| 摘要 | 第1-10页 |
| ABSTRACT | 第10-13页 |
| 致谢 | 第13-19页 |
| 第一章 绪论 | 第19-34页 |
| ·研究背景 | 第19-20页 |
| ·单机调度问题 | 第20-24页 |
| ·单机调度问题简介 | 第20-21页 |
| ·单机调度问题模型和结构图 | 第21-23页 |
| ·本文研究的单机调度问题特征 | 第23-24页 |
| ·基本蚁群算法 | 第24-27页 |
| ·蚁群算法的模型 | 第24-26页 |
| ·蚁群算法的特征 | 第26-27页 |
| ·相关问题研究现状 | 第27-32页 |
| ·单机调度问题 | 第27-29页 |
| ·单机加权延迟调度问题 | 第29-31页 |
| ·蚁群算法 | 第31-32页 |
| ·本文研究的主要内容和结构安排 | 第32-34页 |
| 第二章 改进蚁群算法研究 | 第34-58页 |
| ·引言 | 第34页 |
| ·基本蚁群算法 | 第34-37页 |
| ·变量含义及名词定义 | 第35-36页 |
| ·算法模型和主要步骤 | 第36-37页 |
| ·基于模块设计的蚁群算法研究综述 | 第37-42页 |
| ·算法初始化 | 第37-38页 |
| ·状态转移规则 | 第38-39页 |
| ·局部搜索算法 | 第39-40页 |
| ·信息素更新策略 | 第40-41页 |
| ·搜索停滞时的控制措施 | 第41-42页 |
| ·小结 | 第42页 |
| ·基于 TSP问题的 DPBAC算法 | 第42-50页 |
| ·引入分支策略选取出发城市 | 第43页 |
| ·改进状态转移规则 | 第43-44页 |
| ·引入变异策略 | 第44页 |
| ·改进信息素更新规则 | 第44-46页 |
| ·引入条件动态扰动策略 | 第46-48页 |
| ·算法描述 | 第48-50页 |
| ·算法收敛性研究 | 第50-55页 |
| ·一类蚁群算法的收敛性证明 | 第50-52页 |
| ·DPBAC算法的收敛性研究 | 第52-55页 |
| ·实验及结果分析 | 第55-56页 |
| ·参数值设定 | 第55页 |
| ·实验结果分析 | 第55-56页 |
| ·本章结论 | 第56-58页 |
| 第三章 基于改进蚁群算法的单机加权调度问题研究 | 第58-75页 |
| ·引言 | 第58-59页 |
| ·单机加权延迟调度问题的定义和模型 | 第59-60页 |
| ·变量定义 | 第59页 |
| ·问题模型 | 第59-60页 |
| ·SMTWT问题的特征和求解方法 | 第60-63页 |
| ·基于改进蚁群算法的单机加权延迟调度问题 | 第63-66页 |
| ·蚁群算法在 SMTWT问题中的应用 | 第63-64页 |
| ·算法设计 | 第64-66页 |
| ·算法参数研究 | 第66-70页 |
| ·τ_(max)的取值 | 第66-68页 |
| ·q_0的设定 | 第68-69页 |
| ·η_(ij)的设定 | 第69-70页 |
| ·实验结果及分析 | 第70-74页 |
| ·本章结论 | 第74-75页 |
| 第四章 基于 Q学习蚁群算法的单机加权延迟调度问题研究 | 第75-98页 |
| ·引言 | 第75-76页 |
| ·Q学习简介 | 第76-79页 |
| ·强化学习原理简介 | 第76-77页 |
| ·基于有限离散 Markov决策过程的Q学习理论 | 第77-79页 |
| ·基于多阶段决策问题的蚁群算法Q学习模型 | 第79-85页 |
| ·SMTWT问题的多阶段决策模型 | 第79-81页 |
| ·蚁群算法的Markov性 | 第81-83页 |
| ·蚁群算法的Q学习描述 | 第83-85页 |
| ·基于Q学习蚁群算法的SMTWT模型 | 第85-97页 |
| ·Q学习在单机调度研究中的应用 | 第85-87页 |
| ·基于BP网络的Q函数估计 | 第87-92页 |
| ·基于Q学习蚁群算法的SMTWT问题求解 | 第92-94页 |
| ·实验结果及分析 | 第94-97页 |
| ·本章结论 | 第97-98页 |
| 第五章 结论与展望 | 第98-101页 |
| 参考文献 | 第101-110页 |
| 在校期间的主要研究工作和发表的论文 | 第110页 |