首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--理论、方法论文--算法理论论文

一个蚁群优化算法及其在CVRP问题中的应用研究

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

论文共82页,点击 下载论文
上一篇:数据清洗技术的研究及其应用
下一篇:中文命名实体识别及其关系抽取研究