| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第1章 绪论 | 第12-24页 |
| ·遗传算法 | 第13-15页 |
| ·遗传算法的基本理论 | 第13-14页 |
| ·遗传算法的研究现状 | 第14页 |
| ·遗传算法特点及其在多目标优化中应用 | 第14-15页 |
| ·BP 神经网络 | 第15-17页 |
| ·BP 神经网络基本理论 | 第15-16页 |
| ·BP 神经网络的特点与存在的问题 | 第16-17页 |
| ·多目标优化问题 | 第17-21页 |
| ·多目标优化问题的数学模型 | 第17-19页 |
| ·多目标问题的研究现状 | 第19-20页 |
| ·传统多目标优化方法 | 第20-21页 |
| ·本文研究内容及论文组织结构 | 第21-24页 |
| ·本文研究内容 | 第21-22页 |
| ·本文的组织 | 第22-24页 |
| 第2章 多目标遗传算法 | 第24-35页 |
| ·遗传算法的原理 | 第24-27页 |
| ·主要的多目标遗传算法 | 第27-32页 |
| ·向量评估遗传算法 | 第27-28页 |
| ·多目标遗传算法 | 第28-29页 |
| ·基于距离的Pareto 遗传算法 | 第29-30页 |
| ·小生境Pareto 遗传算法 | 第30-31页 |
| ·非劣分类遗传算法 | 第31-32页 |
| ·多目标遗传算法的关键理论 | 第32-34页 |
| ·适应度分配 | 第32-33页 |
| ·多样性保持 | 第33页 |
| ·收敛性 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 BP 神经网络的理论与应用 | 第35-46页 |
| ·人工神经元网络 | 第35-38页 |
| ·人工神经元模型 | 第35-37页 |
| ·神经元网络模型 | 第37-38页 |
| ·BP 神经网络 | 第38-41页 |
| ·BP 神经元模型 | 第38页 |
| ·BP 网络的数学模型 | 第38-39页 |
| ·基于梯度下降学习算法 | 第39-40页 |
| ·BP 神经网络算法 | 第40-41页 |
| ·BP 算法的限制与改进 | 第41-43页 |
| ·多目标优化的BP 神经网络 | 第43-45页 |
| ·智能函数及其逼近性能 | 第43-44页 |
| ·BP 神经网络的优化设计 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 改进遗传算法及其与BP 神经网络融合 | 第46-56页 |
| ·改进的多目标遗传算法 | 第46-50页 |
| ·NSGA-II 算法原理 | 第46-48页 |
| ·并行混合进化机制 | 第48-49页 |
| ·改进的并行混合遗传算法实现过程 | 第49-50页 |
| ·遗传算法与BP 神经网络融合技术 | 第50-55页 |
| ·问题的提出 | 第50-51页 |
| ·GA-BP 神经网络融合 | 第51-52页 |
| ·算法实现的关键技术 | 第52-54页 |
| ·GA-BP 算法设计 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 改进算法的性能测试与应用实例 | 第56-66页 |
| ·改进多目标遗传算法的数值实验 | 第56-62页 |
| ·针对不同问题特性设计测试函数 | 第56-58页 |
| ·试验结果与分析 | 第58-61页 |
| ·结果讨论 | 第61-62页 |
| ·GA-BP 算法在多目标车间作业动态调度问题应用 | 第62-65页 |
| ·问题描述 | 第62-63页 |
| ·车间作业动态调度算法的实现 | 第63-64页 |
| ·试验结果与分析 | 第64-65页 |
| ·结果讨论 | 第65页 |
| ·本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的学术论文 | 第73-74页 |
| 致谢 | 第74页 |