水资源是关系国计民生发展的最关键资源,但伴随着人口增长和环境污染,全球水资源短缺问题日益严重。面临此种境况,人们迫切地需要寻求能够替代自来水的水源来缓解水资源短缺。而再生水资源被誉为“城市的第二大水源”,一旦合理利用,则能从一定程度上缓解水资源短缺。再生水资源配置是再生水资源合理利用的一个关键环节,对合理利用再生水资源具有重要的影响作用。传统再生水资源配置研究多采用智能优化算法与目标规划模型相结合的方法。但仅使用传统方法配水,配水方案较为单一且缺乏对比性,可能获得配水效果略差的配水方案。而集成学习能够将多种方法得到的配水方案进行集成,有效增强模型的适用性和精确性,从而获得比传统方法更优的配水方案。基于此种优势,本文将集成学习应用到再生水资源配置中,提出了一种基于集成学习的再生水资源配置方法。本文首先研究了再生水资源配置模式及用户选定。模式及用户的选定是基于集成学习的再生水资源配置的前提条件。所以,提出利用临界距离、最小经济规模和管网利用率三种判据选定模式及用户。其次,研究了面向集成学习的再生水资源配置样本集形成。再生水资源配置针对潜在用户,不存在可作为集成学习配水样本集的历史配水数据。基于此特点,研究了如何利用遗传算法、人工蚁群算法和粒子群算法形成配置样本集,此内容为集成学习配水样本集的获取提供了技术支撑。然后,研究了基于集成学习的再生水资源配置。以用户作为类别,将再生水资源配置问题转化为分类问题,纳入到集成学习处理问题的范畴内。选取Ada-SVM集成学习算法支持再生水资源配置,建立了该算法下的配水框架。最后,为验证上述形成的基于集成学习的再生水资源配置方法的可行性和有效性,进行了实例研究。依据第三章的内容选定了6个配水用户,利用第四章方法获取了大量的配水方案,配水方案经过处理后作为集成学习配水的样本集,最后根据第五章的配置框架及算法流程编写并运行程序代码,得到了6个用户的再生水资源配置结果。将配置结果与三种传统智能优化方法的配置结果进行对比,以配水成本和缺水量为衡量标准,得到本文方法的配水效果较好,验证了方法的的可行性和有效性。