蚁群算法在汽车导航中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 汽车导航技术简介 | 第12-15页 |
| 1.2.1 汽车导航技术的发展 | 第12-13页 |
| 1.2.2 导航的关键技术 | 第13-14页 |
| 1.2.3 汽车导航的前景 | 第14-15页 |
| 1.3 智能优化算法简介 | 第15-18页 |
| 1.3.1 进化算法(EA) | 第15页 |
| 1.3.2 粒子群算法(PSO) | 第15-16页 |
| 1.3.3 禁忌搜索(TS) | 第16页 |
| 1.3.4 分散搜索(SS) | 第16-17页 |
| 1.3.5. 模拟退火(SA) | 第17页 |
| 1.3.6 人工免疫系统(AIS) | 第17-18页 |
| 1.3.7 蚁群算法(ACO) | 第18页 |
| 1.4 面向对象方法简介 | 第18-19页 |
| 1.4.1 基本概念 | 第18-19页 |
| 1.5 论文的主要研究工作和组织结构 | 第19-20页 |
| 1.5.1 主要研究内容及创新点 | 第19页 |
| 1.5.2 本文的组织结构 | 第19-20页 |
| 1.6 本章小结 | 第20-21页 |
| 第二章 蚁群及已有的改进算法 | 第21-31页 |
| 2.1 引言 | 第21页 |
| 2.2 基本蚁群算法 | 第21-28页 |
| 2.2.1 蚁群算法的生物学原理 | 第21-23页 |
| 2.2.2 人工蚁群与真实蚁群的特征 | 第23-24页 |
| 2.2.3 蚁群算法的数学模型 | 第24-27页 |
| 2.2.4 蚁群算法流程 | 第27-28页 |
| 2.3 蚁群算法的研究现状 | 第28-30页 |
| 2.3.1 蚁群系统(ACS) | 第28-29页 |
| 2.3.2 最大-最小蚂蚁系统(MMAS) | 第29-30页 |
| 2.3.3 带精英策略的蚂蚁系统 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 城市道路网络拓扑模型的构建 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 地理信息系统(GIS) | 第31-32页 |
| 3.3 道路拓扑的构建 | 第32-39页 |
| 3.3.1 空间关系基本概念 | 第32-34页 |
| 3.3.2 道路网络的图论表示 | 第34-36页 |
| 3.3.3 面向对象的数据存储方法 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 回溯思想指导的蚁群算法 | 第41-51页 |
| 4.1 引言 | 第41页 |
| 4.2 “死胡同”(回头路)问题 | 第41-44页 |
| 4.2.1 问题的源头 | 第41-42页 |
| 4.2.2 具有回溯思想的蚁群算法 | 第42-44页 |
| 4.3 算法参数分析 | 第44-45页 |
| 4.4 实验仿真比较分析 | 第45-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 改进蚁群算法在汽车导航中的应用 | 第51-65页 |
| 5.1 引言 | 第51页 |
| 5.2 汽车导航常用算法 | 第51-53页 |
| 5.2.1 A*算法概念 | 第51-52页 |
| 5.2.2 A*算法搜索能力分析 | 第52-53页 |
| 5.3 基于动态规划的限制区域搜索 | 第53-57页 |
| 5.3.1 城市交通网络特点分析 | 第53-54页 |
| 5.3.2 动态规划搜索区域的基本原理 | 第54-55页 |
| 5.3.3 动态搜索区域的设计 | 第55-57页 |
| 5.4 动态规划搜索区域的分层回溯蚁群搜索算法 | 第57-58页 |
| 5.4.1 算法介绍和分析 | 第57页 |
| 5.4.2 算法的终止准则 | 第57-58页 |
| 5.4.3 算法的实现 | 第58页 |
| 5.5 仿真实验与分析 | 第58-63页 |
| 5.6 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 附录 | 第73页 |
