第1章  绪论
  1.1  研究背景及研究意义
  1.2  国内外研究现状
    1.2.1  国外研究现状
    1.2.2  国内研究现状
  1.3  研究内容
  1.4  创新点
  1.5  研究区域及研究数据概况
    1.5.1  研究区域概况
    1.5.2  数据概况
  1.6  研究方法
    1.6.1  空气质量指数（AQI）方法
    1.6.2  ArcGIS空间分析
第2章  人工神经网络
  2.1  神经网络的产生及发展
  2.2  人工神经元的组成
  2.3  神经元模型
  2.4  神经网络基本学习方式
  2.5  3种神经网络
  2.6  BP神经网络的基本原理
  2.7  BP神经网络的结构
  2.8  BP神经网络的学习过程
  2.9  基于粗糙集的神经网络
  2.10  差分进化算法优化神经网络
    2.10.1  差分进化算法原理
    2.10.2  差分进化算法优化神经网络的原理
  2.11  粒子群算法优化神经网络
    2.11.1  粒子群算法的基本原理
    2.11.2  基于粒子群算法优化BP神经网络的原理
  2.12  人工蜂群算法优化神经网络
    2.12.1  人工蜂群算法的基本原理
    2.12.2  人工蜂群算法优化神经网络的原理
  2.13  蚁群算法优化神经网络
    2.13.1  蚁群算法的基本原理
    2.13.2  蚁群算法优化神经网络的原理
  2.14  BP神经网络的优缺点
第3章  遗传算法的一些改进及其应用
  3.1  遗传算法的生物学背景
    3.1.1  遗传变异理论
    3.1.2  进化论
  3.2  遗传算法简史
  3.3  遗传算法的基本概念
  3.4  遗传算法的操作流程
  3.5  遗传算法的技术实现
    3.5.1  编码
    3.5.2  适应度函数
    3.5.3  选择算子
    3.5.4  交叉算子
    3.5.5  变异算子
    3.5.6  遗传算法有关参数的设置
    3.5.7  遗传算法的特点
  3.6  顺序选择遗传算法（SBOGA）
    3.6.1  算法原理
    3.6.2  算法步骤
    3.6.3  仿真实例
  3.7  大变异遗传算法（GMGA）
    3.7.1  算法步骤
    3.7.2  仿真实例
  3.8  双切点交叉遗传算法（DblGEGA）
    3.8.1  算法原理
    3.8.2  仿真实例
  3.9  遗传算法应用实例及其分析
    3.9.1  3种常用的测试函数
    3.9.2  仿真实例分析
  3.10  小结
第4章  基于差分进化算法的函数优化问题研究
  4.1  引言
  4.2  最优化方法简介
    4.2.1  最优化问题的一般模型
    4.2.2  最优化问题的分类
    4.2.3  最优化问题的求解方法
  4.3  智能进化算法综述
    4.3.1  产生背景
    4.3.2  研究进化算法的意义
    4.3.3  国内外研究现状
  4.4  差分进化算法概述与进展
    4.4.1  差分进化算法的发展.过程
    4.4.2  差分进化算法的特征
    4.4.3  几种基准测试函数
  4.5  基本差分进化算法
    4.5.1  变异操作
    4.5.2  交叉操作
    4.5.3  选择操作
  4.6  差分进化算法的算法流程
  4.7  参数因子的选择
    4.7.1  种群大小NP的选择
    4.7.2  缩放因子F的选择
    4.7.3  交叉因子CR的选择
  4.8  测试5种改进DE算法
  4.9  差分进化算法在函数优化中的应用
    4.9.1  单目标优化问题
    4.9.2  多目标优化问题
  4.10  小结
第5章  PM2.5及其他空气污染物的时空分布
  5.1  PM2.5的时空分布
    5.1.1  PM2.5气年际变化
    5.1.2  PM2.5季节分布特征
  5.2  其他空气污染物的时空分布
    5.2.1  PM10的时空分布
    5.2.2  SO2的时空分布
    5.2.3  NO2的时空分布
    5.2.4  CO的时空分布
    5.2.5  O3的时空分布
第6章  京津冀地区空气质量评价
  6.1  主要污染物浓度达标率分析
    6.1.1  PM2.5达标率分析
    6.1.2  PM10达标率分析
    6.1.3  SO2达标率分析
    6.1.4  NO2达标率分析
  6.2  空气质量评价
  6.3  空气质量变化规律
    6.3.1  空气质量季节变化规律
    6.3.2  空气质量月份变化规律
  6.4  主要空气污染物月均浓度变化趋势
  6.5  预测模型
    6.5.1  春季PM2.5预测模型
    6.5.2  夏季PM2.5预测模型
    6.5.3  秋季PM2.5预测模型
    6.5.4  冬季PM2.5预测模型
  6.6  小结
第7章  基于BP神经网络的雾霾预测
  7.1  影响PM2.5预测浓度的因素分析
  7.2  训练样本选取
  7.3  数据归一化处理
  7.4  BP神经网络的设计
  7.5  BP神经网络的训练
  7.6  BP神经网络的仿真
  7.7  遗传算法优化
  7.8  雾霾的治理建议
  7.9  小结
第8章  京津冀地区的雾霾成因分析
  8.1  研究区域与数据来源
  8.2  研究方法
    8.2.1  空间自相关
    8.2.2  PLS1模型及通径分析
    8.2.3  BP神经网络
  8.3  结果分析
    8.3.1  时空演变分析
    8.3.2  空间相关性分析
  8.4  PM2.5的PLS1模型及通径分析
    8.4.1  PM2.5的PLS1模型
    8.4.2  通径分析
  8.5  PM2.5与影响因子之间的非线性关系分析
  8.6  小结
第9章  基于GAM的PM2.5浓度影响因素及扩散演化过程研究
  9.1  引言
  9.2  数据与研究方法
    9.2.1  数据
    9.2.2  PM2.5时空特征分析
    9.2.3  广义加性模型（GAM）
  9.3  分析结果
    9.3.1  北京市PM2.5污染概况
    9.3.2  PM2.5与单影响因素的GAM分析
  9.4  小结
参考文献