| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第10-14页 |
| 图目录 | 第14-15页 |
| 表目录 | 第15-17页 |
| 第一章 绪论 | 第17-31页 |
| 1.1 研究背景与意义 | 第17-18页 |
| 1.2 国内外研究进展 | 第18-26页 |
| 1.2.1 合作协同演化算法研究进展 | 第18-20页 |
| 1.2.2 微粒群优化算法研究进展 | 第20-24页 |
| 1.2.3 微粒群优化计算典型应用 | 第24-26页 |
| 1.3 研究目的 | 第26页 |
| 1.4 研究内容 | 第26-27页 |
| 1.5 创新点 | 第27-28页 |
| 1.6 论文结构 | 第28-31页 |
| 第二章 相关理论 | 第31-45页 |
| 2.1 引言 | 第31页 |
| 2.2 最优化理论 | 第31-36页 |
| 2.2.1 单目标优化问题 | 第32-34页 |
| 2.2.2 多目标优化问题 | 第34-36页 |
| 2.3 合作协同演化理论 | 第36-37页 |
| 2.4 智能计算方法 | 第37-44页 |
| 2.4.1 微粒群优化算法 | 第37-40页 |
| 2.4.2 蜂群优化算法 | 第40-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第三章 基于自适应学习的并行协同微粒群算法及理论研究 | 第45-57页 |
| 3.1 引言 | 第45页 |
| 3.2 基于自适应学习的并行 PSO 算法 | 第45-49页 |
| 3.2.1 并行协同演化策略 | 第46-47页 |
| 3.2.2 自适应学习机制 | 第47页 |
| 3.2.3 HLPSO 算法描述 | 第47-48页 |
| 3.2.4 HLPSO 算法实现 | 第48-49页 |
| 3.3 自适应学习的并行 PSO 算法理论基础 | 第49-53页 |
| 3.3.1 HLPSO 算法收敛性分析 | 第50-52页 |
| 3.3.2 HLPSO 算法复杂度分析 | 第52-53页 |
| 3.4 | 第53-56页 |
| 3.4.1 测试函数 | 第53页 |
| 3.4.2 均值方差对比 | 第53-55页 |
| 3.4.3 双侧 T-检验 | 第55-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于多阶段协同微粒群智能优化算法 | 第57-81页 |
| 4.1 引言 | 第57页 |
| 4.2 多阶段协同微粒群智能优化算法 | 第57-61页 |
| 4.2.1 DMPSOABC 算法思想 | 第57-58页 |
| 4.2.2 DMPSOABC 算法模型 | 第58-59页 |
| 4.2.3 DMPSOABC 算法描述 | 第59-60页 |
| 4.2.4 DMPSOABC 算法实现 | 第60-61页 |
| 4.3 DMPSOABC 算法时间复杂度分析 | 第61-62页 |
| 4.4 DMPSOABC 算法在函数优化中的应用 | 第62-71页 |
| 4.4.1 测试函数 | 第62-63页 |
| 4.4.2 实验目的 | 第63页 |
| 4.4.3 实验环境 | 第63页 |
| 4.4.4 参数设置 | 第63-64页 |
| 4.4.5 实验结果 | 第64-71页 |
| 4.5 基于多阶段协同的柔性作业车间智能调度 | 第71-80页 |
| 4.5.1 柔性车间调度问题数学模型 | 第71页 |
| 4.5.2 柔性车间调度算法描述 | 第71-76页 |
| 4.5.3 实例验证 | 第76-80页 |
| 4.6 本章小结 | 第80-81页 |
| 第五章 基于空间自适应划分的动态种群多目标优化算法 | 第81-102页 |
| 5.1 引言 | 第81页 |
| 5.2 基于空间自适应划分的动态多目标优化算法 | 第81-87页 |
| 5.2.1 ECMPSO 算法思想 | 第81-85页 |
| 5.2.2 ECMPSO 算法模型 | 第85-86页 |
| 5.2.3 ECMPSO 算法描述 | 第86-87页 |
| 5.3 ECMPSO 算法时间复杂度分析 | 第87页 |
| 5.4 实验测试 | 第87-97页 |
| 5.4.1 测试函数及参数设置 | 第87-89页 |
| 5.4.2 参数敏感性分析 | 第89-92页 |
| 5.4.3 测试结果 | 第92-97页 |
| 5.5 ECMPSO 在解决环境经济调度问题中应用 | 第97-101页 |
| 5.5.1 环境经济调度的数学模型 | 第98页 |
| 5.5.2 环境经济调度算法描述 | 第98-99页 |
| 5.5.3 仿真实验与分析 | 第99-101页 |
| 5.6 本章小结 | 第101-102页 |
| 第六章 基于集合编码的车辆路径多目标优化模型及算法 | 第102-117页 |
| 6.1 引言 | 第102页 |
| 6.2 带时间窗车辆路径多目标优化模型 | 第102-104页 |
| 6.3 基于集合编码的带时间窗车辆路径多目标优化算法 | 第104-110页 |
| 6.3.1 算法思想 | 第104页 |
| 6.3.2 种群编码 | 第104-105页 |
| 6.3.3 初始化种群 | 第105-106页 |
| 6.3.4 粒子更新 | 第106-109页 |
| 6.3.5 局部搜索策略 | 第109页 |
| 6.3.6 算法描述 | 第109-110页 |
| 6.4 实验仿真与结果分析 | 第110-116页 |
| 6.4.1 测试问题 | 第110页 |
| 6.4.2 性能评价指标 | 第110-111页 |
| 6.4.3 实验结果 | 第111-114页 |
| 6.4.4 实例分析 | 第114-116页 |
| 6.5 本章小结 | 第116-117页 |
| 第七章 低碳供应链选址-路径-库存集成优化模型及算法 | 第117-134页 |
| 7.1 引言 | 第117-119页 |
| 7.2 考虑碳排放的 CLIRP 模型 | 第119-124页 |
| 7.2.1 问题描述及假设 | 第119-120页 |
| 7.2.2 模型构建 | 第120-124页 |
| 7.3 基于两阶段协同多目标微粒群的 CLRIP 决策算法 | 第124-128页 |
| 7.3.1 算法思想 | 第124-127页 |
| 7.3.2 算法模型 | 第127页 |
| 7.3.3 算法描述 | 第127-128页 |
| 7.4 数值与算例分析 | 第128-133页 |
| 7.5 本章小结 | 第133-134页 |
| 第八章 总结与展望 | 第134-136页 |
| 8.1 本文的主要工作和结论 | 第134页 |
| 8.2 对未来工作的研究展望 | 第134-136页 |
| 参考文献 | 第136-145页 |
| 攻读博士学位期间发表的论文和参与科研项目 | 第145-147页 |
| 致谢 | 第147页 |
