| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和研究现状 | 第9-11页 |
| 1.1.1 模糊网络最短路径问题 | 第9-10页 |
| 1.1.2 时变网络最短路径问题 | 第10-11页 |
| 1.1.3 边权动态的时变网络最短路径问题 | 第11页 |
| 1.2 本文的创新点 | 第11-12页 |
| 1.3 本文的研究路线图和组织结构 | 第12-13页 |
| 第二章 PCNN神经网络框架的运行原理和应用场景 | 第13-16页 |
| 2.1 PCNN神经网络框架的运行原理 | 第13-14页 |
| 2.1.1 PCNN模型 | 第13-14页 |
| 2.1.2 PCNN特性 | 第14页 |
| 2.2 PCNN神经网络框架的应用场景 | 第14-15页 |
| 2.3 本章小结 | 第15-16页 |
| 第三章 模糊网络最短路径问题的神经网络框架 | 第16-28页 |
| 3.1 模糊网络最短路径问题定义 | 第16-17页 |
| 3.1.1 预备知识 | 第16页 |
| 3.1.2 问题定义 | 第16-17页 |
| 3.2 模糊网络神经网络框架 | 第17-19页 |
| 3.3 PFNNSP算法解决模糊最短路径问题 | 第19-22页 |
| 3.3.1 PFNNSP算法描述 | 第19-20页 |
| 3.3.2 模糊网络实例及算法运行步骤 | 第20-22页 |
| 3.4 实验结果及分析 | 第22-27页 |
| 3.4.1 随机生成模糊网络上的算法对比实验 | 第22-25页 |
| 3.4.2 国际数据集上的算法对比实验 | 第25-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 边权动态的时变网络最短路径问题的神经网络框架 | 第28-36页 |
| 4.1 边权动态的时变网络最短路径问题定义 | 第28-31页 |
| 4.1.1 边权动态的时变网络模型描述 | 第28-29页 |
| 4.1.2 边权动态的时变最短路径问题的公式推导 | 第29-30页 |
| 4.1.3 概率最大路径问题定义 | 第30-31页 |
| 4.2 边权动态的时变网络神经网络框架 | 第31页 |
| 4.3 STDNN算法解决边权动态的时变网络最短路径问题 | 第31-32页 |
| 4.4 试验结果及分析 | 第32-35页 |
| 4.4.1 实验环境 | 第32-33页 |
| 4.4.2 实验方法 | 第33页 |
| 4.4.3 实验结果及分析 | 第33-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第五章 带时间窗的时变网络最短路径问题的神经网络框架 | 第36-49页 |
| 5.1 带时间窗的时变网络最短路径问题定义 | 第36页 |
| 5.2 带时间窗的时变网络神经网络框架 | 第36-38页 |
| 5.3 TDNN算法解决时变网络最短路径问题 | 第38-42页 |
| 5.3.1 TDNN算法流程概述 | 第38页 |
| 5.3.2 相关定理及证明 | 第38-41页 |
| 5.3.3 TDNN算法形式化描述 | 第41-42页 |
| 5.4 实验结果及分析 | 第42-48页 |
| 5.4.1 实例部分 | 第42-44页 |
| 5.4.2 实验对比部分 | 第44-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-50页 |
| 6.1 本文工作总结 | 第49页 |
| 6.2 今后工作展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 发表论文和科研情况说明 | 第53-54页 |
| 致谢 | 第54-55页 |
| 附录一：TDNN算法和PCNN算法在小规模动态数据集上的实验对比图 | 第55-63页 |
