| 第一章 引言 | 第1-17页 |
| 1．1 物流概述 | 第9-14页 |
| 1．1．1 物流的起源及物流中心 | 第12-13页 |
| 1．1．2 物流的发展 | 第13-14页 |
| 1．2 运输概述 | 第14-15页 |
| 1．3 运输中的优化调度 | 第15页 |
| 1．4 本文的主要内容 | 第15-16页 |
| 1．5 本文的创新点 | 第16-17页 |
| 第二章 常见的运输优化问题 | 第17-30页 |
| 2．1 车辆调度问题 | 第17-27页 |
| 2．1．1 无时间限制的满载的车辆调度问题 | 第18-20页 |
| 2．1．2 有时间限制的满载的车辆调度问题 | 第20-23页 |
| 2．1．3 有时间限制的非满载的车辆调度问题 | 第23-27页 |
| 2．2 基于运输方式的优化 | 第27-30页 |
| 第三章 面向业务承接的物流运输问题的模型建立 | 第30-39页 |
| 3．1 问题的提出 | 第30-31页 |
| 3．2 问题的描述 | 第31-32页 |
| 3．3 模型的建立 | 第32-34页 |
| 3．3．1 模型假设及符号说明 | 第32-33页 |
| 3．3．2 模型的建立 | 第33-34页 |
| 3．4 和其它模型的比较 | 第34-35页 |
| 3．5 模型的复杂性分析 | 第35-39页 |
| 第四章 基于遗传算法的模型求解 | 第39-60页 |
| 4．1 几种常用的优化算法 | 第39-42页 |
| 1禁忌搜索算法 | 第39-40页 |
| 2神经网络算法 | 第40-42页 |
| 4．2 遗传算法概述 | 第42-60页 |
| 4．2．1 遗传算法的起源 | 第42-43页 |
| 4．2．2 遗传算法的过程 | 第43-45页 |
| 4．2．3 遗传算法的优点 | 第45-46页 |
| 4．2．4 遗传算法的不足 | 第46-47页 |
| 4．2．5 遗传算法用于解决运输问题 | 第47页 |
| 4．2．6 基于遗传算法的车辆路线最短问题求解 | 第47-49页 |
| 4．2．7 基于遗传算法的车辆分配问题求解 | 第49-51页 |
| 4．2．8 基于遗传算法的仿真实验 | 第51-60页 |
| 第五章 基于遗传算法和蚁群算法相结合的模型求解 | 第60-72页 |
| 5．1 蚁群算法 | 第60-67页 |
| 5．1．1 蚁群算法的起源 | 第60-61页 |
| 5．1．2 蚁群算法的原理 | 第61-62页 |
| 5．1．3 蚁群算法的数学模型 | 第62-63页 |
| 5．1．4 蚁群算法的流程 | 第63-66页 |
| 5．1．5 蚁群算法的发展 | 第66-67页 |
| 5．2 基于蚁群算法和遗传算法相结合的模型求解 | 第67-72页 |
| 5．2．1 蚁群算法和遗传算法结合的算法步骤 | 第67-69页 |
| 5．2．2 基于蚁群算法和遗传算法相结合求解的仿真实验 | 第69-72页 |
| 第六章 总结与展望 | 第72-73页 |
| 6．1 主要工作及创新点 | 第72页 |
| 6．2 展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 攻读学位期间发表的学术论文 | 第76-77页 |
| 致谢 | 第77页 |