| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-19页 |
| 第一章 绪论 | 第19-29页 |
| 1.1 研究背景和意义 | 第19-20页 |
| 1.2 基于全局优化和局部搜索的密母算法 | 第20-24页 |
| 1.2.1 密母算法研究进展 | 第20-22页 |
| 1.2.2 密母算法研究面临的问题和挑战 | 第22-24页 |
| 1.3 进化多目标优化算法 | 第24-26页 |
| 1.3.1 多目标优化问题相关定义 | 第24页 |
| 1.3.2 多目标优化的研究必要性 | 第24-25页 |
| 1.3.3 进化多目标优化算法研究进展 | 第25-26页 |
| 1.4 本文的工作和主要内容 | 第26-29页 |
| 第二章 基于链式局部搜索策略的混合多目标优化算法 | 第29-37页 |
| 2.1 引言 | 第29-30页 |
| 2.2 基于链式局部搜索的混合多目标优化算法 | 第30-32页 |
| 2.2.1 链式局部搜索策略 | 第30页 |
| 2.2.2 基于多样性的个体选择机制 | 第30-31页 |
| 2.2.3 计算资源的自适应分配策略 | 第31页 |
| 2.2.4 基于链式局部搜索的混合多目标优化算法设计 | 第31-32页 |
| 2.3 仿真对比实验及分析 | 第32-36页 |
| 2.3.1 实验设置和评价准则 | 第32-33页 |
| 2.3.2 对比实验一：HNSGA-Ⅱ vs.NSGA-Ⅱ | 第33-34页 |
| 2.3.3 对比实验二：HMOEA/D vs.MOEA/D | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于自适应分解策略的混合多目标优化算法 | 第37-51页 |
| 3.1 引言 | 第37页 |
| 3.2 基于自适应分解策略的混合多目标优化算法 | 第37-39页 |
| 3.2.1 自适应分解策略 | 第37-39页 |
| 3.2.2 基于自适应分解策略的多目标算法设计 | 第39页 |
| 3.3 仿真对比实验及分析 | 第39-49页 |
| 3.3.0 实验设置和评价准则 | 第39-41页 |
| 3.3.1 对离散Pareto前沿面的测试问题的对比结果 | 第41-44页 |
| 3.3.2 对其它测试问题的对比结果 | 第44-47页 |
| 3.3.3 参数对算法效果的影响 | 第47-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 基于自适应多密母优化的柔性车间调度算法 | 第51-79页 |
| 4.1 引言 | 第51-53页 |
| 4.2 FJSP数学模型 | 第53-56页 |
| 4.2.1 FJSP定义 | 第53-54页 |
| 4.2.2 FJSP析取图模型 | 第54-56页 |
| 4.3 自适应多密母算法求解FJSP | 第56-65页 |
| 4.3.1 遗传编码 | 第56-57页 |
| 4.3.2 交叉和变异算子 | 第57-59页 |
| 4.3.3 局部搜索策略 | 第59-62页 |
| 4.3.4 自适应算子选择策略 | 第62-64页 |
| 4.3.5 自适应多密母算法设计 | 第64-65页 |
| 4.4 仿真对比实验及分析 | 第65-73页 |
| 4.4.1 实验设置 | 第65-67页 |
| 4.4.2 在BRdata数据集的测试结果 | 第67-69页 |
| 4.4.3 在BCdata数据集的测试结果 | 第69-70页 |
| 4.4.4 在DPdata数据集的测试结果 | 第70-71页 |
| 4.4.5 在HUdata数据集的测试结果 | 第71-73页 |
| 4.5 算法有效性验证与分析 | 第73-77页 |
| 4.5.1 结合多种局部搜索策略的有效性分析 | 第73-75页 |
| 4.5.2 自适应算子选择策略的有效性分析 | 第75页 |
| 4.5.3 参数对算法效果的影响 | 第75-77页 |
| 4.6 本章小结 | 第77-79页 |
| 第五章 基于启发式搜索的多目标柔性车间调度算法 | 第79-89页 |
| 5.1 引言 | 第79-80页 |
| 5.2 MO-FJSP问题描述 | 第80-81页 |
| 5.3 基于启发式搜索的多目标算法求解MO-FJSP | 第81-83页 |
| 5.3.1 基于Pareto机制的局部搜索 | 第81-82页 |
| 5.3.2 基于启发式搜索的多目标算法设计 | 第82-83页 |
| 5.4 仿真实验及分析 | 第83-87页 |
| 5.4.1 实验设置和评价准则 | 第83-84页 |
| 5.4.2 在Kacem和BRdata数据集上的测试结果 | 第84-87页 |
| 5.4.3 启发式搜索策略的有效性分析 | 第87页 |
| 5.5 本章小结 | 第87-89页 |
| 第六章 基于多目标优化的个性化推荐算法 | 第89-105页 |
| 6.1 引言 | 第89-90页 |
| 6.2 推荐算法的一般模型 | 第90-91页 |
| 6.3 基于多目标优化的个性化推荐算法 | 第91-95页 |
| 6.3.1 用户聚类 | 第91-92页 |
| 6.3.2 两目标函数设计 | 第92页 |
| 6.3.3 准确度评估策略 | 第92-93页 |
| 6.3.4 个体编码和遗传算子 | 第93-95页 |
| 6.4 仿真实验及分析 | 第95-103页 |
| 6.4.1 实验设置和评价准侧 | 第95-96页 |
| 6.4.2 算法有效性分析 | 第96-98页 |
| 6.4.3 在Movielens数据集上的对比实验结果 | 第98-101页 |
| 6.4.4 优化目标个数的分析 | 第101-102页 |
| 6.4.5 用户聚类有效性分析 | 第102-103页 |
| 6.5 本章小结 | 第103-105页 |
| 第七章 基于深度神经网络的标签物品推荐算法 | 第105-117页 |
| 7.1 引言 | 第105-106页 |
| 7.2 基于标签的推荐模型 | 第106-107页 |
| 7.3 基于深度神经网络的标签化物品推荐算法 | 第107-110页 |
| 7.3.1 用户特征表示 | 第107-108页 |
| 7.3.2 基于深度神经网络的标签信息处理 | 第108-110页 |
| 7.3.3 基于深度神经网络的物品推荐 | 第110页 |
| 7.4 仿真实验及分析 | 第110-116页 |
| 7.4.1 实验设置和评价准则 | 第110-113页 |
| 7.4.2 在两个数据集上的对比实验结果 | 第113-114页 |
| 7.4.3 网络深度对算法效果影响 | 第114-116页 |
| 7.5 本章小结 | 第116-117页 |
| 第八章 总结和展望 | 第117-121页 |
| 参考文献 | 第121-133页 |
| 致谢 | 第133-135页 |
| 作者简介 | 第135页 |
