| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 引言 | 第9页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 论文创新点 | 第12-13页 |
| 1.5 本文结构 | 第13-15页 |
| 第二章 供应链库存协同模型 | 第15-21页 |
| 引言 | 第15页 |
| 2.1 库存基本概念 | 第15-17页 |
| 2.1.1 库存成本 | 第15-16页 |
| 2.1.2 库存补给策略 | 第16-17页 |
| 2.1.3 库存协同模型 | 第17页 |
| 2.2 (Q,R)策略下的两级供应链库存协同 | 第17-21页 |
| 2.2.1 库存成本计算模型 | 第19页 |
| 2.2.2 库存协同策略优化问题的决策变量和目标函数 | 第19-21页 |
| 第三章 蒙特卡洛仿真模拟 | 第21-28页 |
| 引言 | 第21页 |
| 3.1 供应链库存协同中的不确定性需求 | 第21页 |
| 3.2 蒙特卡洛仿真模拟 | 第21-22页 |
| 3.3 库存成本的仿真计算 | 第22-28页 |
| 3.3.1 库存供应过程模拟 | 第22-24页 |
| 3.3.2 库存成本的蒙特卡洛仿真计算 | 第24-28页 |
| 第四章 供应链库存协同策略优化方法 | 第28-43页 |
| 引言 | 第28页 |
| 4.1 粒子群算法研究及其进展 | 第28-30页 |
| 4.1.1 标准粒子群算法基本概念 | 第28-29页 |
| 4.1.2 粒子群算法研究进展 | 第29-30页 |
| 4.2 适应度遗传技术 | 第30-31页 |
| 4.3 基于适应度遗传技术的粒子群算法 | 第31-42页 |
| 4.3.1 基本概念 | 第31页 |
| 4.3.2 算法描述 | 第31-34页 |
| 4.3.3 F1-PSO在供应链库存协同优化中的应用 | 第34-35页 |
| 4.3.4 实验设置及其结果 | 第35-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 自适应采样技术 | 第43-53页 |
| 引言 | 第43页 |
| 5.1 基本概念 | 第43-44页 |
| 5.2 自适应采样方法 | 第44-45页 |
| 5.3 供应链库存协同优化的自适应采样技术 | 第45-52页 |
| 5.3.1 粒子群算法中基于方差的自适应采样 | 第45-46页 |
| 5.3.2 粒子群算法中基于对比度的自适应采样 | 第46-50页 |
| 5.3.3 实验及其结果 | 第50-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |