| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 缩略词对照表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及课题意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 物流配送问题研究 | 第14-21页 |
| 2.1 物流配送问题的描述 | 第14-15页 |
| 2.2 物流配送路径的优化目标 | 第15-16页 |
| 2.3 物流配送的数学模型的建立 | 第16-19页 |
| 2.3.1 无时限单向物流配送路径优化问题的数学模型 | 第16-18页 |
| 2.3.2 有时限单向物流配送路径路径优化问题的数学模型 | 第18-19页 |
| 2.4 逆向物流描述 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 配送路径优化的关键算法介绍 | 第21-33页 |
| 3.1 遗传算法 | 第21-26页 |
| 3.1.1 遗传算法的基本用语及操作 | 第21-22页 |
| 3.1.2 遗传算法的基本要素 | 第22-26页 |
| 3.2 模拟退火算法 | 第26-27页 |
| 3.2.1 算法基本介绍 | 第26-27页 |
| 3.3 神经网络 | 第27-32页 |
| 3.3.1 人工神经网络概述 | 第28-29页 |
| 3.3.2 脉冲耦合神经网络的基本模型 | 第29-30页 |
| 3.3.3 脉冲耦合神经网络基本原理和特点 | 第30-31页 |
| 3.3.4 脉冲耦合神经网络的应用 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于混合遗传算法的物流配送路径优化算法 | 第33-45页 |
| 4.1 引言 | 第33页 |
| 4.2 遗传算法的参数设置 | 第33-34页 |
| 4.3 遗传算法运用于物流配送路径优化 | 第34-36页 |
| 4.3.1 实验准备条件 | 第34-35页 |
| 4.3.2 实验结果分析 | 第35-36页 |
| 4.4 模拟退火算法运用于物流配送路径优化 | 第36-38页 |
| 4.4.1 模拟退火算法实验结果 | 第36-38页 |
| 4.4.2 模拟退火算法与遗传算法的实验结果比较 | 第38页 |
| 4.5 遗传算法和模拟退火算法相结合的混合GASA算法 | 第38-44页 |
| 4.5.1 混合GASA算法的原理 | 第38-40页 |
| 4.5.2 混合GASA算法实验测试结果 | 第40-41页 |
| 4.5.3 GA、SA、混合GASA三者的结果对比 | 第41-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 基于脉冲耦合神经网络的物流配送路径优化问题的研究 | 第45-60页 |
| 5.1 引言 | 第45页 |
| 5.2 脉冲耦合神经网络运用于物流配送路径优化的可行性分析 | 第45页 |
| 5.3 脉冲耦合神经网络的改进 | 第45-48页 |
| 5.3.1 标记和定义 | 第45-46页 |
| 5.3.2 算法阐述 | 第46-48页 |
| 5.4 脉冲耦合神经网络求解最短路径实例 | 第48-50页 |
| 5.4.1 应用实例 | 第48-49页 |
| 5.4.2 仿真实验 | 第49-50页 |
| 5.4.3 小结 | 第50页 |
| 5.5 脉冲耦合神经网络的改进--快速反馈脉冲耦合神经网络 | 第50-55页 |
| 5.5.1 快速反馈脉冲耦合神经网络模型的提出 | 第50-51页 |
| 5.5.2 快速反馈脉冲耦合神经网络模型的分析 | 第51-52页 |
| 5.5.3 快速反馈脉冲耦合神经网络模型的算法描述 | 第52-55页 |
| 5.6 基于MATLAB的实验测试与实验结果分析 | 第55-59页 |
| 5.7 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间发表的论文 | 第67页 |
