致谢 | 第9-10页 |
摘要 | 第10-13页 |
ABSTRACT | 第13-17页 |
第一章 绪论 | 第24-42页 |
1.1 研究背景和意义 | 第24-27页 |
1.1.1 研究背景 | 第24-26页 |
1.1.2 研究意义 | 第26-27页 |
1.2 国内外研究现状 | 第27-38页 |
1.2.1 智慧制造模式研究现状 | 第27-29页 |
1.2.2 制造企业动态联盟相关研究 | 第29-32页 |
1.2.3 云环境下的制造服务组合研究现状 | 第32-36页 |
1.2.4 相关研究现状述评 | 第36-38页 |
1.3 研究内容和结构安排 | 第38-42页 |
1.3.1 研究思路 | 第38-39页 |
1.3.2 主要研究内容 | 第39页 |
1.3.3 论文结构安排 | 第39-42页 |
第二章 面向动态联盟的制造服务组合系统框架 | 第42-50页 |
2.1 智慧制造云平台体系架构 | 第42-43页 |
2.2 制造业务流程导向的动态联盟 | 第43-46页 |
2.2.1 多粒度制造服务单元 | 第43-44页 |
2.2.2 业务流程导向的动态服务联盟 | 第44-46页 |
2.3 基于全生命周期的社会化服务组合过程框架 | 第46-49页 |
2.3.1 制造任务的分解与重组阶段 | 第46-47页 |
2.3.2 制造服务发现与匹配阶段 | 第47-48页 |
2.3.3 制造服务组合与优选阶段 | 第48页 |
2.3.4 自适应的调整阶段 | 第48-49页 |
2.4 本章小结 | 第49-50页 |
第三章 基于服务加权协同网络的制造服务选择 | 第50-64页 |
3.1 社会网络环境下的服务协同特征 | 第50-51页 |
3.2 基于协同能力的制造服务选择过程 | 第51-53页 |
3.2.1 服务社会网络 | 第51-52页 |
3.2.2 社会化制造服务选择过程 | 第52-53页 |
3.3 服务加权协同网络模型 | 第53-55页 |
3.3.1 服务社会关系强度计算 | 第53-55页 |
3.3.2 协同效应聚合与服务加权协同网络模型构建 | 第55页 |
3.4 基于加权协同网络的服务选择优化模型 | 第55-60页 |
3.4.1 问题描述 | 第55-56页 |
3.4.2 服务选择优化模型 | 第56-57页 |
3.4.3 改进引力搜索算法 | 第57-60页 |
3.5 实验与结果讨论 | 第60-62页 |
3.6 本章小结 | 第62-64页 |
第四章 基于任务关系约束的服务适配选择 | 第64-78页 |
4.1 混合任务网络环境下的服务选择问题 | 第64-65页 |
4.2 面向混合任务网络的制造服务选择过程框架 | 第65-67页 |
4.2.1 混合任务网络与服务协同网络 | 第66页 |
4.2.2 基于混合任务网络的服务选择过程 | 第66-67页 |
4.3 制造服务选择多目标优化模型 | 第67-70页 |
4.3.1 问题描述 | 第67-68页 |
4.3.2 任务关系约束的多目标服务选择模型 | 第68-70页 |
4.4 基于改进的非支配粒子群和加权TOPSIS决策方案优化方法 | 第70-73页 |
4.4.1 基本粒子群算法 | 第70页 |
4.4.2 改进策略及算法流程 | 第70-72页 |
4.4.3 基于加权TOPSIS最优决策方法 | 第72-73页 |
4.5 实验与结果讨论 | 第73-76页 |
4.5.1 实验设计 | 第73-74页 |
4.5.2 结果分析 | 第74-76页 |
4.6 本章小结 | 第76-78页 |
第五章 基于竞争与协同效应的制造服务双边匹配 | 第78-96页 |
5.1 制造服务匹配特征 | 第78页 |
5.2 制造服务双边匹配问题描述 | 第78-80页 |
5.2.1 一对一双边匹配 | 第79页 |
5.2.2 一对多双边匹配 | 第79-80页 |
5.3 基于学习与协同效应的制造任务一对一双边匹配决策方法 | 第80-87页 |
5.3.1 问题描述 | 第81-82页 |
5.3.2 满意度计算 | 第82-84页 |
5.3.3 一对一双向匹配决策优化模型与求解 | 第84-85页 |
5.3.4 实验与结论 | 第85-87页 |
5.4 基于竞争与协同效应的制造任务一对多双边匹配决策方法 | 第87-95页 |
5.4.1 问题描述 | 第87-89页 |
5.4.2 满意度计算 | 第89-91页 |
5.4.3 制造服务双边匹配多目标优化模型 | 第91页 |
5.4.4 实验与结果讨论 | 第91-95页 |
5.5 本章小结 | 第95-96页 |
第六章 基于情景感知的制造组合服务自适应调整决策 | 第96-120页 |
6.1 动态环境下制造组合服务的自适应调整框架 | 第96-99页 |
6.1.1 自适应服务单元与场景 | 第96-97页 |
6.1.2 动态服务联盟的自适应调整系统架构 | 第97-99页 |
6.2 基于复杂事件处理的自适应情景识别方法 | 第99-109页 |
6.2.1 基于情境约束的事件模型和情景模型 | 第99-102页 |
6.2.2 基于混合数据聚类的情景识别方法 | 第102-107页 |
6.2.3 实验分析 | 第107-109页 |
6.3 基于主体-情景-行动的智能服务单元自适应实时决策机制 | 第109-119页 |
6.3.1 智能服务单元实时决策过程 | 第109-110页 |
6.3.2 实时决策机制设计 | 第110-112页 |
6.3.3 基于多Agent场景的知识规则学习 | 第112-116页 |
6.3.4 实验分析 | 第116-119页 |
6.4 本章小结 | 第119-120页 |
第七章 结论与展望 | 第120-124页 |
7.1 主要研究结论 | 第120-122页 |
7.2 研究特色与创新之处 | 第122-123页 |
7.3 研究展望 | 第123-124页 |
参考文献 | 第124-142页 |
附录 | 第142-146页 |
攻读博士学位期间的主要研究工作及成果 | 第146-147页 |