致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7页 |
1 绪论 | 第11-23页 |
1.1 引言 | 第11页 |
1.2 JOB-SHOP调度问题分析与调度方法研究现状 | 第11-14页 |
1.2.1 Job-shop调度问题分析 | 第12页 |
1.2.2 Job-shop调度方法研究现状 | 第12-14页 |
1.3 不确定性因素分析研究现状 | 第14-16页 |
1.3.1 按事件类型分类的不确定性因素 | 第14-15页 |
1.3.2 按数学特性分类的不确定性因素 | 第15-16页 |
1.4 神经网络研究现状 | 第16-19页 |
1.4.1 神经网络的结构与特点 | 第17-18页 |
1.4.2 神经网络的研究现状 | 第18-19页 |
1.5 论文主要内容及结构 | 第19-23页 |
1.5.1 论文主要内容 | 第19-20页 |
1.5.2 论文结构 | 第20-23页 |
2 JOB-SHOP调度模型构建与求解 | 第23-39页 |
2.1 引言 | 第23页 |
2.2 JOB-SHOP调度模型建立 | 第23-27页 |
2.2.1 Job-shop调度问题描述 | 第23-24页 |
2.2.2 Job-shop调度模型的构建 | 第24-27页 |
2.3 JOB-SHOP调度模型的遗传算法求解 | 第27-34页 |
2.3.1 染色体编码及解码操作 | 第27-29页 |
2.3.2 交叉、变异操作 | 第29-30页 |
2.3.3 定义适应度评价函数及选择操作 | 第30-32页 |
2.3.4 遗传算法的参数选取 | 第32页 |
2.3.5 算法流程 | 第32-34页 |
2.4 算法验证 | 第34-36页 |
2.5 本章总结 | 第36-39页 |
3 针对不确定因素的JOB-SHOP重调度机制建立 | 第39-53页 |
3.1 引言 | 第39页 |
3.2 JOB-SHOP重调度驱动机制的分析与介绍 | 第39-41页 |
3.2.1 周期性重调度策略 | 第40-41页 |
3.2.2 事件驱动重调度策略 | 第41页 |
3.2.3 合型重调度策略 | 第41页 |
3.3 针对离散不确定性因素的重调度机制建立 | 第41-52页 |
3.3.1 设备故障情况下的重调度操作流程 | 第42-46页 |
3.3.2 订单追加情况下的重调度操作流程 | 第46-49页 |
3.3.3 紧急订单插入情况下的重调度操作流程 | 第49-52页 |
3.4 本章总结 | 第52-53页 |
4 基于神经网络的JOB-SHOP动态重调度方法研究 | 第53-69页 |
4.1 神经网络生成重调度的方法 | 第53-54页 |
4.2 BP神经网络模型构建及其训练算法 | 第54-61页 |
4.2.1 BP神经网络模型的构建 | 第54-56页 |
4.2.2 BP神经网络训练函数模型 | 第56-58页 |
4.2.3 BP神经网络训练算法 | 第58-61页 |
4.3 针对JOB-SHOP调度问题的网络参数设计 | 第61-65页 |
4.3.1 BP神经网络输入、输出参数设计 | 第61-64页 |
4.3.2 BP神经网络隐层设计 | 第64-65页 |
4.4 训练样本集的构建 | 第65-67页 |
4.4.1 设备故障情况下的样本构建 | 第65-66页 |
4.4.2 订单追加情况下的样本构建 | 第66-67页 |
4.4.3 紧急订单插入情况下的样本构建 | 第67页 |
4.5 本章总结 | 第67-69页 |
5 调度案例仿真与分析 | 第69-95页 |
5.1 案例模型 | 第69-71页 |
5.2 BP神经网络与训练样本集构建 | 第71-79页 |
5.2.1 BP神经网络的构建 | 第71-72页 |
5.2.2 训练样本集的构建 | 第72-79页 |
5.3 案例仿真结果及分析 | 第79-94页 |
5.3.1 BP神经网络的训练 | 第80-82页 |
5.3.2 设备故障情况仿真 | 第82-85页 |
5.3.3 订单追加情况仿真 | 第85-89页 |
5.3.4 紧急订单情况仿真 | 第89-92页 |
5.3.5 结果分析 | 第92-94页 |
5.4 本章总结 | 第94-95页 |
6 总结与展望 | 第95-99页 |
6.1 工作总结 | 第95-96页 |
6.2 研究展望 | 第96-99页 |
参考文献 | 第99-103页 |
作者简历及攻读硕士/博士学位期间取得的研究成果 | 第103-107页 |
学位论文数据集 | 第107页 |