| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.3.1 分析面向路径的求解中影响效率的关键因素 | 第11页 |
| 1.3.2 约束求解复杂度模型总体设计 | 第11页 |
| 1.3.3 约束求解复杂度模型建立、训练和预测 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 第二章 相关技术介绍 | 第13-23页 |
| 2.1 机器学习 | 第13-14页 |
| 2.2 人工神经网络 | 第14-17页 |
| 2.2.1 人工神经元模型 | 第14-15页 |
| 2.2.2 误差反向传播神经网络 | 第15-17页 |
| 2.3 支持向量机 | 第17-21页 |
| 2.3.1 最优超平面 | 第17-19页 |
| 2.3.2 核技巧 | 第19-20页 |
| 2.3.3 支持向量机模型 | 第20-21页 |
| 2.4 集成学习 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 约束求解复杂度影响因素分析 | 第23-33页 |
| 3.1 约束变量 | 第23-28页 |
| 3.1.1 约束变量数量 | 第23-24页 |
| 3.1.2 约束变量类型 | 第24-25页 |
| 3.1.3 约束变量之间的关系 | 第25-28页 |
| 3.2 约束表达式 | 第28-30页 |
| 3.2.1 约束表达式数量 | 第28-29页 |
| 3.2.2 约束表达式类型 | 第29-30页 |
| 3.3 算术运算符类型 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 约束求解复杂度模型 | 第33-55页 |
| 4.1 模型总体设计 | 第33-39页 |
| 4.1.1 约束信息构成 | 第33-34页 |
| 4.1.2 约束求解复杂度模型 | 第34-38页 |
| 4.1.3 模型总体流程 | 第38-39页 |
| 4.2 模型建立和训练 | 第39-54页 |
| 4.2.1 CCM-SVR模型 | 第39-46页 |
| 4.2.2 CCM-SVR-Bagging模型 | 第46-48页 |
| 4.2.3 CCM-BP模型 | 第48-52页 |
| 4.2.4 CCM-GA-BP模型 | 第52-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第五章 实验结果及分析 | 第55-63页 |
| 5.1 实验数据准备 | 第55-56页 |
| 5.1.1 实验环境 | 第55页 |
| 5.1.2 数据收集 | 第55-56页 |
| 5.2 实验结果及分析 | 第56-61页 |
| 5.2.1 CCM-SVR实验 | 第56-57页 |
| 5.2.2 CCM-SVR-Bagging实验 | 第57-58页 |
| 5.2.3 CCM-BP实验 | 第58-59页 |
| 5.2.4 CCM-GA-BP实验 | 第59-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63页 |
| 6.2 下一步工作 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-68页 |
| 作者攻读学位期间发表的学术论文目录 | 第68页 |