| 上海交通大学博士学位论文答辩决议书 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第11-13页 |
| 图表目录 | 第13-15页 |
| 缩略语对照表 | 第15-16页 |
| 第一章 绪论 | 第16-45页 |
| 1.1 课题研究背景及意义 | 第16-24页 |
| 1.1.1 汽车装配线与多载量小车 | 第16-18页 |
| 1.1.2 汽车装配线的多载量小车实时调度问题 | 第18-20页 |
| 1.1.3 课题的研究意义 | 第20-24页 |
| 1.2 相关研究综述 | 第24-41页 |
| 1.2.1 车间物料搬运的静态调度方法 | 第25-26页 |
| 1.2.2 车间物料搬运的实时调度方法 | 第26-32页 |
| 1.2.3 基于机器学习的自适应实时调度技术 | 第32-34页 |
| 1.2.4 强化学习方法与实时调度 | 第34-37页 |
| 1.2.5 人工神经网络方法与实时调度 | 第37-40页 |
| 1.2.6 车间物料搬运实时调度问题研究现状与发展趋势小结 | 第40-41页 |
| 1.3 论文的研究目标与主要内容 | 第41-43页 |
| 1.4 论文的组织结构 | 第43-45页 |
| 第二章 基于人工神经网络和知识库的多载量小车实时调度规则选取方法 | 第45-81页 |
| 2.1 引言 | 第45页 |
| 2.2 受LIFO约束的多载量小车实时调度问题 | 第45-59页 |
| 2.2.1 一种受 LIFO 约束的多载量小车——牵引送料车 | 第45-47页 |
| 2.2.2 产品配比对物料搬运的影响 | 第47-48页 |
| 2.2.3 汽车装配线物料搬运调度的目标 | 第48-49页 |
| 2.2.4 受 LIFO 约束的多载量小车实时调度问题数学模型 | 第49-55页 |
| 2.2.5 汽车装配线中多载量小车调度过程的决策问题 | 第55-59页 |
| 2.3 基于人工神经网络和知识库的多载量小车实时调度规则选取方法 | 第59-69页 |
| 2.3.1 基本思路 | 第59-65页 |
| 2.3.2 算法框架 | 第65-69页 |
| 2.4 算法性能仿真分析 | 第69-80页 |
| 2.4.1 仿真案例参数 | 第69-72页 |
| 2.4.2 算法实例 | 第72-74页 |
| 2.4.3 仿真结果 | 第74-80页 |
| 2.5 本章小结 | 第80-81页 |
| 第三章 基于支持向量机数据分类的多载量小车实时派遣方法 | 第81-106页 |
| 3.1 引言 | 第81页 |
| 3.2 多载量小车的派遣决策问题与数据分类 | 第81-85页 |
| 3.2.1 MBS-x 派遣规则的不足 | 第81-82页 |
| 3.2.2 简化的汽车装配线多载量小车调度流程 | 第82-84页 |
| 3.2.3 派遣决策与数据分类 | 第84-85页 |
| 3.3 支持向量机分类方法 | 第85-89页 |
| 3.3.1 统计学习理论 | 第86-87页 |
| 3.3.2 支持向量机分类基本原理和算法 | 第87-89页 |
| 3.4 基于支持向量机的多载量小车实时派遣方法 | 第89-96页 |
| 3.4.1 基本框架 | 第89-91页 |
| 3.4.2 系统状态和状态分类 | 第91页 |
| 3.4.3 决策点定义 | 第91-92页 |
| 3.4.4 训练样本的生成 | 第92-96页 |
| 3.5 算法性能仿真分析 | 第96-105页 |
| 3.5.1 仿真案例参数 | 第96-97页 |
| 3.5.2 算法实例 | 第97-99页 |
| 3.5.3 仿真结果 | 第99-105页 |
| 3.6 本章小结 | 第105-106页 |
| 第四章 结合MCRS和强化学习的多载量小车实时调度方法 | 第106-146页 |
| 4.1 引言 | 第106页 |
| 4.2 基本思路 | 第106-107页 |
| 4.3 基于前瞻信息的动态再订购点法 | 第107-112页 |
| 4.4 启发式搬运任务选择及排序算法 | 第112-117页 |
| 4.5 强化学习与R-SMART学习算法 | 第117-123页 |
| 4.5.1 马尔可夫决策过程与半马尔可夫决策过程 | 第117-119页 |
| 4.5.2 强化学习原理与 R-SMART 学习算法 | 第119-123页 |
| 4.6 多载量小车实时调度问题的半马尔可夫决策模型 | 第123-130页 |
| 4.6.1 系统状态定义 | 第124-125页 |
| 4.6.2 动作定义 | 第125-127页 |
| 4.6.3 收益函数 | 第127-130页 |
| 4.7 结合MCRS与强化学习的多载量小车实时调度方法 | 第130-134页 |
| 4.7.1 CRLA 的离线阶段 | 第131-133页 |
| 4.7.2 CRLA 的在线阶段与实时阶段 | 第133-134页 |
| 4.8 算法性能评价 | 第134-145页 |
| 4.8.1 仿真案例参数 | 第134-136页 |
| 4.8.2 仿真结果 | 第136-145页 |
| 4.9 本章小结 | 第145-146页 |
| 第五章 结论与展望 | 第146-150页 |
| 5.1 本文的主要工作及成果 | 第146-148页 |
| 5.2 展望 | 第148-150页 |
| 参考文献 | 第150-158页 |
| 致谢 | 第158-159页 |
| 攻读博士学位期间已发表或录用的论文 | 第159-160页 |
| 攻读博士学位期间参与的科研项目 | 第160页 |
