| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景和研究意义 | 第8-11页 |
| 1.1.1 研究背景 | 第8-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 车辆路径问题的研究现状 | 第11-12页 |
| 1.2.2 人工蜂群算法的研究现状 | 第12-13页 |
| 1.3 研究内容与技术路线 | 第13-16页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 本文技术路线 | 第14-16页 |
| 2 多目标VRP问题概述及模型建立 | 第16-34页 |
| 2.1 VRP问题概述 | 第16-22页 |
| 2.1.1 车辆路径问题的定义 | 第16-17页 |
| 2.1.2 VRP问题分类 | 第17-18页 |
| 2.1.3 车辆路径问题的常见求解算法 | 第18-21页 |
| 2.1.4 各种算法的优缺点比较 | 第21-22页 |
| 2.2 带时间窗约束的VRP问题研究 | 第22-25页 |
| 2.2.1 带时间窗约束的车辆路径定义 | 第22-23页 |
| 2.2.2 带时间窗的车辆调度问题模型 | 第23-25页 |
| 2.3 基于多目标优化的考虑碳排放的带时间窗约束的车辆路径问题研究 | 第25-32页 |
| 2.3.1 考虑碳排放的带时间窗约束的多目标车辆路径问题的描述 | 第25页 |
| 2.3.2 运输总成本的计算 | 第25-27页 |
| 2.3.3 碳排量的计算 | 第27-29页 |
| 2.3.4 客户满意度的计算 | 第29-31页 |
| 2.3.5 考虑碳排放的带时间窗约束的车辆调度问题的多目标模型建立 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 3 基于改进的人工蜂群算法求解多目标车辆路径问题模型 | 第34-50页 |
| 3.1 多目标优化简介 | 第34-35页 |
| 3.1.1 多目标优化的基本概念 | 第34页 |
| 3.1.2 多目标优化方法概述 | 第34-35页 |
| 3.2 人工蜂群算法理论研究 | 第35-39页 |
| 3.2.1 人工蜂群算法的基本原理介绍 | 第35-37页 |
| 3.2.2 人工蜂群算法的实现步骤及优缺点分析 | 第37-39页 |
| 3.3 禁忌搜索算法理论研究 | 第39-41页 |
| 3.3.1 禁忌搜索算法的基本原理介绍 | 第39-40页 |
| 3.3.2 禁忌搜索算法的实现步骤 | 第40-41页 |
| 3.4 改进的人工蜂群算法在求解多目标车辆路径问题的设计 | 第41-48页 |
| 3.4.1 初始解的生成 | 第41-42页 |
| 3.4.2 邻域搜索策略 | 第42-43页 |
| 3.4.3 食物源的评价策略 | 第43-44页 |
| 3.4.4 嵌入禁忌搜索算法 | 第44-45页 |
| 3.4.5 食物源的更新策略 | 第45-46页 |
| 3.4.6 改进的人工蜂群算法的求解流程 | 第46-48页 |
| 3.5 本章小结 | 第48-50页 |
| 4 考虑碳排放的带时间窗约束的VRP问题的实例应用 | 第50-66页 |
| 4.1 企业背景介绍及问题描述 | 第50-51页 |
| 4.2 利用改进的人工蜂群算法求解多目标车辆路径问题 | 第51-57页 |
| 4.2.1 参数设定 | 第51-52页 |
| 4.2.2 算法求解结果分析 | 第52-55页 |
| 4.2.3 算法的对比分析 | 第55-57页 |
| 4.3 基于TOPSIS的综合评价方法的最优解选取及比较分析 | 第57-64页 |
| 4.4 本章小结 | 第64-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 附录 | 第76-91页 |
| A.作者在攻读学位期间从事的科研课题 | 第76页 |
| B.改进的人工蜂群算法求解多目标VRP问题模型的python程序 | 第76-91页 |
