近年因全球暖化帶來的氣候變遷，導致極端降雨、洪水與乾旱頻繁發生。臺灣年平均降雨量為2,500公釐，是世界平均年降雨量的2.6倍，但因山勢陡峭、河川坡陡源短導致難以留下充裕的水資源。臺灣因降雨時空間分布不均，年降雨量集中在5月至9月底，為臺灣梅雨季與颱風季，乾季期間並無足夠降雨量，因此這段時期需要依賴雨季儲蓄之水資源。臺灣主要儲存水資源的方法為水庫蓄水，水庫之蓄水能力對供水能力有一定影響力，如何在極端事件降低災害損失是近年經常探討之題目。
	本研究利用動態操作預測未來蓄水量並評估未來水情是否需要提前調整放流量，利用M5輸出之單旬水庫操作預測作參照組，凸顯動態操作提前限水並降低未來乾旱事件之影響程度之優點，動態操作依據未來不同水情提供最佳放流量操作策略，搜尋最佳放流量提供較安全之水庫操作。研究區域為石門水庫，本研究區分為兩種模式，分別為實際水情情境模式與極端水情情境模式，測試本模式除歷史數據外，亦測試面臨更極端事件時之模式效能，本模式設立三個目標函數作為指標，全領域搜尋最佳化操作，並將動態操作輸出之數據與歷史數據、NSGA-II操作對比分析，提供3種不同之操作建議。
	本模式輸出結果顯示，本研究可預測未來乾旱程度並提供對應限水策略，提供未來水庫可操作範圍之建議，其結果顯示本模式可以降低未來乾旱嚴重程度。因歷史數據極端事件較為少數，因此本模式除實際水情情境模式外，提供了極端水情情境模式，測試模式在更嚴峻之極端乾旱時，有何種操作表現。結果顯示本模式可有效預測未來乾旱事件，提前限水以降低未來乾旱所帶來的損失與嚴重程度。

Due to climate changes brought about by global warming in recent years, extreme events occurred frequently.For instance, extreme rainfall, floods, and droughts. The average annual rainfall in Taiwan is 2,500 mm, which is 2.6 times the world average annual rainfall. However, due to steep mountains and short river slopes, it is difficult to retain sufficient water resources. Due to the uneven spatial distribution of rainfall in Taiwan, the annual rainfall are concentrated on May to the end of September. It is the rainy season and typhoon season in Taiwan. There is not enough rainfall during the dry season. Therefore, this period needs to rely on water resources stored in the rainy season. Taiwan’s main method of storing water resources is reservoir storage. The storage capacity of a reservoir has a certain influence on the water supply capacity. How to reduce disaster losses in extreme events has been an important issue in recent years.
	The main purpose of this research is to reduce the impact of drought events in the future, provide the best discharge operation strategy based on different future conditions, and search for the best discharge to provide safer reservoir operations.This research proves that this model is reliable by M5 operation.This study is divided into two models, namely historical data situation model and extreme data situation model. In addition to historical data, this model is also tested when faced with more extreme events. This model is set up three objective functions are used as indicators to search for optimal operations in the entire field, and compare and analyze the output data with historical and extreme data, and provide 3 different operation suggestions. The output results on this model show that this study can predict severity of drought and provide future reservoir operations. Due to there are only few extreme events in historical data, this model provides an extreme data situation model for testing the operation of the model during severer extreme droughts. The results show that this model can predict future drought events and limit outflow in advance to reduce losses and severity of disaster caused by future droughts.

謝誌	I
中文摘要	III
Abstract	V
目錄	VII
圖目錄	IX
表目錄	XI
第一章 前言	1
1.1	研究緣起與目的	1
1.2	研究流程	2
第二章 文獻回顧	5
2.1	遺傳演算法發展與修正演算法之研究	5
2.2	遺傳演算法應用於水庫方面之研究	7
2.3	動態規線應用於水庫方面之研究	10
第三章 理論概述	12
3.1	遺傳演算法	12
3.2	非優勢排序之多目標遺傳演算法	24
3.3	動態規線	28
第四章 研究案例	31
4.1	研究區域	31
4.2	目標函數與限制式	43
4.3	動態操作	47
4.4	遺傳演算法參數設定	53
第五章 結果與討論	59
5.1	歷年水情	60
5.2	柏拉圖鋒線與評分結果	63
5.3	實際水情情境優選結果	69
5.4	極端水情情境優選結果	89
第六章 結論與建議	106
6.1	結論	106
6.2	建議	107
參考文獻	109
附錄A-實際水情情境之動態操作統計表	113
附錄B-實際水情情境之動態操作圖	171
附錄C-極端水情情境之動態操作統計表	223
附錄D-極端水情情境之動態操作圖	248
附錄E-實際水情情境之NSGA-II水庫操作統計表	300
附錄F-極端水情情境之NSGA-II水庫操作統計表	358
 
