基于自适应和演化自适应的组合遗传算法的聚类分析

PAGE9 本科毕业设计文献综述（2014届）论文题目基于自适应和演化自适应的组合遗传算法的聚类分析作者姓名 指导教师 学科(专业) 所在学院 计算机科学与技术学院提交日期 2014年2月基于自适应和演化自适应的组合遗传算法的聚类分析摘要：本文是关于基于自适应和演化自适应的组合遗传算法的聚类分析的一篇文献综述，先介绍项目的由来及其研究意义，然后详述一下国内外相关研究现状以及现阶段存在的技术关键及问题，最后进行简单总结与预测未来的发展趋势。关键词：聚类分析，遗传算法，自适应，演化自适应，交叉率，变异率一、引言聚类是数据分析领域的常用工具，也是数据预处理的重要手段。聚类分析是依据数据内在的结构，将数据对象分成类或簇的过程，使得同一簇内的数据具有高度的相似性，不同簇内的数据具有很高的相异度[1,30]。针对不同的应用需求，已经有许多聚类算法被提出。对于大数据聚类，划分聚类已被公认为最为重要的一类方法。K-means算法[2]在众多的划分聚类方法中因其的简单高效已被广泛使用，但是存在对初始聚类中心高度依赖以及易于收敛于局部最优值等问题。因此，介于聚类分析是一类组合优化问题以及划分聚类是已知的NP-难问题[3]，我们可以使用启发式全局优化算法来解决聚类问题。而遗传算法作为一类常见的智能优化算法，具有很高的隐含并行性，特别适用于解决复杂的非线性和多维空间寻优问题[4,5,6]。早有一些学者将遗传算法用于解聚类分析问题[7,8]。然而，遗传算法的参数会影响其性能。首先，特定的问题会有特定的参数值来决定其是否有找到最优解或者次优解的能力，再者，这些参数值存在非线性关系，所以很难找到他们的最优值。因此，如何选择正确的参数设置策略诸如交叉率和变异率是一个研究热点，也是本论文将解决的难点。运行前固定参数和动态适应是现有的两种重要的遗传算法参数设置机制[9,10,11]。运行前参数固定方法违背了算法固有的动态性和自适应性，已很少使用。动态适应方法主要分为演化自适应控制（Self-adaptiveparametercontrol）和自适应控制（Adaptiveparametercontrol）两种方法。本论文将结合两种方法，提出一种新的参数设置机制用于解决聚类分析问题。二、研究意义演化自适应控制（Self-adaptiveparametercontrol）和自适应控制（Adaptiveparametercontrol）是目前应用最为广泛的两种动态适应参数设置机制。演化自适应控制通过把遗传算法的参数值编码到个体中，然后利用算法本身来确定合适的参数值。该机制的工作原理是编码在个体中合适的参数值将产生高适宜度个体，这些高适宜度个体将有高几率生存下去并产生后代，因此延续了这些合适的参数值。采用这种参数设置机制，现有多种方法来调节遗传算法的变异和/或交叉率。演化自适应控制适合于在复杂的优化问题上设置遗传算法的交叉和变异率。然而，采用该机制，算法在运行过程中其交叉和变异率往往会过快下降而陷于局部最优[12]。自适应控制则利用遗传算法运行过程中的某种反馈信息来自适应的改变参数值。已有学者提出的方法如下：利用群体适宜度的信息来实时改变算法的变异和/或交叉率；根据交叉操作对个体的相对改善程度来设置交叉率；依照父代个体的相似度来调整交叉操作的参数值。这些方法已用于聚类分析。基于自适应控制机制的参数设置技术通常能给出较好的结果。但对于本项目要研究的划分聚类问题，其解空间往往非常复杂，定义一个指标来全面捕获算法运行过程中解空间的动态特征十分困难。上述演化自适应控制和自适应控制机制各有优势和缺陷。本论文拟结合这两种机制的优势来设计有效的参数设置方法，其成果可为实际工程应用提供更加简单，易行的手段。三、国内外研究现状及难点遗传算法作为一种启发式优化算法，早已被用于聚类分析。Maulik[13]和Murthy[8]最先开创性地使用标准遗传算法来解决聚类问题。他们在整个遗传进化过程中使用固定的交叉率和变异率，其结果表明，简单遗传算法比K-means算法在一些人为的和实际的数据上得到的结果较优。傅景广[16]则不采用实数编码，而是采用二进制对聚类中心编码，然后在对个体进行选择、交叉和编译，其在两组模拟数据上产生的结果也明显优于K-means算法。然而，这些方法使用固定的参数值以至于在算法运行前可能花费很长时间找到这些参数的最优值，更糟糕的是，简单遗传算法在理论上已被证明不能在有限的时间内找到最优解以及存在局部收敛和收敛速度慢等问题。Murthy[8]还根据进化迭代的代数去改变变异率，因为变异率是算法能否跳出局部最优解的关键因素，在进化早期为了保持种群的多样性，防止过快收敛，变异率设置的较大，而在变异后期为了保证最优解不易被破坏，变异率又要设置的较低。