法等来求解。这主要是因为在单目标问题中个体优劣只需计算每个个体的目标函数值即可区分，而多目标问题中在没有给出决策偏好信息的前提下，难以直接衡量个体的优劣，这是智能算法应用到多目标问题中的最大困难。
1995年，Rao等［139］对适于多峰搜索的基于排挤的小生境遗传算法进行了研究，利用峰值与决策变量不同集合之间的效用关系，扩展GA在多目标决策中的应用，并将其用于含水层污染的治理。Minsker等［140］应用遗传算法建立了不确定性条件下的水资源配置多目标分析模型。Tu等［141］利用混合基因算法进行了水资源优化配置研究，其中在水量配置中考虑了水质要素，以满足下游用水户对水质的需求。Kumar等［142］提出一种遗传算法解决了灌溉水库的优化调度和优化农作物需水量问题，同时考虑了水库入流，灌溉区域的降雨，农作物季节间的用水竞争，土壤湿度等因素。Ahmed［143］将遗传算法用于某一水库的多目标控制之中，并与随机动态规划模型作比较，结果表明，由GA所得到的调度规则具有相应的优越性。
在国内，2001年，方红远等［144］采用了浮点向量表达解的结构，并定义适应度为任一目标与理想点的距离，提出了一种多目标决策遗传算法（MODGA），并使用该算法求解苏北平原湖区的多目标系统优化运行问题。2002年，贺北方、周丽等［145］针对区域水资源多目标优化配置模型，利用大系统分解协调技术，将模型分解为二级递阶结构，同时，采用线性加权法将多目标问题转化为单目标问题，然后利用遗传算法进行求解。2005年，周丽等［146］将模拟退火算法与遗传算法相结合，提出基于模拟退火的大系统总体优化的混合遗传算法求解方法，通过与决策者协商交互确定子目标的权重，通过加权求和，将多目标优化化为单目标问题。
其他各种新理论新方法如神经网络、模糊理论主要在水库调度中得到了应用。A.Cancelliere［147］将神经网络用于推断灌溉水库的优化调度，首先用动态规划确定在缺水最小情形下的下泄流量，然后用神经网络建立优化结果和重要变量之间的关系，确立正常期和干旱期的供水规则，从而达到减小最大的缺水和弃水的目的。胡铁松等［148，149］提出了求解多目标动态规划的神经网络方法。练继建等［150］结合遗传算法和神经网络建立了多沙河流水库水沙联调的多目标规划模型，并采用神经网络预测方法计算水库泥沙淤积量。Sutardi等［151］整合随机动力学（SDP）和模糊目标法（FIGP）来处理多目标、多准则的水资源优化配置问题。Roger等［152］基于模糊逻辑提出了一种长期水资源系统管理方法。Chang等［153］针对水库库区的可持续发展优化管理提出了一种模糊多目标规划模型，考虑环境和经济两个目标以及土地承载力和水库能力两个约束，从而可以得到更为合理的管理策略。谢新民等［154，155］针对水电站水库群与地下水资源系统联合运行多目标管理问题，建立了联合运行多目标管理模型，并提出一种求解大规模多目标决策问题的模糊带权目标协调法。
然而，将多目标问题转化为单目标要求分析者要有渊博的领域知识以及事先需要知道决策者的偏好。对许多复杂的实际问题而言，要做到这点并非易事。而且，这种通过优化单目标问题从而解决多目标问题的方法通常只能得到一个解。要生成非劣解集，必须进行多次计算。因此，基于将多目标问题转换成单目标问题思想的多目标非劣解生成技术，本身存在着一定的缺陷。
2.运用Pareto概念直接求解多目标问题
在水资源优化配置中，在没有偏好信息条件下直接使用智能优化算法推求多目标问题的非劣解集的研究尚不多见。
2003年，游进军等［156］提出了一种基于目标序列的排序矩阵评价个体适应度多目标遗传算法，并将该方法应用于供水和发电的综合利用水库多目标调度中。朱仲元等［157］利用上述多目标遗传算法，以发电与供水效益最大为准则，确定串联水库系统的优化运行策略，并与随机离散动态规划的结果进行了比较。随后，陈南祥等［158］将其引入水资源多目标优化配置问题中，将水资源优化配置模拟为生物进化问题，通过判断每一代个体的优化程度来优胜劣汰，从而产生新一代，如此反复迭代完成水资源优化配置。上述的多目标遗传算法，由于个体适应度是基于目标序列的排序矩阵，得到的只是部分非劣解，并不是真正意思上的多目标遗传算法，本质上仍然是加权和方法。
