| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 选题背景和研究意义 | 第11页 |
| 1.2 本文研究内容和技术路线 | 第11-12页 |
| 1.3 本文章节安排 | 第12-15页 |
| 第2章 相关研究综述 | 第15-27页 |
| 2.1 车辆路径问题介绍 | 第15-16页 |
| 2.2 车辆路径问题分类 | 第16-18页 |
| 2.3 车辆路径问题中常用算法 | 第18-22页 |
| 2.4 多目标理论方法 | 第22-23页 |
| 2.5 多目标优化方法 | 第23-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 多目标车辆路径问题的建模方法研究 | 第27-35页 |
| 3.1 一般车辆路径问题的数学模型 | 第27-29页 |
| 3.2 带时间窗和容量约束的车辆路径问题的数学模型 | 第29-31页 |
| 3.3 考虑配送距离最短和顾客满意度最大的多目标VRP模型 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 一种多目标VRP求解算法设计 | 第35-47页 |
| 4.1 求解一般CVRP问题的遗传算法 | 第35-43页 |
| 4.1.1 编码和解码 | 第35-38页 |
| 4.1.2 其他的遗传算子设计 | 第38-42页 |
| 4.1.3 三种算法仿真的比较 | 第42-43页 |
| 4.2 多目标的算法设计 | 第43-46页 |
| 4.2.1 算法设计基本思想 | 第43-44页 |
| 4.2.2 MOEA/D算法 | 第44-45页 |
| 4.2.3 本文提出算法设计 | 第45-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第5章 算法仿真实验 | 第47-61页 |
| 5.1 实验环境 | 第47-48页 |
| 5.2 硬时间窗车辆路径问题的仿真实验 | 第48-54页 |
| 5.2.1 种群规模对算法性能的影响 | 第48-50页 |
| 5.2.2 搜索邻域对算法性能的影响 | 第50-53页 |
| 5.2.3 初始化更新对算法性能的影响 | 第53-54页 |
| 5.3 软时间窗车辆路径问题的仿真实验 | 第54-60页 |
| 5.3.1 种群规模对算法性能的影响 | 第54-56页 |
| 5.3.2 搜索邻域对算法性能的影响 | 第56-58页 |
| 5.3.3 初始化更新对算法性能的影响 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结束语 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64页 |