| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-26页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 启发式算法 | 第12-22页 |
| 1.2.1 启发式算法概况 | 第12-14页 |
| 1.2.2 求解组合优化问题的启发式算法 | 第14-22页 |
| 1.2.3 启发式算法的优缺点 | 第22页 |
| 1.3 论文的研究思路 | 第22-23页 |
| 1.4 论文组织结构 | 第23-26页 |
| 第二章 二部图及研究问题介绍 | 第26-46页 |
| 2.1 图的基本概念以及相关性质 | 第26-29页 |
| 2.2 二部图的匹配 | 第29-33页 |
| 2.2.1 最大匹配匈牙利算法 | 第30-31页 |
| 2.2.2 最大权匹配的K-M算法 | 第31-32页 |
| 2.2.3 最大流加权匹配算法 | 第32-33页 |
| 2.3 相容二部图的谱分解 | 第33-36页 |
| 2.4 抠图问题概况 | 第36-41页 |
| 2.4.1 问题描述 | 第36-38页 |
| 2.4.2 国内外研究现状 | 第38-41页 |
| 2.5 双层车辆路径优化问题概况 | 第41-46页 |
| 2.5.1 问题描述 | 第41-43页 |
| 2.5.2 国内外研究现状 | 第43-46页 |
| 第三章 增加多样性策略的启发式算法 | 第46-63页 |
| 3.1 引言 | 第46-47页 |
| 3.2 相关工作 | 第47-51页 |
| 3.2.1 全局采样抠图方法 | 第48-50页 |
| 3.2.2 复杂采样抠图方法 | 第50-51页 |
| 3.3 增加多样性策略的启发式抠图方法 | 第51-57页 |
| 3.3.1 抠图问题的二部图特征 | 第51-52页 |
| 3.3.2 收集前景/背景样本集 | 第52-55页 |
| 3.3.3 最佳前景背景样本对选择 | 第55-56页 |
| 3.3.4 相关平滑处理 | 第56-57页 |
| 3.4 实验结果 | 第57-60页 |
| 3.5 本章小结 | 第60-63页 |
| 第四章 基于个人偏好策略的启发式算法 | 第63-84页 |
| 4.1 引言 | 第63-64页 |
| 4.2 相关工作 | 第64-68页 |
| 4.2.1 人机合作的头脑风暴算法 | 第65-67页 |
| 4.2.2 蚁群算法求解双层车辆路径优化问题 | 第67-68页 |
| 4.3 基于个人偏好的启发式双层路径优化算法 | 第68-75页 |
| 4.3.1 双层车辆路径优化问题的二部图特征 | 第68-70页 |
| 4.3.2 卫星-顾客分配估计 | 第70-71页 |
| 4.3.3 多种群信息素更新规则 | 第71-74页 |
| 4.3.4 解的偏好调整 | 第74-75页 |
| 4.4 实验结果 | 第75-82页 |
| 4.4.1 测试样例与参数描述 | 第75页 |
| 4.4.2 偏好启发式策略的蚁群算法实验比较 | 第75-77页 |
| 4.4.3 实验结果分析 | 第77-82页 |
| 4.5 本章小结 | 第82-84页 |
| 第五章 基于模糊演化的启发式算法 | 第84-109页 |
| 5.1 引言 | 第84-85页 |
| 5.2 相关工作 | 第85-88页 |
| 5.3 基于模糊演化的启发式优化算法 | 第88-95页 |
| 5.3.1 模糊关系分解 | 第88-91页 |
| 5.3.2 模糊分配流程 | 第91-93页 |
| 5.3.3 解的表达形式与评价 | 第93-94页 |
| 5.3.4 初始解以及模糊矩阵更新 | 第94-95页 |
| 5.4 实验结果 | 第95-105页 |
| 5.4.1 测试集 | 第95页 |
| 5.4.2 对比算法以及参数设置 | 第95-97页 |
| 5.4.3 模糊分配在双层车辆优化问题求解中的实验分析 | 第97-99页 |
| 5.4.4 实验结果分析 | 第99-105页 |
| 5.5 本章小结 | 第105-109页 |
| 第六章 总结与展望 | 第109-112页 |
| 6.1 总结 | 第109-110页 |
| 6.2 展望 | 第110-112页 |
| 参考文献 | 第112-124页 |
| 攻读博士学位期间取得的研究成果 | 第124-126页 |
| 致谢 | 第126-127页 |
| 附件 | 第127页 |