| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 缩略语表 | 第8-13页 |
| 1 绪论 | 第13-38页 |
| ·课题的背景及科学问题的提出 | 第13-14页 |
| ·课题研究意义及研究方法 | 第14-17页 |
| ·研究意义 | 第14页 |
| ·研究内容及方法 | 第14-17页 |
| ·布局研究综述 | 第17-22页 |
| ·布局问题建模研究 | 第18-19页 |
| ·布局问题求解算法与策略 | 第19-21页 |
| ·小结 | 第21-22页 |
| ·演化设计与人机结合研究综述 | 第22-31页 |
| ·演化设计 | 第22-25页 |
| ·人机结合策略 | 第25-28页 |
| ·人机结合演化设计 | 第28-30页 |
| ·小结 | 第30-31页 |
| ·基于机器(统计)学习技术的相关研究 | 第31-36页 |
| ·机器(统计)学习与现代优化技术 | 第31-32页 |
| ·机器(统计)学习与工程设计 | 第32-33页 |
| ·机器(统计)学习与可视化技术 | 第33-35页 |
| ·小结 | 第35-36页 |
| ·本课题组相关工作基础 | 第36页 |
| ·论文工作内容和结构 | 第36-38页 |
| 2 基于主元分析的分布估计算法 | 第38-72页 |
| ·分布估计优化算法(EDAs)基础理论 | 第38-47页 |
| ·连锁难题与分布估计(EDAs)算法的提出 | 第38-40页 |
| ·连续域EDAs算法综述 | 第40-44页 |
| ·连续域EDAs算法存在的问题 | 第44-47页 |
| ·基于主元分析的分布估计算法(PCA-EDA) | 第47-57页 |
| ·概率图模型与PCA-EDA算法 | 第48-50页 |
| ·PCA-EDA算法主体框架 | 第50-52页 |
| ·模型结构学习:主元相关变量选择 | 第52-53页 |
| ·主元的方差控制 | 第53-57页 |
| ·算例验证 | 第57-71页 |
| ·函数优化算例 | 第57-63页 |
| ·布局算例 | 第63-71页 |
| ·本章小结 | 第71-72页 |
| 3 问题解空间结构分析和基于聚类的PCA-EDA算法 | 第72-90页 |
| ·解空间结构分析概述 | 第72-74页 |
| ·聚类技术概述 | 第73-74页 |
| ·聚类技术与解空间结构分析 | 第74页 |
| ·解空间结构分析在相关领域的应用介绍 | 第74-78页 |
| ·在组合优化问题中的应用 | 第75-76页 |
| ·在演化计算中的应用。 | 第76-78页 |
| ·转动圆桌摆盘布局问题的解空间结构分析 | 第78-80页 |
| ·基于聚类的PCA-EDA算法 | 第80-85页 |
| ·Verbeek的贪心EM算法 | 第81-82页 |
| ·多阶段贪心聚类的PCA-EDA算法 | 第82-85页 |
| ·算例验证 | 第85-89页 |
| ·多峰测试函数F_(test) | 第86-87页 |
| ·布局算例 | 第87-89页 |
| ·小结 | 第89-90页 |
| 4 基于分布估计的人机结合演化设计方法及其交互策略与界面 | 第90-112页 |
| ·演化算法与人机结合 | 第90-91页 |
| ·基于分布估计的人机结合演化设计方法 | 第91-100页 |
| ·问题分解 | 第92-93页 |
| ·变量相关性分析 | 第93-96页 |
| ·基于知识提取的人机结合策略 | 第96-97页 |
| ·圆桌摆盘装填问题人机结合设计实例 | 第97-100页 |
| ·人机结合演化设计的可视化交互界面 | 第100-110页 |
| ·可视化技术概述 | 第100-103页 |
| ·最优与平均适应度收敛图 | 第103-105页 |
| ·个体分布-适应度直方图 | 第105-107页 |
| ·动画脸 | 第107-108页 |
| ·PCA散点图 | 第108-110页 |
| ·小结 | 第110-112页 |
| 5 卫星舱布局设计实例 | 第112-131页 |
| ·某简化的返回式人造卫星舱三维布局方案设计实例 | 第113-121页 |
| ·数学模型 | 第114-116页 |
| ·算法设置 | 第116-118页 |
| ·实验结果与讨论 | 第118-121页 |
| ·某简化通讯卫星舱3维布局方案设计实例 | 第121-130页 |
| ·数学模型 | 第122-125页 |
| ·算法设置 | 第125页 |
| ·结果与讨论 | 第125-130页 |
| ·卫星舱布局数值仿真实验结论 | 第130-131页 |
| 6 结论与展望 | 第131-133页 |
| ·结论 | 第131-132页 |
| ·展望 | 第132-133页 |
| 参考文献 | 第133-145页 |
| 附录A 相关基础理论 | 第145-155页 |
| A.1 概率论基本概念 | 第145-146页 |
| A.2 概率图模型 | 第146-148页 |
| A.2.1 模型的构造 | 第147-148页 |
| A.3 主元分析 | 第148-151页 |
| A.3.1 基于特征值分解(SVD)的PCA实现方法 | 第151页 |
| A.4 高斯混合模型(GMM) | 第151-155页 |
| A.4.1 期望最大化算法 | 第152-153页 |
| A.4.2 GMM模型选择技术 | 第153-155页 |
| 发表学术论文和参加科研项目情况 | 第155-156页 |
| 论文创新点摘要 | 第156-157页 |
| 致谢 | 第157-158页 |
| 作者简介 | 第158-159页 |
