| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 资源调度优化技术 | 第12-13页 |
| 1.2.2 研究现状 | 第13页 |
| 1.3 主要内容和组织结构 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 资源受限下维修任务网调度问题模型 | 第15-28页 |
| 2.1 经典RCPSP模型及其求解算法 | 第15-20页 |
| 2.1.1 基本概念及约束条件 | 第15-17页 |
| 2.1.2 RCPSP模型扩展 | 第17-18页 |
| 2.1.3 求解算法 | 第18-20页 |
| 2.2 资源受限下维修任务网调度模型 | 第20-27页 |
| 2.2.1 环境数据 | 第20-22页 |
| 2.2.2 约束关系 | 第22-24页 |
| 2.2.3 问题目标 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于优先规则的SSGS启发式算法 | 第28-37页 |
| 3.1 基本概念 | 第28-29页 |
| 3.2 算法基本思想及总体流程 | 第29-30页 |
| 3.3 优先规则 | 第30-34页 |
| 3.3.1 工位选择优先规则 | 第30-31页 |
| 3.3.2 资源选择优先规则 | 第31-32页 |
| 3.3.3 工序选择优先规则 | 第32页 |
| 3.3.4 人员选择优先规则 | 第32页 |
| 3.3.5 死锁问题及解锁规则 | 第32-34页 |
| 3.4 数据结构及输出格式 | 第34-36页 |
| 3.4.1 数据结构 | 第34-35页 |
| 3.4.2 算法输出格式 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于粒子群和遗传算法的混合优化算法 | 第37-53页 |
| 4.1 蚁群优化算法 | 第37-40页 |
| 4.1.1 蚁群算法 | 第37-38页 |
| 4.1.2 MMAS算法 | 第38-40页 |
| 4.2 遗传算法和粒子群算法 | 第40-46页 |
| 4.2.1 遗传算法 | 第40-44页 |
| 4.2.2 粒子群算法 | 第44-46页 |
| 4.3 基于PSO-GA的混合优化算法 | 第46-51页 |
| 4.3.1 编码及解码 | 第47-48页 |
| 4.3.2 基于Logistic映射的改进粒子群算法 | 第48页 |
| 4.3.3 适应值函数 | 第48页 |
| 4.3.4 进化策略 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 5 实验结果及分析 | 第53-60页 |
| 5.1 测试用例及实验设置 | 第53-54页 |
| 5.2 算法参数评估 | 第54-56页 |
| 5.3 性能和可行性分析 | 第56-57页 |
| 5.4 基于PSO-GA的混合算法与MMAS算法对比 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 结论 | 第60-62页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |