基于改进蚁群算法的路径寻优
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文研究内容及章节安排 | 第15-16页 |
| 第2章 动态路网模型及拓扑结构 | 第16-26页 |
| 2.1 动态路网模型 | 第16-18页 |
| 2.1.1 动态路网模型的现实意义 | 第16页 |
| 2.1.2 动态路网数学模型 | 第16-17页 |
| 2.1.3 路径规划在动态路网中的问题 | 第17-18页 |
| 2.2 道路网络拓扑结构 | 第18-22页 |
| 2.2.1 道路的基本属性 | 第18-20页 |
| 2.2.2 道路网络存储结构 | 第20-22页 |
| 2.3 适用于动态路径规划的人工智能算法 | 第22-24页 |
| 2.4 本章小节 | 第24-26页 |
| 第3章 动态交通信息获取及行程时间预测 | 第26-38页 |
| 3.1 动态交通信息获取 | 第26-31页 |
| 3.1.1 交通信息的采集 | 第26-29页 |
| 3.1.2 基于K近邻非参数回归交通流密度预测 | 第29-31页 |
| 3.2 行程时间预测 | 第31-37页 |
| 3.2.1 交通流理论基础 | 第32-34页 |
| 3.2.2 路段行程时间模型 | 第34-35页 |
| 3.2.3 行程时间预测模型 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 带有方向因子自适应蚁群算法设计 | 第38-54页 |
| 4.1 基本蚁群算法及经典改进蚁群算法 | 第38-46页 |
| 4.1.1 算法原理及步骤 | 第38-42页 |
| 4.1.2 基本蚁群算法优缺点 | 第42-43页 |
| 4.1.3 几种经典的改进蚁群算法 | 第43-46页 |
| 4.2 带有方向因子的自适应蚁群优化算法 | 第46-53页 |
| 4.2.1 方向因子 | 第47-49页 |
| 4.2.2 改进信息素更新方式 | 第49-50页 |
| 4.2.3 局部最优路径信息素奖励机制 | 第50-51页 |
| 4.2.4 改进蚁群算法步骤与流程 | 第51-52页 |
| 4.2.5 改进蚁群算法时间复杂度分析 | 第52-53页 |
| 4.3 本章小节 | 第53-54页 |
| 第5章 仿真与实验 | 第54-64页 |
| 5.1 开发工具和运行环境 | 第54页 |
| 5.2 实验数据 | 第54-55页 |
| 5.3 算法参数设置 | 第55-57页 |
| 5.4 仿真结果与分析 | 第57-63页 |
| 5.4.1 参数γ对改进蚁群算法的影响 | 第57-59页 |
| 5.4.2 改进蚁群算法算法与AC和MMAS比较 | 第59-60页 |
| 5.4.3 改进蚁群算法与其他算法比较 | 第60-61页 |
| 5.4.4 改进蚁群算法在电子地图上的实现 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
