| 一、绪论 | 第1-17页 |
| 1、概述 | 第11页 |
| 2、国内外研究现状 | 第11-15页 |
| (1) 建模方法 | 第11-13页 |
| (2) 模型的算法研究 | 第13-15页 |
| (3) 粒子群算法介绍 | 第15页 |
| 3、基于不确定模拟的传统算法与智能算法的改进 | 第15页 |
| 4、论文结构 | 第15-17页 |
| 二、不确定规划的相关理论 | 第17-21页 |
| 三、传统算法和智能算法相结合求解确定性规划 | 第21-35页 |
| 1、引言 | 第21页 |
| 2、现代智能算法介绍 | 第21-27页 |
| (1) 遗传算法 | 第21-22页 |
| (2) 模拟退火算法 | 第22-24页 |
| (3) 粒子群算法 | 第24-27页 |
| 3、结合传统算法的粒子群算法 | 第27-32页 |
| (1) 最速下降法 | 第27-28页 |
| (2) Goldstein—Armijo原则与算法 | 第28-29页 |
| (3) 混合的粒子群算法和最速下降法 | 第29-30页 |
| (4) 算法实例 | 第30-31页 |
| (5) 算法结果分析 | 第31-32页 |
| 4、嵌入最速下降算子的粒子群算法的收敛性分析 | 第32-35页 |
| 四、用基于随机模拟的梯度下降法和粒子群算法求解随机模型 | 第35-50页 |
| 1、引言 | 第35页 |
| 2、随机线性机会约束模型 | 第35-38页 |
| 3、对随机机会约束规划向确定性规划转化的讨论 | 第38-42页 |
| 4、基于随机模拟的传统算法计算随机非线性规划 | 第42-47页 |
| (1) 随机模拟 | 第42-43页 |
| (2) 基于随机模拟的下降法 | 第43-44页 |
| (3) 算法实例 | 第44-47页 |
| (4) 算法收敛性分析 | 第47页 |
| 5、用基于随机模拟的粒子群算法计算随机非线性规划 | 第47-50页 |
| (1) 基于随机模拟的粒子群算法 | 第48页 |
| (2) 算法实例 | 第48-50页 |
| 五、用下降法模拟退火法和粒子群算法求解模糊模型 | 第50-59页 |
| 1、引言 | 第50-51页 |
| 2、模糊规划的研究模式和算法问题 | 第51-54页 |
| (1) 模糊期望值规划的研究模式 | 第51页 |
| (2) 模糊机会约束规划 | 第51-52页 |
| (3) 模糊模拟 | 第52-54页 |
| 3、基于模糊模拟的下降算法 | 第54-55页 |
| 4、基于模糊模拟的模拟退火算法 | 第55-57页 |
| 5、基于模糊模拟的粒子群算法 | 第57-59页 |
| (1) 基于模糊模拟的粒子群算法 | 第57页 |
| (2) 算法实例 | 第57-59页 |
| 六、总结与展望 | 第59-61页 |
| 1、总结 | 第59页 |
| 2、展望 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 攻读硕士学位期间参加的项目、发表的论文情况 | 第63-64页 |
| 致谢 | 第64页 |