由于基于种群的智能算法所具有的求解多目标优化问题的优点，如不需要梯度等信息，一次运行可以同时求得多目标的多个Pareto非劣解，仿生智能多目标算法逐渐引起越来越多学者的关注，成为众多领域研究的热点。早在1967年，Rosenberg在其博士论文中曾提到可用遗传搜索算法来求解多目标优化问题［159］，但直到1985年才出现基于向量评估的VEGA算法［160］，这是第一个多目标演化算法，但VEGA算法本质上仍然是加权和方法。真正引起演化计算界足够重视的是1990年后，相继提出了不同的多目标演化算法，例如，1993年，Fonseca和Fleming提出了MOGA算法［161］，Srinivas和Deb提出了NSGA算法［162］，Horn和Nafpliotis也提出了NPGA算法［163］，以及1998年Zitzler与Thiele提出了一种采用精英保留策略的多目标演化算法SPEA［164］，1999年Knowles与Corne提出一种类似（1+1）-ES的演化策略的多目标演化算法PAES［165］。目前，多目标演化算法已在不同领域内得到较大的发展。与其他领域研究相比，多目标演化算法在水文水资源领域的研究较少，其应用尚处于起步阶段。目前，主要用于水库（群）优化调度、地下水管理以及供水管网规划方面。
2001年，Reed等［166］对基于非劣解排序的多目标遗传算法（NSGA）进行了改进，提出了一种基于小生境精英NSGA算法，并将该方法应用于地下水监测中。2002年，Erickson等［167］将基于小生境的多目标遗传算法（NPGA）引入到地下水质管理问题中，通过与单目标遗传算法以及随机搜索算法对比，结果表明NPGA具有较好的鲁棒性，生成的权衡曲线能给决策提供更好的决策支持。2005年，Manuel等［168］提出将多目标演化算法SPEA2与水力模拟相结合求解供水网络规划以产生非劣解，采用约束主导原则处理约束条件，应用结果表明，相对了单目标优化方法，多目标优化方法提供了更好的规划结果。2006年，Janga Reddy等［169］探讨了多目标遗传算法（MOGA）在水库优化调度中的应用，针对印度的Bhadra水库的灌溉和发电优化调度问题进行了研究，结果表明，采用MOGA进行求解所得的非劣解集，可为水库调度提供多个可选调水策略。
国内在这方面的研究还比较少。尹正杰，胡铁松等［170］分析了常规方法求解综合利用水库调度图存在的问题，建立了一个以保证率和缺水量为目标、以调度图的基本调度线为决策变量多目标模型，并采用基于多目标遗传算法进行求解。2005年，王鹏［171］建立了灌区一次灌水水资源配置的多目标优化数学模型，为了克服传统方法在求解非线性多目标优化问题时容易陷入局部最优点的缺点，引入了基于Pareto front的多目标遗传算法来解该模型，所得的非劣解集，可供决策者参考。
1.2.4 水资源脆弱性评价研究进展
近几十年来，尤其是20世纪90年代以来，随着人类社会、环境以及发展等问题日益得到全世界关注，关于全球环境变化和环境与发展问题的脆弱性研究也越来越受到重视。2002年世界经济论坛大会的创始人克劳斯·施瓦布指出：脆弱性是世界面对的一个现实，……要实现可持续发展，首先就要减少发展的脆弱性。目前，脆弱性问题得到了包括生态学、灾害学等自然科学领域以及社会学、经济学等社会科学领域在内的越来越多学者的关注，并对此展开了广泛的研究［172-174］。对水资源脆弱性的研究包括地表水脆弱性研究和地下水脆弱性研究。下面就该领域的一些研究成果进行总结。
1.地下水脆弱性研究
地下水脆弱性研究始于20世纪60年代，主要研究地下水对污染的脆弱程度，以此来唤醒人类社会对地下水污染问题危险性的认识［175，176］。1968年，法国的Margat［177］首次提出了“地下水脆弱性”这一概念。在研究初期，有关地下水脆弱性的概念多是从水文地质本身的内部要素这一角度来定义的［177］，而80年代末以后，进一步考虑了人类活动和污染源等外部因素［178］。有关地下水脆弱性的定义较多，较为公认的为美国国家科学研究委员会于1993年给出的定义［179］：地下水脆弱性是污染物到达最上层含水层之上某特定位置的倾向性与可能性。同时将地下水脆弱性分为两类：①本质脆弱性，即不考虑人类活动和污染源而只考虑水文地质内部因素的脆弱性；②特殊脆弱性，即地下水对某一特定污染源、或污染群体、或人类活动的脆弱性。
