انوری، صدیقه.، موسوی، سید جمشید، و مرید، سعید. (1394). مقایسه عملکرد مدل‌های DP، SDP و SSDP در بهینه‌سازی بهره‌برداری از مخزن‌های آبی چند‌منظوره (مطالعه موردی: مخزن سد زاینده‌رود). پژوهش آب ایران، 9(1), 121-111. https://iwrj.sku.ac.ir/article_11037.html
برهانی داریان، علیرضا.، و افتخارجوادی، الهام. (1384). نقش عدم قطعیت پیش بینی جریان ورودی در بهره برداری بهینه از مخازن. تحقیقات منابع آب ایران، 1(3)، 15-1. https://sid.ir/paper/100186/fa
فاطمی، سیداحسان.، و کوهی، هیوا. (1398). تعیین و آنالیز گسسته سازی حجم مخزن سد جامیشان با برنامه ریزی پویای احتمالاتی در توابع هدف مختلف. پژوهش های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)، 26(2)، 115-97. https://doi.org/10.22069/jwsc.2019.15193.3038
فرهمند، رحیم.، و کریمی گوغری، شهرام. (1391). مقایسه عملکرد دو روش خوشه‌بندی، K-means و فازی، براساس خصوصیات مورفولوژیکی زیرحوضه‌ها. سومین همایش ملی مدیریت جامع منابع آب، ساری. https://civilica.com/doc/335666/
کوهی، هیوا. (1396). تأثیر رویکردهای برنامه ریزی پویا در بهره برداری بهینه از مخزن. پایان نامه کارشناسی ارشد، دانشگاه رازی.
Anvari, S., Mousavi, S., & Morid, S. (2015). Comparing the performance of the DP, SDP and SSDP models for optimizing the operation of multi-purpose reservoirs (Case study: Zayandeh-Rood dam). Iranian Water Researches Journal, 9(1), 111-121. https://iwrj.sku.ac.ir/article_11037.html [In Persian]
Bahrani Dariane, A., & Eftekhar Javadi, E. (2005). Assessment of Inflow Forecast Uncertainty in Optimal Reservoir Operation. Iran-Water Resources Research, 1(3), 1-15. https://sid.ir/paper/100186/fa [In Persian]
Farahmand, R., & Karimi Goghari, Sh. (2011). Performance comparison of two clustering methods, K-means and phase, based on morphological characteristics of sub-basins. The third national conference on comprehensive management of water resources, Sari. https://civilica.com/doc/335666/ [In Persian]
Fatemi, S. E., & Koohi, H. (2019). Determination and analysis of reservoir storage discretization in Jamishan dam using stochastic dynamic programming with different objective functions. Journal of Water and Soil Conservation, 26(2), 97-115. https://doi.org/10.22069/jwsc.2019.15193.3038 [In Persian]
Javadi, S., Hashemy, S.M., Mohammadi, K., Howard, K.W.F., & Neshat, A. (2017). Classification of aquifer vulnerability using K-means cluster analysis. J. Hydrol, 549, 27-37. https://doi.org/10.1016/j.jhydrol.2017.03.060
Koohi, H. (2016). The effect of dynamic planning approaches on the optimal exploitation of the reservoir. Master's thesis, Razi University. [In Persian]
Liu, Sh., Zhou, X., Li, B., He, X., Zhang, Y., & Fu, Y. (2023). Improving short-term streamflow forecasting by flow mode clustering. Stoch Environ Res Risk Assess 37, 1799–1819. https://doi.org/10.1007/s00477-022-02367-z
Liu, Y., Ji, C., Wang, Y., Zhang, Y., Hou, X., & Xie, Y. (2022). Quantifying streamflow predictive uncertainty for the optimization of short-term cascade hydropower stations operations. Journal of Hydrology, 605, 127376. https://doi.org/10.1016/j.jhydrol.2021.127376
Loucks, D.P., & Eelco Van Beek. (2005). Water resources systems planning and management, An introduction to methods, models and applications, UNESCO. https://link.springer.com/book/10.1007/978-3-319-44234-1
Madrasi, F., & Bozorg Haddad, O. (2007). Evaluation of the importance of discretization in stochastic dynamic programming method in reservoir operation, the third water resources management conference, Tabriz. https://profdoc.um.ac.ir/paper-abstract-1080543.html [In Persian]
Noorbeh, P., Roozbahani, A., & Kardan Moghaddam, H. (2020). Annual and monthly dam inflow prediction using Bayesian networks. Water Resources Management, 34(9), 2933-2951. https://doi.org/10.1007/s11269-020-02591-8
Soleimani, SH., Bozorg Hadad, O., & Loaiciga, A. (2016). Reservoir Operation Rules with Uncertainties in Reservoir Inflow and Agricultural Demand Derived with Stochastic Dynamic Programming. American Society of Civil Engineers, 142(11), 99–121. https://doi.org/10.1061/(ASCE)IR.1943-4774.000106
Steinley, D., & Brusco, M. J. (2007). Initializing k-means batch clustering: A critical evaluation of several techniques. Journal of Classification, 24(1), 99–121. https://doi.org/10.1007/s00357-007-0003-0
Xu, H., Ma, C., Lian, J., Xu, K., & Chaima, E. (2018). Urban flooding risk assessment based on an integrated k-means cluster algorithm and improved entropy weight method in the region of Haikou, China. Journal of Hydrology, 563, 975–986. https://doi.org/ 10.1016/J.JHYDROL.2018.06.060.
Zhang, H., Basu, S., & Davidson, I. (2020). A framework for deep constrained clustering-algorithms and advances. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases, Cham, 57-72. https://doi.org/10.1007/978-3-030-46150-8_4
)