| 摘要 | 第6-9页 |
| ABSTRACT | 第9-11页 |
| 第1章 绪论 | 第18-37页 |
| 1.1 研究背景及意义 | 第18-20页 |
| 1.1.1 研究背景 | 第18-19页 |
| 1.1.2 研究意义 | 第19-20页 |
| 1.2 国内外研究进展 | 第20-33页 |
| 1.2.1 数据挖掘的相关理论知识 | 第20-22页 |
| 1.2.2 几种新型的物流配送方式 | 第22-25页 |
| 1.2.3 物流配送系统中两大问题 | 第25-33页 |
| 1.3 研究思路与内容 | 第33-35页 |
| 1.3.1 研究思路 | 第33-34页 |
| 1.3.2 研究内容 | 第34-35页 |
| 1.4 主要创新点 | 第35-37页 |
| 第2章 相关理论基础 | 第37-60页 |
| 2.1 智能算法及应用研究 | 第37-45页 |
| 2.1.1 差分进化算法 | 第37-39页 |
| 2.1.2 粒子群优化算法 | 第39页 |
| 2.1.3 蚁群优化算法 | 第39-41页 |
| 2.1.4 基于粗糙集的广义决策信息系统及应用研究 | 第41-45页 |
| 2.2 多智能体系统与分布式计算 | 第45-48页 |
| 2.2.1 多智能体系统 | 第45-47页 |
| 2.2.2 分布式计算 | 第47-48页 |
| 2.3 物流配送与调度 | 第48-58页 |
| 2.3.1 旅行商问题 | 第48-52页 |
| 2.3.2 车辆路径问题 | 第52-58页 |
| 2.4 本章小结 | 第58-60页 |
| 第3章 种群自适应调整的多目标差分进化算法及应用研究 | 第60-73页 |
| 3.1 多旅行商问题的基本描述 | 第60-63页 |
| 3.1.1 多旅行商问题的描述和参数设置 | 第61页 |
| 3.1.2 多旅行商问题的数学描述 | 第61-63页 |
| 3.2 差分进化算法的原理 | 第63-64页 |
| 3.2.1 变异操作(Mutation) | 第63页 |
| 3.2.2 交叉操作(Crossover) | 第63-64页 |
| 3.2.3 选择操作(Selection) | 第64页 |
| 3.3 基于种群自适应调整的多目标差分进化算法 | 第64-67页 |
| 3.3.1 种群收缩策略 | 第64-65页 |
| 3.3.2 种群扩增策略 | 第65页 |
| 3.3.3 精英学习机制 | 第65-66页 |
| 3.3.4 PSAMODE算法 | 第66-67页 |
| 3.4 仿真实验结果与分析 | 第67-71页 |
| 3.4.1 种群自适应调整的多目标差分进化算法仿真结果 | 第67-70页 |
| 3.4.2 基于种群自适应调整的多目标差分进化算法的MTSP仿真结果 | 第70-71页 |
| 3.5 本章小结 | 第71-73页 |
| 第4章 基于改进遗传-粒子群混合算法的路径成本问题研究 | 第73-91页 |
| 4.1 路径成本问题的基本描述 | 第73-74页 |
| 4.2 改进的遗传-粒子群算法 | 第74-79页 |
| 4.2.1 进化算子 | 第75-76页 |
| 4.2.2 控制参数的选择 | 第76-77页 |
| 4.2.3 改进的遗传-粒子群算法的描述 | 第77页 |
| 4.2.4 改进的遗传-粒子群算法的流程 | 第77-79页 |
| 4.3 路径成本最优模型求解 | 第79-80页 |
| 4.3.1 个体粒子编码方式 | 第79页 |
| 4.3.2 交叉操作 | 第79页 |
| 4.3.3 变异操作 | 第79-80页 |
| 4.4 算法的实现 | 第80-82页 |
| 4.4.1 粒子的适应度函数 | 第80页 |
| 4.4.2 粒子初始化操作 | 第80-81页 |
| 4.4.3 交叉操作函数 | 第81-82页 |
| 4.4.4 变异操作 | 第82页 |
| 4.5 仿真实验与结果分析 | 第82-90页 |
| 4.5.1 城市规模为14的TSP问题 | 第82-83页 |
| 4.5.2 城市规模为30的TSP问题 | 第83-87页 |
| 4.5.3 城市规模为51的TSP问题 | 第87页 |
| 4.5.4 城市规模为70的TSP问题 | 第87-89页 |
| 4.5.5 城市规模为150的TSP问题 | 第89-90页 |
| 4.6 本章小结 | 第90-91页 |
| 第5章 基于遗传—云计算的路径优化模型研究 | 第91-107页 |
| 5.1 云计算的概述 | 第91-94页 |
| 5.1.1 云计算的概念 | 第91-92页 |
| 5.1.2 云计算特点 | 第92-93页 |
| 5.1.3 云计算的类型 | 第93-94页 |
| 5.1.4 云计算在物流中的应用 | 第94页 |
| 5.2 基于遗传优化的云计算模型设计 | 第94-98页 |
| 5.2.1 基于云计算的车辆路径问题的基本描述 | 第94-95页 |
| 5.2.2 遗传算法在车辆路径问题的应用 | 第95-96页 |
| 5.2.3 遗传—云计算的路径优化模型的可行性 | 第96-98页 |
| 5.3 基于遗传—云计算的配送车辆路径问题 | 第98-104页 |
| 5.3.1 模型的描述和符号说明 | 第98页 |
| 5.3.2 模型的建立 | 第98-100页 |
| 5.3.3 模型优化求解 | 第100-104页 |
| 5.4 计算结果与比较 | 第104-106页 |
| 5.5 本章小结 | 第106-107页 |
| 第6章 基于蚁群—云计算的资源调度优化模型研究 | 第107-118页 |
| 6.1 云平台资源调度算法分析 | 第107-110页 |
| 6.1.1 分布式资源调度算法分析 | 第108页 |
| 6.1.2 动态资源调度算法分析 | 第108-110页 |
| 6.2 基于改进蚁群算法的云计算资源调度 | 第110-113页 |
| 6.2.1 蚁群优化算法 | 第111-112页 |
| 6.2.2 云计算资源调度算法 | 第112-113页 |
| 6.2.3 收敛性分析 | 第113页 |
| 6.3 实验仿真与结果 | 第113-117页 |
| 6.3.1 基于改进的蚁群—云计算的资源调度算法仿真结果 | 第113-114页 |
| 6.3.2 基于改进的蚁群-云计算的资源调度算法仿真结果比较 | 第114-117页 |
| 6.4 本章小结 | 第117-118页 |
| 第7章 总结与展望 | 第118-121页 |
| 7.1 总结 | 第118-119页 |
| 7.2 展望 | 第119-121页 |
| 参考文献 | 第121-141页 |
| 致谢 | 第141-142页 |
| 攻读博士学位期间发表的论文和参与科研项目 | 第142-143页 |
| 附录 | 第143-147页 |
| TSP实例 | 第143-147页 |
