| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 柔性作业车间调度问题的国内外研究现状 | 第11-12页 |
| 1.2.2 两种智能算法在FJSP中的应用现状 | 第12-14页 |
| 1.2.3 现有研究存在的问题 | 第14-15页 |
| 1.3 论文主要研究内容和框架 | 第15-17页 |
| 1.4 论文研究方法 | 第17页 |
| 1.5 论文主要创新点 | 第17页 |
| 1.6 本章小结 | 第17-18页 |
| 第二章 相关理论和技术基础 | 第18-31页 |
| 2.1 柔性作业车间调度问题概述 | 第18-22页 |
| 2.1.1 柔性作业车间调度问题的描述与分类 | 第18-19页 |
| 2.1.2 车间调度问题的特点 | 第19-20页 |
| 2.1.3 FJSP性能评价指标及其计算 | 第20-22页 |
| 2.2 遗传算法的基本理论 | 第22-26页 |
| 2.2.1 GA的基本术语 | 第22-24页 |
| 2.2.2 GA的基本流程 | 第24-26页 |
| 2.3 粒子群优化算法简介 | 第26-28页 |
| 2.3.1 PSO的基本原理 | 第27-28页 |
| 2.3.2 PSO算法流程 | 第28页 |
| 2.4 多目标优化简介 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于学习指导的混合遗传算法求解多目标柔性作业车间调度问题 | 第31-62页 |
| 3.1 多目标柔性作业车间调度问题模型构建 | 第31-33页 |
| 3.1.1 变量和参数定义 | 第31-32页 |
| 3.1.2 多目标FJSP数学模型 | 第32-33页 |
| 3.2 基于学习指导的混合遗传—粒子群优化算法 | 第33-35页 |
| 3.3 遗传算法模块 | 第35-53页 |
| 3.3.1 编码 | 第36-38页 |
| 3.3.2 解码 | 第38-40页 |
| 3.3.3 种群初始化 | 第40-42页 |
| 3.3.4 适应度函数 | 第42-43页 |
| 3.3.5 Pareto排序 | 第43-45页 |
| 3.3.6 染色体自学习模式 | 第45页 |
| 3.3.7 选择操作 | 第45-46页 |
| 3.3.8 交叉操作 | 第46-47页 |
| 3.3.9 双阈值控制的变异操作 | 第47-50页 |
| 3.3.10 种群多样性保持策略 | 第50-51页 |
| 3.3.11 精英保留策略 | 第51-53页 |
| 3.3.12 迭代终止条件 | 第53页 |
| 3.4 双存储器学习模块 | 第53-55页 |
| 3.4.1 初始化BL模块 | 第53页 |
| 3.4.2 染色体存储器 | 第53-54页 |
| 3.4.3 操作存储器 | 第54-55页 |
| 3.4.4 BL模块更新机制 | 第55页 |
| 3.5 粒子群优化模块 | 第55-58页 |
| 3.5.1 编码 | 第55页 |
| 3.5.2 粒子群初始化 | 第55-56页 |
| 3.5.3 离散粒子位置更新 | 第56-57页 |
| 3.5.4 更新pbest和gbest | 第57-58页 |
| 3.6 算法应用研究 | 第58-61页 |
| 3.7 本章小结 | 第61-62页 |
| 第四章 实验结果与分析 | 第62-79页 |
| 4.1 实验平台 | 第62页 |
| 4.2 实验参数设置 | 第62页 |
| 4.3 实验结果与分析 | 第62-78页 |
| 4.3.1 8×8P-FJSP问题 | 第63-67页 |
| 4.3.2 10×10T-FJSP问题 | 第67-70页 |
| 4.3.3 15×10T-FJSP问题 | 第70-73页 |
| 4.3.4 BRData问题 | 第73-78页 |
| 4.4 本章小结 | 第78-79页 |
| 总结与展望 | 第79-81页 |
| 总结 | 第79-80页 |
| 展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 附录1 几组基准测试算例数据 | 第87-90页 |
| 附录2 TL-HGAPSO算法部分核心代码 | 第90-99页 |
| 附录3 部分实例程序运行结果 | 第99-108页 |
| 在学期间的研究成果及发表的学术论文 | 第108页 |