总结，学习的作用是根据神经元之间激励与抑制的关系，改变它们的作用强度。
人工神经网络由大量的人工神经元联结而成，神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。人工神经网络通过对局部情况的对照比较（该比较是基于不同情况下的自动学习和实际要解决问题的复杂程度所产生的），推理产生一个可以自动识别的系统，该系统就能给出正确的推理结论。
4.3 优化方法性能比较 经典的最优化方法在应用于复杂、困难的优化问题时有较大的局限性。线性规划算法是一种较先进和科学的方法，有统一算法，任何线性规划问题都能求解，但是只能处理线性关系的情形；非线性规划不像线性规划那样，有统一的算法，针对每个待解决的问题都要有其特定的算法，从而存在一定的局限性，到目前为止还没有适合于各种非线性规划问题的一般算法；动态规划算法在求解过程中能够得到一组全局最优解，在计算时，可以利用动态过程演变的联系和特征，再加上实际知识和经验提高求解效率，但是动态规划模型没有统一的标准模型，利用数值方法求解时存在维数灾。
现代智能优化算法一般都是建立在生物智能或物理现象基础上的随即搜索算法。例如，模拟退火算法来源于固体退火原理，遗传算法模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程，禁忌搜索模拟了人类有记忆过程的智力过程，人工神经网络更是直接模拟了人脑的思维模式。
它们之间的联系非常紧密，比如模拟退火和遗传算法为人工神经网络的后续学习铺平了道路，为其更优良算法的研究提供思路，把它们有机地结合在一起，扬长避短，性能将更加优越。
智能优化算法由于其面世时间晚，在理论上的研究远不如经典优化算法完善，往往在求解过程中并不能确保解的最优性，但从实际应用的观点看，这类新算法的要求的条件没有那么苛刻，一般不会要求目标函数和约束条件的连续与凸性，甚至有时连解析表达式都不作要求，对计算中数据的不确定性也有很强的适应能力，可移植性更强。
5 小结
在市场经济大潮的推动下，电力市场改革热潮的日趋激烈，同时伴随着近几年科研活动的广泛开展，新的市场环境给传统的梯级水电优化调度提出了新的要求，虽然水电调度优化及运行理论取得了较大进步，但仍然存在一些问题，尤其是针对实际生产实践，现存的水电调度优化方法还不能完全适用。
因此，要继续进一步加强水电调度优化理论的研究，特别要结合生产实际开发一些适合水利水电系统生产需要便于实际操作的应用模型和软件，为生产实践服务。
参考文献：
[1]曾永红，姜铁兵，张勇传.三峡梯级水电站蓄能最大长期优化调度模型及分解算法[J].电网技术，2004，28（5）.
[2]赵永龙，常晓青.电力市场模式下的水电调度探讨[J].中国电力，2000（8）.
[3]韩冰，张粒子，舒隽.梯级水电站优化调度方法综述[J].现代电力，2007，24（1）.
[4]吴杰康，郭壮志，秦砺寒，宁琳.基于连续线性规划的梯级水电站优化调度[J].电网技术，2009，33（8）.
[5]吴爱华，陶东兵，李承军.基于随机动态规划方法的水电站水库优化调度的研究与应用[J].广东水利水电，2003（1）.
推荐访问： 梯级 水电站 调度 综述 水电
