梯级水电站群联合发电优化调度是水电能源科学与系统科学交叉发展的前沿研究领域之一，受到了学术界和工程界的共同关注。受水文气象、调度方式、用水需求、电网负荷及径流来水不确定性等多种因素影响，梯级水电站群联合优化调度呈现出大规模、高维度、多目标、多约束、非线性、非凸、强耦合等特点，传统的优化理论和方法难以对其调度模型进行有效求解。同时，随着我国水电能源的持续开发，水电系统的规模不断扩大，流域梯级水电站群综合利用要求越来越高，迫切需要研究并发展适合于新形势下梯级水电站群联合发电优化调度的新理论和方法，以满足大规模梯级水电站群联合优化运行与管理的实际工程需求，充分发挥流域梯级开发的综合效益，实现水资源优化配置。因此，本文结合梯级水电站群的运行特点，以长江中上游梯级水电站群和复杂水火电力系统为研究对象，以梯级水电系统整体优化和水资源高效利用为目标，以水电能源学、复杂系统科学、群智能优化方法和多目标进化理论为基础，开展了梯级水电站群联合发电优化调度问题的研究。本文主要研究内容和创新点包括：　　（1）为解决梯级水电站群单目标优化调度问题，提出了一种基于反向学习和混沌局部搜索的自适应实数遗传算法（IRCGA）。该算法采用反向学习策略产生初始群体，提高了初始解的质量，加快了收敛速度；建立参数自适应动态调整机制，以控制群体进化过程，从而有效防止了早熟收敛现象；引入混沌搜索算子，对精英群体执行局部寻优，增强了算法局部搜索能力。经典测试函数的仿真结果表明，IRCGA极大改善了RCGA的优化性能，提高了算法的求解速度和精度，是求解单目标优化问题的有效方法。　　（2）提出了能有效处理梯级水电站群联合发电优化调度模型多重复杂约束的处理方法，根据不同调度问题的运行特点，建立了梯级水电系统短期发电调度模型、水火电力系统短期经济调度模型和金沙江下游梯级中长期优化调度模型，并运用提出的IRCGA进行求解。三种调度模型的优化调度结果均验证了IRCGA算法和约束处理方法的有效性和优越性，为大规模梯级水电站群联合发电优化调度问题的求解提供了高效、实用的新方法。　　（3）为求解梯级水电站群多目标优化调度问题，运用多目标优化理论对实数遗传算法进行改进和扩展，提出了一种改进的多目标实数遗传算法（IMORCGA）。该算法根据个体之间的支配关系对群体进行分层排序，采用基于Pareto支配的交叉变异操作使群体不断进化，建立外部档案集保留进化群体中的非支配个体，并采取措施对其进行更新和维护，既提高了算法收敛性又保证了非劣解集的分布性。性能测试结果表明，IMORCGA能快速逼近Pareto真实前沿，且非劣解分布均匀，其收敛性和多样性明显优于多种常用的多目标进化算法。　　（4）为满足梯级水电站群综合利用要求，分析不同调度目标间的相互制约关系，建立了兼顾发电效益和容量效益的三峡梯级水电站多目标发电调度模型及兼顾经济和环境的水火电力系统短期优化调度模型，并应用IMORCGA进行求解，获得了不同调度模型下分布均匀、广泛的非劣调度方案集，进而根据非劣调度方案的优化结果，解析了不同调度目标相互影响的内在机理，为调度方案的优选提供技术支撑和决策依据。