本文是利用遺傳演算法優選短時間潮汐水位資料的調和常數後進而預測長時間後潮汐水位的變化。本文提出的方法能有效縮短成使用540小時～720小時的實測水位資料便可長期預測潮汐水位，而優於調和分析法所需要的369天逐時水位資料才能達到不錯的預報精度。
因為潮汐水位變化除了主要受天文引潮力的影響外，仍受到地形、溫度等的影響，為了調整季節性的水位變化，本文提出一個類神經網路方法學習地理位置相鄰的測站季節特性後，作為預測某地的季節性水位變化的調整。對於有些潮差較小的測站其受到其他干擾比例較重，所以在優選時容易落入局部最佳解而導致無法預測，因此本文利用優選後的調和常數所合成的預測水位進行720小時的移動平均，並根據此水位來判別優選的調和常數是否合理。
而本文所提之預報模式若與調和分析法比較，若同樣使用11個分潮作為分析時，本文之模式僅需540小時的實測水位資料，便能達到調和分析法使用3個月的實測水位資料所預測的精度，而使用23個分潮的遺傳演算法預報模式，只需720小時的實測水位資料便能與調和分析法使用22個分潮輸入6個月的預報精度相當，因此應用遺傳演算法的潮汐預報模式比一般使用的調和分析法模式能有效縮短所需要輸入的實測潮汐水位資料。

Genetic algorithm was applied to finding the fittest amplitude and phase lag of each tidal constituent and then to forecasting long-term tidal levels. The present model needs only 540-720 hours’ tidal data instead of a continuous tidal record for 369 days used in harmonic analysis method. The variation of astronomical tides due to topography and temperature was found by moving Gaussian average method. An artificial neural network model was proposed to deseasonalize tidal levels related to temperature. That the forecasted tidal levels after moving average of 720 hours display a variation with large period or not is suggested to be an examination for prediction accuracy. A 11-constituent model is recommended to forecast tidal levels when only tide record of 540 hours is needed to be input and has an equivalent prediction capability as the harmonic method that needs more than three-month tidal data does. The other 23-constituent model with an input of only 720-hour data for forecasting capability is compared with the harmonic analysis method with an input of 6-month data.

目錄
中文摘要 I
英文摘要 III
誌謝 V
目錄 VI
圖目錄 VIII
表目錄 XV
第一章 緒論 1
1-1研究動機 1
1-2研究目的 2
1-3 文獻回顧 3
1-4文章架構 5
第二章 調和分析法於長期潮汐預報之評估 6
2-1潮汐的分潮 6
2-2調和分析法之預報能力分析 7
2-3 台灣的潮汐特性 12
第三章 遺傳演算法之介紹 14
3-1搜尋法的介紹 14
3-2 遺傳演算法的理論介紹 15
3-3 遺傳演算法的基本架構 17
第四章 遺傳演算法於潮汐預報上的應用 25
4-1 搜尋各分潮的最佳解 25
4-1-1 工作參數的設定 25
4-1-2 未季節調整之潮汐預報 32
4-2 季節性水位調整之潮汐預報 37
4-2-1 季節性水位調整之方法 37
4-2-2 季節性水位調整後的潮汐預報 47
4-3 輸入不同資料特性對預報能力之影響 59
4-3-1 輸入資料長度對預報能力之影響 59
4-3-2 使用不同月份資料對預報能力的探討 72
4-3-3 演化代數對潮汐預報能力的分析 75
4-4 與調和分析法預報能力之比較 89
第五章 結論與建議 101
5-1 結論 101
5-2 建議 102
參考文獻 104
附錄Ⅰ 108