所以，需要寻找合适的函数去调节变异率使得其在各个进化阶段保持较优解，这可能比在整个进化过程中确定一个固定的最优变异率值更加困难。一些学者为了解决简单遗传算法存在的问题，提出了演化自适应交叉率和变异率的方法。其中，最著名的是Back[14，15]等提出的在指定条件下运用一个对数函数改变变异率的值.虽然他的算法性能优于简单的遗传算法，但是函数中的学习率这个参数对结果影响较大，控制着自适应速度。他们认为学习率越高，那么收敛可能越低，收敛速度越快。因此，学习率直接影响力算法的性能，需要进一步研究。此后，Serpell[17]则在著名的旅行商问题上进一步研究了单独的自适应变异算子，单独的自适应变异率以及同时自适应变异算子和自适应变异率三者的性能。他测试了大量的演化自适应遗传算法，所有的结果均优于简单遗传算法，但是在计算交叉率上花的时间较长。具体地，他使用三种不同的方法：正态分布化，随机平均化和离散化去演化自适应变异率。结果表明正态分布化和随机平均化两种方法终止搜索过程比离散化早，也就是说他们更不容易跳出局部最优解。因为一旦变异率空间进入适应度中立值区域，那么变异率就会有下行压力。更进一步地，Matthew和Sycara[12]深入的研究了演化自适应变异率存在很高的下行压力的原因：可行解碗状空间的影响，变异率和选择压的关系，隐含的内在自适应等等。总之，演化自适应控制适合于在复杂的优化问题上设置遗传算法的交叉和变异率。因此，这种方法也已经被应用于聚类分析问题上。Kivijärvi[17]在聚类问题上演化自适应地改变了交叉方法，变异率和扰动范围。与此同时，自适应机制也是改变参数值的另一种方法，能同时兼顾种群多样性和收敛速度[18,19]。Ghosh[20],Palmes[21]andSrinivas[22]基于个体的适应度值实时地改变交叉率和变异率的值。Srinivas[22]以保证种群多样性的同时又要有一定的收敛能力为目标来改变交叉率和变异率。具体地，在解空间中若种群分布越分散，那么变异率和交叉率的值将减少，相反，若种群陷入局部最优解，那么他们的值将增大。种群的收敛程度用种群的平均适应度和最大适应度来评价。同时，交叉率和变异率的值也依赖于父代的适应度值，这样使得高适应度的个体能够被保留下来不被破坏，而低适应度的个体更容易被交叉和变异，产生优秀基因。但是，这种算法对于进化初期十分不利。因为在进化初期，一些高适应度的个体拥有较低的交叉率和变异率几乎处于不变的状态，而其他个体很快被淘汰，加速了收敛速度，陷入局部最优解，出现早熟现象。所以，此后有很多学者提出了改进策略，如史明霞[23]，陶林波[24]。Kenny[25]则提出了一种基于种群多样性的自适应遗传算法，并在带有时间窗的车辆路径问题上得到很好的结果。他通过在基因空间内染色体的海明距离来度量种群多样性。然后，基于这个海明距离去改变交叉率和变异率，这样便能保持种群多样性，减少早熟现象产生的可能。然而，函数中的敏感性常数大小决定了参数的值。一个越小的敏感性常数改变交叉率和变异率越平滑，相反，敏感性常数越大，他们的值改变的越快。因此，特定的问题需要特定的敏感性常数。Ginley[26]则同时考虑了种群多样性和适应度。他采用描述种群解空间多样性的标准种群多样性SPD（standardpopulationdiversity）指标来改变交叉率和变异率，同时，提出一种基于个体适应度的健康种群多样性指标HPD（healthypopulationdiversity）来调节选择算子。算法的目标是创造并保持一个高适应度的多样性种群并且有能力自适应适应度空间的改变。具体地，SPD通过平均个体标准差的协方差度量。HPD则通过带有适应度权重的协方差来度量。Liu[27]提出了用父代表现来排名的方法而不是适应度值改变交叉率和变异率。同样，高适应度的个体易于保留而低适应度的个体拥有高交叉率。Islam[19]等根据交叉操作对个体的相对改善程度来设置交叉率；江中央等[28]则依照父代个体的相似度来调整交叉操作的参数值。这些方法已用于聚类分析。如Wang等[29]采用Srinivas等[22]方法的变种来自适应的调节遗传聚类算法的变异和交叉率。基于自适应控制机制的参数设置技术通常能给出较好的结果。但对于本论文要研究的划分聚类问题，其解空间往往非常复杂，定义一个指标来全面捕获算法运行过程中解空间的动态特征十分困难。所以，上述演化自适应和自适应控制机制各有优势和缺陷。如何结合两种机制的优势，达到互补的效果将是本论文的重点和难点。四、总结与展望聚类分析是数据挖掘领域的一个极具挑战性的研究热点。其目标是将一个数据对象集划分成若干个簇，使同一个簇中的对象具高度同质性，不同簇之间的对象具高度异质性。