基于混合粒子群算法的列车开行方案优化研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 研究现状 | 第9-14页 |
| 1.2.1 开行方案 | 第9-11页 |
| 1.2.2 粒子群算法 | 第11-14页 |
| 1.3 论文工作 | 第14-17页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 组织结构 | 第15-17页 |
| 第二章 列车开行方案及多目标优化理论 | 第17-24页 |
| 2.1 列车开行方案 | 第17-20页 |
| 2.1.1 基本属性 | 第17页 |
| 2.1.2 制定原则 | 第17-19页 |
| 2.1.3 影响因素 | 第19-20页 |
| 2.2 多目标优化理论 | 第20-23页 |
| 2.2.1 定义 | 第20-21页 |
| 2.2.2 既有方法分类 | 第21-22页 |
| 2.2.3 模型评价 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 列车停站方案模型优化研究 | 第24-44页 |
| 3.1 列车开行方案现状分析 | 第24-26页 |
| 3.2 客流特征分析 | 第26-37页 |
| 3.2.1 OD客流分布 | 第26页 |
| 3.2.2 空间客流分布 | 第26-30页 |
| 3.2.3 基于主题模型的站点客流特征分析 | 第30-37页 |
| 3.3 客运站点等级划分 | 第37-39页 |
| 3.3.1 等级划分指标 | 第37-38页 |
| 3.3.2 基于信息熵的灰色关联等级划分 | 第38-39页 |
| 3.4 列车停站方案模型构建 | 第39-41页 |
| 3.4.1 基本假设 | 第39页 |
| 3.4.2 模型构建 | 第39-41页 |
| 3.5 基于多目标算法的模型求解思路 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 多目标混合粒子群算法改进 | 第44-57页 |
| 4.1 粒子群算法 | 第44-46页 |
| 4.1.1 基本原理 | 第44页 |
| 4.1.2 性能分析 | 第44-46页 |
| 4.2 量子遗传算法 | 第46-47页 |
| 4.2.1 基本原理 | 第46-47页 |
| 4.2.2 算法流程 | 第47页 |
| 4.3 算法改进 | 第47-52页 |
| 4.3.1 基本思想 | 第48-49页 |
| 4.3.2 旋转门更新策略改进 | 第49-50页 |
| 4.3.3 多目标Pareto最优解构造改进 | 第50-51页 |
| 4.3.4 算法流程 | 第51-52页 |
| 4.4 实验分析 | 第52-56页 |
| 4.4.1 参数选取 | 第52-53页 |
| 4.4.2 性能分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 列车开行方案设计及辅助决策系统实现 | 第57-79页 |
| 5.1 列车开行起讫点及开行对数 | 第57-60页 |
| 5.2 列车停站次数 | 第60-61页 |
| 5.3 列车停站方案优化 | 第61-71页 |
| 5.3.1 方案求解 | 第61-66页 |
| 5.3.2 实验分析 | 第66-71页 |
| 5.4 辅助决策系统实现 | 第71-78页 |
| 5.4.1 系统需求 | 第71-72页 |
| 5.4.2 系统分析 | 第72-74页 |
| 5.4.3 系统总体架构设计 | 第74-75页 |
| 5.4.4 系统实现 | 第75-78页 |
| 5.5 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 全文总结 | 第79页 |
| 6.2 展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间的研究成果 | 第86页 |
