摘要 | 第2-3页 |
ABSTRACT | 第3-4页 |
第1章 绪论 | 第10-18页 |
1.1 研究的背景及意义 | 第10-12页 |
1.1.1 物流行业的碳排放现状 | 第10-11页 |
1.1.2 电动车及基础设施的发展现状 | 第11-12页 |
1.2 国内外的研究现状 | 第12-14页 |
1.2.1 基于电动车的VRP研究现状 | 第12-13页 |
1.2.2 考虑能耗和碳排放的VRP研究现状 | 第13页 |
1.2.3 国内外研究现状总结 | 第13-14页 |
1.3 研究内容与论文框架 | 第14-17页 |
1.3.1 主要研究内容 | 第14-16页 |
1.3.2 论文框架 | 第16-17页 |
1.4 本章小结 | 第17-18页 |
第2章 基本理论概述 | 第18-30页 |
2.1 关于车辆路径问题概述 | 第18-20页 |
2.1.1 传统车辆路径问题分类 | 第18-19页 |
2.1.2 电动车路径问题的特点 | 第19-20页 |
2.2 考虑碳排放的单车型车辆路径问题数学模型 | 第20-22页 |
2.2.1 问题描述 | 第21页 |
2.2.2 基本假设 | 第21页 |
2.2.3 数学模型 | 第21-22页 |
2.3 关于遗传算法的基本概念及理论 | 第22-29页 |
2.3.1 编码 | 第24页 |
2.3.2 初始种群 | 第24-25页 |
2.3.3 适应度 | 第25页 |
2.3.4 选择操作 | 第25-26页 |
2.3.5 交叉操作 | 第26-28页 |
2.3.6 变异操作 | 第28页 |
2.3.7 遗传算法的特点 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
第3章 基于电动车的物流配送低碳路径问题 | 第30-40页 |
3.1 关于电动车碳排放的计算 | 第30-32页 |
3.1.1 燃油车的碳排放计算方法 | 第30-31页 |
3.1.2 电动车的碳排放计算方法 | 第31-32页 |
3.2 基于电动车的物流配送低碳路径优化问题模型的构建 | 第32-36页 |
3.2.1 问题的提出 | 第32-33页 |
3.2.2 模型符号 | 第33-34页 |
3.2.3 模型分析 | 第34-35页 |
3.2.4 模型建立 | 第35-36页 |
3.3 基于动态规划思想的电动车换电搜索策略 | 第36-39页 |
3.3.1 动态规划法的基本思想 | 第36-37页 |
3.3.2 动态规划思想的运用 | 第37-39页 |
3.4 本章小结 | 第39-40页 |
第4章 遗传算法的改进研究及算法设计 | 第40-55页 |
4.1 改进的遗传算法概述和比较 | 第40-41页 |
4.2 设计思想 | 第41-44页 |
4.2.1 爬山搜索算法(HCS) | 第41-42页 |
4.2.2 自适应交叉和变异概率策略 | 第42-44页 |
4.3 基于换电搜索和爬山搜索的自适应遗传算法具体实现 | 第44-52页 |
4.3.1 算法编码策略 | 第44-45页 |
4.3.2 初始化种群策略 | 第45-46页 |
4.3.3 适应度函数策略 | 第46页 |
4.3.4 选择操作策略 | 第46-47页 |
4.3.5 交叉操作策略 | 第47-50页 |
4.3.6 变异操作策略 | 第50-51页 |
4.3.7 爬山优化 | 第51-52页 |
4.3.8 终止准则 | 第52页 |
4.4 改进的遗传算法步骤及流程 | 第52-53页 |
4.5 本章小结 | 第53-55页 |
第5章 案例应用 | 第55-68页 |
5.1 案例背景及问题的提出 | 第55-57页 |
5.2 基础数据概述 | 第57-59页 |
5.2.1 电动车参数 | 第57-58页 |
5.2.2 换电成本 | 第58页 |
5.2.3 续航里程 | 第58-59页 |
5.2.4 模型参数汇总 | 第59页 |
5.3 算法收敛性分析 | 第59-62页 |
5.3.1 初始种群的大小 | 第60页 |
5.3.2 自适应交叉、变异概率 | 第60-62页 |
5.3.3 爬山搜索次数 | 第62页 |
5.4 算法结果分析 | 第62-67页 |
5.4.1 改进算法比较 | 第65-66页 |
5.4.2 数据结果分析 | 第66-67页 |
5.5 本章小结 | 第67-68页 |
第6章 总结与展望 | 第68-70页 |
6.1 本文总结 | 第68页 |
6.2 不足与展望 | 第68-70页 |
参考文献 | 第70-74页 |
致谢 | 第74-75页 |