对于地下水脆弱性评价，国外采用的方法有水文地质背景值法、系统参数法以及相关分析与数值模型法三种。1987年，Alley等［180］提出评价地下水脆弱性的分级标准（DRASTIC），主要用于评价地下水的本质脆弱性，该标准主要考虑了地下水面深度、净补给量、含水层介质、地形、包气带性质、含水层导水系数等。随着农业的发展，针对农业污染这一日趋严重问题，又提出了考虑农业活动的农药DRASTIC标准，该标准用于地下水的特殊脆弱性评价。目前，国外的大部分有关地下水脆弱性的研究多以农药DRAS TIC标准为基础，结合地下水流模型、污染质运移模型、统计模型、随机模型等数学手段来评价地下水对污染尤其是农药污染的脆弱性［175］。随着计算机技术的发展与评价模型的日趋复杂化，在农药DRASTIC标准基础上，Cvita于1990年提出了SINTACS评价模型，该模型从数据输入到数据输出完全实现计算机化，是地下水脆弱性评价的一大进步［177］。近几年来，随着GIS技术的普及及评价区域的扩大，国外出现了应用GIS技术结合地下水运移模型来评价地下水脆弱性［181，182］。
国内地下水脆弱性研究起步较晚，大体上在20世纪90年代才开始这方面的研究［175］。目前研究还比较局限，早期的研究主要是针对地下水本质脆弱性的评价［183-186］，如刘淑芳［183］选用地下水位埋深、黏性土厚度和含水层厚度为评价因素对河北平原的地下水防污性能进行了研究。随后，不少学者结合本质脆弱性以及特殊脆弱性对地下水脆弱性进行了研究［187-192］，如郑西来等［187］在综合考虑了包气带、含水层等水文地质内部特征以及污染源特征基础上对西安市潜水的脆弱性进行了评价，是国内研究地下水脆弱性比较成功的实例。
在评价方法上，现有的主要利用系统参数法以及对DRASTIC模型的改进方法。国内一些研究人员将模糊数学与参数系统法结合起来评价地下水脆弱性，在确定评价因子各因子的分级标准以及因子赋权的基础上，经过单因子模糊评判和模糊综合评判来划分地下水脆弱程度［185，186，189］。陈守煜、周惠成等［185，186］建立了含水层本质脆弱性的模糊分析评价的理论、模型与方法；贺新春、陈南祥等［189］以宁陵县为研究对象建立了地下水脆弱性的评价指标体系及分级标准，将模糊数学应用于地下水脆弱性评价之中，建立了基于层次分析法的模糊综合评判模型。针对目前方法在评价因素权重的确定上人为性较大以及加权评分法在反映各评价因素指标值的连续变化对地下水环境脆弱性的影响的不足，一些新的方法被引入到地下水脆弱性评价中来。贺新春、陈南祥等［190］将神经网络应用于地下水脆弱性评价之中，建立了基于人工神经网络的地下水脆弱性评价模型。刘卫林等［191，192］以物元模型、可拓集合与关联函数理论为基础，建立了多指标多级的地下水脆弱性可拓综合评价的物元模型；同时，针对投影寻踪插值模型的不足，引入改进的实数遗传算法，建立了基于遗传投影寻踪插值的地下水脆弱性评价模型。孟宪萌、束龙仓等［193］将熵值理论引入以DRASTIC模型为基础模糊综合评判模型，运用信息熵所反映数据本身的效用值计算各评价指标的权重，使得权重的分配有了一定的理论依据。在以上这些研究中大多数的评价过程都与GIS技术相结合。
2.水资源脆弱性研究
