| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 应急资源调度的特征 | 第17-18页 |
| 1.2.2 应急资源调度的研究内容 | 第18-19页 |
| 1.3 研究与应用难点 | 第19-20页 |
| 1.4 研究目的 | 第20-22页 |
| 1.4.1 主要研究内容与安排 | 第20-22页 |
| 第二章 基于自然编码的多智能体遗传算法用于解决应急资源调度问题 | 第22-34页 |
| 2.1 问题提出 | 第22-23页 |
| 2.2 模型建立 | 第23-24页 |
| 2.2.1 模型的表示 | 第23-24页 |
| 2.2.2 模型的基本假设 | 第24页 |
| 2.3 多智能体遗传算法MAGA | 第24-29页 |
| 2.3.1 MAGA中的智能体 | 第24-26页 |
| 2.3.2 种群的初始化 | 第26-27页 |
| 2.3.3 进化操作算子 | 第27-28页 |
| 2.3.4 MAGA-NC的实现 | 第28-29页 |
| 2.4 MAGA实验 | 第29-31页 |
| 2.4.1 小规模情境下的实验 | 第29页 |
| 2.4.2 大规模情景下的性能测试 | 第29-31页 |
| 2.5 结论 | 第31-34页 |
| 第三章 改进的MAGA用于解决多种运输方式下的应急资源调度问题 | 第34-48页 |
| 3.1 各种运输方式的特点 | 第34-35页 |
| 3.2 问题提出 | 第35页 |
| 3.3 调度模型 | 第35-37页 |
| 3.3.1 模型的表示 | 第36页 |
| 3.3.2 惩罚函数 | 第36-37页 |
| 3.3.3 关于模型的基本假设 | 第37页 |
| 3.4 MAGA-MTERS算法 | 第37-43页 |
| 3.4.1 MAGA-MTERS中的智能体 | 第37-38页 |
| 3.4.2 种群的初始化 | 第38-39页 |
| 3.4.3 交叉算子 | 第39-40页 |
| 3.4.4 邻域竞争算子 | 第40-41页 |
| 3.4.5 变异算子 | 第41页 |
| 3.4.6 自学习算子 | 第41-42页 |
| 3.4.7 MAGA-MTERS的实现 | 第42-43页 |
| 3.5 实验和分析 | 第43-47页 |
| 3.5.1 人工测试数据 | 第43-45页 |
| 3.5.2 汶川地震测试数据 | 第45-47页 |
| 3.6 小结 | 第47-48页 |
| 第四章 基于Memetic算法的大规模突发事件下的伤员救援问题 | 第48-58页 |
| 4.1 问题提出 | 第49-50页 |
| 4.2 调度模型 | 第50-51页 |
| 4.2.1 情景描述及表示 | 第50-51页 |
| 4.2.2 模型的表示 | 第51页 |
| 4.3 Memetic算法 | 第51-55页 |
| 4.3.1 Memetic算法框架 | 第52-53页 |
| 4.3.2 种群的初始化 | 第53页 |
| 4.3.3 局部搜索算子 | 第53-54页 |
| 4.3.4 Memetic算法的实现 | 第54-55页 |
| 4.4 实验和分析 | 第55-57页 |
| 4.5 小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
