| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外的研究现状 | 第9-10页 |
| 1.3 不确定规划模型 | 第10-11页 |
| 1.3.1 期望值模型 | 第10-11页 |
| 1.3.2 随机机会约束规划 | 第11页 |
| 1.4 求解中的问题、求解步骤 | 第11-13页 |
| 1.5 论文中的主要研究内容 | 第13-15页 |
| 第二章 随机模拟 | 第15-23页 |
| 2.1 随机数的产生 | 第15-16页 |
| 2.2 随机模拟 | 第16-19页 |
| 2.2.1 蒙特卡洛模拟求随机变量的数学期望 | 第17页 |
| 2.2.2 求随机事件发生的概率 | 第17-18页 |
| 2.2.3 乐观值估计算法 | 第18-19页 |
| 2.2.4 乐观值估算算法 | 第19页 |
| 2.2.5 悲观值估算算法 | 第19页 |
| 2.3 数值试验 | 第19-22页 |
| 2.3.1 数值试验 1 | 第19-20页 |
| 2.3.2 数值试验 2 | 第20-22页 |
| 2.4 小结 | 第22-23页 |
| 第三章 神经网络 | 第23-33页 |
| 3.1 人工神经元 | 第23-24页 |
| 3.2 多层前向神经元网络 | 第24-25页 |
| 3.3 函数逼近 | 第25-26页 |
| 3.4 网络结构的确定 | 第26页 |
| 3.5 反向传播算法 | 第26-28页 |
| 3.6 MATLAB 中 BP 神经网络的实现 | 第28-29页 |
| 3.6.1 神经元的节点数 | 第28页 |
| 3.6.2 传递函数 | 第28页 |
| 3.6.3 神经网络的训练函数 | 第28-29页 |
| 3.6.4 学习速度的选定 | 第29页 |
| 3.7 数值试验 | 第29-32页 |
| 3.7.1 数值试验 1 | 第29-30页 |
| 3.7.2 数值试验 2 | 第30-32页 |
| 3.8 小结 | 第32-33页 |
| 第四章 混合智能算法 | 第33-45页 |
| 4.1 粒子群优化算法 | 第33-35页 |
| 4.1.1 算法起源 | 第33页 |
| 4.1.2 粒子群算法的数学模型 | 第33-34页 |
| 4.1.3 实现技术 | 第34-35页 |
| 4.1.4 终止条件 | 第35页 |
| 4.2 标准的粒子群算法步骤 | 第35-37页 |
| 4.3 改进的粒子群优化算法 | 第37-38页 |
| 4.3.1 改进的粒子群优化算法（双评价粒子群优化算法） | 第37-38页 |
| 4.4 测试函数 | 第38-41页 |
| 4.5 混合智能算法 | 第41-42页 |
| 4.6 数值试验 | 第42-44页 |
| 4.6.1 数值试验 1 | 第42-43页 |
| 4.6.2 数值试验 2 | 第43-44页 |
| 4.7 小结 | 第44-45页 |
| 总结与展望 | 第45-47页 |
| 总结 | 第45-46页 |
| 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录 | 第50-61页 |
| 致谢 | 第61页 |