20世纪末，脆弱环境中的水资源开发问题，得到了国内外学者的普遍关注，并开展了较多的工作，如联合国教科文组织的国际水文计划（IHP）的第五阶段（1996—2001年），其主题是“脆弱环境中的水文水资源开发”［194］；国内“九五”国家重点科技攻关项目“脆弱生态区综合整治与可持续发展研究”及“西北地区水资源合理开发利用与生态环境保护研究”等，这些研究工作对推动水资源脆弱性研究有着重要作用，部分学者开始将地下水脆弱性与地表水脆弱性结合起来探讨水资源（系统）脆弱性。而水资源脆弱性研究的最新进展来自由国际地圈生物圈计划水文循环生物方面核心项目（IGBP-BAHC）组、国际水文科学协会（IAHS）、国际水资源协会（IWRA）、中国科学院（CAS）、中国水利部（MWR）、黄河水利委员会（YRCC）等于2002年9月16—20日在北京举行的“变化环境下水资源脆弱性——关于黄河流域水与气候的对话”国际会议，这次会议收到了直接与水资源脆弱性有关的论文近20篇，对促进一般意义上的水资源脆弱性以及气候变化情况下的水资源脆弱性等问题有着积极的作用。对于水资源脆弱性研究，国外主要探讨的是气候变化情况下对水资源系统的影响［195-199］，对于水资源脆弱性的用词，最初是water resources based vulnerability［200］，后来直接为vulnerability of water resources［197，199］。
国内的水资源脆弱性研究开始于20世纪90年代中期，且以地下水脆弱性研究居多，针对流域水资源脆弱性的研究比较少见。部分学者就水资源脆弱性的概念、内涵、定量评估等方面做了一些有益的工作［201-206］。唐国平等［201］探讨了气候变化下水资源脆弱性的内涵，根据水资源供给能力和水资源需求关系提出了宏观水资源脆弱性定义，并将其分为水文系统的脆弱性、水利系统及其设计的脆弱性、自然地理环境、社会的脆弱性等类型；刘绿柳［204］根据地下水脆弱性的定义引申出水资源系统的脆弱性，将水资源的脆弱性分为本质脆弱性和特殊脆弱性两部分，认为水资源系统易于遭受人类活动、自然灾害威胁和损失的性质和状态，受损后难于恢复到原来状态和功能的性质。
在探讨水资源脆弱性概念、理念的同时，部分学者对水资源脆弱性理论框架、度量方法等进行了研究。唐国平等［201］提出了全球气候变化下水资源脆弱性研究的总体框架，认为水资源脆弱性评估包括4个步骤：①首先选择合适气候变化的方案；②采用一维的水量平衡模型评估水资源供给系统；③对水资源的需求评估；④水资源供需平衡的评估——脆弱性评估。刘绿柳［204］提出了利用脆弱度来刻画水资源脆弱性，利用指标体系来评价水资源的脆弱性的方法，采用参数系统法与背景值法相结合进行脆弱度评价，并给出了水资源脆弱性定量评价的指标体系和评价方法。
从可持续发展的角度，提出如何防范风险降低脆弱性的对策也是极为重要的内容。杨燕舞等［205］讨论了水资源脆弱性的定义和影响因子，讨论了水资源脆弱性对区域经济可持续发展的影响以及水资源可持续利用的对策问题。黄友波等［206］就甘肃西部最大的内陆河流黑河流域的水资源脆弱性及其目前存在的生态问题的产生原因作了较为深入的分析，结合黑河所处的地理位置，分析了其脆弱性以及生态问题产生的原因。
尽管目前对于水资源脆弱性研究已经进行了较多的工作，但其研究远没有成熟，许多问题尚需深入研究：①从系统角度研究水资源脆弱性问题已经成为专家和学者的共识，但尚没有形成明晰的理论和方法论，水资源脆弱性的概念和研究范围需要进一步明确，指标体系需要进一步完善；②环境变化情况下水资源的脆弱性主要局限于气候变化的情况，有关研究也仅仅处于概念与研究内容探讨阶段，实质性的研究工作尚未开展，同时环境变化很少考虑人类活动的影响，有失偏颇；③由于水资源脆弱性研究的复杂性，急需引入新技术如GIS、现代智能技术及其融合技术。
1.2.5 当前研究存在的问题及发展趋势
1.存在的问题
通过以上的文献综述和分析，我们可以看出，尽管各种现代智能技术在水资源这一复杂系统的研究和应用中已经取得了一定的成果，然而仍有以下不足：
（1）在混沌理论研究方面，目前主要着重于水文过程的混沌特性，未综合考虑大气水、地表水和地下水三个子系统的混沌特征，以及在自然动力作用下各子系统的混沌特征和人类活动作用下各子系统的混沌特征。另外，由于混沌理论还不成熟，更重要的是水文过程中到底存不存在混沌现象仍存在争议，在水文过程时间序列混沌特性分析中还有许多问题要讨论，如混沌特性检验方法的充分性问题、混沌特征参数估计中的主观性、获得可靠混沌特征参数估计所需序列长度问题、序列预处理对分析结果的影响、可预报时间长度推断的合理性等［63］。