參考文獻
1.湯麟武，「潮浪漂沙與海岸工程」，交通部交研所 (1960)。
2.劉肖孔，「中國海域三度空間數值模式」，行政院科技顧問組 (1988)。
3.陳莉，「動態規劃模式有效應用於多水庫系統操作之研究」， 台灣大學農業工程研究所碩士論文 (1989)。
4.葉怡成，「類神經網路模式應用與實作」，儒林圖書公司 (1993)。
5.張斐章、陳莉，「遺傳演算法於專家系統中參數優選之研究」，農業工程學報，39卷2期，第1~12頁，(1993)。
6.陳莉，「以物件導向之遺傳演算法優選水庫運用規線之研究」，博士論文，台灣大學農業工程研究所 (1995)。
7.劉文俊，「台灣的潮汐」，文英出版社 (1996)。
8.葉怡成，「應用類神經網路」，儒林圖書公司 (1997)。
9.林明杰，「遺傳演算法應用於擬三維地下水數值模式之參數優選」 ，國立交通大學土木工程研究所碩士論文，(1998)。
10.陳宏嘉，「遺傳演算法於地下水觀測井網規劃之應用」，國立交通大學土木工程研究所碩士論文，(1998)。
11.國家海洋科學中心，台灣海峽即時預報模式，國科會，台北，台灣，中華民國 (1998)。
12.蔡威平，「應用傳演算法與參數優選於地下水最佳觀測井網設計」 ，國立交通大學土木工程研究所碩士論文 (1999)。
13.陳宇文，「類神經網路於入滲池最佳化設計之應用」，國立交通大學土木工程研究所碩士論文 (2000)。
14.張國棟、林維揚、曾相茂、何崇華，「潮汐預報時間幅度之探討」，第22屆海洋工程研討會論文集，高雄，第547-554頁 (2000)。
15.馬樹俠，「結合潮汐理論與類神經網路在潮汐預報上之研究」，國立交通大學土木工程研究所碩士論文 (2000)。
16.蔡清標、李宗霖、謝榮哲，「類神經網路在潮汐預報之應用」，第22屆海洋工程研討會論文集，高雄，第147-153頁 (2000)。
17.馬曉峰，「基因演算法在工程設施配置問題之應用」，私立朝陽大學營建工程系碩士論文 (2000)。
18.徐錫川，「利用模糊推論決定懲罰參數之結構最佳設計遺傳演算法」，國立台灣大學機械工程學系研究所 (2000)。
19.郭一羽，「海岸工程學」，文山書局 (2001)。
20.Baker, J.B., “Adaptive Selection Methods for Genetic Algorithms”, Proceedings of the First International Conference on Genetic Algorithms, pp.101-111, (1985).
21.Tsai C.P., and Lee T.C. ,“Back-Propagation Neural Network in Tidal-Level Forecasting,” Journal of Waterway, Port, Coastal, and Ocean Engineering, vol. 125, pp. 195-202 (1999).
22.Darwin, G.H., “On a Apparatus for Facilitating the Reduction of Tidal Observation”, Philosophy Transaction Royal Society, Series A, vol. 52, pp. 345-376 (1892).
23.Doodson, A.T., “The Analysis of Tidal Observation”, Philosophy Transaction Royal Society, Series A, vol. 227, pp. 223-279 (1928).
24.Dronkers J.J.,, Tidal Computations, North-Holland Publishing Company (1964).
25.Davidor, T., “Genetic Algorithms and Robotics: A Heuristic Strategy for
Optimization”, World Scientific ,New Jersey, (1991).
26.Deo M.C., Jha A., K. Ravikant, Chaphekar S.A., “Neural networks for wave forecasting”, Ocean Engineering, vol.28, pp.889-898 (2001).
27. Claney E. P., The Tides, Doubleday and Company (1968).
28.Goldberg, D. E. “Genetic Algorithms in Search, Optimization, and Machine Learning”, Addison-Wesley Publishing Company Inc. (1989).
29.Haupt, R.L., and Haupt, S.E., Practical Genetic Algorithms, John Wiley & Sons, Inc. (1998).
30.John Holland, Adaptation in Natural and Artificial System , University
of Michigan Press,(1975).
31.Jean Meeus, Astronomical Algorithms, Willmann-Bell (1991).
29.Leblond, P. H., and Mysak, L. A., Waves in the Ocean, Elsevier Scientific Publishing Company (1978).
32. Munk, W., Revelle, R., Worcester, P. and Zumberge, M., “Strategy for Future Measurements of Very-low-frequency Sea-level Charge,” in Study in Geophysics, Sea-level Charge, National Academy Press, pp. 221-227 (1990).
33.Marchuk, G.T., and Kagan, B.A., Dynamics of Ocean Tides, Kluwer Academic Publishers (1982).
34.Nelson, M., Hill, T., Remus, W., and O’Connor, M., “Time Series Forecasting Using Neural Networks: Should the Data be Deseasonalized First?” Journal of Forecasting, vol. 18, pp. 359-367 (1999).
35.Pond, S. and Pick, G., “Introductory Dynamic Oceangeophy”, Pergmon Press, pp. 196-209 (1978).
36.Warrick, R. A., Barrow E. M. and Wigley T. M. L. , Climate and Sea Level change”, Cambridge University Press (1993).
37.Yen, P. H., Jan, C.D., Lee Y. P., and Lee, H. F. “Application of Kalman Filter to Short-term Tide Level Prediction”, Journal of Waterway, Port, Coastal And Ocean Engineering, ASCE, vol. 122(5), pp. 226-231 (1996).
38.Yeh, C.H.,”Multiobjective Planning of Regional Detention System ”,Ph. D. Dissertation, Colorado State University, Fort Collins,Colorado,USA (1996).