圖目錄
圖 1 1研究目的流程圖	4
圖 1 2研究流程架構圖	4
圖 3 1遺傳演算法流程架構圖遺傳演算法基本元素與運算子	13
圖 3 2輪盤式選取法示意圖	17
圖 3 3單點交配示意圖	20
圖 3 4多點交配示意圖	20
圖 3 5單點突變示意圖	23
圖 3 6 NSGA-II演算法架構圖	25
圖 3 7非優勢排序與擁擠距離比較示意圖	26
圖 3 8柏拉圖峰線示意圖	27
圖 3 9動態規線目的與流程圖	28
圖 4 1石門水庫供水區域	32
圖 4 2石門水庫流域圖	33
圖 4 3 石門水庫運用規線圖	37
圖 4 4 水庫運用規線限水機制圖	50
圖 4 5預測水庫蓄水量之計算示意圖	52
圖 5 1 2004年14~16旬動態操作上限之柏拉圖鋒線	64
圖 5 2 2004年14~16旬動態操作下限之柏拉圖鋒線	64
圖 5 3 2004年/2006年18~20旬動態操作上限之柏拉圖鋒線	65
圖 5 4 2004年/2006年18~20旬動態操作下限之柏拉圖鋒線	65
圖 5 5 2004年第14旬~16旬建議操作圖	74
圖 5 6 2003年第22旬~24旬建議操作圖	79
圖 5 7 2014年第01旬~03旬建議操作圖	83
圖 5 8 實際水情情境(輸入數據:歷史數據)輸出結果統整圖	84
圖 5 9 2004年第18旬~20旬建議模擬操作圖	93
圖 5 10 2011年第14旬~16旬建議模擬操作圖	97
圖 5 11 2003年第27旬~29旬建議模擬操作圖	101
圖 5 12 極端水情情境(輸入數據:模擬數據)輸出結果統整圖	102
 
表目錄
表 3 1二進位編碼範例	14
表 3 2實數編碼範例	14
表 3 3染色體編碼示意表	29
表 4 1梅雨與颱風降雨量多寡區間	34
表 4 2歷年初始蓄水量與其蓄水百分比	36
表 4 3石門水庫運用規線表	38
表 4 4 104年水利署石門水庫登記之水權水量	41
表 4 5各年度最大計畫配水折扣統計表	51
表 4 6 NSGA-II參數設定表	54
表 5 1實際水情情境與極端水情情境條件設定表	60
表 5 2歷年水情資料與豐枯年分類	62
表 5 3 實際水情情境柏拉圖鋒線表	64
表 5 4 極端水情情境柏拉圖鋒線表	65
表 5 5 2004年14~16旬染色體目標函數評分表	67
表 5 6 2004年/2006年18~20旬染色體目標函數評分表	67
表 5 7第14旬~16旬實際數值與預測數值	70
表 5 8第14旬~16旬實際指標與預測指標	71
表 5 9第14旬~16旬實際入流量與預測入流量	73
表 5 10第22旬~24旬實際數值與預測數值	75
表 5 11第22旬~24旬實際指標與預測指標	76
表 5 12第22旬~24旬實際入流量與預測入流量	78
表 5 13第01旬~03旬實際數值與預測數值	80
表 5 14第01旬~03旬實際指標與預測指標	81
表 5 15第01旬~03旬實際入流量與預測入流量	83
表 5 16原始操作與NSGA-II預測之準確率表	86
表 5 17第18旬~20旬實際數值與預測數值	90
表 5 18第18旬~20旬實際指標與預測指標	91
表 5 19 第18旬~20旬實際入流量與預測入流量	93
表 5 20 第14旬~16旬實際數值與預測數值	94
表 5 21 第14旬~16旬實際指標與預測指標	95
表 5 22 第14旬~16旬實際入流量與預測入流量	97
表 5 23 第27旬~29旬實際數值與預測數值	98
表 5 24 第27旬~29旬實際指標與預測指標	99
表 5 25 第27旬~29旬實際入流量與預測入流量	101
表 5 26 極端水情操作與NSGA-II預測之準確率表	104