（2）在预测技术方面，混沌理论、模糊理论、神经网络以及遗传算法已经应用的较为广泛，且不乏成功的范例，而其他的一些智能技术如集群算法、支持向量机等的研究和应用尚处于起步阶段。另外，在水文预测以及其他预测中运用较为广泛的人工神经网络作为一种处理复杂系统非线性强有力的工具，本身还有一定的缺陷，其拓扑结构确定比较困难，目前尚没有比较成熟认可的理论方法指导，而且模型容易陷入局部收敛，加之收敛速度慢、欠学习和过学习以及泛化能力不强等缺点制约了人工神经网络模型优势的发挥，使之在应用推广方面遇到了一定的困难。与神经网络类似，SVM也是采用类似于“黑箱”的方法，通过学习和记忆，找出输入与输出之间的关系，避免传统的建模方法所遇到的瓶颈。但SVM作为一种新的机器学习方法，还处于发展阶段，有许多地方还须完善，如在核函数和参数选择方面，大样本的学习算法研究方面还有许多工作要做。
（3）在优化理论和方法方面，面对传统优化方法如线性规划、非线性规划、动态规划等，在处理复杂的高维、离散、非线性大系统时所表现的局限性，新近发展起来的智能优化方法，如遗传算法等对于上述优化问题充分显示了优越性，得到了一定的应用，并取得了一些成果，而其他新型智能算法如粒子群算法、蚁群算法以及多种智能算法的混合算法的研究和应用尚处于进一步的探索中。因此，在水资源系统的规划优化和运行优化上，仍需努力探索和研究在复杂优化问题上更加有效、实用的各种新方法、新技术。
（4）在水资源系统多目标优化方面，大多数应用都是通过约束法或加权法将多目标问题转化为单目标问题，继而采用成熟的优化方法如动态规划或智能算法进行求解。而在对水资源系统多目标优化问题的非劣解生成及其相应评价的方法的研究较少，需要进一步深入研究。
2.发展趋势
根据目前现代智能技术在水资源配置系统研究中存在的问题，归纳出其主要研究热点及发展趋势如下：
（1）由于水文水资源问题的复杂性以及各种智能技术本身固有的缺陷，仅用单一的方法预测无法达到人们预期的目的。因此，将各种智能技术有机结合集成研究，如智能算法与人工神经网络的耦合，智能算法和支持向量机的耦合，智能算法之间的耦合等，已经成为当前智能技术在水文水资源系统研究中的热点。
（2）由于集群智能优化方法、演化计算等不依赖于问题的具体形式，在解决离散、非线性、非凸等大规模优化问题充分显示了优越性，适用于传统方法难以求解的优化问题。因此，将集群智能优化方法、演化计算等现代智能技术，特别是集群智能技术应用于复杂水资源系统优化配置研究中，为水资源规划与管理提供了一条新途径。
（3）可持续发展观念下的水资源优化配置是一个多目标优化问题，采用传统优化方法面对日益复杂的水资源系统优化问题受到了一定的局限性，而新近发展起来的基于种群的智能优化方法，由于具有的求解多目标优化问题的优点，如不需要梯度等信息，一次运行可以同时求得多目标的多个Pareto非劣解，对于多目标优化问题充分显示了优越性。因此，将多目标智能优化算法引入水资源系统多目标优化成为多目标水资源系统优化领域研究的热点。
（4）将集群智能优化方法、演化计算等智能优化方法应用于水资源配置研究，并结合计算机网络、3S等现代技术集成形成水资源优化配置专家决策支持系统，有着良好的研究与应用前景。
（5）计算智能研究的新领域如元胞自动机（CA）、支持向量机、免疫信息处理和多代理技术（Multi-Agent）等在水资源系统中的应用还不多见，尚待进一步研究。如前所述，虽然SVM仍有一些缺点，但作为一种具有精度高、速度快、自适应能力强、不受高维维数限制等优点新方法，在水文水资源领域仍有较大的应用潜力。另外，值得一提的是，作为模拟的元胞自动机在其他领域如地学、城市研究等都获得了不少研究成果，而在水资源系统领域内，其研究还不多见，将元胞自动机引入水资源系统对水资源系统进行模拟将是以后研究的一个热点。
相信随着计算机容量和计算速度的不断提高、大规模并行处理技术的发展以及对人工神经网络、支持向量机和演化计算等现代智能技术研究的不断深入，现代智能技术必将在水文水资源领域得到越来越广泛的应用。