基于遗传神经网络的车辆动态最短路径研究与实现
| 第一章 引言 | 第1-13页 |
| ·研究背景 | 第7页 |
| ·交通流预测的发展过程 | 第7-8页 |
| ·神经网络发展概述 | 第8-9页 |
| ·遗传神经网络--交通流预测的新途径 | 第9-10页 |
| ·最短路径概述 | 第10-12页 |
| ·最短路径分类 | 第10-11页 |
| ·动态最短路径--最短路径的发展方向 | 第11-12页 |
| ·本文的研究内与研究成果 | 第12页 |
| ·本文结构安排 | 第12-13页 |
| 第二章 BP 网络研究及应用 | 第13-23页 |
| ·神经网络概述 | 第13页 |
| ·BP 网络概述 | 第13-16页 |
| ·BP 神经元模型 | 第14-15页 |
| ·BP 网络的网络结构 | 第15页 |
| ·误差反传思想 | 第15-16页 |
| ·BP 算法的若干改进 | 第16-19页 |
| ·动量法 | 第17-18页 |
| ·学习速率自适应调整 | 第18-19页 |
| ·BP 网络应用设计 | 第19-22页 |
| ·MATLAB神经网络工具箱中的 BP 网络 | 第19-20页 |
| ·BP 网络的设计分析 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 遗传算法研究及应用 | 第23-41页 |
| ·遗传算法概述 | 第23-27页 |
| ·遗传算法的生物学基础 | 第23-24页 |
| ·遗传算法的特征 | 第24-26页 |
| ·基本遗传算法 | 第26-27页 |
| ·遗传算法应用步骤 | 第27-28页 |
| ·遗传算法的实现技术 | 第28-36页 |
| ·染色体编码方法 | 第28-31页 |
| ·个体适应度函数 | 第31页 |
| ·遗传算子 | 第31-35页 |
| ·遗传算法的运行参数 | 第35-36页 |
| ·MATLAB 遗传算法工具箱 | 第36-39页 |
| ·遗传神经网络 | 第39-41页 |
| 第四章 基于遗传神经网络的交通流量预测模型与实现 | 第41-51页 |
| ·交通流预测理论 | 第41页 |
| ·神经网络用于交通流预测的理论基础 | 第41-42页 |
| ·基于遗传神经网络的交通流量预测模型与算法实现 | 第42-45页 |
| ·交通流量数据的获取与预处理 | 第42-43页 |
| ·输入向量的确定 | 第43-44页 |
| ·编码、确定适应度函数及种群生成 | 第44-45页 |
| ·遗传操作 | 第45页 |
| ·BP 迭代训练 | 第45页 |
| ·BP 仿真计算 | 第45页 |
| ·交通流预测实验和结果分析 | 第45-48页 |
| ·遗传算法的输出结果 | 第46页 |
| ·BP 迭代训练后的输出结果 | 第46-47页 |
| ·仿真输出结果与网络性能评价 | 第47-48页 |
| ·遗传 BP 算法与快速 BP 算法的比较 | 第48页 |
| ·本章小结 | 第48-51页 |
| 第五章 车辆行驶的动态最短路径算法与实现 | 第51-60页 |
| ·路段实时行程时间的计算 | 第51页 |
| ·带限制条件的单源静态最短路径及算法分析 | 第51-55页 |
| ·交通网络图的表示和存储方式 | 第51-52页 |
| ·基于二叉堆优先级队列的 Dijkstra 算法 | 第52-54页 |
| ·带限制条件的最短路径 | 第54页 |
| ·算法实现与时间复杂度分析 | 第54-55页 |
| ·动态最短路径及算法分析 | 第55-58页 |
| ·先进先出(FIFO) | 第55-56页 |
| ·车辆通过路段实时行程时间的确定 | 第56-57页 |
| ·算法实现与时间复杂度分析 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| ·车辆动态最短路径应用步骤流程总结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 附录 | 第65-69页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第69页 |
| 个人简历: | 第69页 |
| 研究成果: | 第69页 |
| 学术论文: | 第69页 |