1.	Anand, J., Gosain, A. K., & Khosa, R. (2018). Optimisation of multipurpose reservoir operation by coupling soil and water assessment tool (SWAT) and genetic algorithm for optimal operating policy (case study: Ganga River Basin). Sustainability, 10(5), 1660. 
2.	Bhesdadiya, R. H., Trivedi, I. N., Jangir, P., Jangir, N., & Kumar, A. (2016). An NSGA-III algorithm for solving multi-objective economic/environmental dispatch problem. Cogent Engineering, 3(1), 1269383. 
3.	Chang, F.-J., & Chen, L. (1998). Real-coded genetic algorithm for rule-based flood control reservoir management. Water Resources Management, 12(3), 185-198. 
4.	Chang, L. C., & Chang, F. J. (2001). Intelligent control for modelling of real‐time reservoir operation. Hydrological processes, 15(9), 1621-1634.
5.	Chang, F. J., Chen, L., & Chang, L. C. (2005). Optimizing the reservoir operating rule curves by genetic algorithms. Hydrological Processes: An International Journal, 19(11), 2277-2289.
6.	Chang, L.-C. (2008). Guiding rational reservoir flood operation using penalty-type genetic algorithm. Journal of Hydrology, 354(1-4), 65-74. 
7.	Chang, L.-C., & Chang, F.-J. (2009). Multi-objective evolutionary algorithm for operating parallel reservoir system. Journal of Hydrology, 377(1-2), 12-20. 
8.	Chang, L.-C., Chang, F.-J., Wang, K.-W., & Dai, S.-Y. (2010). Constrained genetic algorithms for optimizing multi-use reservoir operation. Journal of Hydrology, 390(1-2), 66-74. 
9.	Chaleeraktrakoon, C., & Chinsomboon, Y. (2015). Dynamic rule curves for flood control of a multipurpose dam. Journal of Hydro-environment Research, 9(1), 133-144.
10.	Chaleeraktrakoon, C., & Worawiwat, A. (2019). Dynamic rule curves for multipurpose reservoir operation for different floods. Journal of Water and Climate Change. 
11.	Deb, K., & Agrawal, R. B. (1995). Simulated binary crossover for continuous search space. Complex systems, 9(2), 115-148. 
12.	Deb, K., & Goyal, M. (1996). A combined genetic adaptive search (GeneAS) for engineering design. Computer Science and informatics, 26, 30-45.
13.	Deb, K., Agrawal, S., Pratap, A., & Meyarivan, T. (2000). A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II. Paper presented at the International conference on parallel problem solving from nature.
14.	Fonseca, C. M., & Fleming, P. J. (1993). Genetic Algorithms for Multiobjective Optimization: FormulationDiscussion and Generalization. Paper presented at the Icga.
15.	Goldenberg, D. E. (1989). Genetic algorithms in search, optimization and machine learning. In: Addison Wesley, Reading: MA.
16.	Jian-Xia, C., Qiang, H., & Yi-min, W. (2005). Genetic algorithms for optimal reservoir dispatching. Water Resources Management, 19(4), 321-331.
17.	Khorshidi, M. S., Nikoo, M. R., Sadegh, M., & Nematollahi, B. (2019). A multi-objective risk-based game theoretic approach to reservoir operation policy in potential future drought condition. Water Resources Management, 33(6), 1999-2014. 
18.	Kim, H.-K., Kang, M.-S., Park, S.-W., Choi, J.-Y., & Yang, H.-J. (2009). Auto-calibration for the SWAT model hydrological parameters using multi-objective optimization method. Journal of the Korean Society of Agricultural Engineers, 51(1), 1-9. 
19.	Le Ngo, L., Madsen, H., & Rosbjerg, D. (2007). Simulation and optimisation modelling approach for operation of the Hoa Binh reservoir, Vietnam. Journal of Hydrology, 336(3-4), 269-281. 
20.	Suen, J. P., & Eheart, J. W. (2006). Reservoir management to balance ecosystem and human needs: Incorporating the paradigm of the ecological flow regime. Water resources research, 42(3). 
21.	Tsai, W.-P., Chang, F.-J., Chang, L.-C., & Herricks, E. E. (2015). AI techniques for optimizing multi-objective reservoir operation upon human and riverine ecosystem demands. Journal of Hydrology, 530, 634-644. 
22.	Uen, T. S., Chang, F. J., Zhou, Y., & Tsai, W. P. (2018). Exploring synergistic benefits of Water-Food-Energy Nexus through multi-objective reservoir optimization schemes. Science of the Total Environment, 633, 341-351.
23.	蕭政宗, & 黃景裕. (2010). 以遺傳演算法推導考量二衝突缺水指標之南化水庫多標的最佳限水策略. 農業工程學報, 56(4), 27-41.