| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第14-35页 |
| 1.1 研究背景与意义 | 第14-20页 |
| 1.1.1 制造业的发展趋势 | 第14-16页 |
| 1.1.2 智慧云制造 | 第16-18页 |
| 1.1.3 制造云服务组合与优化配置 | 第18-20页 |
| 1.2 云制造相关领域国内外研究现状 | 第20-29页 |
| 1.2.1 云制造的概念及内涵 | 第20-24页 |
| 1.2.2 制造云资源感知、虚拟化与服务化 | 第24-26页 |
| 1.2.3 云服务平台及综合管理技术 | 第26-27页 |
| 1.2.4 制造云服务描述与动态匹配技术 | 第27-28页 |
| 1.2.5 云制造其他相关研究 | 第28-29页 |
| 1.3 制造云服务组合与优化配置研究现状 | 第29-30页 |
| 1.4 研究现状的总结及问题的提出 | 第30-32页 |
| 1.5 课题来源及主要研究内容 | 第32-34页 |
| 1.5.1 课题来源 | 第32页 |
| 1.5.2 主要研究内容 | 第32-34页 |
| 1.6 本章小结 | 第34-35页 |
| 第二章 智慧云制造架构及其服务组合表示 | 第35-51页 |
| 2.1 智慧云制造SCPS系统模型 | 第35-37页 |
| 2.2 智慧云制造体系结构 | 第37-39页 |
| 2.3 智慧云制造运行机理 | 第39-40页 |
| 2.4 制造云服务组合表示 | 第40-50页 |
| 2.4.1 MCSC生命周期管理流程 | 第40-42页 |
| 2.4.2 MCSC资源形式化描述 | 第42-44页 |
| 2.4.3 MCSC优选实施步骤 | 第44-45页 |
| 2.4.4 QoS评价指标与表示 | 第45-47页 |
| 2.4.5 QoS属性值的标准化 | 第47-48页 |
| 2.4.6 MCSC基本结构及其QoS评估 | 第48-50页 |
| 2.5 本章小结 | 第50-51页 |
| 第三章 面向并发任务的MCSC优选算法 | 第51-78页 |
| 3.1 问题描述 | 第51-52页 |
| 3.2 问题建模 | 第52-55页 |
| 3.3 混合蜂群算法 | 第55-65页 |
| 3.3.1 ABC算法基本原理 | 第55-57页 |
| 3.3.2 矩阵编码方案 | 第57-58页 |
| 3.3.3 种群初始化策略 | 第58页 |
| 3.3.4 食物源扰动策略 | 第58-61页 |
| 3.3.5 基于分布估计的观察蜂策略 | 第61-64页 |
| 3.3.6 混沌序列激励的侦查蜂策略 | 第64-65页 |
| 3.4 试验及结果分析 | 第65-76页 |
| 3.4.1 小规模测试用例 | 第65-69页 |
| 3.4.2 大规模测试用例 | 第69-70页 |
| 3.4.3 算法的有效性验证 | 第70-76页 |
| 3.5 本章小结 | 第76-78页 |
| 第四章 基于领域知识引导的MCSC优化算法 | 第78-98页 |
| 4.1 服务领域知识 | 第78-81页 |
| 4.1.1 服务先验性 | 第78-79页 |
| 4.1.2 服务关联性 | 第79-80页 |
| 4.1.3 服务相似性 | 第80-81页 |
| 4.2 花授粉算法 | 第81-84页 |
| 4.3 基于领域知识引导的FPA算法 | 第84-90页 |
| 4.3.1 服务空间划分与相关服务预提取 | 第85-86页 |
| 4.3.2 基于聚类的相似服务集提取 | 第86-87页 |
| 4.3.3 基于关联规则挖掘的服务模式提取 | 第87-88页 |
| 4.3.4 领域知识引导的FPA花粉初始化策略 | 第88-89页 |
| 4.3.5 启发式算子 | 第89-90页 |
| 4.4 试验及结果分析 | 第90-97页 |
| 4.4.1 基于个体依赖机制的逐维改进策略对FPA性能影响 | 第91-93页 |
| 4.4.2 先验知识引导策略对FPA性能影响 | 第93-97页 |
| 4.5 本章小节 | 第97-98页 |
| 第五章 动态环境下的MCSC优选算法 | 第98-122页 |
| 5.1 动态优化问题 | 第98页 |
| 5.2 基于Skyline的动态环境检测 | 第98-104页 |
| 5.2.1 Skyline计算 | 第99-100页 |
| 5.2.2 Skyline多维队列模型 | 第100-103页 |
| 5.2.3 Skyline服务动态更新算法 | 第103-104页 |
| 5.3 多种群自适应差分蜂群算法 | 第104-113页 |
| 5.3.1 ABC优缺点 | 第105页 |
| 5.3.2 差分进化算法 | 第105-106页 |
| 5.3.3 经典差分变异算子 | 第106-108页 |
| 5.3.4 协同组合向量生成策略 | 第108-111页 |
| 5.3.5 多子群互斥搜索策略 | 第111页 |
| 5.3.6 衰老机制 | 第111-112页 |
| 5.3.7 参数自适应策略 | 第112-113页 |
| 5.4 试验与结果分析 | 第113-121页 |
| 5.4.1 试验一：动态Skyline服务更新算法的有效性 | 第114-116页 |
| 5.4.2 试验二：自适应差分进化算子及多种群策略的有效性 | 第116-118页 |
| 5.4.3 试验三：与典型代表性的优化算法对比 | 第118-121页 |
| 5.5 本章小结 | 第121-122页 |
| 第六章 基于目标分解的多目标MCSC优化 | 第122-152页 |
| 6.1 问题描述 | 第122-123页 |
| 6.2 多目标分解算法 | 第123-125页 |
| 6.2.1 分解方法 | 第124-125页 |
| 6.2.2 MOEA/D算法流程 | 第125页 |
| 6.3 基于MOEA/D多目标自适应协同进化算法 | 第125-134页 |
| 6.3.1 自适应混合进化算子 | 第126-129页 |
| 6.3.2 蜂群进化算子 | 第129-131页 |
| 6.3.3 教与学进化算子 | 第131页 |
| 6.3.4 进化算子及搜索邻域自适应 | 第131-133页 |
| 6.3.5 EsMOEA/D算法具体流程 | 第133-134页 |
| 6.4 标准MOP测试集试验 | 第134-145页 |
| 6.4.1 测试函数 | 第134-135页 |
| 6.4.2 性能指标 | 第135页 |
| 6.4.3 参数设置 | 第135-136页 |
| 6.4.4 组合进化策略有效性测试 | 第136-138页 |
| 6.4.5 与其他MOEA/D类算法比较 | 第138-141页 |
| 6.4.6 与主流多目标进化算法比较 | 第141-145页 |
| 6.5 多目标MCSC优化问题测试 | 第145-151页 |
| 6.5.1 模型建立 | 第145-146页 |
| 6.5.2 试验设置 | 第146-147页 |
| 6.5.3 试验结果与分析 | 第147-151页 |
| 6.6 本章小结 | 第151-152页 |
| 第七章 总结与展望 | 第152-155页 |
| 参考文献 | 第155-164页 |
| 攻读博士学位期间取得的研究成果 | 第164-167页 |
| 致谢 | 第167-168页 |
| 附件 | 第168页 |