聚类分析在人工智能、机器学习、模式识别、图像分析、生物信息、决策科学和商业等领域具有广泛应用前景和潜在经济价值[31,32]。聚类分析方法可分为层次聚类和划分聚类，本论文研究划分聚类。划分聚类是一个已知的NP-难问题。近来，遗传算法已成为研究划分聚类的重要方法，其作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。遗传算法具有进化计算的所有特征，同时又具有自身的特点[33]：（1）搜索过程既不受优化函数的连续性约束，也没有优化函数导数必须存在的要求（2）遗传算法采用多点搜索或者说是群体搜索，具有很高的隐含并行性，因而可以提高计算速度（3）遗传算法是一种自适应搜索技术，其选择交叉变异等运算都是以一种概率方式来进行，从而增加了搜索过程的灵活性，具有较好的全局优化求解能力（4）遗传算法直接以目标函数值为搜索信息，对函数的性态无要求，具有较好的普适性和易扩充性（5）遗传算法更适合大规模复杂问题的优化。但现有遗传聚类算法存在诸多问题。首先，这些算法在运行之前通常需要设置若干参数。这些参数的值，比如交叉和变异率，决定着算法的行为和性能。由于这些参数之间存在非线性关系并依赖于具体的聚类问题，况且其最佳值往往需要随算法运行阶段的不同而改变，再加上参数值的多样性，使得正确设置这些参数变得异常困难。因此，如何有效设置这些参数值，使算法性能最优化成为一项重要的研究课题。演化自适应机制适合于在复杂的优化问题上设置遗传算法的交叉和变异率。然而，采用该机制，算法在运行过程中其交叉和变异率往往过快下降而陷入局部最优解。自适应机制往往能够防止遗传算法陷入局部最优（早熟现象），但是定义一个指标来全面捕获算法运行过程中解空间的动态特征却十分困难。幸运的是，自适应机制能够阻止过早收敛的优势能弥补演化自适应过早陷入局部最优的缺点。同时，演化自适应能够削弱自适应机制中选取的函数的影响。因此，虽然演化自适应和自适应两种机制各有优缺点，但是我们能够使用他们的优势相互的去弥补他们的劣势。所以，本论文将结合两种机制的优势来设计有效的参数设计方法。参考文献：HanJ,KamberM.数据挖掘：概念与技术[M].第二版.机械工业出版社,2007.Hartigan,J.A.andWong,M.A.:Ak-meansclusteringalgorithm.AppliedStatistics,28(1979)100-110M.GareyandD.Johnson,Computersandintractability-aguidetothetheoryofNP-completeness,W.H.Freeman,SanFrancisco,1979.李敏强，寇继松，林丹，李书全.遗传算法的基本理论与应用[M].北京：科学出版社，2002.3．L.Davis,HandbookofGeneticAlgorithms,vanNostrandRei－nhold,NewYork，1991．刘勇，等．非数值并行算法（二）遗传算法[M]．北京:科学出版社，1995．Hruschka,EduardoR.,andNelsonFFEbecken."Ageneticalgorithmforclusteranalysis."IntelligentDataAnalysis7.1(2003):15-25.Murthy,ChivukulaA.,andNirmalyaChowdhury."Insearchofoptimalclustersusinggeneticalgorithms."PatternRecognitionLetters17.8(1996):825-832.Eiben,AgostonEndre,RobertHinterding,andZbigniewMichalewicz."Parametercontrolinevolutionaryalgorithms."EvolutionaryComputation,IEEETransactionson3.2(1999):124-141.Michalewicz,Zbigniew,andMartinSchmidt."Parametercontrolinpractice."Parametersettinginevolutionaryalgorithms.SpringerBerlinHeidelberg,2007.277-294.DeJong,Kenneth."ParametersettinginEAs:a30yearperspective."ParameterSettinginEvolutionaryAlgorithms.SpringerBerlinHeidelberg,2007.1-18.Glickman,MatthewR.,andKatiaSycara."Reasonsforprematureconvergenceofself-adaptingmutationrates."EvolutionaryComputation,2000.Proceedingsofthe2000Congresson.Vol.1.IEEE,2000.Maulik,Ujjwal,andSanghamitraBandyopadhyay."Geneticalgorithm-basedclusteringtechnique."Patternrecognition33.9(2000):1455-1465.Bäck,Thomas,andMartinSchütz."Intelligentmutationratecontrolincanonicalgeneticalgorithms."Foundationsofintelligentsystems.SpringerBerlinHeidelberg,1996.158-167.Back,Eiben,“AnempiricalstudyonGas“withoutparameters”,”LectureNotesinComputerScience,pp.315-324,2000.傅景广,许刚,王裕国.基于遗传算法的聚类分析[J].计算机工程,2004,30(4):122-124.Kivijärvi,Juha,PasiFränti,andOlliNevalainen."Self-adaptivegeneticalgorithmforclustering."JournalofHeuristics9.2(2003):113-129.HerreraF,LozanoM.Adaptationofgeneticalgorithmparametersbasedonfuzzylogiccontrollers[J].GeneticAlgorithmsandSoftComputing,1996,8:95-125.IslamSM,DasS,GhoshS,etal.Anadaptivedifferentialevolutionalgorithmwithnovelmutationandcrossoverstrategiesforglobalnumericaloptimization[J].Systems,Man,andCybernetics,PartB:Cybernetics,IEEETransactionson,2012,42(2):482-500.GhoshA,DasS,ChowdhuryA,etal.Animproveddifferentialevolutionalgorithmwithfitness-basedadaptationofthecontrolparameters[J].InformationSciences,2011,181(18):3749-3765.PalmesPP,HayasakaT,UsuiS.Mutation-basedgeneticneuralnetwork[J].NeuralNetworks,IEEETransactionson,2005,16(3):587-600.SrinivasM,PatnaikLM.Adaptiveprobabilitiesofcrossoverandmutationingeneticalgorithms[J].Systems,ManandCybernetics,IEEETransactionson,1994,24(4):656-667.史明霞,陶林波,沈建京.自适应遗传算法的改进与应用[J].微计算机应用,2006,27(4):405-408.陶林波,沈建京,韩强.一种解决早熟收敛的自适应遗传算法设计[J].微计算机信息,2006(12S):268-270.ZhuKQ.Adiversity-controllingadaptivegeneticalgorithmforthevehicleroutingproblemwithtimewindows[C]//ToolswithArtificialIntelligence,2003.Proceedings.15thIEEEInternationalConferenceon.IEEE,2003:176-183.McGinleyB,MaherJ,O'RiordanC,etal.Maintaininghealthypopulationdiversityusingadaptivecrossover,mutation,andselection[J].EvolutionaryComputation,IEEETransactionson,2011,15(5):692-714.LiuZ,ZhouJ,LaiS.Newadaptivegeneticalgorithmbasedonranking[C]//MachineLearningandCybernetics,2003InternationalConferenceon.IEEE,2003,3:1841-1844.江中央,蔡自兴,王勇.求解全局优化问题的混合自适应正交遗传算法[J].软件学报,2010,21(6):1296-1307.WangJ,TangJ,LiuJ,etal.AlternativeFuzzyClustersegmentationofremotesensingimagesbasedonAdaptiveGeneticAlgorithm[J].ChineseGeographicalScience,2009,19(1):83-88.Kantardzic,Mehmed.Datamining:concepts,models,methods,andalgorithms.JohnWiley&Sons,2011.Jain,AnilK.,M.NarasimhaMurty,andPatrickJ.Flynn."Dataclustering:areview."ACMcomputingsurveys(CSUR)31.3(1999):264-323.Jain,AnilK."Dataclustering:50yearsbeyondK-means."PatternRecognitionLetters31.8(2010):651-666.Vose,MichaelD,简单遗传算法：基础和理论[M].MITPress，Cambridge，MA，1999．基于C8051F单片机直流电动机反馈控制系统的设计与研究基于单片机的嵌入式Web服务器的研究MOTOROLA单片机MC68HC（8）05PV8/A内嵌EEPROM的工艺和制程方法及对良率的影响研究基于模糊控制的电阻钎焊单片机温度控制系统的研制基于MCS-51系列单片机的通用控制模块的研究基于单片机实现的供暖系统最佳启停自校正（STR）调节器单片机控制的二级倒立摆系统的研究基于增强型51系列单片机的TCP/IP协议栈的实现基于单片机的蓄电池自动监测系统基于32位嵌入式单片机系统的图像采集与处理技术的研究基于单片机的作物营养诊断专家系统的研究基于单片机的交流伺服电机运动控制系统研究与开发基于单片机的泵管内壁硬度测试仪的研制基于单片机的自动找平控制系统研究基于C8051F040单片机的嵌入式系统开发基于单片机的液压动力系统状态监测仪开发模糊Smith智能控制方法的研究及其单片机实现一种基于单片机的轴快流CO〈,2〉激光器的手持控制面板的研制基于双单片机冲床数控系统的研究基于CYGNAL单片机的在线间歇式浊度仪的研制基于单片机的喷油泵试验台控制器的研制基于单片机的软起动器的研究和设计基于单片机控制的高速快走丝电火花线切割机床短循环走丝方式研究基于单片机的机电产品控制系统开发基于PIC单片机的智能手机充电器基于单片机的实时内核设计及其应用研究基于单片机的远程抄表系统的设计与研究基于单片机的烟气二氧化硫浓度检测仪的研制基于微型光谱仪的单片机系统单片机系统软件构件开发的技术研究基于单片机的液体点滴速度自动检测仪的研制基于单片机系统的多功能温度测量仪的研制基于PIC单片机的电能采集终端的设计和应用基于单片机的光纤光栅解调仪的研制气压式线性摩擦焊机单片机控制系统的研制基于单片机的数字磁通门传感器基于单片机的旋转变压器-数字转换器的研究基于单片机的光纤Bragg光栅解调系统的研究单片机控制的便携式多功能乳腺治疗仪的研制基于C8051F020单片机的多生理信号检测仪基于单片机的电机运动控制系统设计Pico专用单片机核的可测性设计研究基于MCS-51单片机的热量计基于双单片机的智能遥测微型气象站MCS-51单片机构建机器人的实践研究基于单片机的轮轨力检测基于单片机的GPS定位仪的研究与实现基于单片机的电液伺服控制系统用于单片机系统的MMC卡文件系统研制基于单片机的时控和计数系统性能优化的研究基于单片机和CPLD的粗光栅位移测量系统研究单片机控制的后备式方波UPS提升高职学生单片机应用能力的探究基于单片机控制的自动低频减载装置研究基于单片机控制的水下焊接电源的研究基于单片机的多通道数据采集系统基于uPSD3234单片机的氚表面污染测量仪的研制基于单片机的红外测油仪的研究96系列单片机仿真器研究与设计基于单片机的单晶金刚石刀具刃磨设备的数控改造基于单片机的温度智能控制系统的设计与实现基于MSP430单片机的电梯门机控制器的研制基于单片机的气体测漏仪的研究基于三菱M16C/6N系列单片机的CAN/USB协议转换器基于单片机和DSP的变压器油色谱在线监测技术研究基于单片机的膛壁温度报警系统设计基于AVR单片机的低压无功补偿控制器的设计基于单片机船舶电力推进电机监测系统基于单片机网络的振动信号的采集系统基于单片机的大容量数据存储技术的应用研究基于单片机的叠图机研究与教学方法实践基于单片机嵌入式Web服务器技术的研究及实现基于AT89S52单片机的通用数据采集系统基于单片机的多道脉冲幅度分析仪研究机器人旋转电弧传感角焊缝跟踪单片机控制系统基于单片机的控制系统在PLC虚拟教学实验中的应用研究基于单片机系统的网络通信研究与应用基于PIC16F877单片机的莫尔斯码自动译码系统设计与研究基于单片机的模糊控制器在工业电阻炉上的应用研究基于双单片机冲床数控系统的研究与开发基于Cygnal单片机的μC/OS-Ⅱ的研究基于单片机的一体化智能差示扫描量热仪系统研究基于TCP/IP协议的单片机与Internet互联的研究与实现变频调速液压电梯单片机控制器的研究基于单片机γ-免疫计数器自动换样功能的研究与实现基于单片机的倒立摆控制系统设计与实现单片机嵌入式以太网防盗报警系统基于51单片机的嵌入式Internet系统的设计与实现单片机监测系统在挤压机上的应用MSP430单片机在智能水表系统上的研究与应用基于单片机的嵌入式系统中TCP/IP协议栈的实现与应用单片机在高楼恒压供水系统中的应用基于ATmega16单片机的流量控制器的开发基于MSP430单片机的远程抄表系统及智能网络水表的设计基于MSP430单片机具有数据存储与回放功能的嵌入式电子血压计的设计基于单片机的氨分解率检测系统的研究与开发锅炉的单片机控制系统基于单片机控制的电磁振动式播种控制系统的设计基于单片机技术的WDR-01型聚氨酯导热系数测试仪的研制一种RISC结构8位单片机的设计与实现基于单片机的公寓用电智能管理系统设计基于单片机的温度测控系统在温室大棚中的设计与实现基于MSP430单片机的数字化超声电源的研制基于ADμC841单片机的防爆软起动综合控制器的研究基于单片机控制的井下低爆综合保护系统的设计基于单片机的空调器故障诊断系统的设计研究单片机实现的寻呼机编码器单片机实现的鲁棒MRACS及其在液压系统中的应用研究自适应控制的单片机实现方法及基上隅角瓦斯积聚处理中的应用研究基于单片机的锅炉智能控制器的设计与研究超精密机床床身隔振的单片机主动控制PIC单片机在空调中的应用单片机控制力矩加载控制系统的研究项目论证，项目可行性研究报告，可行性研究报告，项目推广，项目研究报告，项目设计，项目建议书，项目可研报告，本文档支持完整下载，支持任意编辑！选择我们，选择成功！项目论证，项目可行性研究报告，可行性研究报告，项目推广，项目研究报告，项目设计，项目建议书，项目可研报告，本文档支持完整下载，支持任意编辑！选择我们，选择成功！单片机论文，毕业设计，毕业论文，单片机设计，硕士论文，研究生论文，单片机研究论文，单片机设计论文，优秀毕业论文，毕业论文设计，毕业过关论文，毕业设计，毕业设计说明，毕业论文，单片机论文，基于单片机论文，毕业论文终稿，毕业论文初稿，本文档支持完整下载，支持任意编辑！本文档全网独一无二，放心使用，下载这篇文档，定会成功！目录第一章总论11、项目名称及承办单位12、编制依据43、编制原则54、项目概况65、结论6第二章项目提出的背景及必要性81、项目提出的背景82、项目建设的必要性9第三章项目性质及建设规模131、项目性质132、建设规模13第四章项目建设地点及建设条件171、项目建设地点172、项目建设条件17第五章项目建设方案251、建设原则252、建设内容253、工程项目实施33第六章节水与节能措施371、节水措施372、节能措施38第七章环境影响评价391、项目所在地环境现状392、项目建设和生产对环境的影响分析393、环境保护措施……404、环境影响评价结论……………..……………42第八章劳动安全保护与消防441、危害因素和危害程度442、安全措施方案443、消防设施…………...45第九章组织机构与人力资源配置461、组织机构462、组织机构图46第十章项目实施进度481、建设工期482、项目实施进度安排483、项目实施进度表48第十一章投资估算及资金筹措491、投资估算依据492、建设投资估算49目录第一章总论 1第一节项目概述 1第二节可行性研究的依据 3第三节可行性研究的范围和内容 3第五节技术经济指标 4第二章项目背景和建设的必要性 5第一节项目提出的背景 5第二节项目建设的必要性 7第三章 需求分析及服务规模与标准 9第一节 需求分析 9第二节 服务规模与标准 10第四章 项目选址及建设条件 13第一节项目选址 13第二节 项目区自然条件 13第三节 项目区社会经济条件 18