水库防洪调度是一个复杂多目标优化问题,具有决策变量维度高、不同决策维度之间具有链式相关性的特点,因此进化多目标优化算法在求解该类问题时会因为搜索空间过大、决策变量相关性强而导致收敛缓慢,求解效率低下,甚至无法跳出局部最优解而导致求解失败。另一方面,进化多目标优化算法需要输入洪水完整过程线才能进行求解,因此多目标优化算法往往被用作离线求解方案,在线调度目前主要利用调度规则进行决策,但调度效果不如人意。为了克服进化算法求解复杂多目标优化问题时效率低,求解代价过高的问题。利用历史上相似任务或同类任务产生的解来提高算法求解效率的思路被提出,为了将优化算法用于在线调度,提升在线调度的调度效果,本文从数据驱动的思路出发、试图从历史调度数据中挖掘出有效调度知识,并将其迁移至新问题中以加速求解过程。本文的主要研究与创新点如下:（1）提出一种基于分层采样的洪水构造方法。该方法在同倍比方法的基础上加入了对典型洪水的分层采样,通过对采样点的排序与变化,调整构造洪水的不同统计特征。从而克服传统设计洪水方法构造洪水特征单一的问题。共生成了180场洪水样本,为后续研究提供数据支持。（2）为提高优化调度算法的求解效率,提出了一种基于数据驱动的实时种群初始化方法。防洪调度策略与水库所在流域、水库库容曲线密切相关,因此对于同一个水库,调度模式具有一定的规律性,基于此假设,将历史洪水调度结果作为型场景下洪水优化的初始解,实现历史调度知识的显示迁移。对于如何选择目标洪水的问题,提出了基于聚类与特征相似度排序的迁移目标选择策略,在安康典型洪水上进行的验证,实验表明,所提出算法在收敛效率上提升了10倍。（3）为实现在线优化调度,本文提出了基于数据驱动的EMO-LSTM在线调度算法。利用LSTM网络作为迁移媒介,学习到历史洪水的Pareto最优解数据中隐含的调度策略,在面临新洪水时可以依据当前状态进行在线决策。更进一步,为了增强算法的适应性与泛化能力,提出了基于样本划分的EMO-LSTM算法。将历史洪水样本依据决策变量区间进行分组,构造适应不同调度模式的多组LSTM学习器,一起对新问题进行求解,最终根据决策者偏好进行选取。在安康6场典型洪水与6场洪水的不同频率构造洪水上进行了验证。实验表明,EMO-LSTM算法相比规则调度更贴近PF前沿,其中两场洪水的解支配规则调度,在洪量较大的测试洪水上,基于样本划分的EMO-LSTM算法效果较EMO-LSTM更加稳定。