导航软件之公交系统导航和TSP问题的研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景 | 第8页 |
| ·国内外发展现状 | 第8-11页 |
| ·国内外交通预测系统研究现状 | 第8-9页 |
| ·国内外公交系统研究现状 | 第9-10页 |
| ·国内外主流导航软件 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·城市交通拥挤原因 | 第12页 |
| ·本文论文结构 | 第12-14页 |
| 第二章 神经网络 | 第14-25页 |
| ·神经网络基础知识 | 第14-17页 |
| ·生物神经网络 | 第14页 |
| ·人工神经网络模型 | 第14-15页 |
| ·神经网络的结构和工作方式 | 第15-17页 |
| ·BP 神经网络 | 第17-21页 |
| ·BP 神经网络的定义及其特点和应用 | 第17-18页 |
| ·BP 神经网络的结构 | 第18-20页 |
| ·BP 算法的流程图 | 第20-21页 |
| ·网络性能分析 | 第21-22页 |
| ·几种改进的 BP 算法 | 第22-24页 |
| ·附加动量项法 | 第22页 |
| ·自适应学习率法 | 第22页 |
| ·附加动量项与自适应学习率结合的快速 BP 算法 | 第22-23页 |
| ·共轭梯度算法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 蚁群算法 | 第25-33页 |
| ·蚂蚁生物特征和种群行为 | 第25-26页 |
| ·蚂蚁的特征 | 第25页 |
| ·蚂蚁的群体行为 | 第25-26页 |
| ·蚁群算法基础知识 | 第26-27页 |
| ·蚁群算法的定义和应用 | 第26页 |
| ·蚁群算法的原理极其过程 | 第26-27页 |
| ·蚁群算法特点 | 第27-28页 |
| ·蚁群算法的优点 | 第27页 |
| ·蚁群算法的缺点 | 第27-28页 |
| ·算法的实现 | 第28-32页 |
| ·算法实现的简单文字描述 | 第28页 |
| ·轮盘选择 | 第28-30页 |
| ·蚁群算法模型 | 第30-31页 |
| ·蚁群算法实现步骤 | 第31-32页 |
| ·算法流程图 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第四章 一种改进的 TSP 解决方案 | 第33-45页 |
| ·改进的 BP 算法 | 第33-34页 |
| ·改进的 BP 网络在道路拥堵预测系统中的应用 | 第34-38页 |
| ·预测系统的原理与分类 | 第34-35页 |
| ·网络输入参数的选择 | 第35-36页 |
| ·网络各层节点的选择 | 第36-37页 |
| ·神经网络模型和训练 | 第37-38页 |
| ·结果 | 第38-39页 |
| ·改进的蚁群算法 | 第39-40页 |
| ·现有的改进的蚁群算法-ACS[42,43] | 第39页 |
| ·基于等级的蚂蚁系统-AS[44] | 第39-40页 |
| ·最大最小蚂蚁系统-MMAS[45,46] | 第40页 |
| ·新的改进的蚁群算法 | 第40-44页 |
| ·选择概率设置 | 第40-41页 |
| ·信息素更新规则设置 | 第41-42页 |
| ·算法测试 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 导航软件 | 第45-67页 |
| ·基础理论 | 第45页 |
| ·公交线路网模型 | 第45-47页 |
| ·城市公交网的设计 | 第46页 |
| ·城市公交线网模型 | 第46-47页 |
| ·公交数据分析 | 第47-50页 |
| ·公交线路分析 | 第47-48页 |
| ·公交站点分析 | 第48-50页 |
| ·公交网络建模 | 第50-55页 |
| ·公交网络的特点 | 第50-51页 |
| ·公交站点抽象 | 第51页 |
| ·公交线路抽象 | 第51-52页 |
| ·道路分类及导航系统代码字段介绍 | 第52-55页 |
| ·公交路径算法的设计与实现 | 第55-61页 |
| ·出行选择的分析 | 第55页 |
| ·算法选择之最短路径 | 第55-56页 |
| ·传统的 Dijkstra 的算法描述 | 第56-57页 |
| ·导航软件中的导航算法 | 第57-61页 |
| ·算法流程图 | 第61页 |
| ·导航软件在 VS2005 中的实现 | 第61-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71页 |
