第一章 引言 | 第1-11页 |
1.1 课题背景 | 第7页 |
1.2 研究内容 | 第7-9页 |
1.3 课题意义 | 第9-10页 |
1.4 本文结构 | 第10-11页 |
第二章 蚁群算法简介及研究现状 | 第11-21页 |
2.1 组合优化问题的传统解决方案 | 第11-12页 |
2.2 蚁群算法简介 | 第12-13页 |
2.3 蚁群算法研究现状 | 第13-14页 |
2.4 对MMAS 算法的分析 | 第14-17页 |
2.4.1 信息素的刷新 | 第14-15页 |
2.4.2 信息素的限制 | 第15-16页 |
2.4.3 局部搜索策略 | 第16页 |
2.4.4 信息素的刷新机制与MMAS 分类 | 第16-17页 |
2.5 基于均匀分布的自适应蚁群算法的分析 | 第17-21页 |
2.5.1 自适应蚁群算法 | 第17页 |
2.5.2 基于分布均匀度的自适应蚁群算法 | 第17-21页 |
第三章 车辆调度问题(VRP)概述 | 第21-26页 |
3.1 VRP 问题的提出和发展 | 第21-22页 |
3.1.1 VRP 问题发展三个阶段 | 第21-22页 |
3.1.2 VRP 问题一般组合条件 | 第22页 |
3.2 VRP 问题的基本解法 | 第22-23页 |
3.3 蚁群算法运用于CVRP 问题的研究现状 | 第23-26页 |
第四章 CVRP 问题的适应度地形分析 | 第26-32页 |
4.1 元启发和适应度地形分析 | 第26-27页 |
4.2 蚁群优化算法解CVRP 问题的适应度地形分析 | 第27-32页 |
4.2.1 P-n101-k4 问题的适应度地形分析 | 第29-30页 |
4.2.2 P-n76-k4 与P-n76-k5 问题的适应度地形分 | 第30-32页 |
第五章 K-OPT 局部搜索方法分析 | 第32-43页 |
5.1 2-OPT局部搜索方法分析 | 第32-34页 |
5.2 2-H-OPT局部搜索方法分析 | 第34-35页 |
5.3 3-OPT局部搜索方法分析 | 第35-38页 |
5.4 运用K-OPT局部搜索方法的实验结果分析 | 第38-43页 |
5.4.1 初始化信息素阶段使用k-opt 方法的实验分析 | 第38-40页 |
5.4.2 优化完整解阶段使用k-opt 方法的实验分析 | 第40-41页 |
5.4.3 k-opt 方法运用于其他CVRP 问题的分析 | 第41-43页 |
第六章 NDLACO 算法设计与实现 | 第43-53页 |
6.1 NDLACO 算法提出背景 | 第43-44页 |
6.2 ACO 算法解CVRP 与TSP 问题研究现状 | 第44页 |
6.3 蚁群算法经典设计模型 | 第44-46页 |
6.3.1 蚂蚁的节点选择原则 | 第45页 |
6.3.2 信息素局部更新原则 | 第45页 |
6.3.3 信息素全局更新原则 | 第45-46页 |
6.4 NDLACO 算法设计模型 | 第46-48页 |
6.4.1 最近邻居选择原则 | 第46页 |
6.4.2 局部启发搜索3-opt 原则 | 第46-47页 |
6.4.3 基于均匀分布度的选择原则 | 第47页 |
6.4.4 信息素局部更新原则 | 第47-48页 |
6.4.5 信息素全局更新原则 | 第48页 |
6.5 主要数据结构 | 第48-50页 |
6.6 算法描述 | 第50-53页 |
第七章 NDLACO 算法实验分析 | 第53-68页 |
7.1 参数Α的实验数据分析 | 第53-57页 |
7.2 参数Β的实验数据分析 | 第57-60页 |
7.3 参数ρ的实验数据分析 | 第60-61页 |
7.4 参数N_ANTS的实验数据分析 | 第61-65页 |
7.5 NDLACO 解CVRP 类问题的试验分析 | 第65-67页 |
7.5.1 MMAS 与NDLACO 算法解CVRP 的实验比较 | 第65-66页 |
7.5.2 NDLACO 算法解CVRP 问题实验分析 | 第66-67页 |
7.6 实验结果综述 | 第67-68页 |
第八章 结束语 | 第68-70页 |
8.1 小结 | 第68页 |
8.2 进一步工作 | 第68-70页 |
附录 | 第70-73页 |
REFERENCES | 第73-77页 |
参考文献 | 第77-78页 |
攻读学位期间公开发表的论文 | 第78-79页 |
致谢 | 第79-80页 |
详细摘要 | 第80-82页 |