| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 供应链产销协同冲突消解研究现状 | 第12-13页 |
| 1.2.2 多 Agent 协商研究现状 | 第13-14页 |
| 1.2.3 自适应协商策略研究现状 | 第14-15页 |
| 1.3 研究内容及目标 | 第15-17页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究目标 | 第16-17页 |
| 1.4 研究思路及方法 | 第17-20页 |
| 1.4.1 研究思路 | 第17-18页 |
| 1.4.2 研究方法 | 第18-20页 |
| 第2章 多 Agent 供应链产销协同协商框架及协商流程 | 第20-32页 |
| 2.1 基本理论 | 第20-25页 |
| 2.1.1 供应链产销协同冲突的基本理论 | 第20-22页 |
| 2.1.2 多 Agent 协商的基本理论 | 第22-24页 |
| 2.1.3 自适应协商方法的基本理论 | 第24-25页 |
| 2.2 基于黑板理论的多 Agent 产销协同协商框架 | 第25-29页 |
| 2.2.1 黑板理论 | 第25-26页 |
| 2.2.2 框架的体系结构及功能 | 第26-29页 |
| 2.3 产销协同协商基本流程 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 基于机器学习的多 Agent 自适应协商方法 | 第32-42页 |
| 3.1 优化案例推理的自适应协商方法 | 第32-36页 |
| 3.1.1 参数设定 | 第32-33页 |
| 3.1.2 基于灰色关联度的案例相似度计算 | 第33-34页 |
| 3.1.3 基于遗传算法的案例议题权重优化 | 第34-36页 |
| 3.2 优化粒子群算法的自适应协商方法 | 第36-37页 |
| 3.2.1 基于粒子群算法的最优协商结果搜索 | 第36-37页 |
| 3.2.2 基于模拟退火算法的适应值优化 | 第37页 |
| 3.3 优化 Q 强化学习的自适应协商方法 | 第37-41页 |
| 3.3.1 参数设定 | 第37-38页 |
| 3.3.2 基于 Q 强化学习的让步协商策略 | 第38-40页 |
| 3.3.3 基于 Adaboost 的对手提议预测 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 消解多 Agent 供应链产销协同冲突自适应协商策略 | 第42-54页 |
| 4.1 基于产销协同计划的多 Agent 协商模型 | 第42-46页 |
| 4.1.1 条件假设及参数定义 | 第42-44页 |
| 4.1.2 协商模型 | 第44-46页 |
| 4.2 消解基于效用评估值最大冲突的自适应协商策略 | 第46-48页 |
| 4.2.1 基于灰色案例推理和遗传算法的协商策略 | 第46-47页 |
| 4.2.2 协商步骤描述 | 第47-48页 |
| 4.3 消解基于产销协同总成本最优冲突的自适应协商策略 | 第48-50页 |
| 4.3.1 基于粒子群和模拟退火算法的协商策略 | 第48-49页 |
| 4.3.2 算法步骤描述 | 第49-50页 |
| 4.4 消解基于市场需求变化冲突的自适应协商策略 | 第50-52页 |
| 4.4.1 基于 Q 强化学习和 Adaboost 的协商策略 | 第50-52页 |
| 4.4.2 协商步骤描述 | 第52页 |
| 4.5 本章小结 | 第52-54页 |
| 第5章 仿真实验及结果 | 第54-64页 |
| 5.1 实验变量及参数 | 第54-57页 |
| 5.1.1 供应链结构设计 | 第54-55页 |
| 5.1.2 变量及参数设定 | 第55-57页 |
| 5.2 仿真结果 | 第57-62页 |
| 5.2.1 效用值最大冲突消解的协商仿真结果 | 第57-59页 |
| 5.2.2 总成本最优冲突消解的协商仿真结果 | 第59-61页 |
| 5.2.3 市场需求变化冲突消解的协商仿真结果 | 第61-62页 |
| 5.3 本章小结 | 第62-64页 |
| 结论及展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间所发表的学术论文 | 第72-74页 |
| 攻读硕士学位期间所参与的课题研究 | 第74-76页 |
| 致谢 | 第76页 |
