| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究的背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要研究工作 | 第11-12页 |
| 1.4 论文的内容安排 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 2 交互式遗传算法基础 | 第13-20页 |
| 2.1 遗传算法 | 第13-17页 |
| 2.2 交互式遗传算法 | 第17-19页 |
| 2.2.1 交互式遗传算法概述 | 第17-18页 |
| 2.2.2 交互式遗传算法的特性 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 基于评价偏差修正机制的交互式遗传算法 | 第20-33页 |
| 3.1 评价偏差及相关概念定义 | 第20-22页 |
| 3.2 评价个体适应值的修正 | 第22-23页 |
| 3.3 用户评价个体的选择 | 第23页 |
| 3.4 对未评价个体适应值估算 | 第23-24页 |
| 3.5 EDCM-IGA算法流程 | 第24-26页 |
| 3.6 EDCM-IGA在设施布局设计中的应用 | 第26-32页 |
| 3.6.1 设施布局问题概述 | 第26-27页 |
| 3.6.2 实验设计方案 | 第27-29页 |
| 3.6.3 实验环境设置及结果分析 | 第29-32页 |
| 3.7 本章小结 | 第32-33页 |
| 4 基于样本扩增极限学习机代理模型的交互式遗传算法 | 第33-46页 |
| 4.1 极限学习机概述 | 第33-37页 |
| 4.1.1 极限学习机原理 | 第33-35页 |
| 4.1.2 极限学习机存在的问题及改进方案 | 第35-37页 |
| 4.2 SA-ELM代理模型介绍 | 第37-39页 |
| 4.2.1 样本扩增 | 第37-38页 |
| 4.2.2 分类器训练 | 第38页 |
| 4.2.3 样本分类预测 | 第38页 |
| 4.2.4 SA-ELM算法流程 | 第38-39页 |
| 4.3 SA-ELM代理模型应用及实验分析 | 第39-45页 |
| 4.3.1 实验设计方案 | 第39-41页 |
| 4.3.2 实验结果分析 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46-47页 |
| 5.2 未来工作展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间出版或发表的论著、论文 | 第51-52页 |
| 致谢 | 第52页 |